Автоматизация, ИИ и рабочие места: что показывают данные и что пока остаётся прогнозом

Утверждения об искусственном интеллекте и рабочих местах варьируются от «половина всех рабочих мест исчезнет» до «ничего не изменилось». Большинство таких утверждений смешивают три разных вида высказываний: то, что было измерено в отношении автоматизации в прошлом; оценки того, какие задачи способны выполнять новые технологии; и прогнозы будущего. В этом исследовании эти вещи рассматриваются отдельно. В нём анализируются наиболее известные исследования промышленных роботов, широко цитируемые оценки доли рабочих мест, «подверженных риску» компьютеризации, и критика этих оценок, исследования подверженности воздействию больших языковых моделей, проведённые исследователями OpenAI и Международной организации труда, полевые и лабораторные эксперименты с генеративным ИИ и производительностью, а также первые исследования фактических результатов на рынке труда в 2023–2026 годах. Установленные выводы уже, чем можно предположить по общественным дискуссиям: автоматизация вытеснила работников в отдельных местах и группах, тогда как занятость в целом пока адаптировалась; генеративный ИИ повышает производительность при выполнении некоторых задач, особенно у менее опытных работников; ранние административные данные не свидетельствуют о вытеснении работников в масштабах всей экономики, однако показывают растущий разрыв в занятости молодых работников в наиболее подверженных воздействию профессиях. Всё остальное — прогноз.

Основные выводы

• Роботы оказали измеримое локальное воздействие. В зонах маятниковых поездок в США каждый дополнительный промышленный робот на тысячу работников снижал отношение занятости к численности населения на 0,2 процентного пункта, а заработную плату — на 0,42% (Acemoglu and Restrepo, 2020). В Германии потери рабочих мест в обрабатывающей промышленности, связанные с роботами, полностью компенсировались созданием новых рабочих мест в сфере услуг; основное бремя пришлось на молодых работников, выходивших на рынок труда (Dauth et al., 2021). В 17 странах в 1993–2007 годах роботы увеличили ежегодный рост производительности труда примерно на 0,36 процентного пункта, не приведя к значительному сокращению общей занятости (Graetz and Michaels, 2018).
• Оценки «рабочих мест под угрозой» — не прогнозы потери рабочих мест. Оценка Фрея и Осборна за 2013 год, согласно которой около 47% занятости в США подвергалось высокому риску компьютеризации, описывала технический потенциал «в течение неустановленного периода, возможно, одного-двух десятилетий». Повторный анализ на основе задач, проведённый для ОЭСР, показал, что в среднем автоматизировать можно 9% рабочих мест в 21 стране ОЭСР.
• Большие языковые модели способны выполнять множество задач. Элоунду и коллеги оценивают, что большие языковые модели могут затронуть не менее 10% рабочих задач примерно у 80% работников в США, а не менее половины задач — примерно у 19%; при использовании только LLM около 15% задач можно было бы выполнять значительно быстрее с тем же качеством, а при использовании программного обеспечения на их основе этот показатель возрастает до 47–56%.
• МОТ ожидает скорее трансформации, чем автоматизации. Согласно её индексу за 2025 год, каждый четвёртый работник в мире занят в профессии, в некоторой степени подверженной воздействию генеративного ИИ, а 3,3% мировой занятости приходится на категорию с наивысшим уровнем подверженности — 4,7% занятости женщин против 2,4% занятости мужчин. В странах с высоким уровнем дохода подверженность затрагивает 34% занятых, а в странах с низким уровнем дохода — 11%.
• Помощь ИИ повышает производительность при выполнении измеряемых задач. Среди 5 172 специалистов службы поддержки клиентов доступ к ИИ-ассистенту увеличил среднее число решённых обращений в час на 15%; наибольший прирост наблюдался у менее опытных и менее квалифицированных работников (Brynjolfsson, Li and Raymond, 2025). В эксперименте с участием 453 специалистов ChatGPT сократил время выполнения письменных заданий на 40% и повысил их качество на 18% (Noy and Zhang, 2023).
• Первые данные о результатах не показывают совокупного вытеснения работников. Датские административные данные показывают, что чат-боты на основе ИИ не оказали статистически значимого влияния на заработки и продолжительность рабочего времени; они позволяют исключить эффекты свыше 2% через два года после запуска ChatGPT (Humlum and Vestergaard, 2025). Данные о начислении заработной платы в США по июнь 2026 года не свидетельствуют о повсеместном вытеснении работников, однако занятость среди людей в возрасте 22–25 лет в профессиях, подверженных воздействию ИИ, на 19% ниже уровня, которого она достигла бы, если бы росла теми же темпами, что и у менее подверженных воздействию групп сверстников; это описательный разрыв, а не причинная оценка (Brynjolfsson, Chandar and Chen, revised 2026).
• Макроэкономический прирост может быть скромным. Аджемоглу (2025) оценивает, что за десять лет ИИ повысит совокупную факторную производительность не более чем на 0,66%, а возможно, менее чем на 0,53%.

