ИИ-агенты быстрее роботов: что McKinsey увидела на рынке труда Латинской Америки

Введение

9 июля 2026 года McKinsey Global Institute выпустил отчет «Agents, robots, and us: How AI reshapes work and skills in Latin America». Это региональная оценка рабочих активностей и навыков в 15 странах Латинской Америки, а не очередной текст о «профессиях будущего». Главная цифра звучит резко: 57% текущих рабочих часов в выборке теоретически могут быть автоматизированы существующими технологиями, из них 39% через AI-агентов и 18% через роботов.

Но 57% не означает, что столько же работников потеряют работу. McKinsey считает технический потенциал автоматизации операций, а не прогноз увольнений. Между возможностью и внедрением остаются стоимость, данные, управление, трудовое право, безопасность, доверие сотрудников и способность компаний перестроить процессы.

Для Латинской Америки ИИ приходит двумя волнами. Первая связана с цифровыми агентами: они работают с текстами, заявками, таблицами, звонками, отчетами и типовыми решениями. Вторая связана с роботами в физической среде: машины перемещают, сортируют, проверяют, собирают и обслуживают. Эти волны затрагивают страны, профессии и компании с разной скоростью.

Поэтому главный вопрос материала не в том, сколько профессий исчезнет. Важнее понять, какие рабочие часы становятся технически автоматизируемыми, какие навыки дорожают, где внедрение может быстро дать эффект, а где оно упрется в экономику, инфраструктуру и качество управления.

Цитата в переводе

«Агенты, роботы и мы: как ИИ меняет работу и навыки в Латинской Америке.»

McKinsey считает рабочие часы, а не «исчезающие профессии»

Методика отчета важна сама по себе. McKinsey анализирует detailed work activities, то есть детальные рабочие активности, примерно для 800 профессий в каждой из 15 стран. Затем оценивает, какие активности технически могут выполнять AI-агенты, а какие роботы. Такой подход ближе к реальной работе, чем разговор о замене целых профессий. Бухгалтер, оператор колл-центра, кладовщик или маркетолог выполняют не одну функцию, а набор повторяющихся и нестандартных задач.

Оценка 57% текущих рабочих часов показывает, какую долю времени можно было бы переложить на технологии при условии, что они доступны, интегрированы в процессы и экономически оправданы. Это не факт внедрения и не обещанный эффект. В одних компаниях автоматизация может привести к сокращению численности в конкретной функции, в других : к росту пропускной способности без сокращений, в третьих : к появлению новых ролей вокруг контроля, поддержки и обслуживания систем.

Практический шаг для работодателя начинается не с объявления «внедряем ИИ», а с разложения должностей на задачи: поиск информации, подготовка документа, сверка данных, общение с клиентом, решение исключений, контроль качества и ответственность за результат. Часть задач может уйти агенту, часть останется человеку, часть придется описать заново.

McKinsey также оценивает потенциальную экономическую ценность автоматизации. К 2030 году она может открыть около 450 млрд долларов ежегодной экономической ценности в регионе в midpoint-сценарии; в более медленном сценарии речь идет примерно о 230 млрд долларов. Это не прямой прирост ВВП и не гарантированная прибыль компаний, а стоимость рабочих часов, которые теоретически могут быть высвобождены, без учета всех затрат и возможных внедренческих провалов.

Такой подход полезен тем, что снижает драматизм разговора, но не снимает трудовых рисков. Если автоматизируется операция, меняется и должность, даже если название на визитке остается прежним. Меняется темп работы, стандарт качества, способ контроля и набор навыков, которые считаются ценными.

Почему агентам легче войти в офис, чем роботам на склад или ферму

AI-агент в этом контексте не является «электронным сотрудником» в человеческом смысле. Это система, действующая в цифровой среде: она ищет и структурирует информацию, классифицирует обращения, готовит черновики ответов, сравнивает документы, предлагает следующий шаг оператору, собирает отчет или запускает цепочку действий в корпоративных системах. Поэтому агент может быть встроен в CRM, колл-центр, бухгалтерский контур, HR-платформу или службу поддержки.

Робот решает другой класс задач. Он работает с физическими объектами: захватывает, перемещает, сортирует, укладывает, проверяет, чистит, подает, собирает. Такая автоматизация сильнее зависит от капитальных затрат, инфраструктуры, стандартизации объектов и безопасности. Если коробки, детали, рабочие зоны или условия среды сильно различаются, расчетная эффективность быстро снижается.

