Массовой безработицы из-за ИИ пока не видно. Но начинающих специалистов уже реже нанимают, поддержку урезают, а некоторые компании возвращают людей после неудачной автоматизации. Главный риск — сломать путь от джуна до будущего эксперта.
19% — это не массовая безработица, а исчезающий вход в профессию
В августе 2026 года исследователи Stanford Digital Economy Lab обновили данные о влиянии генеративного ИИ на занятость в США. Главный вывод звучит спокойнее многих заголовков: экономика пока не переживает массового вытеснения работников искусственным интеллектом. Но внутри общей статистики появилась группа, которой уже заметно сложнее, — люди в возрасте от 22 до 25 лет.
В профессиях, сильнее всего затронутых ИИ, их занятость оказалась примерно на 19% ниже уровня, которого можно было бы ожидать, если бы она росла тем же темпом, что и занятость молодых людей в менее затронутых профессиях. Годом ранее разрыв оценивался в 15%. У более опытных работников сопоставимого провала исследователи не увидели.
Здесь важно не превратить исследование в страшилку. Оно не говорит, что ИИ буквально уволил 19% молодых сотрудников. Это относительный разрыв между группами, и на рынок труда одновременно влияют ставки, экономический цикл и осторожность работодателей. Но механизм выглядит тревожно: проблема проявляется прежде всего через снижение найма, а не через массовые увольнения. Компании просто реже открывают дверь новичкам.
В Британии 43% работодателей уже связали сокращение стартовых ролей с автоматизацией
Через две недели после обновления Stanford похожий сигнал пришел из Великобритании. Work Foundation при Lancaster University опросила 1 001 руководителя компаний. За предыдущие 12 месяцев 36% работодателей сократили число стартовых вакансий для людей 16–24 лет. Среди средних компаний таких оказалось 48%, среди крупных — 46%, а среди малых — 24%.
Еще важнее прямой вопрос об автоматизации. 43% опрошенных заявили, что инвестиции в ИИ или другие автоматизированные системы уменьшили число начальных позиций в их компаниях. Среди крупных работодателей доля достигла 60%. При этом 44% уже используют ИИ или автоматические системы для отбора кандидатов. Получается довольно странная воронка: алгоритм сначала помогает убрать часть стартовых мест, а затем решает, кто получит оставшиеся.
Проблема началась не вчера и не сводится к ChatGPT. По данным той же Work Foundation, среднее число доступных новичкам вакансий в неделю сократилось на 49% между 2016/17 и 2025/26 годами. К концу 2025 года в стране приходилась лишь одна стартовая вакансия на трех молодых людей, которые не учились и не работали. ИИ здесь не единственная причина, но он ускоряет процесс, который уже шел.
Salesforce сократила поддержку с 9 000 до 5 000 человек
Абстрактная статистика становится понятнее на примере Salesforce. Глава компании Марк Бениофф рассказывал, что команда клиентской поддержки сократилась примерно с 9 000 до 5 000 человек. По его словам, ИИ-агенты уже обрабатывают около половины обращений. Речь не обязательно идет о четырех тысячах одномоментно уволенных сотрудников: часть людей могла быть переведена в другие подразделения, а часть сокращения пришлась на естественный отток. Но бизнес-логика очевидна — тот же поток запросов обслуживает меньшая команда.
Для компании это выглядит как успех. Простые вопросы закрываются круглосуточно, ответы выдаются быстрее, а человек подключается к сложным случаям. Проблема начинается, когда руководство переносит удачный результат одной функции на целую профессию. ИИ может снять с оператора повторяющиеся обращения. Из этого еще не следует, что он понимает раздраженного клиента, видит скрытый риск или способен отвечать за ошибочное решение.