Исследовательский вопрос и рамки

В этом исследовании рассматривается, что установлено — и что не установлено — в научной литературе о влиянии автоматизации и ИИ на занятость, заработную плату и организацию труда. Этот вопрос важен для нас, поскольку он лежит в основе дискуссии о «посттрудовом обществе»: нужны ли обществам новые институты — базовые доходы, фонды общественного благосостояния, новые формы собственности — в связи с тем, что спрос на человеческий труд будет снижаться.

В обзор включены рецензируемые исследования и заметные рабочие документы за 2013–2026 годы по пяти направлениям: локальные исследования рынков труда, посвящённые промышленным роботам; оценки «риска» для профессий; индексы подверженности воздействию генеративного ИИ; эксперименты по измерению производительности; а также первые административные данные о результатах на рынке труда после выпуска ChatGPT в ноябре 2022 года. Мы не рассматриваем прогнозы отраслевых компаний, отчёты консалтинговых фирм и опросы о намерениях руководителей компаний: на них часто ссылаются, но они редко содержат прозрачное описание методологии. В других исследованиях атласа рассматриваются данные о мерах поддержки доходов, способных смягчить последствия изменений на рынке труда.

Предпосылки

Давний вопрос

Опасения по поводу технологической безработицы столь же стары, как и экономика промышленности. В 1930 году Джон Мейнард Кейнс ввёл термин «технологическая безработица», описав её как безработицу, возникающую, когда открытие способов экономии труда опережает темпы, с которыми находятся новые сферы применения труда. С тех пор занятость в богатых странах росла, несмотря на неоднократные волны механизации и компьютеризации.

Почему рабочие места сохранялись — до сих пор

В эссе Дэвида Отора 2015 года «Почему всё ещё так много рабочих мест?» изложено общепринятое объяснение. Автоматизация действительно замещает труд, как и предполагается, но также дополняет его, увеличивает выпуск продукции, что повышает спрос на труд, и взаимодействует с изменениями предложения труда. Отор утверждает, что комментаторы склонны преувеличивать масштабы замещения труда машинами и игнорировать эту взаимодополняемость. Технологии действительно меняют доступные рабочие места и оплату труда: в последние десятилетия «поляризация» рынка труда привела к тому, что рост заработков непропорционально доставался работникам на верхнем и нижнем концах распределения навыков, а не тем, кто находился в середине.

Задачи, а не рабочие места

Современная концептуальная модель, разработанная, среди прочих, Дароном Аджемоглу и Паскуалем Рестрепо, рассматривает рабочие места как наборы задач. В их модели 2018 года автоматизация существующих задач сокращает занятость и долю труда в доходе и может снизить заработную плату, тогда как создание новых задач, в которых труд обладает сравнительным преимуществом, приводит к противоположному эффекту. Улучшится или ухудшится положение труда, зависит от того, какая из этих двух сил окажется сильнее. В варианте модели с неоднородными навыками неравенство растёт в ходе переходных процессов, вызванных как ускоренной автоматизацией, так и появлением новых задач. Эта модель объясняет, почему вопрос «Скольким рабочим местам угрожает ИИ?» неверен: важно то, какие задачи автоматизируются, какие новые задачи возникают и насколько быстро работники могут переходить от одних задач к другим.

Метод и источники

Пять видов данных

Как атлас оценивает утверждения

Мы считаем выводы из первой и четвёртой категорий установленными, если они получены в рецензируемых исследованиях с убедительной идентификацией, при этом признавая, что они описывают конкретные технологии, места и периоды. Оценки подверженности мы считаем установленными как измерения, но не как прогнозы. Мониторинг ранних результатов мы считаем формирующимся направлением: он информативен, но появился слишком недавно, чтобы делать окончательные выводы. Любое утверждение о будущей совокупной занятости мы считаем прогнозом.

