Задача vs профессия: что на самом деле автоматизирует ИИ

В мае 2026 года Бенедикт Эванс обновил свою ежегодную презентацию «AI eats the world» – и в ней есть один слайд, который стоит разобрать отдельно. Не потому что он новый. А потому что он объясняет то, что большинство дискуссий об автоматизации упорно игнорируют.

Вопрос простой: почему ИИ уничтожит одни профессии – и сделает другие более ценными? Ответ, как оказывается, зависит от одного различия, которое кажется очевидным только после того, как его формулируют.

Это вторая статья из серии «Benedict Evans: AI eats the world». В первой части мы разобрали капитальные расходы на AI-инфраструктуру и что за ними стоит. Здесь – о том, что происходит на стороне труда.

Задача и профессия – это разные вещи

Эванс проводит различие, которое кажется банальным, пока не начинаешь прикладывать его к конкретным случаям.

Эванс разделяет два понятия. Первое – задача: дискретное действие. Нажать кнопку этажа в лифте. Сложить столбец чисел. Перенести данные из одного поля в другое. Задача описывается как последовательность шагов.

Второе – профессия: пакет задач плюс суждение плюс контекст плюс отношения. Бухгалтер не просто складывает числа – он интерпретирует результат, понимает, что означает расхождение, объясняет это совету директоров, принимает решения о налоговой стратегии.

Когда ИИ автоматизирует задачу, которая и есть вся профессия целиком – профессия исчезает. Когда ИИ автоматизирует задачи внутри сложной профессии – профессия трансформируется и нередко растёт.

Именно здесь история с лифтёрами становится поучительной.

Лифтёры: когда задача – это весь смысл работы

В начале XX века в Северной Америке работали сотни тысяч лифтёров. Их работа состояла ровно из одного: управлять лифтом. Остановить на нужном этаже. Открыть двери. Объявить этаж.

Это была задача в чистом виде – повторяемая, описываемая инструкцией, не требующая суждения. Когда появились автоматические лифты с кнопками, задача была автоматизирована полностью. И поскольку задача была профессией – профессия исчезла. Не сократилась. Не трансформировалась. Именно исчезла.

Это важно понять правильно: дело не в том, что лифтёры были плохими работниками или не справлялись. Проблема структурная. Вся их профессиональная ценность концентрировалась в одном действии, которое оказалось механически заменимым.

Парадоксально, но здесь нет ничего нового. Исследование Wharton по проникновению ИИ в индустрии фиксирует один и тот же паттерн во всех волнах автоматизации: первой под удар попадает работа, которую можно описать исчерпывающей инструкцией.

Бухгалтеры: когда задача – только часть ценности

В 1979 году появился VisiCalc. Первая электронная таблица. Потом Lotus 1-2-3. Потом Excel.

Это было прямое, лобовое попадание в сердцевину бухгалтерского дела – в расчёт. Ручной пересчёт таблиц, который занимал часы, теперь занимал секунды. Логично было бы ожидать, что бухгалтеры начнут терять работу.

Произошло обратное. Численность бухгалтеров в США выросла примерно в пять раз за последующие десятилетия.

Почему? Потому что дешёвый расчёт не уничтожил спрос на бухгалтеров – он создал спрос на больше бухгалтерии. Когда анализ перестал стоить дорого, компании начали заказывать его чаще. Появились новые требования к отчётности, новые регуляторные стандарты, новые типы финансового анализа, которые стали доступны малому бизнесу. Автоматизация одной задачи расширила весь рынок вокруг неё.

Это эффект, который мы разбирали через музыкальную индустрию: стриминг уничтожил продажи альбомов как конкретный формат, но общая выручка индустрии восстановилась и превысила пик эпохи CD. Ценность перераспределилась, а не исчезла.

Штрих-коды и пять тысяч новых SKU

Эванс приводит ещё один пример, менее известный, но очень точный.

До массового внедрения штрих-кодов типичный американский супермаркет держал около 8 000 наименований товаров. Кассир должен был помнить коды или вручную вбивать цены – это ограничивало, сколько позиций вообще имело смысл держать на полке.

Штрих-коды автоматизировали кассовый расчёт. Задачу «сканировать и посчитать» выполняет теперь оборудование.

Но что произошло с количеством SKU? Оно выросло примерно до 40 000. В пять раз. Потому что когда кассовый учёт перестал быть ограничением, розничные сети смогли управлять несравнимо более сложным ассортиментом. А это создало огромный новый спрос на менеджеров по категориям, аналитиков цепочек поставок, специалистов по товарной матрице – людей, которых до этого просто не существовало в таком количестве.

Задача «сканирование» автоматизирована. Работа по управлению розницей – многократно усложнилась.

Три примера объясняют логику. Сложнее – честно применить её к себе. Большинство менеджеров интуитивно относят свою работу ко второй категории, не задумываясь, какую долю времени реально занимают верифицируемые задачи.

Критерий Эванса: можно ли верифицировать результат

Здесь Эванс делает важный методологический шаг. Он формулирует критерий, который отличает новую волну автоматизации от предыдущих.

Старая автоматизация работала там, где задачу можно описать в виде логических правил. Конвейер, калькулятор, база данных – всё это требовало явной инструкции, написанной человеком.

