Технологические перестройки рынка труда уничтожают одни группы профессий, сохраняют другие и создают третьи, но ни одна из них не уничтожила спрос на труд целиком. Внедрение искусственного интеллекта пока воспроизводит эту закономерность, а не отменяет её.
Почему совокупный спрос на труд восстанавливается
Механизм, который удерживает общий спрос на труд, виден на профессии банковского кассира. Банкоматы к началу 2000-х сократили её численность в расчёте на одно отделение примерно с двадцати человек до тринадцати, но обслуживание клиента подешевело, и банки открыли больше отделений — в городах почти в полтора раза. Совокупное число кассиров в эти годы выросло: удешевив операцию, банки расширили сеть, а для новых отделений снова понадобились кассиры. Джеймс Бессен описал ту же причинно-следственную связь на ткацком производстве девятнадцатого века, где спрос на подешевевшую ткань рос десятилетиями так, что ткачей требовалось всё больше даже по мере механизации.
На предельном масштабе этот механизм прошло сельское хозяйство США: доля занятых в нём упала примерно с сорока процентов в 1900 году до менее чем двух сегодня, а высвобожденные десятки миллионов человек приняли сначала промышленность, затем сфера услуг. Совокупная занятость в стране не сократилась, а сменила отрасль. Отличие от случая с кассирами лишь в сроке: переток из земледелия занял столетие и потребовал переселения из деревни в город.
Кто платит за восстановление
Восстановление спроса на труд в масштабе экономики не означает восстановления для конкретного работника, и здесь прошлые перестройки расходятся по двум сценариям. Первый дала телефонная коммутация. За 1920–1940 годы компания AT&T перевела на автоматику больше половины сети, и в прошедших автоматизацию городах набор молодых женщин на эту массовую тогда работу сокращался в следующих поколениях на величину от половины до четырёх пятых; совокупная занятость женщин при этом не упала, потому что рядом стояли конторские и сервисные профессии, принявшие их (исследование в Quarterly Journal of Economics). Потери легли на тех, кто уже работал у коммутатора: через десять лет они чаще оказывались на менее оплачиваемых местах. Второй сценарий дала угольная отрасль. В британских шахтах занятость упала с 1,19 миллиона человек в 1920 году на девяносто процентов к концу века, и поглощения здесь не случилось: у горняков узкая квалификация и привязка к шахтёрским городам, поэтому их часовые ставки после увольнения снижались на сорок процентов, а годовой заработок не возвращался к прежнему пятнадцать лет. Исход определяет переносимость навыка и близость смежных профессий: где они есть, когорта поглощается, где их нет, регион теряет источник дохода безвозвратно.
Граница исторического правила
Отсюда следует вопрос, который задаёт квалифицированный читатель: сохраняется ли поглощение, если автоматизируется не ручной, а интеллектуальный труд. Предельный случай, когда поглощения не происходит вовсе, дала не профессия, а тягловое животное. Поголовье рабочих лошадей в США выросло с 1840 по 1900 год вшестеро, поскольку телеграф и железная дорога их труд не отменили, а отчасти заместили новым; с распространением двигателя внутреннего сгорания спрос на их труд за два десятилетия упал до нуля, и новых занятий для лошадей не нашлось. Василий Леонтьев в начале 1980-х перенёс эту логику на человека. Ответ экономистов на его прогноз указывает на конкретное различие: у лошади было единственное применение, а человек располагает преимуществом в новых, более сложных задачах, и пока такие задачи создаются, спрос на труд восстанавливается (механизм, описанный Дароном Аджемоглу и Паскуалем Рестрепо). У правила есть известная граница: по их же расчётам, за последние сорок лет автоматизация вытесняла труд быстрее, чем появлялись новые занятия. Правило держится, но его действие в нынешнем переходе остаётся эмпирическим вопросом, а не гарантией.