Выводы: промышленные роботы

США

Acemoglu and Restrepo (2020) исследуют влияние промышленных роботов на рынки труда США, используя различия в подверженности роботизации, определяемые прогрессом робототехники на отраслевом уровне и отраслевой структурой каждой зоны маятниковой миграции. Они обнаруживают устойчивое отрицательное влияние на занятость и заработную плату: увеличение числа роботов на тысячу работников на один снижает отношение занятых к численности населения на 0,2 процентного пункта, а заработную плату — на 0,42%. В районах, наиболее подверженных роботизации после 1990 года, до этого не наблюдалось отличающейся динамики; влияние роботов отличается от влияния других видов капитала и технологий.

Германия

Dauth, Findeisen, Suedekum and Woessner (2021) используют подробные административные данные для изучения адаптации местных рынков труда Германии к промышленным роботам. Подверженность роботизации связана с вытеснением работников из обрабатывающей промышленности, однако эти потери полностью компенсируются созданием новых рабочих мест в сфере услуг. Основная нагрузка ложится на молодых работников, только вступающих на рынок труда: они чаще выбирают колледжи и университеты вместо профессионального обучения. Работники, уже занятые на предприятиях, сохраняют более стабильную занятость внутри своих компаний, нередко принимая на себя новые задачи на прежних предприятиях; выгоду получают и работники профессий, включающих взаимодополняющие задачи, например руководители и технические специалисты.

Межстрановые данные

Graetz and Michaels (2018) анализируют внедрение роботов в 17 странах в период с 1993 по 2007 год. Более широкое использование роботов обеспечило около 0,36 процентного пункта годового роста производительности труда, одновременно повысив совокупную факторную производительность и снизив цены на продукцию. Авторы обнаруживают, что роботы не привели к существенному сокращению общей занятости, хотя и уменьшили долю низкоквалифицированных работников в занятости.

Что подтверждают исследования роботов

Эти три исследования не противоречат друг другу. Автоматизация может снижать занятость и заработную плату в затронутых регионах и группах, тогда как совокупная занятость адаптируется — в зависимости от институтов, спроса и темпов внедрения. Распределительные эффекты — для регионов, молодых работников, впервые выходящих на рынок труда, и работников с низкой квалификацией — подтверждены убедительнее, чем наличие какого-либо совокупного эффекта.

Результаты: оценки числа рабочих мест «под угрозой»

Фрей и Осборн

В рабочей статье от 17 сентября 2013 года, впоследствии опубликованной в Technological Forecasting and Social Change (2017), Карл Бенедикт Фрей и Майкл Осборн оценили вероятность компьютеризации для 702 подробных профессиональных категорий: для части из них они использовали экспертную классификацию, а для остальных — статистический классификатор. Они пришли к выводу, что около 47% всей занятости в США относилось к категории высокого риска, «то есть соответствующие профессии потенциально могут быть автоматизированы в течение некоторого неопределённого числа лет, возможно, одного или двух десятилетий». Они также обнаружили сильную отрицательную связь между вероятностью компьютеризации профессии и уровнем заработной платы и образования работников.

Критика

Показатель в 47% стал одной из самых часто цитируемых цифр в дискуссии об автоматизации; его нередко представляли как прогноз исчезновения половины рабочих мест. Важны три критических замечания.

1. Профессии — это не задачи. Арнтц, Грегори и Циеран (2016) в докладе для ОЭСР утверждали, что предположение об автоматизации профессий целиком завышает потенциал автоматизации, поскольку даже в профессиях, отнесённых к группе высокого риска, часто остаётся значительная доля задач, которые трудно автоматизировать. Учтя неоднородность задач внутри профессий, они установили, что в среднем автоматизировать можно 9% рабочих мест в 21 стране ОЭСР: от 6% в Корее до 12% в Австрии.
2. Технический потенциал не означает внедрения. Автоматизация задачи зависит от затрат, регулирования, организационных изменений и спроса, а не только от технической осуществимости. Фрей и Осборн прямо описывали свою оценку как «примерные сроки», а не как прогноз потери рабочих мест.
3. Оценки на индивидуальном уровне различаются. Неделкоска и Квинтини (2018) в исследовании для ОЭСР опирались на экспертную оценку Фрея и Осборна, но оценивали риск для отдельных рабочих мест, используя Обследование навыков взрослых в 32 странах и связывая риск с использованием навыков и обучением. Их подход, как и подход Арнтца и его коллег, даёт оценки значительно ниже основанной на профессиональных категориях цифры.

