Южная Корея как ранний тест: где ИИ меняет работу, а где сокращает найм

Что означает цифра 256 тыс.

Свежий повод легко превращается в заголовок о замене людей машинами. В записи OECD.AI говорится, что, по оценке Korea Development Institute, распространение генеративного ИИ и автоматизации может повысить производительность Южной Кореи до 3,5% за десятилетие. При этом через десять лет занятость может оказаться примерно на 256 тыс. рабочих мест ниже, чем в сценарии без такого эффекта.

Уточнение принципиально: речь не о статистике уже потерянных рабочих мест и не о самостоятельном официальном прогнозе OECD. Это запись в мониторинге рисков ИИ, где пересказываются публикации вокруг оценки KDI. Поэтому цифру нельзя читать как сообщение о состоявшемся сокращении или как обещание, что каждый год рынок будет терять одинаковое число ставок.

Корректная формулировка осторожнее: по оценке KDI, через десять лет занятость может оказаться примерно на 256 тыс. рабочих мест ниже сценария без такого эффекта ИИ. Это будущий макросценарий. Он зависит от темпов внедрения, спроса, переобучения, демографии и того, как компании будут использовать рост производительности.

Южная Корея интересна не как страна, где якобы раньше других заканчиваются профессии. Здесь раньше, чем во многих экономиках, сошлись несколько факторов: старение населения, давление на предложение труда, сильная промышленная база, развитая цифровая инфраструктура и большая доля занятости в малом и среднем бизнесе.

Материалы OECD и OECD/Korea Labor Institute дают более осторожный вывод, чем пугающие формулировки. ИИ чаще автоматизирует не профессии целиком, а отдельные операции: поиск информации, подготовку документов, первичный анализ данных, контроль качества, маршрутизацию обращений, помощь оператору в цехе. Но если таких операций в должности много, работодатель может иначе собрать штатное расписание: меньше нанимать на рутинный входной уровень и выше ценить проверку результата.

• Факт: в мониторинге OECD.AI появилась запись о рисках для занятости в Южной Корее со ссылкой на оценку KDI.
• Прогноз: минус 256 тыс. рабочих мест относится к будущему сценарию, а не к уже произошедшим увольнениям.
• Интерпретация: для рынка труда важнее не сама цифра, а то, какие задачи становятся дешевле, быстрее и менее зависимыми от отдельного исполнителя.

Цитата в переводе

«Этот материал не следует считать официальной позицией OECD или ее стран-членов.»

Почему Южная Корея стала ранним кейсом

Корея подходит для такого анализа по двум причинам. Первая связана с демографией. В материалах OECD о локальном экономическом развитии и занятости страна описывается как экономика, где старение и сокращение трудоспособного населения усиливают давление на рынок труда. В таких условиях автоматизация выглядит не только угрозой рабочим местам, но и способом компенсировать нехватку людей в отдельных функциях.

Вторая причина связана со структурой занятости. В отчете OECD/Korea Labor Institute говорится, что на малые и средние предприятия приходится свыше 80% занятости в Корее, но ИИ используют только 31% корейских МСП, тогда как в Германии этот показатель превышает 50%. Возникает асимметрия: крупные компании быстрее тестируют ИИ, а основная масса рабочих мест остается в бизнесе, где меньше бюджетов, данных, ИТ-команд и управленческих процедур.

Из-за этого десятилетний сценарий не будет единым. В крупных корпорациях и технологичных поставщиках задачи могут автоматизироваться быстрее. В малом бизнесе изменения могут прийти позже, через готовые сервисы и отраслевые платформы. Для работника риск зависит не только от профессии, но и от размера работодателя, зрелости процессов и того, насколько работа уже описана в цифровых данных.

Отсюда дилемма государства. Если ИИ повышает производительность, отказ от внедрения ослабляет конкурентоспособность. Если внедрение идет без переподготовки, часть работников застревает в ролях, спрос на которые растет медленнее. Поэтому политика вынуждена работать в двух режимах сразу: ускорять освоение технологий и смягчать переходы между задачами, профессиями и работодателями.

Корейский кейс полезен именно этой связкой. Он не сводится к вопросу, сколько людей заменит программа. Он показывает, что демография, структура бизнеса и качество переобучения определяют последствия технологии почти так же сильно, как сама технология.