Отсюда разница в скорости. Агентная автоматизация может распространяться быстрее не потому, что она «умнее», а потому что у нее ниже порог внедрения. Офисной команде часто достаточно цифрового сервиса, доступа к данным, регламента проверки и обучения. Физическая автоматизация требует оборудования, интеграторов, обслуживания, изменения планировки, техники безопасности и стабильного объема операций.

Скорость, однако, не равна глубине эффекта. В офисе агент меняет почти каждую роль понемногу: менеджер меньше перепечатывает, юрист быстрее ищет риски в договоре, аналитик получает черновой срез данных, оператор видит подсказку во время разговора. На производстве или в логистике робот может менять меньше операций, но сильнее перестраивать рабочее место. Появляются операторы линий, техники, диспетчеры исключений, специалисты по безопасности и наладке.

Для руководителя это означает, что цифровую и физическую автоматизацию нельзя вести по одному шаблону. У AI-агента ключевые вопросы : данные, права доступа, проверка вывода и ответственность за решение. У робота : повторяемость операции, безопасность, обслуживание, планировка и окупаемость оборудования.

Цитата в переводе

«Регион не может довольствоваться средними показателями, которые выглядят позитивно.»

Латинская Америка не один рынок труда

Сильная сторона отчета McKinsey в том, что он не переносит американскую или европейскую картину на регион целиком. Страны Латинской Америки отличаются структурой экономики, уровнем формальной занятости, долей сервисов, промышленности и сельского хозяйства. Поэтому один и тот же инструмент меняет рабочие места с разной скоростью.

McKinsey выделяет несколько траекторий. Аргентина, Чили, Коста-Рика и Уругвай ближе к экономикам с большей долей сервисной и офисной работы, значит, там больше пространства для AI-агентов. Бразилия, Колумбия, Доминиканская Республика, Мексика и Панама выглядят более сбалансированно между физической и нефизической работой. Боливия, Эквадор, Сальвадор, Гватемала, Гондурас и Перу имеют более высокую долю физически интенсивной занятости, поэтому потенциал автоматизации там сильнее зависит от робототехники, автономных систем и инфраструктуры.

Региональный контекст резко меняет выводы. По данным ILO, в первой половине 2025 года средняя доля неформальной занятости в Латинской Америке и Карибском бассейне составляла 46,7%. Если почти каждый второй занят вне устойчивых формальных отношений, корпоративная логика переобучения охватывает только часть рынка. У крупной компании может быть программа обучения сотрудников работе с агентами. У самозанятого курьера, семейной мастерской или неформального продавца такой инфраструктуры обычно нет.

Автоматизация может усилить разрыв между формальным сектором, где есть доступ к инструментам и обучению, и неформальным, где работник чаще сталкивается не с карьерной трансформацией, а с давлением на доход. Региональной повестке поэтому недостаточно курсов по промптам. Нужны формализация занятости, доступ к базовой цифровой инфраструктуре, программы для малых предприятий и ясные правила ответственности за автоматизированные решения.

Именно поэтому средние показатели по региону нужно читать осторожно. Они помогают увидеть масштаб потенциального сдвига, но не описывают конкретный путь для каждой страны, отрасли и группы работников. Там, где занятость формальна, процесс можно поддержать обучением и изменением ролей. Там, где работа неформальна, эффект автоматизации может проявиться через давление на цены, доходы и условия занятости.

Что именно меняется в профессиях

Профессию полезнее рассматривать как связку задач. В клиентском сервисе есть прием обращения, идентификация клиента, поиск информации, эмоциональная работа, предложение решения, фиксация результата, эскалация сложного случая и контроль качества. AI-агент может быстро войти в поиск, резюмирование и подсказки. Но конфликтный клиент, нестандартная жалоба или спорная компенсация остаются зоной человека: там важны контекст, ответственность и доверие.

В административной работе агентная автоматизация сильна там, где много документов и повторяющихся правил: заполнение форм, сверка данных, классификация запросов, подготовка черновиков писем, составление протоколов, перенос информации между системами. Но чем выше цена ошибки, тем нужнее human-in-the-loop, то есть участие человека в контуре принятия решения. Человек не сводится к нажатию кнопки «одобрить». Он понимает, какие ошибки типичны для модели, какие данные нельзя раскрывать, когда нужен второй эксперт и кто отвечает за итог.

