ИИ делит рынок труда на разные траектории

Что показал барометр PwC

PwC опубликовала 2026 Global AI Jobs Barometer, исследование на базе анализа более 1 млрд вакансий в 27 странах и территориях. Его ценность не в очередной оценке того, сколько рабочих мест «заберет» ИИ. Барометр дает более точную рамку: технологии меняют не профессии целиком, а набор задач внутри них.

Главный вывод PwC: рынок труда расходится на две траектории. В одних ролях ИИ снимает повторяемые операции и повышает ценность человеческой экспертизы: суждения, ответственности, коммуникации, отраслевого опыта. В других он снижает барьер входа, потому что часть прежнего экспертного действия становится встроенной в инструмент.

Для компаний это уже вопрос не только автоматизации, но и архитектуры труда. Если ИИ забирает рутинные задания, которые раньше были ступенью ученичества, работодателям придется заново проектировать найм, обучение и карьерные лестницы.

PwC делит роли с высоким AI exposure на две группы: professionalised и democratised. AI exposure означает, что в роли много задач, к которым применимы возможности ИИ. В русском тексте эти группы точнее описывать так: роли, где экспертиза дорожает, и роли, где вход становится проще. Это не рейтинг «победителей» и «проигравших», а способ увидеть, как меняется структура работы.

В первой траектории ИИ берет на себя подготовительную и повторяемую часть процесса: поиск, черновики, первичную обработку, проверку типовых ошибок. Человек быстрее переходит к задачам, где нужно принять решение, объяснить его и отвечать за результат. Во второй траектории инструмент встраивает часть экспертного знания в интерфейс, поэтому работу может выполнять более широкий круг сотрудников.

Среди professionalised-ролей в отчете названы рекрутеры и специалисты по карьере, инженеры-экологи, фармацевты, финансовые менеджеры и разработчики ПО. Среди democratised-ролей указаны медицинские секретари, системные администраторы, бухгалтерские клерки, сотрудники контакт-центров по информации и IT service managers. Это не список профессий, которые исчезнут или гарантированно выиграют. Речь о классификации изменений задач внутри роли.

Цитата в переводе

«Мы начинаем видеть новый разрыв между разными моделями работы с талантами и создания ценности.»

Где быстрее растут вакансии и зарплаты

По данным PwC, число объявлений по professionalised-ролям выросло на 39% относительно 2018 года, а по democratised-ролям на 17%. Зарплаты, указанные в вакансиях, в первой группе выросли на 37% с 2021 года, во второй на 26%. PwC трактует это как более быстрый рост в ролях, где ИИ усиливает ценность экспертизы.

Но эти цифры не доказывают, что весь рост вызван именно ИИ: на зарплаты влияют страна, сектор, дефицит кадров, инфляция, размер компании и конкуренция за специалистов.

Отдельный показатель касается спроса на конкретные AI-навыки. Вакансии, где требуются prompt engineering, machine learning и другие AI-компетенции, росли на 69%, тогда как весь рынок вакансий в выборке вырос на 9%. PwC описывает это как рост почти в восемь раз быстрее общего рынка. При этом речь идет о формулировках в объявлениях, а не о фактическом числе нанятых людей и не о том, что каждый работник должен становиться ML-инженером.

Средняя wage premium за AI-навыки в объявлениях достигла 61,9%, округленно 62%, против 57% в предыдущем барометре PwC. Корректная формулировка звучит так: в вакансиях с AI-навыками средняя указанная зарплата выше. Некорректная: «выучи промптинг и получишь плюс 62%». PwC оговаривает, что премии не очищены от образования, опыта, локации и других факторов. Кроме того, анализ зарплат опирается только на объявления, где зарплата раскрыта.

Поэтому картина сложнее, чем тезис «ИИ забирает рабочие места». Роли с высоким AI exposure часто показывают рост вакансий и зарплат, но exposure означает применимость ИИ к задачам, а не автоматизацию должности целиком. Рабочее место может становиться более востребованным и одновременно требовать другого набора навыков.

Почему entry-level становится сложнее

Самая чувствительная часть отчета касается входных позиций. PwC проанализировала 2,4 млн entry-level объявлений в США и пишет, что роли начального уровня с высоким AI exposure стали в семь раз чаще требовать навыки, раньше характерные для старших позиций: judgement, leadership, creativity, face-to-face interactions. Такие «seniorised» entry-level роли выросли на 35% с 2019 года, тогда как остальные entry-level роли сократились на 10%.