Цитата в переводе

«ИИ может помочь Корее справиться с дефицитом рабочей силы и навыков, но это не серебряная пуля.»

ИИ бьет не по профессии, а по набору задач

Слово профессия слишком крупное для разговора об ИИ. Внутри одной должности есть десятки задач. Одни требуют переговоров, ответственности и знания контекста, другие сводятся к обработке информации по повторяемому правилу. ИИ сначала меняет вторую группу. Он ускоряет поиск, суммирование, классификацию, сравнение документов, генерацию черновиков, выделение аномалий и подготовку вариантов решения.

Здесь нужен термин экспозиция к ИИ. Он означает не вероятность увольнения, а степень, в которой задачи работника технически могут выполняться или поддерживаться ИИ. Отчет OECD/Korea Labor Institute подчеркивает: высокая экспозиция не равна автоматическому вытеснению. В странах OECD пока мало свидетельств того, что ИИ уже снизил совокупную занятость. Зато есть основания ожидать перераспределения задач внутри рабочих мест.

К числу наиболее затронутых групп OECD/KLI относит не только низкоквалифицированных работников. ИИ продвинулся в нерутинных когнитивных задачах, то есть в операциях, связанных с анализом, текстом, кодом, планированием и обработкой знаний. Поэтому в зоне высокой экспозиции оказываются IT-специалисты, бизнес-профессионалы, менеджеры, научные и инженерные работники. Это отличается от прежней логики автоматизации, где первыми считались ручные и повторяемые операции.

Но экспозиция для менеджера и офисного администратора означает разные вещи. У менеджера ИИ может забрать подготовку справок, сводок и презентаций, но усилить роль постановки целей и проверки последствий. У администратора, который в основном сортирует документы, переносит данные и отвечает по шаблонам, доля автоматизируемых задач может быть выше.

Именно здесь прогноз занятости превращается в вопрос найма. Нужен ли новый сотрудник, если прежний объем заявок закрывается меньшей командой и программным ассистентом. Нужна ли отдельная младшая ставка, если рутинный черновик готовится автоматически, а старший специалист только проверяет результат. Ответы будут разными по отраслям, но логика одна: рынок начинает покупать не процедуру, а управляемый результат.

Цитата в переводе

«Высокая экспозиция к ИИ не обязательно означает высокий риск автоматизации.»

Офисные роли: меньше рутины, выше порог входа

Самые заметные изменения возникают в офисных и профессиональных ролях. Генеративный ИИ, то есть системы, которые создают текст, изображения, код или другие материалы по запросу, может подготовить черновик письма, краткое резюме договора, структуру отчета, описание вакансии или первичный список кандидатов. Он также помогает классифицировать обращения и сверять данные в таблицах. Каждая операция сама по себе не уничтожает профессию. Вместе они меняют экономику младших и средних ролей.

Для найма это означает сдвиг от умеет выполнять процедуру к умеет управлять процедурой. Работодателю по-прежнему нужны люди, которые понимают контекст, видят ошибку модели, отвечают за качество и могут объяснить решение клиенту или регулятору. Но чистая скорость набора текста, шаблонный поиск и механическая подготовка документов перестают быть достаточным основанием для отдельной ставки.

Особенно уязвимы входные роли, где раньше сотрудник учился через рутину. Младший юрист вычитывал типовые договоры, аналитик собирал таблицы, HR-специалист сортировал резюме, финансист готовил первичные отчеты. Если эти операции уходят к ИИ, компания должна решить, где новичок будет получать практику. Иначе возникает парадокс: работодатели хотят сотрудников с суждением и опытом, но сами сокращают задачи, на которых это суждение формировалось.

Автоматизация не всегда ведет к сокращению. Если команда с ИИ делает тот же объем быстрее, компания может сократить штат, взять больше клиентов, повысить качество проверки или перераспределить людей на новые продукты. Прогноз KDI описывает макрориск, но на уровне компании результат зависит от спроса, конкуренции и управленческого выбора.

Для работников это значит, что универсального совета выучить один инструмент недостаточно. Важнее показать, как именно человек работает с результатом ИИ: ставит задачу, ограничивает область применения, проверяет данные, находит слабые места, документирует решение и берет ответственность за финальный вывод.