В финансах и compliance, то есть контроле соблюдения требований, логика похожа. Агент может ускорить проверку документов, поиск аномалий, подготовку пояснений и черновиков отчетов. Но организация должна отделить факт от рекомендации. Факт: система нашла несовпадение в данных. Рекомендация: система предлагает трактовку. Решение: уполномоченный сотрудник принимает или отклоняет рекомендацию. Если эти уровни смешать, автоматизация превращается в источник операционного риска.

В производстве, логистике, сельском хозяйстве и добыче меняются другие задачи. Роботы и автономные системы берут на себя перемещение, захват, сортировку, инспекцию, часть операций обслуживания. Но физическая среда хуже поддается полной стандартизации. Неровный груз, неожиданный дефект, влажность, пыль, плохая маркировка или человек в опасной зоне создают исключения. Поэтому растет ценность ролей, которые умеют работать с отклонениями: операторов, наладчиков, техников, инженеров процесса, специалистов по безопасности.

Формула «роботы заменят людей» слишком груба. Корректнее говорить иначе: автоматизируются операции, меняются требования к рабочему месту, часть времени высвобождается, часть контроля становится сложнее. Для работника это означает не только риск. Ему нужно доказать ценность там, где машина не берет ответственность: в оценке качества, коммуникации, работе с исключениями и понимании последствий решения.

Навыки меняются быстрее, чем названия должностей

McKinsey фиксирует резкий сдвиг в навыках. В пяти странах, где доступны данные по онлайн-вакансиям, Аргентине, Бразилии, Чили, Колумбии и Мексике, спрос на AI fluency вырос почти в 11 раз с 2023 по 2025 год: с 0,8 млн до 8,5 млн работников в профессиях, где такие навыки требуются. Спрос на любые AI-related skills вырос с 1,5 млн до 9,9 млн, то есть в 6,8 раза. Эти цифры относятся к профессиям и вакансиям с видимым цифровым следом, поэтому их нельзя механически переносить на всю экономику.

AI fluency лучше понимать не как умение написать красивый промпт, а как рабочую грамотность в использовании ИИ. Она включает постановку задачи, выбор инструмента, понимание ограничений модели, проверку результата, защиту данных и способность встроить ответ системы в реальный процесс. Для менеджера это подготовка сценариев и контроль качества. Для инженера : анализ документации и поиск причин сбоя. Для HR : черновики описаний вакансий, но не автоматическое решение о кандидате.

McKinsey также оценивает, что примерно 66% востребованных работодателями навыков относятся к shared skills, то есть навыкам, которые используются и в автоматизируемых, и в неавтоматизируемых активностях. Здесь есть важный нюанс. Если навык нужен по обе стороны технологической границы, работник не обязательно выпадает из профессии. Часто он переносит навык в новую конфигурацию: меньше ручной подготовки, больше проверки, координации, общения и решения нестандартных случаев.

Для работодателя это означает, что обучение нельзя строить только вокруг интерфейса конкретного инструмента. Более устойчивые компетенции: разложение задач, оценка качества вывода модели, работа с данными, управление исключениями, коммуникация с клиентом и способность объяснить решение. Для работника фраза «я умею пользоваться ИИ» быстро станет слишком общей. Преимуществом будет умение отвечать за результат, полученный с помощью ИИ.

Эта разница важна и для вакансий. Если компания пишет в требованиях только «навыки ИИ», кандидат не понимает, о какой работе идет речь. Нужен сценарий: подготовка черновиков, проверка вывода модели, анализ документов, работа с клиентскими обращениями, эскалация спорных случаев, настройка контроля качества. Тогда требование становится трудовым, а не декоративным.

Где эффект может быть самым быстрым

Первый фронт : клиентские операции. В банках, телекоммуникациях, ритейле, страховании и государственных сервисах много повторяющихся обращений, текстов, идентификации, маршрутизации и типовых ответов. Агент может слушать разговор, подсказывать оператору следующий шаг, резюмировать обращение и обновлять карточку клиента. Но если система ошиблась в праве клиента на выплату или услугу, отвечает не модель. Нужны правила эскалации и аудит решений.

