ИИ меняет вакансии: какие профессии получают премию, а какие теряют рутину

Что измеряет PwC и почему это не прогноз про конец профессий

PwC указывает, что барометр основан на анализе более 1 млрд вакансий в 27 странах и территориях, а также на сопоставлении данных рынка труда, корпоративных показателей и задач внутри профессий. Это не перепись всех работников и не доказательство, что конкретный AI-инструмент уже внедрен в каждой компании.

Вакансии показывают спрос работодателей и язык, которым они описывают будущую работу. Часто именно этот язык первым отражает, какие навыки становятся пропуском на собеседование. Поэтому барометр полезен не как точная карта занятости, а как ранний индикатор того, куда смещаются требования к ролям.

В отчете выделены два типа воздействия ИИ. Первый PwC описывает как professionalisation, то есть профессионализацию: ИИ снимает часть повторяемых операций, а роль человека становится более экспертной. Второй тип — democratisation, или демократизация: ИИ делает часть задач доступнее людям с меньшим опытом или смежной специализацией.

В одной профессии оба эффекта могут идти одновременно. Аналитик быстрее получает черновую обработку данных, но от него сильнее ждут проверки допущений и объяснения результата бизнесу. Дизайнер быстрее собирает варианты, но ценность смещается к отбору, арт-дирекшену и стратегии бренда.

Самая заметная цифра: по данным PwC, профессионализированные роли растут по вакансиям вдвое быстрее, чем демократизированные, и имеют на 42% более быстрый рост зарплат. Это не значит, что вторые обречены. Рынок уже по-разному оценивает задачи, где ИИ усиливает суждение специалиста, и задачи, где ИИ снижает цену базового исполнения.

Еще один показатель требует осторожного чтения. Компании в наиболее AI-exposed секторах, по оценке PwC, показали рост производительности труда на 34% в 2025 году относительно 2018 года; у компаний, наименее способных использовать ИИ, рост составил 24%. У верхних 20% компаний среди наиболее AI-exposed средний рост производительности достиг 163% относительно 2018 года.

Связь сильная, но это не чистый эксперимент. На производительность влияют капитал, менеджмент, спрос, данные и организация процессов. Поэтому из этих цифр нельзя делать простой вывод, что сама покупка AI-инструмента автоматически повышает производительность компании.

• PwC анализирует вакансии и корпоративные показатели, а не только заявления компаний.
• Роли нужно пересобирать вокруг задач, а не просто покупать AI-инструменты.
• Выигрывают не пользователи промптов сами по себе, а специалисты, которые связывают ИИ с предметной областью и ответственностью за результат.

Цитата в переводе

«использовать его, чтобы усиливать человеческую экспертизу»

Где появляется зарплатная премия

PwC оценивает премию к зарплате за AI-навыки в 62%; годом ранее она составляла 57%. В отчете указан большой разброс по секторам: от 16% в госсекторе до 118% в consumer markets.

Эти цифры легко превратить в лозунг «выучи ИИ и удвой доход», но это было бы упрощением. В вакансиях AI-навыки обычно идут вместе с другими редкими компетенциями: машинным обучением, продуктовой аналитикой, управлением данными, автоматизацией процессов, отраслевой экспертизой и умением внедрять инструменты в существующие системы.

Вакансии, требующие специфических AI-навыков, например prompt engineering или machine learning, по данным PwC росли примерно в 8 раз быстрее общего рынка вакансий: 69% против 9%. Prompt engineering, или промпт-инжиниринг, означает умение ставить модели задачу так, чтобы получить проверяемый и полезный результат.

Machine learning, или машинное обучение, это область ИИ, где модели находят закономерности в данных и используют их для прогнозов или решений. Но всем профессиям не нужно одинаково срочно становиться инженерами машинного обучения.

Скорее растет спрос на людей, которые могут быть переводчиками между бизнес-задачей, моделью, данными, юридическими ограничениями и качеством результата. Премия возникает не за кнопку в интерфейсе. Она появляется за способность разложить работу на задачи, выбрать, что делегировать модели, сформулировать критерии качества, проверить ответ и понять последствия ошибки.