• Слабее продаются на рынке труда: шаблонная переписка, механическая обработка документов, первичная классификация, перенос данных между системами.
• Сильнее ценятся: постановка задачи ИИ, проверка результата, предметная экспертиза, работа с исключениями, ответственность за финальное решение.
• В обучении новичков нужно пересмотреть не только инструменты, но и сам маршрут получения практики.

Производство: автоматизация приходит как слой контроля

В производстве ИИ редко появляется как человекоподобный робот, который в один день заменяет смену. Чаще это слой над существующими процессами: компьютерное зрение для контроля качества, предиктивное обслуживание оборудования, подсказки оператору, анализ простоев, маршрутизация рекламаций, проверка соответствия детали или упаковки, планирование обслуживания.

Компьютерное зрение здесь означает алгоритмы, которые распознают объекты и отклонения на изображениях или видео. Предиктивное обслуживание помогает заранее оценивать риск поломки по данным оборудования. Это не обязательно выглядит как громкая роботизация. Часто речь идет о более тихой перестройке: система наблюдает, сравнивает, предупреждает и предлагает оператору следующий шаг.

Такой тип внедрения меняет труд менее заметно, но глубоко. Оператор не обязательно исчезает, зато его работа становится более измеримой: система видит отклонения, предлагает инструкцию, фиксирует время реакции и качество выполнения. Для компании это означает меньше ошибок, быстрее ввод новых сотрудников и выше прозрачность процесса. Для работника последствия двойственные: меньше автономии, больше цифрового контроля и необходимость объяснять решения уже не только начальнику, но и данным системы.

Для Кореи, с ее промышленной базой и давлением на трудовые ресурсы, этот механизм особенно значим. Автоматизация производственных операций может одновременно закрывать дефицит людей и сокращать спрос на некоторые типовые роли. Поэтому вопрос для кадровых служб звучит не ставить ИИ или нет, а иначе: как перепроектировать работу, кто следит за системой, кто обслуживает оборудование, кто принимает решение при конфликте между алгоритмом и опытом оператора.

Производственный сценарий важен еще и потому, что он показывает границу между заменой и усилением. Если ИИ только подсказывает оператору, роль человека сохраняется, но меняется ее содержание. Если процесс становится достаточно стабильным и измеримым, компания может сократить потребность в части ручного контроля. На практике эти варианты будут смешиваться внутри одного предприятия.

Что уже видно в данных OECD/KLI

Отчет OECD/Korea Labor Institute полезен тем, что не сводит рынок труда к одному направлению. По Корее за 2018–2023 годы исследователи нашли, что некоторые формы традиционного ИИ ассоциировались с более слабым ростом полной постоянной занятости, особенно в производстве. Для генеративного ИИ такой связи отчет не обнаружил.

Это не означает, что генеративный ИИ безопасен для всех рабочих мест. Его массовый эффект труднее поймать статистически: технология моложе, внедрение неравномерно, а компании часто используют ее как пилот или надстройку. Поэтому отсутствие обнаруженной связи нельзя превращать в вывод, что риска нет.

Контекст тоже важен. За тот же период полная постоянная занятость в Корее выросла на 2,4%, а общая занятость, включая нестандартные формы работы, на 5,8%. Данные не похожи на картину, где ИИ уже привел к общему падению занятости. Скорее они указывают на перераспределение: часть компаний и функций растет медленнее, часть меняет состав задач, часть создает новые роли вокруг данных, интеграции и контроля качества.

Есть и показатель, который усложняет историю о замене. В опросе KLI среди компаний, уже использующих ИИ, 35,1% фирм указали, что ИИ внедрялся для выполнения полностью новых задач, которых раньше не было в традиционных ролях. Финальная выборка анализа включала 145 компаний, опрошенных с 20 октября по 31 декабря 2024 года в производстве, ИКТ, профессиональных и научных услугах и здравоохранении.

Это не отменяет риска сокращений. Но показывает, почему прогнозы занятости нужно читать вместе с картой задач. В одной функции ИИ уменьшает потребность в людях, в другой создает работу по настройке, проверке, обучению и управлению исключениями. Макроцифра 256 тыс. важна как предупреждение, но конкретные последствия зависят от того, какие задачи занимают большую часть рабочего дня.