Что показывают данные 2025–2026 годов
Текущая статистика это правило подтверждает. Йельская бюджетная лаборатория, отслеживающая рынок труда США помесячно, не фиксирует общеэкономического вытеснения: профессиональный состав меняется лишь немного быстрее прежних норм, и это ускорение началось ещё до распространения генеративных моделей. Версия о том, что удар приходится прежде всего на стартовые позиции молодых специалистов, текущими цифрами не подтверждается: соответствующий сигнал держится на малых выборках и может не относиться к ИИ. Сокращения, которые компании связывают с ИИ, при проверке оказываются меньше своей репутации: из более чем миллиона объявленных в США за 2025 год увольнений с искусственным интеллектом связали около пятидесяти пяти тысяч, а IBM, передавшая чат-ботам часть кадровых функций, одновременно расширила набор там, где нужно критическое мышление. По опросу руководителей в Harvard Business Review, увольнения всё чаще списывают на будущий потенциал ИИ, а не на его подтверждённый результат.
Результат внедрения одной и той же технологии зависит от того, в какой экономике она применяется, и три случая показывают весь диапазон. В Японии и Южной Корее рабочая сила сокращается по демографическим причинам, поэтому компании внедряют ИИ и промышленных роботов, чтобы закрыть нехватку персонала, и общая занятость там не снижается. В Сингапуре рынок служащих, наоборот, перегрет, и рост увольнений среди специалистов там связывают с ИИ и переносом функций за рубеж, но прирост таких увольнений невелик и держится в пределах обычного колебания, а государство заранее переучивает работников под новые роли. В Китае высокая безработица среди выпускников вызвана их рекордным числом на фоне торможения экономики, а не алгоритмами, и власти прямо запретили увольнять сотрудника со ссылкой на замену его искусственным интеллектом.
Как выглядят компании, собранные на ИИ с нуля
Прошлые перестройки и сегодняшние корпоративные сокращения описывают компании, которые переоборудуют уже работающий бизнес и платят за это переоборудование. Компании, собранные на ИИ с самого начала, за него не платят, и их устройство показывает, к чему оно ведёт. Основной показатель в них — не размер штата, а выручка на сотрудника: Midjourney выходит примерно на двенадцать миллионов долларов на человека при команде около сорока человек и нулевом внешнем финансировании, Cursor — на два с лишним миллиарда долларов годовой выручки силами примерно пятидесяти сотрудников. По данным компенсационного сервиса Ravio, фирмы, построенные вокруг ИИ, держат примерно на треть меньше людей, чем обычные стартапы той же стадии, и платят каждому примерно на треть больше, реже нанимая в управление и сосредотачивая людей на исполнении.
Нанимают в них прежде всего универсалов высокой самостоятельности, способных провести задачу от решения до результата, и проверяют кандидата вопросом, не сделает ли его работу следующая версия модели; владение ИИ при этом обязательно. Крупные отделы продаж и поддержки такие фирмы не разворачивают, а часть координации закрывают собственными программными агентами. Поскольку выручка на человека высока, они могут оставаться малочисленными и платить за лучших: спрос на труд внутри них смещён к опыту, суждению и владению ИИ, а функции с замещаемой рутиной попросту не возникают.
К той же модели подходят и действующие компании. Shopify требует от команд доказать, что задачу нельзя закрыть искусственным интеллектом, прежде чем расширять штат, и предлагает им оценить, как выглядела бы их область, будь автономные агенты уже её частью; Duolingo выделяет новые ставки только там, где работу нельзя автоматизировать. Разница в том, что действующей компании приходится переучивать и перестраивать уже нанятых людей, тогда как новая собирает нужный состав сразу.
У этой картины есть ограничения. Малочисленность чаще фаза, чем устойчивое свойство: команды держат небольшими, пока не наступает время масштабироваться, и Klarna, заморозившая найм разработчиков ради проверки ИИ, затем возобновила его, столкнувшись с провалами в знаниях и устойчивости систем. Расхожий вывод об исчезновении входных позиций опирается прежде всего на стартапы, но там джуниоров было мало и до ИИ: их найм всегда требовал зрелой структуры с менторской ёмкостью, и джуниор остаётся признаком зрелой компании, а не молодой. Там, где джуниоры действительно работают, в крупных организациях с горизонтом планирования в годы, их продолжают нанимать ради будущих сеньоров. Наконец, сама модель сложилась в софтверных и продуктовых ИИ-компаниях и не переносится один к одному на производство, розницу и физические услуги.
Что из этого следует работодателю
Дефицит и избыток кадров складываются одновременно, в разных частях одной компании. Профессии, в которых за человеком остаются суждение, ответственность за решение и прямой контакт, сохраняются и дорожают; профессии, сводимые к одной автоматизируемой операции, сокращаются, поглощаясь смежными ролями там, где они есть, и исчезая там, где их нет. Планирование персонала опирается поэтому на состав задач, а не на общую численность: какие операции переходят к алгоритму, какие роли становятся дефицитнее, кого из занятых в сокращающихся функциях имеет смысл переучить.