Десять лет спустя

Более чем через десятилетие после публикации статьи 2013 года занятость в США не сократилась даже близко к 47%. Это не доказывает, что Фрей и Осборн ошибались, поскольку они не указывали сроков, но показывает, почему оценки технического потенциала не следует трактовать как прогнозы.

Результаты: подверженность воздействию генеративного ИИ

«GPT — это GPT»

Элундау, Мэннинг, Мишкин и Рок оценили профессии в США с точки зрения их соответствия возможностям больших языковых моделей, объединив классификации, выполненные аннотаторами-людьми и GPT-4. Первая версия исследования была опубликована в марте 2023 года; само исследование вышло в Science в 2024 году. Авторы оценивают, что примерно 80% рабочей силы США могут столкнуться с влиянием больших языковых моделей как минимум на 10% своих рабочих задач, а около 19% работников — как минимум на 50% задач. При наличии доступа к большой языковой модели около 15% всех рабочих задач можно было бы выполнять значительно быстрее при том же качестве; при использовании программного обеспечения и инструментов на основе больших языковых моделей эта доля возрастает до 47–56%. Прогнозируемые эффекты охватывают все уровни заработной платы, причём рабочие места с более высокими доходами могут подвергаться большему воздействию. Авторы прямо отмечают, что не прогнозируют сроки разработки или внедрения, и утверждают, что большие языковые модели обладают признаками технологий общего назначения.

Следует учитывать два обстоятельства. «Подверженность влиянию» означает, что задачу можно выполнять быстрее, а не то, что работника заменят. Кроме того, классификация отчасти основана на оценке языковой моделью собственного потенциала, что вызывает вопросы о точности такой оценки.

Анализ МОТ за 2023 год

В первом глобальном исследовании МОТ (Гмырек, Берг и Бескон, август 2023 года) оценивалась подверженность воздействию GPT-4; авторы пришли к выводу, что наиболее вероятным эффектом технологии станет дополнение, а не автоматизация профессиональной деятельности. На рабочие места с высоким потенциалом автоматизации приходилось лишь 0,4% занятости в странах с низкими доходами, но 5,5% — в странах с высокими доходами. Потенциал дополнения был выше: затрагивалось 10,4% занятости в странах с низкими доходами и 13,4% — в странах с высокими доходами. Эффекты были сильно дифференцированы по гендерному признаку: в странах с высокими доходами на рабочие места с высоким потенциалом автоматизации приходилось 8,5% занятости женщин против 3,9% занятости мужчин, главным образом потому, что канцелярская работа является важным источником занятости женщин.

Уточнённый индекс МОТ за 2025 год

В обновлении 2025 года (Гмырек и др.) индекс был построен заново на основе выборки из 29,753 задач в польской классификации профессий, опроса 1,640 работников из всех основных профессиональных групп, давшего 52,558 точек данных по 2,861 задаче, а также раундов с международными экспертами по методу Дельфи. Согласно выводам, канцелярские профессии по-прежнему подвержены наибольшему воздействию; некоторые высокоцифровизированные профессиональные и технические профессии стали более подвержены воздействию; а в глобальном масштабе каждый четвёртый работник занят в профессии, в той или иной степени подверженной воздействию генеративного ИИ. На наивысший градиент подверженности приходится 3.3% глобальной занятости — 4.7% занятости женщин против 2.4% занятости мужчин; в странах с высокими доходами разрыв увеличивается до 9.6% против 3.5%. В целом подверженность воздействию охватывает 11% занятости в странах с низкими доходами и 34% — в странах с высокими доходами. МОТ заключает, что, поскольку большинство профессий состоит из задач, требующих участия человека, наиболее вероятным последствием станет трансформация рабочих мест.