Новая автоматизация – большие языковые модели – работает там, где задачу можно описать обучающими данными и где есть способ верифицировать результат в масштабе.

Вопрос, который Эванс предлагает задать для любой рабочей задачи: можно ли проверить, что ответ правильный, не затрачивая столько же усилий, сколько на его создание? Если да – AI может помочь с задачей. Если проверка так же сложна, как и выполнение – ситуация принципиально другая.

Это объясняет, почему AI хорош в написании первого черновика письма (проверить легко) и значительно хуже в стратегическом суждении о том, стоит ли это письмо вообще отправлять (проверить можно только задним числом, через месяц). Это согласуется с тем, что Stanford AI Index называет «зубчатым краём»: модели блестяще справляются с задачами, верифицируемыми по шаблону, и регулярно подводят там, где нет объективного мерила качества.

Именно здесь данные Workday становятся понятнее. Скрытые потери продуктивности возникают не там, где AI выполняет задачу, а там, где человек не может быстро верифицировать результат – и тратит время на исправление того, что казалось правильным.

Где концентрируется риск

Если применить эту логику к современным профессиям, картина становится достаточно конкретной.

Профессии с высоким риском похожи на лифтёров: их ядро – это повторяемая, верифицируемая задача, составляющая большую часть рабочего времени. Голосовая клиентская поддержка по скриптам. Базовый ввод данных. Стандартное юридическое оформление документов по шаблонам. Транскрипция и первичная обработка контента.

Эванс упоминает индустрию аутсорсинга бизнес-процессов на Филиппинах. Около 2 млн рабочих мест, около 8% ВВП страны. Значительная часть этих рабочих мест – именно «задача-как-профессия»: голосовой саппорт, ввод данных, обработка документов. Это сценарий лифтёра в национальном масштабе.

Мы уже видели похожий анализ в статье про аутсорсинг и ИИ: когда задача, которая переехала в дешёвую юрисдикцию, становится ещё дешевле автоматизировать – экономическая логика меняется быстро.

Профессии с меньшим риском сохраняют несводимый пакет: они требуют суждения, которое трудно верифицировать автоматически. Менеджер, который понимает, почему конкретная команда застряла на конкретном проекте. Терапевт, который выбирает интерпретацию. Учитель, который видит, что ребёнок не понимает именно этот концепт по именно этой причине.

Но важно не переоценивать свою сложность. Многие профессии, которые кажутся «пакетными», на практике тратят 70–80% времени на верифицируемые задачи – и только 20–30% на то, что требует реального суждения.

Что это значит для менеджера

Практический вопрос, который стоит задать себе: что именно составляет бо́льшую часть вашего рабочего времени?

Если на это честно ответить, часто обнаруживается неприятная вещь. Данные Epoch AI показывают, что 62% пользователей применяют AI на 1–2 поверхностные задачи. Проблема не в инструментах – большинство людей интуитивно не понимают, на какие именно задачи стоит направить AI.

Эванс не говорит, что менеджерские профессии в безопасности по умолчанию. Он говорит другое: безопасность определяется структурой работы, а не её названием.

Два менеджера с одинаковым тайтлом могут оказаться в принципиально разных позициях. Один тратит большую часть времени на подготовку отчётов по шаблону, составление стандартных писем и перекладывание информации между системами – это задачи, которые верифицируются легко и автоматизируются быстро. Другой тратит то же время на разрешение неочевидных конфликтов интересов, принятие решений в условиях неполной информации и построение доверия внутри команды – это то, что не верифицируется стандартным способом.

Разница между этими двумя менеджерами важнее, чем разница между «менеджером» и «бухгалтером».

Параллель с электричеством

Эванс проводит параллель, которую стоит запомнить. Когда в начале XX века заводы начали электрифицироваться, первая реакция была предсказуемо паническая: машины заменят рабочих. Несколько десятилетий спустя оказалось, что электрификация создала значительно больше рабочих мест, чем уничтожила – но при этом полностью изменила их структуру. Исчезли одни профессии, появились другие, которых раньше не было.

Важное уточнение: переход занял несколько десятилетий и прошёл через реальные социальные потрясения для тех, чьи профессии оказались на стороне лифтёров. «В долгосрочной перспективе всё хорошо» – слабое утешение, если твоя профессия оказалась в числе исчезающих.

Эванс не даёт оптимистичного вывода автоматически. Он фиксирует структурную логику. Понять эту логику – уже полезно, потому что это позволяет задавать правильные вопросы о собственной работе.

Часть третья этой серии – о том, как компании поглощают (absorb), используют (innovate) и разрушают (disrupt) рынки с помощью AI. Выйдет на следующей неделе.

Эти рамки выглядят как чистая теория, пока не начинаешь применять их к конкретным задачам своей работы. Сложность начинается там, где нужно честно ответить: какая доля моего рабочего времени – верифицируемые задачи, а какая – суждение? И что происходит, когда AI начинает хорошо справляться с первой частью?

Другие части серии

Часть 1

$700 млрд на ИИ: гонка, которую нельзя остановить

Часть 3

Поглотить, перестроить, разрушить: три фазы AI в компании