Klarna показала идеальные цифры — а затем снова позвала людей
В феврале 2024 года Klarna опубликовала результаты первого месяца работы своего ИИ-помощника. Он провел 2,3 млн разговоров, взял на себя две трети чатов поддержки и, по оценке компании, выполнял объем работы, сопоставимый с 700 сотрудниками. Повторных обращений стало на 25% меньше, а среднее время решения вопроса сократилось с 11 минут до менее чем двух. Klarna ожидала, что технология улучшит прибыль за 2024 год на $40 млн.
На бумаге это почти идеальный кейс автоматизации. Но в 2025 году генеральный директор Себастьян Семятковски признал, что компания слишком сильно ориентировалась на стоимость и в итоге получила более низкое качество сервиса. Klarna начала снова набирать людей в поддержку и пообещала клиентам возможность связаться с человеком. ИИ никуда не исчез — изменилась граница, за которой экономия начинала вредить продукту.
Австралийский банк объявил 45 ролей лишними — и назвал решение ошибкой
Еще нагляднее история Commonwealth Bank of Australia. После запуска голосового ИИ-бота крупнейший банк страны объявил о сокращении 45 позиций в клиентской поддержке. Через несколько недель решение пришлось отменить. По данным профсоюза, количество звонков не уменьшилось, а выросло: менеджерам предлагали сверхурочные и выводили руководителей команд на телефонные линии.
Банк извинился перед сотрудниками и признал, что не учел все важные обстоятельства. Людям предложили остаться на прежних местах, перейти на другие позиции или завершить работу. Редкий случай, когда компания сама почти дословно сформулировала главную проблему AI-оптимизации: автоматизировали один участок процесса, а затем обнаружили, что весь процесс работает иначе.
Главная ошибка: путать задачу с профессией
Генеративный ИИ действительно умеет выполнять заметную часть офисной работы. По анализу Anthropic, Claude встречается как минимум в четверти задач уже у 49% профессий в выборке компании. Среди наиболее затронутых — программисты, сотрудники поддержки и финансовые аналитики. Но сама Anthropic отдельно предупреждает: присутствие ИИ в задаче еще не означает, что он успешно и полностью выполняет ее в реальной компании.
Когда исследователи Anthropic учли не только потенциальную экономию времени, но и надежность результата, оценка возможного прироста производительности в США снизилась с 1,8 процентного пункта в год до 1,2 для задач в Claude.ai и до 1,0 для более сложных задач через API. Это все еще большой эффект. Просто он заметно меньше красивой цифры, полученной без учета ошибок и проверки.
Эксперимент исследовательской организации METR показывает, насколько легко ошибиться даже опытным людям. В нем участвовали 16 разработчиков, которые решали 246 реальных задач в крупных открытых проектах. С ИИ они в среднем работали на 19% дольше. До эксперимента разработчики ожидали ускорение на 24%, а после него все равно были уверены, что сэкономили около 20% времени. Ощущение скорости и реальная скорость оказались разными вещами.
Этот результат нельзя переносить на всех программистов и все модели: исследование касалось конкретных опытных разработчиков, знакомых со сложными кодовыми базами. Но для бизнеса урок полезный. Если сотрудник быстро получил черновик, а потом долго проверял, исправлял и объяснял его клиенту, компания сэкономила на отдельной операции, а не обязательно на всем процессе.
Если убрать джунов, через пять лет может не оказаться экспертов
Рутинные задачи новичков часто выглядят самым очевидным кандидатом на автоматизацию. Джун составляет таблицу, собирает справку, пишет первый вариант кода, отвечает на простой запрос. ИИ делает все это быстро и дешево. Руководитель видит экономию и решает, что можно нанимать меньше начинающих сотрудников.
Но именно на этих задачах человек учится замечать ошибки, понимать клиента, видеть исключения и постепенно брать на себя ответственность. Нельзя сразу нанять специалиста с пятью годами опыта, если пять лет назад никто не дал ему первую работу. Карьерная лестница не ломается громко. Сначала исчезает несколько младших позиций, затем команде некого повышать, а потом компания покупает дорогих экспертов на внешнем рынке и удивляется их дефициту.