Результаты: эксперименты по изучению производительности

Поддержка клиентов

Бриньольфссон, Ли и Реймонд изучают поэтапное внедрение разговорного помощника на основе генеративного ИИ для 5,172 специалистов службы поддержки клиентов. Доступ к ИИ-помощнику повысил производительность, измеряемую количеством решённых вопросов в час, в среднем на 15%, хотя эффект существенно различался. Менее опытные работники и работники с более низкой квалификацией повысили как скорость, так и качество работы, тогда как наиболее опытные и высококвалифицированные работники добились небольшого роста скорости и небольшого снижения качества. ИИ-помощник, по-видимому, помогал работникам учиться и улучшал их владение английским языком, особенно у сотрудников из других стран. Наибольший прирост наблюдался при решении умеренно редких проблем. Клиенты стали вежливее и реже просили позвать руководителя.

Профессиональное письмо

Ной и Чжан поручили 453 специалистам с высшим образованием выполнить задания по написанию текстов, связанные с их профессиями и предусматривающие материальное вознаграждение; половине участников случайным образом предоставили доступ к ChatGPT. Среднее время выполнения сократилось на 40%, а качество результатов выросло на 18%. Неравенство между работниками уменьшилось. Участники эксперимента, получившие доступ к ChatGPT, вдвое чаще сообщали, что использовали его в своей реальной работе, спустя две недели, и в 1.6 раза чаще — спустя два месяца.

Что показывают и чего не показывают эксперименты

Эти исследования подтверждают, что современные инструменты генеративного ИИ могут существенно повысить производительность при выполнении чётко определённых задач, причём прирост обычно больше у менее опытных работников, что сокращает разрыв в выполнении этих задач. Однако они не показывают, что происходит с занятостью, когда такие приросты распространяются шире. Повышение производительности на одного работника может привести к сокращению необходимого числа работников, росту выпуска и спроса либо переходу работников к новым задачам; эксперименты не позволяют определить, какой из этих сценариев возобладает.

Результаты: первые изменения на рынке труда, 2023–2026 годы

Дания: быстрое внедрение, пока без влияния на заработки

Хумлум и Вестергор связывают крупномасштабные опросы о внедрении чат-ботов с административными данными Дании о рынке труда. Авторы описывают «быстрые потоки»: большинство работодателей в затронутых профессиях внедрили инициативы по использованию чат-ботов, работники отмечали прирост производительности, а новые задачи, связанные с ИИ, получили широкое распространение. Однако, применив метод разностей разностей, авторы оценивают влияние на заработки и зарегистрированное рабочее время как статистически нулевое — как на уровне работников, так и на уровне рабочих мест; таким образом, исключаются эффекты величиной более 2% через два года после запуска ChatGPT. Изменился характер работы: работодатели адаптировались к ИИ, реорганизуя задачи, в том числе вводя новые задачи по созданию контента, надзору за ИИ и его интеграции.

Соединённые Штаты: растущий разрыв среди молодых работников

Бриньолфссон, Чандар и Чэнь используют высокочастотные данные о заработной плате от ADP, охватывающие миллионы работников в США. Их статья, впервые опубликованная в августе 2025 года и пересмотренная в августе 2026 года с учетом данных по июнь 2026 года, не выявляет признаков масштабного вытеснения работников, охватывающего всю экономику. Однако занятость молодых работников в возрасте 22–25 лет в профессиях, подверженных воздействию ИИ, сейчас на 19% ниже уровня, которого она достигла бы, если бы росла вровень с показателями менее подверженных воздействию ИИ работников; этот разрыв неуклонно увеличивается с августа 2025 года. Среди опытных работников сопоставимого разрыва не наблюдается. Расхождение обусловлено главным образом снижением найма молодых работников, а не увеличением увольнений, и сосредоточено в профессиях, где применение ИИ преимущественно замещает задачи, выполняемые людьми; там, где ИИ в основном дополняет труд работников, занятость не меняется или растет. Эта закономерность сохраняется, если исключить технологические компании и профессии в сфере вычислительной техники, а также при контроле подверженности воздействию процентных ставок и удаленной работы. Она ослабевает при контроле уровня образования, некоторые расхождения в динамике наблюдались и до появления генеративного ИИ, а в выборке ADP выражена сильнее, чем в национальных обследованиях. Авторы называют эти факты ранними описательными индикаторами — «канарейками в угольной шахте», — а не причинно-следственными оценками.