Те же дорожающие роли — суждение, ответственность, владение ИИ — оказываются и самыми дефицитными при найме, поэтому подготовить такого сотрудника внутри, переведя его из сокращающейся функции, дешевле и быстрее, чем искать готового на рынке. Прошлые перестройки восстанавливали спрос на труд в масштабе всей экономики, но растягивались на поколение, и компания, которая переучивает людей заранее, проходит этот срок с меньшими издержками.
Источники
История:
Дж. Бессен о банкоматах и ткачах (IMF Finance & Development, 2015)
данные Бюро трудовой статистики США по кассирам; Дж. Фейгенбаум и Д. Гросс о телефонистках (Quarterly Journal of Economics, 2024)
Our World in Data и исследование Арагона–Руда–Тоуза по британскому углю (IFS)
анализ LSE по угольной отрасли в США; Census и USDA ERS по сельскому хозяйству
В. Леонтьев (1982) и разбор аналогии с лошадьми (Foreign Affairs)
Д. Аджемоглу и П. Рестрепо об эффекте восстановления (NBER)
обзор Д. Аутора с соавторами (2024)
Современность:
трекер Йельской бюджетной лаборатории по рынку труда США (2025–2026)
данные Challenger по сокращениям; опрос Harvard Business Review (2026)
доклад ОЭСР и рабочий документ МВФ по Японии; World Robotics 2025 (IFR)
материалы по Сингапуру (NTUC, SkillsFuture, МВФ Article IV)
данные НБС Китая и анализ RAND
Компании на ИИ:
оценки выручки на сотрудника по Midjourney и Cursor (ai-native.com, AI Business, 2026)
данные о штате и оплате в ИИ-первых компаниях (Ravio / Notion Capital, 2025)
профиль найма (интервью основателей, Platformer, 2026)
меморандум Т. Лютке о найме в Shopify (CNBC, 2025) и политика Duolingo «AI-first»
данные по джуниорам (HR Oasis, 2026; Better Programming; unicorn-cto) и эпизод Klarna
Почему совокупный спрос на труд восстанавливается
Механизм, который удерживает общий спрос на труд, виден на профессии банковского кассира. Банкоматы к началу 2000-х сократили её численность в расчёте на одно отделение примерно с двадцати человек до тринадцати, но обслуживание клиента подешевело, и банки открыли больше отделений — в городах почти в полтора раза. Совокупное число кассиров в эти годы выросло: удешевив операцию, банки расширили сеть, а для новых отделений снова понадобились кассиры. Джеймс Бессен описал ту же причинно-следственную связь на ткацком производстве девятнадцатого века, где спрос на подешевевшую ткань рос десятилетиями так, что ткачей требовалось всё больше даже по мере механизации.
На предельном масштабе этот механизм прошло сельское хозяйство США: доля занятых в нём упала примерно с сорока процентов в 1900 году до менее чем двух сегодня, а высвобожденные десятки миллионов человек приняли сначала промышленность, затем сфера услуг. Совокупная занятость в стране не сократилась, а сменила отрасль. Отличие от случая с кассирами лишь в сроке: переток из земледелия занял столетие и потребовал переселения из деревни в город.
Кто платит за восстановление
Восстановление спроса на труд в масштабе экономики не означает восстановления для конкретного работника, и здесь прошлые перестройки расходятся по двум сценариям. Первый дала телефонная коммутация. За 1920–1940 годы компания AT&T перевела на автоматику больше половины сети, и в прошедших автоматизацию городах набор молодых женщин на эту массовую тогда работу сокращался в следующих поколениях на величину от половины до четырёх пятых; совокупная занятость женщин при этом не упала, потому что рядом стояли конторские и сервисные профессии, принявшие их (исследование в Quarterly Journal of Economics). Потери легли на тех, кто уже работал у коммутатора: через десять лет они чаще оказывались на менее оплачиваемых местах. Второй сценарий дала угольная отрасль. В британских шахтах занятость упала с 1,19 миллиона человек в 1920 году на девяносто процентов к концу века, и поглощения здесь не случилось: у горняков узкая квалификация и привязка к шахтёрским городам, поэтому их часовые ставки после увольнения снижались на сорок процентов, а годовой заработок не возвращался к прежнему пятнадцать лет. Исход определяет переносимость навыка и близость смежных профессий: где они есть, когорта поглощается, где их нет, регион теряет источник дохода безвозвратно.