В юриспруденции это проверка норм и рисков формулировки. В финансах — контроль допущений и аномалий в данных. В маркетинге — отбор гипотез и связь креатива с экономикой клиента или продажи. Чем ближе работа к ответственности за итог, тем меньше ценность простого умения генерировать черновики.

Почему junior-ролям становится теснее

Самый болезненный слой барометра касается входного уровня. PwC отдельно анализировала 2,4 млн entry-level вакансий в США. По ее данным, наиболее AI-exposed junior-роли стали в 7 раз чаще требовать навыков, которые обычно связывают с более старшими специалистами: judgment, leadership, creativity, face-to-face interactions.

Такие seniorised entry-level вакансии выросли на 35% с 2019 года, тогда как прочие entry-level роли сократились на 10%. Это не доказывает, что ИИ уже массово уволил новичков. Данные говорят о другом: если модель берет на себя часть учебной рутины, работодатель начинает ждать от новичка более зрелого поведения с первого дня.

Раньше младший специалист учился на черновиках, переносе данных, первичном поиске, простых презентациях и типовых ответах клиентам. Теперь часть этой лестницы становится короче или менее видимой.

Для компаний это риск карьерного конвейера. Краткосрочно они получают скорость и снижение стоимости чернового результата. Но если новичок не проходит через базовые операции, он хуже понимает, откуда берутся ошибки, какие допущения опасны и как выглядит хороший результат без подсказки модели.

Поэтому доступ к чат-боту не заменяет обучение. Нужен новый формат наставничества, где junior работает с ИИ, но объясняет ход мысли, сравнивает варианты, проверяет источники и разбирает ошибки с опытным человеком.

• Главный риск для молодых специалистов — не исчезновение всех вакансий, а сужение учебных задач, через которые раньше входили в профессию.
• Junior-программы нужно проектировать заново: включать проверку AI-output, работу с ошибками и наставничество.

Цитата в переводе

«ИИ убирает часть рутинной работы»

Офисные профессии: задача дробится, ответственность остается у человека

ИИ меняет офисные профессии через разложение работы на операции. В типовом отчете есть сбор данных, очистка, поиск контекста, расчет, визуализация, формулировка вывода, согласование с заказчиком и защита решения. Модель может помочь почти на каждом этапе, но уровень риска разный. Одно дело: сгенерировать структуру документа. Другое: принять инвестиционное решение или отправить клиенту юридически значимый текст.

В бухгалтерии и финансах ИИ помогает со сверками, классификацией операций, поиском расхождений и черновыми комментариями. Но человек отвечает за учетную политику, спорные случаи, коммуникацию с аудиторами и финальное подтверждение.

В HR ИИ ускоряет описание вакансий, первичный анализ резюме, подготовку вопросов и обучение сотрудников. Но решения о найме, особенно там, где возможны дискриминация или ошибка фильтра, требуют прозрачных правил и человеческого контроля.

В маркетинге, рекламе и медиа ИИ снижает стоимость первого варианта: заголовков, постов, визуальных направлений, сегментации и быстрых гипотез. Поэтому дорожает не сама генерация, а отбор: работа редактора, стратега, продюсера и аналитика, который понимает аудиторию, бренд, ограничения канала и метрики.

Когда черновиков становится много, дефицитом становится качество решения. Специалисту уже недостаточно показать, что он умеет быстро получить десять вариантов. Важнее объяснить, почему выбран один, какие риски у остальных и как результат связан с задачей бизнеса.

В разработке ПО ИИ помогает писать фрагменты кода, тесты, документацию, искать ошибки и объяснять чужие репозитории. Но это не отменяет архитектуру, безопасность, понимание продукта и ответственность за production, то есть рабочую промышленную среду, где продуктом пользуются реальные клиенты или сотрудники.

Если модель ускоряет написание кода, большее значение получают ревью, тестовое покрытие, наблюдаемость системы и способность разработчика понять, почему сгенерированное решение не подходит к реальной инфраструктуре.

Общее правило: чем выше цена ошибки и чем больше контекста нужно для решения, тем меньше задача похожа на полную автоматизацию профессии. Там вероятнее режим human-in-the-loop: ИИ делает подготовительную работу, человек задает рамку, проверяет и несет ответственность.