Макроэкономические ожидания

В статье Аджемоглу «Простая макроэкономика ИИ» (2025) используется модель, основанная на задачах, и имеющиеся оценки подверженности воздействию ИИ и роста производительности на уровне отдельных задач для определения совокупных эффектов. Аджемоглу выявляет макроэкономические эффекты, которые не являются пренебрежимо малыми, но всё же умеренны: прирост совокупной факторной производительности за десять лет составит не более 0,66%. Он утверждает, что даже эта оценка может быть завышенной, поскольку ранние данные относятся к задачам, которым легко научиться; скорректированная оценка составляет менее 0,53%. Он также утверждает, что ИИ вряд ли усилит неравенство настолько же, насколько предыдущие технологии автоматизации, однако данных о том, что он сократит неравенство трудовых доходов, нет; при этом, согласно прогнозам, ИИ увеличит разрыв между доходами от капитала и труда.

Разграничение данных и прогнозов

Чего не показывают имеющиеся данные

• Это не доказывает, что ИИ приведёт к массовой безработице. Ни одно из рассмотренных здесь исследований на сегодняшний день не предоставляет доказательств совокупного сокращения занятости вследствие генеративного ИИ, а оценки подверженности воздействию не являются оценками вытеснения работников.
• Это не доказывает, что ИИ не приведёт к значительным потерям рабочих мест. Ранние исследования результатов охватывают период в два-три года после появления технологии, возможности которой и темпы её внедрения быстро меняются. Прошли десятилетия, прежде чем стали очевидны все последствия автоматизации в прошлом.
• Это не доказывает, что автоматизация в прошлом служит надёжным ориентиром. Исследования роботизации касаются технологии, применяемой главным образом в обрабатывающей промышленности. Генеративный ИИ затрагивает когнитивные и административные задачи в разных секторах, в том числе в высокооплачиваемых профессиях.
• Это не доказывает, что прирост производительности будет распределён широко. Эксперименты измеряют выработку на одного работника при выполнении конкретной задачи, но не показывают, кому достаётся прирост.
• Это не устанавливает причину разрыва, затрагивающего молодых работников. Данные о заработной плате описывают ситуацию и частично нивелируются учётом уровня образования и существовавших ранее тенденций.
• Это не позволяет однозначно определить, означает ли подверженность воздействию дополнение труда или его замещение. Индексы МОТ и Элоунду измеряют, на что может повлиять технология; одна и та же подверженность воздействию может как повышать, так и снижать спрос на труд в зависимости от того, как фирмы внедряют эту технологию.

Последствия для проектирования институтов

1. Сначала создавайте системы мониторинга, а затем разрабатывайте меры реагирования. Наиболее полезные недавние исследования связывают опросы о внедрении технологий с административными данными о заработной плате и налогах. Правительствам и статистическим ведомствам следует создавать общедоступные регулярно обновляемые показатели внедрения ИИ, найма, заработков и изменений в задачах по профессиям и возрастным группам, чтобы политика опиралась на данные, а не на прогнозы.
2. Следите за наймом на начальные позиции. Если ИИ сокращает найм молодых работников на подверженные его воздействию должности, первыми окажутся под нагрузкой институты, которые обучают и трудоустраивают новичков: программы ученичества, программы для выпускников и начальные ступени профессиональной карьеры. Исследования роботизации в Германии также показали, что основное бремя пришлось на молодых работников, только выходящих на рынок труда.
3. Подготовьте механизмы поддержки доходов, которые можно будет масштабировать по мере поступления данных. Рассмотренные в других разделах атласа данные о денежных трансфертах указывают на умеренное влияние безусловных выплат на предложение труда. Механизмы по типу страхования, автоматически расширяемые при росте измеряемого вытеснения работников, были бы более обоснованным решением, чем преждевременное введение универсальных схем или полное отсутствие плана.
4. Рассматривайте соотношение доходов от капитала и труда как вопрос институционального дизайна. Если ИИ увеличит разрыв между доходами от капитала и труда, как прогнозирует Аджемоглу, дискуссии о фондах общественного благосостояния, участии в прибылях или «дивидендах от ИИ» станут вопросами собственности, а не только пособий.
5. Поддерживайте дополнение труда, а не только замещение работников. Эксперименты показывают, что инструменты ИИ могут повышать производительность менее опытных работников. Обучение, закупочная политика и консультации на рабочих местах могут направить внедрение технологий на дополнение труда — это один из немногих рычагов, доступных до того, как станут известны результаты.
6. Обозначайте прогнозы как прогнозы. Общественная дискуссия выиграла бы от подхода, применённого в этом исследовании: отдельно указывать, что измерено, что смоделировано и что спрогнозировано, а также приводить дату и источник.