Граница исторического правила
Отсюда следует вопрос, который задаёт квалифицированный читатель: сохраняется ли поглощение, если автоматизируется не ручной, а интеллектуальный труд. Предельный случай, когда поглощения не происходит вовсе, дала не профессия, а тягловое животное. Поголовье рабочих лошадей в США выросло с 1840 по 1900 год вшестеро, поскольку телеграф и железная дорога их труд не отменили, а отчасти заместили новым; с распространением двигателя внутреннего сгорания спрос на их труд за два десятилетия упал до нуля, и новых занятий для лошадей не нашлось. Василий Леонтьев в начале 1980-х перенёс эту логику на человека. Ответ экономистов на его прогноз указывает на конкретное различие: у лошади было единственное применение, а человек располагает преимуществом в новых, более сложных задачах, и пока такие задачи создаются, спрос на труд восстанавливается (механизм, описанный Дароном Аджемоглу и Паскуалем Рестрепо). У правила есть известная граница: по их же расчётам, за последние сорок лет автоматизация вытесняла труд быстрее, чем появлялись новые занятия. Правило держится, но его действие в нынешнем переходе остаётся эмпирическим вопросом, а не гарантией.
Что показывают данные 2025–2026 годов
Текущая статистика это правило подтверждает. Йельская бюджетная лаборатория, отслеживающая рынок труда США помесячно, не фиксирует общеэкономического вытеснения: профессиональный состав меняется лишь немного быстрее прежних норм, и это ускорение началось ещё до распространения генеративных моделей. Версия о том, что удар приходится прежде всего на стартовые позиции молодых специалистов, текущими цифрами не подтверждается: соответствующий сигнал держится на малых выборках и может не относиться к ИИ. Сокращения, которые компании связывают с ИИ, при проверке оказываются меньше своей репутации: из более чем миллиона объявленных в США за 2025 год увольнений с искусственным интеллектом связали около пятидесяти пяти тысяч, а IBM, передавшая чат-ботам часть кадровых функций, одновременно расширила набор там, где нужно критическое мышление. По опросу руководителей в Harvard Business Review, увольнения всё чаще списывают на будущий потенциал ИИ, а не на его подтверждённый результат.
Результат внедрения одной и той же технологии зависит от того, в какой экономике она применяется, и три случая показывают весь диапазон. В Японии и Южной Корее рабочая сила сокращается по демографическим причинам, поэтому компании внедряют ИИ и промышленных роботов, чтобы закрыть нехватку персонала, и общая занятость там не снижается. В Сингапуре рынок служащих, наоборот, перегрет, и рост увольнений среди специалистов там связывают с ИИ и переносом функций за рубеж, но прирост таких увольнений невелик и держится в пределах обычного колебания, а государство заранее переучивает работников под новые роли. В Китае высокая безработица среди выпускников вызвана их рекордным числом на фоне торможения экономики, а не алгоритмами, и власти прямо запретили увольнять сотрудника со ссылкой на замену его искусственным интеллектом.
Как выглядят компании, собранные на ИИ с нуля
Прошлые перестройки и сегодняшние корпоративные сокращения описывают компании, которые переоборудуют уже работающий бизнес и платят за это переоборудование. Компании, собранные на ИИ с самого начала, за него не платят, и их устройство показывает, к чему оно ведёт. Основной показатель в них — не размер штата, а выручка на сотрудника: Midjourney выходит примерно на двенадцать миллионов долларов на человека при команде около сорока человек и нулевом внешнем финансировании, Cursor — на два с лишним миллиарда долларов годовой выручки силами примерно пятидесяти сотрудников. По данным компенсационного сервиса Ravio, фирмы, построенные вокруг ИИ, держат примерно на треть меньше людей, чем обычные стартапы той же стадии, и платят каждому примерно на треть больше, реже нанимая в управление и сосредотачивая людей на исполнении.