Human-in-the-loop означает процесс, где автоматизированное решение проходит через человеческую проверку или утверждение. Там, где задача повторяемая, хорошо описана и имеет ясные критерии качества, автоматизация может глубже менять численность, загрузку и требования к роли.

Не только офис: фабрики, роботы и малый бизнес

Разговор об ИИ и профессиях часто застревает в офисе: юристы, копирайтеры, программисты, аналитики. Но физический контур автоматизации тоже меняет спрос на труд.

Association for Advancing Automation в материале о современных системах motion control, то есть управления движением машин и механизмов, описывает сдвиг от изолированного управления к connected platforms. Это связанные платформы, которые собирают операционные данные, поддерживают AI-driven decision-making, предиктивное обслуживание и снижение downtime, то есть простоев оборудования.

Для производственных профессий это означает не абстрактное «роботы заменили рабочих», а перераспределение операций. Автоматизируются диагностика приводов, контроль качества через машинное зрение, настройка траекторий, мониторинг вибраций и температуры, прогноз отказов, оптимизация загрузки линий.

Работникам нужны навыки работы с датчиками, промышленным ПО, интерфейсами роботов, базовой аналитикой данных и техниками безопасности. Робототехника развивается не только через гуманоидов, о которых удобно писать заголовки.

Материалы A3 и Robotics 24/7 вокруг Automate 2026 показывают более приземленную повестку: промышленное ПО, системы управления, мобильные роботы, машинное зрение, интеграция оборудования и данных. Для рынка труда это значимый нюанс: изменение рабочих задач часто идет через десятки менее заметных улучшений в линии, складе, контроле качества и обслуживании оборудования.

Reuters описывает кейс малого бизнеса, для которого AI-инструменты помогли быстрее стартовать и расширяться. Такой пример не доказывает универсальную производительность для всего сектора, но показывает механизм: предприниматель может быстрее делать маркетинговые материалы, планирование, клиентские коммуникации и операционные документы, не нанимая сразу большой штат под каждую функцию.

Для профессий это снова история не про исчезновение людей, а про изменение порога. Часть задач, которые раньше требовали отдельного подрядчика или штатного специалиста, временно закрывается инструментами. Но по мере роста бизнеса появляются другие потребности: контроль качества, продажи, клиентский сервис, финансы, логистика, комплаенс.

ИИ может отложить найм на ранней стадии, но не отменяет организационную сложность, когда компания растет.

Российский контекст: сигнал растет, но массовым требованием ИИ еще не стал

Российский контекст в доступных источниках лучше всего виден через hh.ru. По данным площадки, в январе-феврале 2025 года было 9378 вакансий с требованием владеть ИИ, или 0,5% всех вакансий за период. В январе-феврале 2026 года таких вакансий стало 10 777, доля выросла до 0,8%, а число вакансий увеличилось на 15%.

Это заметный рост, но сама доля меньше 1% работает как антидот от паники: формальное требование AI-навыков пока не стало массовой нормой во всех профессиях.

По профессиональным областям hh.ru фиксирует рост вакансий с ИИ в ИТ на 13%, в маркетинге, рекламе и PR на 16%, в искусстве, развлечениях и медиа на 7%, в стратегии, инвестициях и консалтинге на 9%. В областях с меньшей базой рост выше: медицина и фармацевтика плюс 27%, продажи и обслуживание клиентов плюс 38%, безопасность плюс 109%, финансы плюс 136%.

Эти проценты нельзя читать без базы: быстрый рост в небольшой категории не означает, что вся отрасль уже перестроилась. Тем не менее направление понятно. В ИТ растет ожидание, что разработчик умеет использовать AI-инструменты без потери качества.

В маркетинге и дизайне ценится способность быстро получать варианты, но еще больше — редактировать, отбирать и связывать результат со стратегией. В финансах, бухгалтерии, юриспруденции и HR автоматизируются поиск, первичная подготовка документов, сопоставление данных и типовые коммуникации, а человеку остаются проверка, ответственность и нестандартные случаи.