Это не означает, что выпускникам больше нет места. Меняется то, на чем новичок учится профессии. Раньше вход в аналитическую, юридическую, маркетинговую, инженерную или HR-роль часто начинался с подготовительной работы: собрать факты, разметить данные, сделать черновик, проверить документы, сравнить источники. Эти задачи были низкостатусными, но обучающими.

Здесь нужно разделить факт и интерпретацию. Факт PwC: в американских вакансиях начального уровня с высоким AI exposure чаще появляются требования к навыкам старших ролей. Интерпретация: рынок может раньше перекладывать на новичков ответственность, потому что базовую производственную рутину закрывают инструменты. Управленческий риск состоит в том, что через несколько лет компании могут столкнуться с нехваткой специалистов среднего уровня, которые умеют не только пользоваться подсказкой модели, но и понимать, когда она ошибается.

Junior-вакансия с требованиями «самостоятельно принимать решения, вести клиента, проверять результат ИИ и защищать выводы» должна сопровождаться новой учебной архитектурой: наставничеством, разбором ошибок модели, контрольными задачами без ИИ и ясными правилами ответственности. Иначе работодатель просит опыт, который раньше появлялся только после нескольких циклов работы под наблюдением.

Цитата в переводе

«ИИ убирает часть рутинной работы, которая раньше служила формой ученичества.»

Границы данных: что нельзя перепутать

Барометр PwC построен на нескольких слоях данных: более 1 млрд объявлений о вакансиях в 27 странах и территориях, данные рынка труда, финансовая отчетность компаний и информация о задачах внутри профессий. Для вакансий PwC использует данные Lightcast. Масштаб делает исследование полезным, но не превращает его в эксперимент, где можно изолировать чистый причинный эффект ИИ.

Ключевой методологический термин: exposure. AI exposure показывает, насколько задачи в профессии соприкасаются с возможностями ИИ. Высокий exposure не означает, что профессия будет автоматизирована полностью или что рабочие места исчезнут. Это значит, что в роли много операций, которые могут быть ускорены, частично переданы инструментам или потребуют новых навыков проверки.

PwC обновила индекс AI Occupational Exposure с опорой на подход Felten и с учетом изменений после 2018–2019 годов: новых профессий, обновленных весов O*NET abilities, больших языковых моделей, мультимодальных систем и генеративного ИИ. Классификация professionalised и democratised опирается на исследовательскую рамку Teeselink and Carey 2026 о том, как ИИ влияет на экспертность в разных профессиях.

У этой классификации есть ограничение. Данные по expertise в исследовательской рамке были на уровне SOC-2018, а для глобального анализа PwC переводит их в ISCO-08. При таком сопоставлении возможны ошибки: одна и та же профессия в разных странах может включать разный набор задач, ответственность и автономию. Поэтому категорию роли лучше читать как аналитическую подсказку, а не как окончательный ярлык для каждой вакансии.

Отдельно PwC сравнивает более и менее AI-exposed компании. У наиболее AI-exposed компаний численность персонала выросла на 52% к базовому уровню 2018 года, у наименее exposed на 36%; рост wages составил 24% против 17%. Топ-20% наиболее AI-exposed компаний, названные PwC super-star companies, показали рост labor productivity на 163% относительно 2018 года. Но productivity здесь считается как operating revenue на одного работника. На этот показатель влияют не только ИИ, но и бизнес-модель, цены, капитал, отрасль и стадия роста.

Почему «всем срочно учить промпты» - слабый вывод

Из барометра легко сделать поверхностный вывод: раз AI-навыки связаны с высокой зарплатной премией, нужно массово учить сотрудников промптингу. Но в отчете сильнее другая логика. Растет ценность не одиночного навыка «написать запрос», а связки цифровой грамотности, предметной экспертизы, проверки результата и человеческих навыков.