Нанимают в них прежде всего универсалов высокой самостоятельности, способных провести задачу от решения до результата, и проверяют кандидата вопросом, не сделает ли его работу следующая версия модели; владение ИИ при этом обязательно. Крупные отделы продаж и поддержки такие фирмы не разворачивают, а часть координации закрывают собственными программными агентами. Поскольку выручка на человека высока, они могут оставаться малочисленными и платить за лучших: спрос на труд внутри них смещён к опыту, суждению и владению ИИ, а функции с замещаемой рутиной попросту не возникают.
К той же модели подходят и действующие компании. Shopify требует от команд доказать, что задачу нельзя закрыть искусственным интеллектом, прежде чем расширять штат, и предлагает им оценить, как выглядела бы их область, будь автономные агенты уже её частью; Duolingo выделяет новые ставки только там, где работу нельзя автоматизировать. Разница в том, что действующей компании приходится переучивать и перестраивать уже нанятых людей, тогда как новая собирает нужный состав сразу.
У этой картины есть ограничения. Малочисленность чаще фаза, чем устойчивое свойство: команды держат небольшими, пока не наступает время масштабироваться, и Klarna, заморозившая найм разработчиков ради проверки ИИ, затем возобновила его, столкнувшись с провалами в знаниях и устойчивости систем. Расхожий вывод об исчезновении входных позиций опирается прежде всего на стартапы, но там джуниоров было мало и до ИИ: их найм всегда требовал зрелой структуры с менторской ёмкостью, и джуниор остаётся признаком зрелой компании, а не молодой. Там, где джуниоры действительно работают, в крупных организациях с горизонтом планирования в годы, их продолжают нанимать ради будущих сеньоров. Наконец, сама модель сложилась в софтверных и продуктовых ИИ-компаниях и не переносится один к одному на производство, розницу и физические услуги.
Что из этого следует работодателю
Дефицит и избыток кадров складываются одновременно, в разных частях одной компании. Профессии, в которых за человеком остаются суждение, ответственность за решение и прямой контакт, сохраняются и дорожают; профессии, сводимые к одной автоматизируемой операции, сокращаются, поглощаясь смежными ролями там, где они есть, и исчезая там, где их нет. Планирование персонала опирается поэтому на состав задач, а не на общую численность: какие операции переходят к алгоритму, какие роли становятся дефицитнее, кого из занятых в сокращающихся функциях имеет смысл переучить.
Те же дорожающие роли — суждение, ответственность, владение ИИ — оказываются и самыми дефицитными при найме, поэтому подготовить такого сотрудника внутри, переведя его из сокращающейся функции, дешевле и быстрее, чем искать готового на рынке. Прошлые перестройки восстанавливали спрос на труд в масштабе всей экономики, но растягивались на поколение, и компания, которая переучивает людей заранее, проходит этот срок с меньшими издержками.
Источники
История:
Дж. Бессен о банкоматах и ткачах (IMF Finance & Development, 2015)
данные Бюро трудовой статистики США по кассирам; Дж. Фейгенбаум и Д. Гросс о телефонистках (Quarterly Journal of Economics, 2024)
Our World in Data и исследование Арагона–Руда–Тоуза по британскому углю (IFS)
анализ LSE по угольной отрасли в США; Census и USDA ERS по сельскому хозяйству
В. Леонтьев (1982) и разбор аналогии с лошадьми (Foreign Affairs)
Д. Аджемоглу и П. Рестрепо об эффекте восстановления (NBER)
обзор Д. Аутора с соавторами (2024)
Современность:
трекер Йельской бюджетной лаборатории по рынку труда США (2025–2026)
данные Challenger по сокращениям; опрос Harvard Business Review (2026)
доклад ОЭСР и рабочий документ МВФ по Японии; World Robotics 2025 (IFR)
материалы по Сингапуру (NTUC, SkillsFuture, МВФ Article IV)
данные НБС Китая и анализ RAND
Компании на ИИ:
оценки выручки на сотрудника по Midjourney и Cursor (ai-native.com, AI Business, 2026)
данные о штате и оплате в ИИ-первых компаниях (Ravio / Notion Capital, 2025)
профиль найма (интервью основателей, Platformer, 2026)
меморандум Т. Лютке о найме в Shopify (CNBC, 2025) и политика Duolingo «AI-first»
данные по джуниорам (HR Oasis, 2026; Better Programming; unicorn-cto) и эпизод Klarna