Глобальные цифры PwC нельзя переносить на Россию напрямую. Барометр построен на 27 странах и территориях, а hh.ru отражает вакансии одной крупной платформы и, вероятно, явные упоминания ИИ в описаниях.

Компания может внедрять ИИ в процессы и не писать это в вакансии. Или наоборот: писать AI как модное требование без реальной перестройки работы. Поэтому корректная формулировка осторожнее: в России уже виден рост спроса на AI-навыки в вакансиях, но масштаб пока ограничен, а влияние на занятость нужно подтверждать дополнительными данными.

Что делать работнику и работодателю

Работнику слабее всего делать ставку на несколько универсальных промптов. Промптинг важен, но быстро стандартизируется. Работодатель платит не за красивый запрос, а за результат, который можно использовать без риска. Базовая связка выглядит так: AI literacy, предметная экспертиза, критическое мышление, проверка качества, коммуникация.

AI literacy, или грамотность в работе с ИИ, это не только умение открыть чат. Она включает понимание ограничений модели, риска галлюцинаций, зависимости ответа от данных, вопросов конфиденциальности, авторских прав, дискриминации и ошибок автоматизированного решения. Для офисного специалиста это становится такой же базовой цифровой грамотностью, какой раньше были таблицы, поиск и корпоративные системы.

Вторая часть — предметная область. Модель может предложить вариант договора, но не знает всей истории клиента и практики компании. Она может написать SQL-запрос, но не понимает, почему в базе есть поле, которое нельзя трогать без согласования с финансовым отделом. Она может предложить рекламный текст, но не отвечает за репутационный риск.

Чем лучше специалист знает контекст, тем выше шанс, что ИИ станет усилителем, а не генератором уверенных ошибок. Для компаний главный соблазн: объявить AI-трансформацией закупку лицензий. Барометр PwC подсказывает другой вывод: ценность появляется там, где меняется дизайн работы.

Нужно описывать не только должности, но и ожидаемые результаты, границы делегирования ИИ, правила проверки, владельца решения и последствия ошибки.

Практический шаг: инвентаризация задач. В каждой функции стоит разделить операции на четыре группы: можно автоматизировать почти полностью; можно ускорить, но нужна обязательная проверка человеком; ИИ полезен как советник или генератор вариантов, но решение остается у эксперта; нельзя делегировать из-за рисков данных, регулирования, этики или отсутствия надежной метрики качества.

Отдельная задача работодателя — защитить карьерную лестницу. Если рутинные junior-задачи автоматизированы, компании нужна замена учебной среде: симуляции, ревью, парная работа, ротация, внутренние базы кейсов, наставничество.

Иначе через несколько лет middle-специалистов может оказаться неоткуда брать, потому что входной уровень был оптимизирован слишком агрессивно.

• Работнику стоит показать не знание нейросетей, а кейсы изменения процесса: ускорение отчета, шаблон проверки, AI-помощник с контролем спорных случаев.
• Работодателю лучше измерять не число запросов к ИИ, а время цикла, качество, долю переделок, ошибки, нагрузку команды, стоимость операции и влияние на риски.
• Для junior-специалистов важно сохранять школу профессии: разбирать ошибки модели, делать контрольные части вручную и просить ревью наставника.

Контраргументы: почему данные не стоит читать как инструкцию к сокращениям

Барометр PwC полезен как ранний индикатор, но его нельзя превращать в универсальный прогноз по каждой профессии. Вакансия показывает намерение работодателя, а не фактическую структуру рабочего дня.

Если в описании появилась строка про ИИ, это еще не означает, что компания умеет безопасно внедрять модель в процесс. Если строки нет, это тоже не доказывает, что ИИ не используется внутри функции.

Есть и обратный риск: руководители могут увидеть в ИИ только способ сэкономить на младших ролях и подрядчиках. Краткосрочно это дает эффект скорости, но без контроля качества растет число ошибок, переделок и спорных решений.

В профессиях с высокой ценой ошибки экономия на проверке быстро превращается в операционный риск. Поэтому вопрос должен звучать не «кого заменить», а «какие задачи можно ускорить без потери ответственности».