Найм и переобучение: работодатели будут покупать управляемый результат

В вакансиях легко появится строка опыт работы с ИИ, но для работодателя она слишком расплывчата. Один кандидат умеет писать запросы в чат-бот, другой понимает ограничения модели, третий может встроить ИИ в процесс так, чтобы были контроль качества, журнал решений и понятная ответственность. С точки зрения бизнеса это разные уровни зрелости.

Поэтому найм будет смещаться к проверке рабочих сценариев. Финансисту могут дать задачу: получить черновик прогноза, найти ошибки в данных, объяснить, почему модель предложила неверный вывод, и указать, где нужна ручная проверка. HR-специалиста будут оценивать по тому, умеет ли он использовать ИИ для первичной сортировки без дискриминационных фильтров и без потери сильных нестандартных кандидатов. Инженера спросят, как он проверяет подсказку системы в нештатной ситуации.

Это меняет структуру требований. Раньше часть вакансий строилась вокруг набора процедур: обработать, сверить, занести, отправить. Теперь такие процедуры становятся компонентом более крупной роли. Работник должен понимать предметную область, формулировать задачу, оценивать результат и брать ответственность за исключения. Одно из возможных следствий прогноза KDI состоит в том, что отдельных ставок на чистую рутину станет меньше, а гибридных ролей, где ИИ является обычным рабочим инструментом, больше.

Если смотреть на корейский кейс через десять лет, переобучение становится не социальной добавкой, а частью промышленной и кадровой политики. OECD/KLI подчеркивает, что ИИ может помогать закрывать дефицит рабочей силы и навыков, но не является универсальным решением. Технология повышает потенциал, но не распределяет выгоды автоматически.

Короткий курс по промптам решает только малую часть задачи. Работнику нужно понимать, какие операции можно доверить модели, где нужен человек в контуре, как проверять качество, какие данные нельзя загружать, как фиксировать решение и кто отвечает за сбой. Руководителю нужно не только купить сервис. Ему придется переразложить процесс: какие задачи исчезают, какие появляются, какие роли объединяются, какие навыки развивать у младших сотрудников.

Для МСП это особенно сложно. Крупная компания может создать центр компетенций, оплатить обучение, нанять специалистов по данным и безопасности. Малый бизнес часто покупает готовый инструмент и внедряет его без методологии. Но именно в МСП, по данным OECD/KLI, сосредоточено свыше 80% занятости в Корее. Если они будут отставать, страна получит разрыв производительности. Если будут внедрять ИИ хаотично, вырастут риски для работников и качества услуг.

• Хорошая программа переобучения начинается с карты задач, а не с названия инструмента.
• Для каждой автоматизируемой операции нужны правила проверки, ответственности и работы с исключениями.
• Новичкам нужны новые учебные маршруты, если прежняя рутина больше не дает практики.
• МСП нуждаются не только в технологиях, но и в управленческих шаблонах внедрения.

Российский контекст: полезен не прогноз, а механизм

Для российского читателя корейский пример важен не как прямой прогноз. Структура экономики, демография, регулирование и распространение цифровых систем различаются. Нельзя взять оценку KDI и механически перенести ее на другой рынок труда. Но механизм похож: если компания сталкивается с дефицитом кадров или ростом издержек, она сначала автоматизирует повторяемые информационные операции.

Это может не выглядеть как громкое увольнение. Чаще меняются должностные инструкции, требования к кандидатам и численность найма на младшие роли. Отдел продолжает работать, но часть задач уходит в сервисы. Руководитель уже не ищет отдельного человека на перенос данных, подготовку типового ответа или первичную сортировку документов. Он ищет сотрудника, который умеет управлять процессом и отвечать за результат.

Поэтому российским работодателям полезно смотреть на Корею как на раннее предупреждение. Не стоит ждать собственной крупной цифры по потерянным рабочим местам. Уже сейчас можно описывать задачи, которые уйдут к ИИ, готовить сотрудников к работе в контуре проверки и пересматривать обучение новичков.

Иначе автоматизация будет внедряться как набор локальных пилотов, а кадровые последствия будут догонять бизнес постфактум. Сначала исчезает учебная рутина, потом оказывается, что младшим специалистам негде набрать опыт, затем растет разрыв между требованиями к вакансии и реальными навыками кандидатов. Этот риск не зависит от страны так же напрямую, как макроцифра, но он хорошо виден в логике корейского кейса.