Совместный отчет PwC и Всемирного экономического форума основан на данных более чем 9 000 начинающих работников из 48 стран. 37% молодых сотрудников работают в профессиях со средней или высокой вероятностью изменения задач из-за ИИ. При этом 45% говорят, что из-за ИИ проводят за работой больше времени, а 28% считают, что через три года актуальной останется лишь половина их нынешних навыков или меньше. Технология экономит время не для всех и одновременно заставляет людей быстрее переучиваться.
Что компаниям стоит проверить до следующего сокращения
ИИ завершает весь процесс или только удобный кусок?
Автоматизация ответа клиенту мало значит, если после нее растет число повторных звонков, жалоб и ручных исправлений. Считать нужно путь целиком — от первого запроса до окончательно решенной проблемы.
Что произойдет с редкими и сложными случаями?
ИИ лучше всего работает там, где задача повторяется и имеет понятные правила. Именно исключения создают репутационные, финансовые и юридические риски. Для них нужен человек, которому разрешено остановить автоматическое решение.
Где будут учиться будущие руководители?
Если стартовые места сокращаются, компания должна создать другой путь набора опыта: оплачиваемые стажировки, работу рядом с наставником, ротации между функциями и реальные задачи с правом на ошибку под контролем. Курс по работе с промптами эту практику не заменит.
Измеряется ли качество, а не только число сотрудников?
Сокращение штата видно в бюджете сразу. Падение доверия, потеря знаний и рост повторной работы проявляются позже. Поэтому рядом с экономией должны стоять точность, удовлетворенность клиентов, число эскалаций, время исправления ошибок и нагрузка на оставшихся людей.
Что это значит для Казахстана
Все приведенные цифры получены в США, Великобритании и международных исследованиях. Они не доказывают, что в Казахстане уже существует такой же 19-процентный разрыв или что 43% местных работодателей сокращают стартовые роли из-за ИИ. Но технология приходит к казахстанскому бизнесу через те же сервисы — банки, колл-центры, разработку, бухгалтерию, маркетинг, медиа и государственные платформы. Поэтому управленческая ошибка может повториться намного быстрее, чем появится местная статистика.
Для начинающего специалиста вывод тоже не сводится к совету «учите ИИ». Конкурировать с моделью в переписывании текста, поиске шаблонного ответа или составлении типовой таблицы бессмысленно. Нужны навыки, за которые пока отвечает человек: правильно поставить задачу, проверить факт, понять контекст клиента, объяснить решение и взять ответственность за последствия.
Для работодателя сильнее работает другая формула: не «ИИ вместо джуна», а «джун с ИИ, наставником и понятной зоной ответственности». Такой сотрудник быстрее выполняет рутину, но продолжает учиться на реальной работе. Компания получает производительность сегодня и не обрезает собственный кадровый резерв на завтра.
ИИ уже меняет рынок, но победа не равна сокращению штата
Картина к августу 2026 года выглядит противоречиво. Массового исчезновения профессий исследователи пока не фиксируют. Одновременно молодых работников в затронутых профессиях нанимают слабее, а крупные работодатели сами признают, что автоматизация уменьшает число стартовых мест. Salesforce показывает реальную экономию, Klarna — цену чрезмерной экономии, Commonwealth Bank — стоимость поспешного решения.
ИИ способен заменить отдельные задачи и в некоторых процессах действительно позволяет обойтись меньшей командой. Ошибка начинается в момент, когда компания принимает это за доказательство ненужности людей вообще. Бизнес, который вычеркнет младший слой, может красиво улучшить показатели этого года — а через несколько лет обнаружить, что опытных сотрудников стало просто неоткуда брать.
Главный вопрос теперь не в том, заменит ли ИИ человека. Вопрос в том, сумеют ли компании автоматизировать работу и при этом сохранить путь, по которому новичок становится экспертом.