Еще один контраргумент касается производительности. PwC показывает, что AI-exposed компании выглядят сильнее по динамике производительности, но это не равно доказанному чистому эффекту ИИ. У таких компаний могут быть лучше данные, менеджмент, капитал, цифровая инфраструктура и культура изменений.

Значит, сама модель не гарантирует результата: ее нужно встроить в процессы, роли, обучение и метрики качества.

Где проходит граница между фактом и интерпретацией

Факт: PwC видит в данных вакансий и компаний более быстрый рост зарплат и вакансий в ролях, где ИИ усиливает профессиональную экспертизу, а также рост премии за AI-навыки до 62%.

Факт: hh.ru видит рост российских вакансий с требованием ИИ до 10 777 в январе-феврале 2026 года, но доля таких вакансий остается 0,8%. Факт: Association for Advancing Automation описывает внедрение AI-enabled motion control, предиктивного обслуживания и connected platforms в промышленной автоматизации.

Управленческий вывод PwC: смотреть на ИИ как на способ усилить человеческую экспертизу и перестроить роли. Это позиция консалтинговой компании, которая сама работает на рынке AI-трансформации, поэтому цифры полезны, но требуют методологической осторожности.

Особенно там, где речь идет о производительности: AI-exposed компании не равны компаниям, где доказан причинный эффект ИИ. Авторская интерпретация: линия разлома пройдет не между профессиями с ИИ и профессиями без ИИ, а между работниками и компаниями, которые умеют превращать ИИ в надежный процесс, и теми, кто использует его как генератор черновиков без контроля качества.

В первом случае растет производительность и ценность экспертизы. Во втором появляются шум, ошибки и разочарование.

Что это означает на практике

Практический вывод из барометра не сводится к совету срочно выучить один инструмент. И работнику, и работодателю важнее понять, какие задачи меняются, где нужен контроль, какие навыки становятся дорогими и где автоматизация может разрушить обучение будущих специалистов.

• Работникам стоит развивать не только prompt engineering, а связку AI literacy, предметной экспертизы, проверки качества и коммуникации результата.
• Junior-специалистам важно не пропускать базовую школу профессии: просить ревью, разбирать ошибки ИИ, учиться делать контрольные части работы вручную.
• Работодателям нужно проводить task decomposition, то есть разложение работы на отдельные задачи: разделять их на автоматизируемые, требующие human-in-the-loop, экспертные и недопустимые для делегирования ИИ.
• HR-командам стоит переписывать вакансии через результаты, ответственность и границы использования ИИ, а не добавлять строку «знание нейросетей» ко всем ролям подряд.
• Производственным компаниям важно готовить сотрудников к конкретным навыкам: датчики, машинное зрение, промышленное ПО, предиктивное обслуживание, анализ простоев.
• Российским читателям стоит учитывать масштаб: вакансии с ИИ на hh.ru растут, но их доля в январе-феврале 2026 года составила 0,8%, то есть это ранний и неравномерный сигнал.

Вывод

Барометр PwC полезен тем, что уводит разговор от грубой схемы «человек против машины». ИИ меняет рынок труда через множество решений: какой черновик отдать модели, где оставить проверку человеку, чему учить новичка, как измерять качество, за какую часть результата платить премию.

На стороне работника главный вопрос звучит так: какую часть моей экспертизы ИИ усиливает, а какую делает дешевой и массовой? На стороне работодателя вопрос другой: не сколько людей можно сэкономить, а как перепроектировать работу так, чтобы скорость не разрушила качество, ответственность и будущую подготовку специалистов.

Если отвечать на эти вопросы честно, ИИ становится не мифическим заменителем профессий, а инструментом перераспределения задач. Это менее эффектный сюжет, зато ближе к тому, что уже видно в вакансиях, зарплатных премиях, junior-ролях, фабричной автоматизации и российских данных hh.ru.

