Экономисты все чаще пытаются понять, какие профессии первыми пострадают от искусственного интеллекта. Новое исследование показывает еще одну проблему: сами ИИ-модели не могут договориться, какие рабочие места находятся в зоне риска.
Экономисты все чаще пытаются понять, какие профессии первыми пострадают от искусственного интеллекта. Новое исследование показывает еще одну проблему: сами ИИ-модели не могут договориться, какие рабочие места находятся в зоне риска.
Группа американских экономистов взяли 18 797 рабочих задач из базы O*NET и попросили ChatGPT-5, Gemini 2.5 и Claude 4.5 оценить, какие профессии сильнее всего подвержены влиянию ИИ из-за риска автоматизации.
В основе таких оценок лежит метод task-based approach: профессию раскладывают на отдельные задачи и проверяют, может ли ИИ помочь выполнить каждую из них быстрее. Например, у пекаря это одни задачи, у финансового аналитика — другие. Если большая доля задач может быть ускорена ИИ, профессия получает высокий показатель воздействия (exposure score).
Ответы сильно разошлись: средний показатель AI exposure у разных моделей отличался в 3,6 раза, а самое низкое совпадение между двумя моделями составило лишь 57%. Поэтому авторы делают жесткий вывод: «Если измерение нестабильно, политика, построенная на нем, тоже нестабильна».
Разброс был не только в деталях. Claude 4.5 относил к напрямую затронутым ИИ около 14% задач, Gemini 2.5 — 51%, а ChatGPT-5 давал промежуточную оценку. Это значит, что модели по-разному понимают границу между задачами, которые ИИ уже может выполнять, и задачами, где человек пока остается незаменимым. Особенно заметно расхождения проявлялись в управленческих профессиях и в работах, где нужно не только думать, но и действовать физически.
Исследователи показали, что выбор модели может менять даже итоговые экономические выводы. В расчетах на индивидуальном уровне оценки эффекта различались в 2,4 раза: одна модель показывала значимое снижение занятости, а другие — отсутствие значимого эффекта. Таким образом, вывод о том, уничтожает ли ИИ рабочие места в конкретной группе, зависел от того, какую модель спросили.
По словам авторов, похожие оценки применяют и разрабатывают Бюро статистики труда США (BLS), Организация экономического сотрудничества и развития (OECD), Международная организация труда (ILO), Международный валютный фонд (IMF) и Всемирный экономический форум (WEF) — структуры, чьи данные и прогнозы влияют на решения о занятости, переобучении работников и регулировании рынка труда.
Есть и более глубокая методологическая проблема: исследователи используют ИИ как инструмент для оценки влияния самого ИИ. Авторы прямо пишут, что exposure score создается «той самой технологией, эффект которой изучается». Если модели по-разному оценивают задачи, показатель перестает быть устойчивой характеристикой профессии и становится результатом взаимодействия профессии, методики и конкретной модели.
Экономисты также указывают на эффект обратной связи. Там, где люди уже активно используют ИИ, в интернете и обучающих данных появляется больше примеров такого применения. Следующие модели могут видеть эти профессии как более «подходящие» для ИИ — не обязательно потому, что они объективно сильнее автоматизируются, а потому что там уже больше данных об использовании ИИ.
Релоцировались? Теперь вы можете комментировать без верификации аккаунта.