Prompt engineering в раннем пользовательском смысле быстро становится базовой компетенцией. Чем глубже модели встроены в офисные пакеты, CRM, IDE, HR-системы и аналитические платформы, тем меньше ценность самого факта «умею пользоваться ИИ». Работодателю важнее другое: может ли человек поставить задачу так, чтобы результат был проверяемым; понимает ли ограничения данных; видит ли юридические, этические и репутационные риски; способен ли объяснить решение клиенту или команде.

Professionalised-траектория не означает, что работник не столкнется с рисками. Она означает рост требований. Если ИИ ускорил подготовку финансового анализа, менеджер быстрее оказывается перед вопросом, как интерпретировать результат. Если ИИ помогает рекрутеру с описанием вакансии и поиском кандидатов, ценность смещается к оценке мотивации, переговорам с hiring manager и качеству отбора. Если ИИ помогает разработчику писать фрагменты кода, больше внимания уходит на архитектуру, тестирование, безопасность и сопровождение.

В democratised-ролях риск иной. Когда инструмент берет на себя часть экспертного действия, компания может расширить пул кандидатов и снизить требования к входу. Это помогает быстрее закрывать позиции и обучать людей на рабочем месте. Но если роль становится менее дефицитной, давление на зарплаты и карьерный рост может усилиться. Данные PwC показывают, что в этой группе рост объявлений и зарплат ниже, чем в professionalised-ролях, хотя сам рост остается положительным.

Физический ИИ показывает ту же логику задач

Разговор об ИИ не сводится к офисным нейросетям. Wired и отраслевые публикации A3 писали о Gemini Robotics и демонстрациях, где модель Google DeepMind используется в гуманоидных роботах. В описаниях фигурируют команды на естественном языке, многошаговые действия и работа с предметами. Это следует называть демонстрацией и ранним доступом, а не массовым внедрением на заводах.

Эти кейсы показательны не потому, что завтра гуманоиды заменят складских работников. Они иллюстрируют тот же принцип task-level transformation, то есть изменения на уровне отдельных задач. Автоматизируется не «профессия кладовщика» целиком, а отдельные действия: распознать объект, подойти, взять, перенести, положить, проверить расположение. В реальной среде к этому добавляются безопасность, надежность, стоимость владения, интеграция с процессами, обслуживание и ответственность за сбои.

Для рынка труда вывод тот же: эффект ИИ почти всегда проходит через перераспределение задач. В офисе модель помогает написать черновик отчета, но кто-то должен проверить предпосылки. В робототехнике система может выполнить манипуляцию, но кто-то проектирует процесс, обслуживает оборудование и отвечает за исключения. Поэтому вопрос «люди или роботы» хуже описывает реальность, чем вопросы «какие операции дешевеют», «какие навыки контроля дорожают» и «где исчезает учебная рутина».

Что это меняет в найме

Для HR и руководителей барометр PwC полезен как предупреждение: вакансии нельзя обновлять простым добавлением строки «знание ИИ-инструментов». Если роль относится к professionalised-траектории, описание должно показывать, где человек создает ценность после автоматизации рутины: проверяет выводы модели, принимает решения в неопределенности, общается с клиентом и отвечает за качество результата.

Если роль относится к democratised-траектории, найм может стать шире. Компании могут рассматривать кандидатов с меньшим опытом, если у них есть базовая цифровая грамотность, дисциплина проверки и способность быстро осваивать процесс. Но тогда нужно заранее определить границы самостоятельности: какие решения человек может принимать с подсказкой ИИ, а какие требуют эскалации к опытному специалисту.

Для entry-level найма главный риск - завышение требований. Если компания хочет от новичка judgement и лидерство, она должна дать среду, где эти навыки формируются. На практике это означает меньше тестов на скорость и больше рабочих симуляций: кандидат получает задачу, использует ИИ, затем объясняет, что проверил, где усомнился, какие источники счел ненадежными и как принял итоговое решение.

Еще одно последствие касается внутренней мобильности. Если ИИ меняет задачи быстрее, чем названия должностей, карьерные лестницы нужно строить не только по ролям, но и по skill clusters, то есть группам навыков. Работник может переходить между функциями, если умеет работать с данными, проверять автоматические выводы и общаться с заказчиком. Барометр PwC не доказывает, что такие переходы произойдут сами; он показывает, почему компаниям стоит их проектировать.