Источники

• PwC: 2026 Global AI Jobs Barometer
• PwC: AI Jobs Barometer
• PwC: AI and the future of entry-level work
• hh.ru: Как ИИ меняет профессии и кому нужно учиться с ним работать
• Association for Advancing Automation: Emerging Technologies Driving Modern Motion Control Systems: Five Trends Reshaping Factory Automation
• Reuters: For one small business, AI was key to a quick start and expansion
• Robotics 24/7: Automate 2026: Industrial robots, humanoids, software systems and more from day two in Chicago

Частые вопросы

Означает ли барометр PwC, что ИИ массово заменяет профессии?

Нет. В статье барометр читается как сигнал перестройки задач внутри профессий. ИИ может ускорять повторяемые операции, но в ролях с высокой ценой ошибки и сложным контекстом сохраняются проверка, суждение и ответственность человека.

Почему за AI-навыки появляется зарплатная премия?

По данным PwC, премия связана не с умением нажать кнопку в интерфейсе, а со способностью связать ИИ с предметной областью: поставить задачу, выбрать данные, проверить ответ, оценить риск ошибки и внедрить результат в рабочий процесс.

Почему junior-специалистам становится сложнее?

PwC показывает, что в AI-exposed entry-level ролях чаще появляются требования, которые раньше связывали со старшими специалистами: judgment, leadership, creativity и очные коммуникации. Если ИИ забирает часть учебной рутины, компания начинает ждать от новичка более зрелого поведения раньше.

Можно ли переносить глобальные данные PwC на Россию?

Напрямую нельзя. Для российского контекста в статье используется hh.ru: доля вакансий с требованием владеть ИИ выросла до 0,8% в январе-феврале 2026 года. Это ранний сигнал, но не доказательство массовой перестройки всего рынка.

Что работодателю делать с ИИ в рабочих процессах?

Начать с инвентаризации задач: отделить операции, которые можно автоматизировать почти полностью, от задач, где нужна обязательная проверка человеком, экспертное решение или запрет на делегирование из-за рисков данных, регулирования и качества.

Практический чек-лист

Чек-лист: как проверить свою роль или вакансию на влияние ИИ

Этот чек-лист можно вынести в PDF для работника, руководителя или HR-команды. Он помогает не гадать, заменит ли ИИ профессию, а разобрать конкретные задачи, риски, навыки и правила контроля.

Разложите работу на задачи

• Запишите ключевые операции роли: сбор данных, подготовка черновиков, проверка, коммуникация, принятие решения.
• Отметьте задачи, которые повторяются и имеют понятные критерии качества.
• Отделите задачи, где ошибка может привести к финансовому, юридическому, репутационному или кадровому риску.
• Проверьте, какие операции уже можно ускорить ИИ без доступа к чувствительным данным.

Определите роль человека в контуре ИИ

• Для каждой задачи выберите режим: автоматизация, ускорение с проверкой, советник для эксперта или запрет на делегирование.
• Назначьте владельца итогового решения, а не только пользователя AI-инструмента.
• Опишите, как проверяется результат модели: источники, расчеты, допущения, соответствие правилам компании.
• Зафиксируйте случаи, где human-in-the-loop обязателен.

Проверьте навыки работника

• Оцените AI literacy: понимание ограничений модели, галлюцинаций, конфиденциальности и авторских прав.
• Проверьте предметную экспертизу: может ли специалист отличить полезный результат от уверенной ошибки.
• Соберите кейсы, где ИИ реально сократил время цикла, снизил переделки или улучшил качество.
• Не подменяйте навык работы с ИИ набором универсальных промптов.

Защитите junior-уровень

• Сохраните учебные задачи, где новичок понимает основы профессии и видит типовые ошибки.
• Добавьте ревью AI-output опытным специалистом.
• Просите junior-специалиста объяснять ход мысли, а не только приносить готовый ответ модели.
• Используйте симуляции, парную работу, базы кейсов и разбор ошибок вместо полной передачи рутины ИИ.

Перепишите вакансию без модного шума

• Опишите ожидаемые результаты роли, а не абстрактное «знание нейросетей».
• Укажите, какие AI-инструменты или типы задач действительно используются в работе.
• Добавьте требования к проверке качества, коммуникации и ответственности за итог.
• Не обещайте автоматизацию там, где процесс, данные и правила контроля еще не готовы.