Второй фронт : офисный back office, то есть внутренние административные и операционные процессы. Финансовые записи, отчеты, закупочные документы, HR-анкеты, юридические шаблоны и административные процедуры подходят для ранней автоматизации, потому что там много цифровых данных и повторяемых форматов. Здесь легко получить видимый выигрыш времени, но так же легко нарастить скрытый риск. Если сотрудники перестают понимать, как собран отчет, компания получает быстрый документ и слабую экспертизу.

Третий фронт : аналитика и middle management, средний управленческий уровень. Руководитель среднего звена тратит много времени на сбор статусов, подготовку презентаций, сравнение планов и поиск причин отклонений. Агент может ускорить эти операции. Но управленческое решение требует понимания людей и ограничений процесса. Планирование численности и навыков становится точнее только тогда, когда данные надежны, а менеджер умеет отделять сигнал от убедительно оформленной генерации.

Четвертый фронт : физические операции в компаниях с масштабом. Роботизация лучше окупается там, где есть повторяемость, объем и дорогая ошибка: крупные склады, производственные цепочки, добыча, агропромышленные комплексы, порты. В странах и секторах с более низкой стоимостью труда автоматизация физической работы может быть технически возможной, но экономически менее срочной. Это не отменяет роботизацию, но меняет ее маршрут: сначала узкие операции с понятной окупаемостью, затем более сложные участки.

Пятый фронт : креативные и медийные роли. McKinsey отмечает, что AI-related skills появляются не только в STEM, то есть науке, технологиях, инженерии и математике. В arts, design и media около трети работников находятся в ролях, где уже требуются связанные с ИИ навыки. Это не значит, что дизайнеру или редактору достаточно генератора картинок и текста. Скорее растет спрос на людей, которые умеют работать с черновиками, быстро тестировать варианты, сохранять авторский контроль и проверять факты.

Общий принцип один: быстрее меняются те участки, где задача уже оцифрована, повторяется и может быть проверена. Медленнее : те, где нужно дорогое оборудование, нестабильная физическая среда, высокая безопасность или сложная ответственность за последствия.

Почему внедрение может идти медленнее, чем обещают поставщики

Технический потенциал почти всегда больше фактического внедрения. Между ними стоят деньги, данные, доверие, управление и трудовое право. В Латинской Америке к этому добавляются высокая неформальность и неоднородность компаний. Крупный банк и небольшой сервисный бизнес живут в разных технологических реальностях, даже если оба слышат одинаковые обещания про ИИ.

Первый барьер : экономика проекта. Агентный сервис может быть дешевым на уровне подписки, но дорогим на уровне интеграции. Нужно подключить данные, настроить доступы, описать процессы, обучить сотрудников, создать контроль качества, решить вопросы безопасности и поддержки. Роботизация еще требовательнее: оборудование, монтаж, простои, обслуживание, запасные части, обучение персонала и адаптация помещения.

Второй барьер : качество данных. Многие процессы в компаниях держатся на локальных таблицах, устных договоренностях и знаниях конкретных сотрудников. Агент может ускорить хаос, если получает противоречивые данные. Робот может простаивать, если поток товаров или деталей нестабилен. Зрелая автоматизация начинается не с покупки инструмента, а с описания процесса и устранения лишней вариативности.

Третий барьер : ответственность. Если агент предложил клиенту неверное действие, кто отвечает: оператор, руководитель, поставщик системы, владелец процесса? Если робот создал опасную ситуацию, как расследуется инцидент? Без ясных правил сотрудники будут либо слепо доверять системе, либо саботировать ее из страха. Оба сценария ухудшают результат.

Четвертый барьер : доверие работников. Когда автоматизацию объясняют только языком сокращения затрат, люди скрывают знания, сопротивляются внедрению и перестают предлагать улучшения. Если компания показывает, какие задачи меняются, какие навыки будут оплачиваться и какие роли появятся, внедрение становится частью организационного развития. Без работников, которые понимают процесс, агент или робот плохо справляется с исключениями.

Поэтому реалистичная программа внедрения должна начинаться с карты задач и рисков. На ней видно, где автоматизация безопасна, где нужен человек в контуре, где необходимо обучение, а где проект пока не окупается или создает больше рисков, чем пользы.