Как перестраивать обучение

Если ИИ убирает часть рутины, обучение не должно исчезнуть вместе с ней. Его нужно перенести в другой формат. Один из рабочих подходов выглядит так: сначала человек решает задачу сам, затем сравнивает результат с ответом модели, после этого разбирает расхождения с наставником. Смысл не в запрете ИИ, а в том, чтобы новичок видел ход рассуждения, ошибки данных и границы автоматической подсказки.

Компании стоит разделять три уровня AI-компетенций. Первый - пользовательская грамотность: безопасное применение инструментов в повседневной работе. Второй - профессиональная проверка результата: здесь нужны предметные знания, понимание метрик и ответственность. Третий - разработка или глубокая настройка AI-систем, которая требуется меньшему числу сотрудников. Ошибка многих программ обучения в том, что они либо перегружают всех техническими деталями, либо сводят обучение к набору эффектных промптов.

Для руководителей важен еще один слой: redesign work, переустройство самой работы. Если раньше аналитик тратил большую часть времени на сбор и очистку данных, а теперь делает это быстрее, высвободившиеся часы не превращаются в производительность автоматически. Их нужно направить на проверку гипотез, общение с внутренним заказчиком, документацию решений, эксперименты и обучение младших коллег. Без такого дизайна ИИ может просто ускорить хаос.

Измерять стоит не только число сотрудников, прошедших курс. Более полезные метрики: сколько задач выполняется с обязательной проверкой AI-output, сколько ошибок модели поймано до клиента, как изменилось время цикла, где выросла доля переделок и какие навыки чаще появляются в успешных проектах. PwC в своей методологии смотрит на net skill change через изменение частоты упоминания навыков в вакансиях; компании могут применять похожую логику внутри.

Российский контекст: что можно сказать без неподтвержденных цифр

Российский рынок труда требует отдельного анализа: структура занятости, цифровизация найма, доля малого бизнеса, регулирование данных и скорость внедрения корпоративного ИИ отличаются от стран в выборке PwC. В разрешенном каталоге источников для этой версии нет российских первичных данных, поэтому в статье не приводятся российские цифры и сравнения.

На российский контекст можно перенести рамку задач, а не профессий. Работодателям так же придется отвечать на вопросы: какие стартовые операции уйдут в ИИ, как учить новичков проверке результата, где базовое владение инструментами станет нормой, а где действительно нужны редкие AI-специалисты. Для публикации с российскими цифрами редакции нужно добавить первичные источники и отдельно проверить методологию оценок.

Что это означает на практике

Практический смысл барометра не в том, чтобы присвоить каждой должности ярлык «угрожаемая» или «перспективная». Работодателю и сотруднику полезнее разложить конкретную роль на операции: что уже можно ускорить, что требует проверки, где остается зона ответственности человека и какие задачи должны сохраниться как учебные.

• Работодателям стоит переписывать вакансии не вокруг общей фразы «знание ИИ», а вокруг конкретных задач: постановка запроса, проверка вывода, работа с данными, ответственность за решение и коммуникация с заказчиком.
• Для entry-level ролей нужен новый учебный контур. Если ИИ забирает рутинные подготовительные задачи, новичку нужны другие способы учиться: разборы, сравнение собственного решения с выводом модели, наставничество и понятные критерии качества.
• AI-навыки в вакансиях связаны с высокой указанной зарплатой, но это не чистый причинный эффект. Зарплатную премию нельзя читать как обещание: «выучи промптинг и получишь плюс 62%».
• Базовое использование ИИ быстро становится гигиеническим навыком. Более устойчивую ценность дают предметная экспертиза, критическая проверка, умение объяснять решение и работа с рисками.
• Руководителям стоит смотреть не только на численность персонала, но и на изменение задач внутри ролей: что автоматизируется, что остается зоной ответственности человека и какие навыки исчезают из обучения.

Вывод

Барометр PwC ценен не прогнозом исчезновения рабочих мест. Он показывает более полезную для менеджеров и работников картину: ИИ меняет цену разных частей профессии. Там, где автоматизируется рутина, выше становится ценность суждения и ответственности. Там, где инструмент упрощает экспертную операцию, роль может стать доступнее, но конкуренция внутри нее меняется.