Три сценария на ближайшие десять лет

Первый сценарий: мягкая трансформация. Профессии сохраняются, но внутри них меняется соотношение задач. Юрист меньше готовит типовые черновики и больше проверяет риски. Инженер меньше ищет регламент вручную и больше принимает решения в нештатной ситуации. HR меньше сортирует резюме и больше работает с качеством отбора. В этом сценарии занятость может не падать резко, но требования к навыкам меняются быстро.

Второй сценарий: поляризация. Растут роли, где ИИ усиливает экспертизу, и стагнируют роли, где работа почти целиком состоит из повторяемой обработки информации. Тем, кто умеет соединять предметную область, данные и проверку ИИ, рынок дает больше возможностей. Тем, кто продает только исполнение процедуры, сложнее удерживать позицию.

Третий сценарий: локальные сокращения. Они вероятнее там, где задача цифровая, массовая, повторяемая и хорошо измеримая: первичная поддержка, обработка типовых документов, классификация обращений, часть учетных операций, некоторые виды контроля качества. Такие локальные сокращения, накопленные по секторам, могут сложиться в макроэффект, похожий на оценку KDI.

Ни один сценарий не является автоматическим. Они будут сосуществовать. Одна и та же технология в одной компании приведет к росту выпуска без сокращений, в другой к заморозке найма, в третьей к пересборке отдела. Поэтому главный вопрос для работников и работодателей звучит не исчезнет ли профессия, а точнее: какая часть моей работы станет программной функцией, а какая останется человеческой ответственностью.

Что это означает на практике

Практический вывод из корейского кейса не в том, чтобы срочно переименовать все должности или добавить ИИ в каждую вакансию. Сначала нужно увидеть работу как набор операций. Тогда разговор о риске становится точнее: не бухгалтерия исчезает целиком, а часть сверок и типовых отчетов становится автоматизируемой; не HR исчезает как функция, а первичная сортировка и шаблонные ответы перестают быть отдельной ценностью.

Для работника это вопрос личной карты задач. Если большая часть дня занята переносом информации, сортировкой, типовыми текстами и повторяемыми сверками, роль находится в зоне давления. Если человек умеет превращать результат ИИ в проверенное решение, работает с исключениями, понимает предметную область и может объяснить последствия, его ценность меняется иначе.

Для работодателя это вопрос штатной модели. Внедрение ИИ без пересмотра обучения и ответственности часто выглядит выгодно в коротком горизонте, но создает скрытую проблему: кто будет выращивать следующих экспертов, если входные задачи исчезли. Поэтому экономию на рутине нужно связывать с новыми маршрутами стажировок, внутренними стандартами проверки и понятными правилами работы с данными.

• Работникам стоит разложить должность на задачи: какие повторяются, какие основаны на данных, какие требуют ответственности, переговоров и контекста.
• Кандидатам на офисные и профессиональные роли важно показывать не умение пользоваться ИИ вообще, а способность проверять вывод модели, видеть ограничения данных и отвечать за результат.
• Работодателям нужно пересматривать не только инструменты, но и штатные модели: где ИИ снижает потребность в найме, где создает новые задачи, кто контролирует качество и кто отвечает за сбой.
• Переобучение должно строиться вокруг рабочих процессов. Курс по промптам без карты задач, правил проверки и новых KPI не решит проблему перехода.
• Для младших специалистов главный риск состоит в исчезновении учебной рутины. Компаниям придется специально проектировать траектории входа в профессию, иначе они сами сократят канал выращивания будущих экспертов.
• Российским компаниям стоит использовать корейский кейс как ранний тест: до массовой статистики по сокращениям полезнее заранее описать задачи, которые будут автоматизированы, и подготовить людей к ролям контроля, настройки и работы с исключениями.

Вывод

Оценка KDI о возможных минус 256 тыс. рабочих мест в Южной Корее за десятилетний горизонт важна не как страшное число само по себе. Ее ценность в другом: она заставляет говорить о рынке труда на языке задач, сценариев и управленческих решений. ИИ не приходит в экономику как единая кнопка сокращения. Он входит через конкретные операции: текст, поиск, классификацию, прогноз, контроль, инструкцию оператору.