Российский контекст: не копировать цифры, а использовать рамку

Для российской аудитории отчет McKinsey полезен не как готовый прогноз по местному рынку труда, а как аналитическая рамка. Его цифры относятся к 15 странам Латинской Америки, поэтому их нельзя переносить на другие экономики. Но сам способ смотреть на труд через рабочие часы, задачи, навыки и ограничения внедрения применим шире.

Главный урок этой рамки: спор «ИИ заменит или не заменит людей» слишком общий. В любой стране сначала нужно понять, какие операции уже цифровые, где есть данные, кто несет ответственность за решение, какие задачи требуют физической среды и капитальных вложений. Только после этого можно обсуждать эффект для конкретной отрасли, работодателя или работника.

Второй урок: разделять AI-агентов и роботов. Цифровая автоматизация быстрее появляется там, где процессы уже проходят через документы, обращения, таблицы и корпоративные системы. Роботизация зависит от других условий: повторяемости физической операции, безопасности, обслуживания, планировки и окупаемости. Поэтому даже при одинаковом интересе к ИИ разные секторы будут двигаться разными темпами.

Третий урок: не смешивать техническую автоматизируемость с кадровым решением. Если часть рабочих часов можно автоматизировать, это еще не означает обязательного увольнения. Возможны разные сценарии: сокращение рутины, рост нормы выработки, изменение контроля качества, появление новых ролей или перераспределение времени на клиентов и исключения. Компаниям лучше заранее объяснять, что меняется в работе и какие навыки будут нужны.

Четвертый урок: говорить с работниками не языком абстрактной трансформации, а языком задач. Что будет делать система? Что проверяет человек? В каком случае решение останавливается? Какие ошибки считаются критическими? Какие навыки будут влиять на оплату и карьеру? Без этих ответов автоматизация воспринимается как угроза, даже если технически она должна помогать.

Главная развилка: продуктивность для работников или против них

Одни и те же технологии могут дать разные трудовые результаты. В оптимистичном сценарии агент снимает с человека повторяющиеся операции, повышает качество сервиса, ускоряет обучение новичков и делает экспертизу доступнее. В жестком сценарии компания просто увеличивает норму выработки, оставляя человеку больше контроля, больше ответственности и меньше времени на исправление ошибок системы. Оба сценария технически возможны.

Разница определяется организационным дизайном. Если KPI измеряют только скорость, агент будет подталкивать людей к поверхностным решениям. Если метрики включают качество, жалобы, безопасность данных и долю корректно эскалированных случаев, технология может улучшить работу. Если робот внедряется без пересмотра безопасности и обучения, он создает новый риск. Если вокруг него строят роль оператора исключений и техника обслуживания, меняется квалификация труда.

ILO предупреждает, что региону нельзя успокаиваться средними позитивными показателями. Для автоматизации это особенно верно. Средний рост производительности может скрыть ухудшение условий у части работников, усиление разрыва между крупными и малыми компаниями, между формальной и неформальной занятостью, между сервисными центрами и физически интенсивными секторами.

Поэтому главный вопрос для Латинской Америки звучит не как «сколько рабочих мест исчезнет». Корректнее спросить: какие задачи станут машинными, какие человеческие навыки подорожают, у кого будет доступ к обучению и кто получит выгоду от высвобожденного времени. Ответ зависит не только от возможностей AI-агентов и роботов, но и от институтов рынка труда, качества управления и способности компаний честно объяснять людям, как меняется их работа.

Если автоматизация встроена в работу как инструмент качества, человек получает больше времени на сложные случаи, коммуникацию и проверку результата. Если она встроена только как инструмент давления на скорость, работник получает больше риска и меньше контроля над условиями труда. Именно эта развилка важнее громких заявлений о «конце профессий».

Что это означает на практике

Практические выводы из отчета McKinsey и контекста ILO можно свести к нескольким правилам. Они полезны работодателям, командам обучения и самим работникам, потому что переводят разговор об ИИ из уровня лозунгов в уровень рабочих действий.