Самый практический вывод касается не технологий, а организации труда. Компании, которые просто уберут младшую рутину, могут получить краткосрочную экономию и долгосрочный провал в подготовке кадров. Компании, которые перестроят обучение, смогут использовать ИИ как тренажер, проверочный слой и усилитель экспертизы. Рынок труда делится не на людей и машины, а на тех, кто умеет заново собрать работу вокруг ИИ, и тех, кто пока добавляет слово AI в старые должностные инструкции.

Источники

• PwC: AI reshapes global labour market into two distinct paths, rewarding human skills: PwC 2026 AI Jobs Barometer
• PwC: 2026 Global AI Jobs Barometer, полный отчет
• SSRN: исследовательская работа, abstract ID 6134506
• Association for Advancing Automation: Industry Insights: Google DeepMind Brings Gemini Robotics to Humanoids
• Association for Advancing Automation: Robotics Industry Insights
• Wired: Google, Boston Dynamics and Gemini-powered robot Atlas

Частые вопросы

Что PwC называет professionalised и democratised-ролями?

Professionalised-роли - это роли, в которых ИИ берет на себя подготовительные и повторяемые операции, а ценность человека сильнее смещается к суждению, ответственности и коммуникации. В democratised-ролях инструмент встраивает часть экспертного знания в рабочий процесс и снижает барьер входа для более широкого круга сотрудников.

Означает ли высокий AI exposure, что профессия исчезнет?

Нет. AI exposure показывает, насколько задачи внутри роли соприкасаются с возможностями ИИ. Это может означать ускорение операций, частичную автоматизацию или новые требования к проверке результата, но не автоматическое исчезновение должности.

Почему зарплатная премия за AI-навыки не гарантирует рост дохода каждому сотруднику?

PwC фиксирует более высокую среднюю указанную зарплату в вакансиях с AI-навыками. Этот показатель не очищен от влияния опыта, образования, локации и других факторов, а данные о зарплатах доступны только для части объявлений.

Почему ИИ усложняет entry-level найм?

В вакансиях начального уровня с высоким AI exposure чаще появляются требования к суждению, лидерству, творчеству и личному взаимодействию. Если ИИ забирает учебную рутину, новичок должен получать опыт через наставничество, симуляции и разбор ошибок, а не оставаться без траектории обучения.

Как компании перестраивать обучение после внедрения ИИ?

Полезный подход: сотрудник сначала решает задачу самостоятельно, затем сравнивает результат с ответом модели и разбирает расхождения с наставником. Программы обучения стоит разделять на пользовательскую грамотность, профессиональную проверку результатов и глубокую разработку AI-систем.

Практический чек-лист

Чек-лист: как перестроить роль и обучение после внедрения ИИ

Чек-лист можно сверстать как отдельный PDF для папки downloads/. Он переводит выводы статьи в последовательность действий для HR, руководителя функции или команды обучения.

Разобрать роль на задачи

• Перечислить повторяемые, подготовительные, экспертные и ответственные операции внутри роли.
• Отметить задачи, которые ИИ уже ускоряет, и отдельно зафиксировать задачи, где результат требует профессиональной проверки.
• Не считать высокую применимость ИИ доказательством того, что должность можно автоматизировать целиком.

Переписать вакансию

• Заменить общее требование «знание ИИ» на конкретные рабочие действия: постановка задачи, проверка вывода, работа с данными, коммуникация и ответственность за решение.
• Определить, какие решения сотрудник может принимать с подсказкой ИИ, а какие должны эскалироваться к опытному специалисту.
• Проверить, не требуют ли от entry-level кандидата навыков, для формирования которых компания не предлагает практику и наставничество.

Сохранить учебную траекторию

• Выделить рутинные задачи, которые раньше служили формой ученичества и теперь могут быть автоматизированы.
• Заменить исчезающую практику симуляциями, разбором ошибок, сравнением самостоятельного решения с ответом модели и наставничеством.
• Оставить контрольные задания без ИИ там, где важно увидеть ход рассуждения и уровень предметного понимания.

Измерять качество изменений

• Отслеживать не только число прошедших обучение, но и долю задач с обязательной проверкой AI-output.
• Фиксировать ошибки модели, пойманные до передачи результата клиенту или внутреннему заказчику.
• Сопоставлять время цикла, число переделок и навыки, которые чаще встречаются в успешных проектах.