Для одних работников это будет усиление: меньше рутины, больше анализа и ответственности. Для других давление: прежняя ценность роли окажется встроенной в программный сервис. Для компаний развилка тоже практическая. Можно использовать ИИ только как повод урезать штат, а можно пересобрать процессы, обучение и качество работы. Первый путь быстрее дает экономию, второй повышает шанс, что рост производительности не обернется потерей компетенций.

Южная Корея показывает раннюю версию этой развилки. Страна с сильной технологической базой и демографическим давлением не может игнорировать автоматизацию. Но именно поэтому ей придется точнее отвечать на кадровые вопросы: кого нанимать, чему учить, как защищать вход в профессию и как распределять выгоды от производительности. Это вопросы не далекого будущего, а ближайших бюджетов, вакансий и программ обучения.

Источники

• OECD.AI: запись AI Incidents Monitor / AI Hazards Monitor о рисках автоматизации в Южной Корее
• OECD: Artificial Intelligence and the Labour Market in Korea
• OECD: The impact of AI on the labour market
• OECD AI Policy Observatory: AI-Driven Automation Projected to Cut 256,000 Jobs in South Korea Over 10 Years
• OECD: Job Creation and Local Economic Development 2024, Korea country note
• OECD.AI: Korea national AI dashboard
• OECD.AI: Skills in the AI Age
• OECD: OECD Employment Outlook 2026, component 7

Частые вопросы

Означает ли оценка KDI, что ИИ уже сократил 256 тыс. рабочих мест в Южной Корее?

Нет. Речь идет о будущем сценарии: через десять лет занятость может оказаться примерно на 256 тыс. рабочих мест ниже, чем в сценарии без эффекта ИИ. Это не статистика уже произошедших увольнений.

Почему в статье говорится о задачах, а не о профессиях?

ИИ обычно автоматизирует отдельные операции: поиск, суммирование, классификацию, подготовку черновиков, контроль качества. Поэтому риск зависит не только от названия должности, а от того, какая доля рабочего дня состоит из таких операций.

Какие роли сильнее всего чувствуют влияние генеративного ИИ?

В зоне высокой экспозиции оказываются офисные и профессиональные роли, где много работы с текстом, данными, кодом, анализом и планированием. Но высокая экспозиция не равна автоматическому увольнению.

Что меняется для младших специалистов?

Главный риск в том, что учебная рутина, через которую раньше набирали опыт, может уйти к ИИ. Компаниям придется специально проектировать новые маршруты входа в профессию.

Что работодателю делать перед внедрением ИИ в процессы?

Начать с карты задач: какие операции автоматизируются, кто проверяет результат, кто отвечает за сбой, какие данные нельзя загружать и как меняется обучение сотрудников.

Практический чек-лист

Чек-лист: как проверить риск автоматизации своей роли

PDF для downloads/checklist.pdf можно собрать на основе практического блока статьи. Он нужен читателю, чтобы разложить работу на задачи и понять, где ИИ снижает ценность рутины, а где усиливает роль человека.

Разложить работу на задачи

• Записать повторяемые операции, которые занимают значимую часть рабочего дня.
• Отдельно отметить задачи с текстами, таблицами, классификацией, поиском и типовыми ответами.
• Выделить задачи, где нужны переговоры, ответственность, контекст и работа с исключениями.

Оценить, что меняет ИИ

• Проверить, какие операции уже можно ускорить генеративным ИИ или автоматизацией.
• Не приравнивать техническую экспозицию к гарантированному увольнению.
• Оценить, меняется ли потребность в новой младшей ставке, если часть рутины закрывает сервис.

Подготовить правила контроля

• Определить, кто проверяет результат ИИ перед финальным решением.
• Зафиксировать, какие данные нельзя загружать в инструмент.
• Описать действия при ошибке модели или конфликте между подсказкой системы и опытом сотрудника.

Пересобрать обучение

• Понять, где новичок будет получать практику, если прежняя рутина автоматизирована.
• Добавить учебные задачи на проверку результата, работу с исключениями и объяснение решения.
• Связать обучение с реальным рабочим процессом, а не только с курсом по промптам.