• Работодателям лучше начинать не с закупки «ИИ вообще», а с разложения должностей на конкретные задачи, исключения, зоны ответственности и риски.
• Вакансии с требованием ИИ-навыков должны описывать рабочий сценарий: подготовку черновиков, проверку вывода модели, работу с данными, эскалацию спорных случаев.
• Работникам полезно оценить, какие части их работы являются цифровой повторяемой операцией, а где ценность создают экспертиза, доверие, коммуникация и решение нестандартных ситуаций.
• Для AI-агентов нужен human-in-the-loop: человек должен понимать ограничения системы, проверять вывод и иметь право остановить автоматизированный сценарий.
• Для роботизации важны не только машины, но и экономика операции: объем, повторяемость, безопасность, обслуживание, планировка, наличие техников и операторов исключений.
• В Латинской Америке программы переобучения нужно проектировать с учетом высокой неформальности, иначе выгоды автоматизации останутся в крупных формальных компаниях.
• Техническая автоматизируемость рабочих часов не равна фактическому внедрению и не равна сокращению рабочих мест.

Мини-чек-лист для компании перед внедрением AI-агента или робота

Этот чек-лист можно использовать как короткую рабочую рамку перед пилотом. Он не заменяет юридическую, техническую и финансовую экспертизу, но помогает не начинать проект с покупки инструмента без понимания задачи.

1. Разложить работу на операции

Перед внедрением важно описать не должность целиком, а реальные действия, которые занимают рабочее время.

• Опишите повторяющиеся цифровые операции: поиск, резюмирование, классификация, заполнение, сверка, подготовка черновика.
• Отдельно отметьте физические операции: перемещение, захват, сортировка, инспекция, обслуживание, контроль зоны.
• Зафиксируйте исключения: нестандартные клиенты, спорные документы, опасные ситуации, дефекты, ошибки данных.
• Укажите, где требуется человеческое решение и кто отвечает за итог.

2. Проверить данные и процесс

AI-агент ускоряет работу только тогда, когда процесс достаточно понятен, а данные не противоречат друг другу.

• Проверьте, где лежат данные и кто имеет к ним доступ.
• Уберите лишние ручные таблицы и неформальные обходные маршруты, если они влияют на результат.
• Опишите, какие данные нельзя передавать в автоматизированный сценарий.
• Для роботизации проверьте повторяемость объектов, условий среды и потока операций.

3. Назначить контроль и ответственность

Автоматизация не снимает вопрос ответственности. Она делает его более явным.

• Разделите факт, рекомендацию системы и управленческое решение.
• Назначьте человека или роль, которая может остановить сценарий.
• Опишите правила эскалации спорных случаев.
• Проверьте, как будут расследоваться ошибки агента или инциденты с роботом.

4. Переписать навыки и обучение

Обучение должно быть связано не с модой на ИИ, а с изменением конкретной работы.

• Опишите, какие навыки нужны для проверки вывода модели.
• Добавьте обучение работе с исключениями, безопасностью данных и качеством результата.
• Для физических операций предусмотрите обучение операторов, техников и специалистов по безопасности.
• В вакансиях пишите не «знание ИИ», а конкретный сценарий применения.

5. Оценить эффект для работников

Проект будет устойчивее, если люди понимают, что именно меняется и как это повлияет на их роль.

• Объясните, какие задачи автоматизируются и какие остаются человеку.
• Покажите, какие новые роли или зоны экспертизы появляются вокруг системы.
• Не оценивайте успех только скоростью: добавьте качество, безопасность, жалобы и корректные эскалации.
• Проверьте, не усиливает ли внедрение разрыв между формальными и неформальными работниками или между крупными и малыми подразделениями.

Вывод

Отчет McKinsey о Латинской Америке ценен тем, что возвращает разговор об ИИ к устройству труда: не к абстрактным профессиям, а к часам, операциям, навыкам, капиталу и институтам. В регионе 57% рабочих часов могут быть теоретически автоматизированы существующими технологиями, но путь от потенциала к реальной перестройке будет неровным.

AI-агенты быстрее зайдут туда, где работа уже цифровая: офис, клиентский сервис, документы, аналитика, маркетинг, финансы. Роботы будут менять физические операции там, где сойдется экономика внедрения. Между этими волнами окажется человек: оператор, эксперт, проверяющий, наставник, техник, менеджер исключений и носитель ответственности.

Главный риск для Латинской Америки не в том, что технология быстро «заменит всех»: такой вывод не следует из данных. Риск в другом. Автоматизация может повысить продуктивность одних работников и компаний, оставив других вне обучения, формальной защиты и карьерной мобильности. Поэтому рынок труда будет меняться не только от возможностей моделей и машин, но и от того, кто сумеет встроить их в работу безопасно и с понятной выгодой для людей.