Открытые вопросы

• Сохранится ли, увеличится или сократится разрыв в занятости молодых работников в профессиях, подверженных воздействию ИИ, и является ли ИИ его основной причиной?
• Как быстро реорганизация задач внутри фирм — появление новых задач по надзору за ИИ и его интеграции — приведёт к изменениям заработной платы и профессиональной структуры?
• Будет ли генеративный ИИ развиваться по сценарию прежних волн автоматизации — с локальными и распределительными последствиями, но стабильной совокупной занятостью, — или его широкое распространение по разным секторам приведёт к более значительным совокупным последствиям?
• Как подверженность административной работы воздействию ИИ с гендерной спецификой повлияет на занятость женщин, особенно в странах с высоким уровнем дохода?
• Какая доля прироста производительности благодаря ИИ достанется работникам, потребителям и владельцам капитала?

Источники

1. Acemoglu, D. and Restrepo, P. (2020). "Robots and Jobs: Evidence from US Labor Markets." Journal of Political Economy 128(6): 2188–2244. doi:10.1086/705716
2. Acemoglu, D. and Restrepo, P. (2018). "The Race between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment." American Economic Review 108(6): 1488–1542. doi:10.1257/aer.20160696
3. Dauth, W., Findeisen, S., Suedekum, J. and Woessner, N. (2021). "The Adjustment of Labor Markets to Robots." Journal of the European Economic Association 19(6): 3104–3153. doi:10.1093/jeea/jvab012
4. Graetz, G. and Michaels, G. (2018). "Robots at Work." Review of Economics and Statistics 100(5): 753–768. doi:10.1162/rest_a_00754
5. Frey, C. B. and Osborne, M. A. (2013). The Future of Employment: How Susceptible Are Jobs to Computerisation? рабочий документ Oxford Martin School. PDF; опубликовано в Technological Forecasting and Social Change 114 (2017): 254–280, doi:10.1016/j.techfore.2016.08.019
6. Arntz, M., Gregory, T. and Zierahn, U. (2016). The Risk of Automation for Jobs in OECD Countries: A Comparative Analysis. Рабочие документы ОЭСР по социальным вопросам, занятости и миграции 189. doi:10.1787/5jlz9h56dvq7-en
7. Nedelkoska, L. and Quintini, G. (2018). Automation, skills use and training. Рабочие документы ОЭСР по социальным вопросам, занятости и миграции 202. doi:10.1787/2e2f4eea-en
8. Autor, D. H. (2015). "Why Are There Still So Many Jobs? The History and Future of Workplace Automation." Journal of Economic Perspectives 29(3): 3–30. doi:10.1257/jep.29.3.3
9. Eloundou, T., Manning, S., Mishkin, P. and Rock, D. (2024). "GPTs are GPTs: Labor market impact potential of LLMs." Science 384(6702): 1306–1308. doi:10.1126/science.adj0998; рабочий документ arXiv:2303.10130
10. Gmyrek, P., Berg, J. and Bescond, D. (2023). Generative AI and Jobs: A global analysis of potential effects on job quantity and quality. Рабочий документ МОТ 96. doi:10.54394/FHEM8239
11. Gmyrek, P., Berg, J., Kamiński, K. et al. (2025). Generative AI and Jobs: A Refined Global Index of Occupational Exposure. Рабочий документ МОТ. doi:10.54394/HETP0387
12. Brynjolfsson, E., Li, D. and Raymond, L. (2025). "Generative AI at Work." Quarterly Journal of Economics 140(2): 889–942. doi:10.1093/qje/qjae044
13. Noy, S. and Zhang, W. (2023). "Experimental evidence on the productivity effects of generative artificial intelligence." Science 381(6654): 187–192. doi:10.1126/science.adh2586
14. Humlum, A. and Vestergaard, E. (2025). Still Waters, Rapid Currents: Early Labor Market Transformation under Generative AI. Рабочий документ NBER 33777. doi:10.3386/w33777
15. Brynjolfsson, E., Chandar, B. and Chen, R. (2025, пересмотрено в 2026). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Лаборатория цифровой экономики Стэнфордского университета. digitaleconomy.stanford.edu
16. Acemoglu, D. (2025). "The simple macroeconomics of AI." Economic Policy 40(121): 13–58. doi:10.1093/epolic/eiae042