Источники

• McKinsey Global Institute: Agents, robots, and us: How AI reshapes work and skills in Latin America
• McKinsey Global Institute / Future of Work: Leading Off: A leader’s guide to the future of robots at work
• ILO: Employment holds steady in Latin America and the Caribbean; informality and inequality persist
• ILO: Panorama Laboral 2025 de América Latina y el Caribe
• ILO: Informalidad laboral: evolución conceptual, medición y enfoque para la región

Частые вопросы

Означает ли показатель 57%, что 57% работников в Латинской Америке потеряют работу?

Нет. В статье речь идет о технической автоматизируемости текущих рабочих часов, а не о прогнозе увольнений. Между потенциалом и фактическим внедрением остаются стоимость, данные, управление, безопасность, доверие работников и трудовое право.

Почему AI-агенты могут распространяться быстрее роботов?

AI-агенты работают в цифровой среде: с документами, обращениями, таблицами, отчетами и корпоративными системами. Их проще встроить в офисные процессы. Роботы требуют оборудования, обслуживания, изменения физической среды, техники безопасности и стабильного объема операций.

Какие навыки становятся важнее из-за AI-агентов?

Важнее становится AI fluency: умение поставить задачу, выбрать инструмент, проверить результат, понимать ограничения модели, защищать данные и встроить вывод системы в реальный рабочий процесс. Одного умения написать промпт недостаточно.

Почему для Латинской Америки важна неформальная занятость?

По данным ILO, в первой половине 2025 года средняя доля неформальной занятости в Латинской Америке и Карибском бассейне составляла 46,7%. Если почти каждый второй занят вне устойчивых формальных отношений, корпоративные программы переобучения охватывают только часть рынка.

Можно ли переносить выводы McKinsey на российский рынок труда?

Цифры отчета относятся к 15 странам Латинской Америки, поэтому их нельзя механически переносить на другие экономики. Но полезна сама рамка анализа: смотреть не на исчезновение профессий, а на рабочие часы, задачи, навыки, данные, ответственность и ограничения внедрения.

Практический чек-лист

Чек-лист перед внедрением AI-агента или робота

Короткая памятка для компании, которая хочет оценить не только техническую возможность автоматизации, но и данные, ответственность, навыки и влияние на работников.

Разложить работу на операции

• Опишите повторяющиеся цифровые операции: поиск, резюмирование, классификация, заполнение, сверка, подготовка черновика.
• Отдельно отметьте физические операции: перемещение, захват, сортировка, инспекция, обслуживание, контроль зоны.
• Зафиксируйте исключения: нестандартные клиенты, спорные документы, опасные ситуации, дефекты, ошибки данных.
• Укажите, где требуется человеческое решение и кто отвечает за итог.

Проверить данные и процесс

• Проверьте, где лежат данные и кто имеет к ним доступ.
• Уберите лишние ручные таблицы и неформальные обходные маршруты, если они влияют на результат.
• Опишите, какие данные нельзя передавать в автоматизированный сценарий.
• Для роботизации проверьте повторяемость объектов, условий среды и потока операций.

Назначить контроль и ответственность

• Разделите факт, рекомендацию системы и управленческое решение.
• Назначьте человека или роль, которая может остановить сценарий.
• Опишите правила эскалации спорных случаев.
• Проверьте, как будут расследоваться ошибки агента или инциденты с роботом.

Переписать навыки и обучение

• Опишите, какие навыки нужны для проверки вывода модели.
• Добавьте обучение работе с исключениями, безопасностью данных и качеством результата.
• Для физических операций предусмотрите обучение операторов, техников и специалистов по безопасности.
• В вакансиях пишите не «знание ИИ», а конкретный сценарий применения.

Оценить эффект для работников

• Объясните, какие задачи автоматизируются и какие остаются человеку.
• Покажите, какие новые роли или зоны экспертизы появляются вокруг системы.
• Не оценивайте успех только скоростью: добавьте качество, безопасность, жалобы и корректные эскалации.
• Проверьте, не усиливает ли внедрение разрыв между формальными и неформальными работниками или между крупными и малыми подразделениями.