Агентный ИИ и вытеснение с рабочих мест: многорегиональный анализ экспозиции задач развивающимся нарушениям на рынке труда

Аннотация

Данная статья расширяет рамочную модель задачи по воздействию занятости Acemoglu–Restrepo, чтобы рассмотреть влияние на рынок труда агентных систем искусственного интеллекта: автономных ИИ-агентов, способных выполнять целиком профессиональные рабочие процессы, а не отдельные задачи. В отличие от предшествующих технологий автоматизации, подменяющих отдельные подзадачи, агентные ИИ-системы выполняют сквозные рабочие процессы, включающие многошаговое рассуждение, вызов инструментов и автономное принятие решений, существенно расширяя риск вытеснения с рабочих мест за пределы того, что улавливают существующие анализы на уровне задач. Мы вводим показатель Agentic Task Exposure (ATE) — составную метрику, вычисляемую алгоритмически по данным задач O*NET с использованием калиброванных параметров внедрения, а не оценкой регрессии, и учитывающую баллы возможностей ИИ, факторы охвата рабочих процессов и логистическую скорость внедрения. Применяя рамку ATE к пяти крупным технологическим регионам Соединенных Штатов (Сиэтл–Такома, Силиконовая долина (залив Сан-Франциско), Остин, Нью-Йорк и Бостон) на горизонте 2025–2030 годов, мы находим, что 93,2% из 236 проанализированных профессий из шести групп SOC, насыщенных информацией (финансы, право, здравоохранение, вспомогательные функции в здравоохранении, продажи и административно-канцелярские), пересекают порог умеренного риска (ATE $\geq$ 0,35) в регионах уровня 1 к 2030 году; при этом аналитики по кредитам, судьи и специалисты по устойчивому развитию достигают ATE от 0,43 до 0,47. Одновременно мы выявляем семнадцать возникающих категорий профессий, которые выигрывают от эффектов возвращения функций (reinstatement effects), сосредоточенных на ролях, связанных с сотрудничеством человека и ИИ, управлением ИИ (AI governance) и предметно-ориентированными операциями ИИ. Полученные результаты имеют последствия для политики перехода рабочей силы, регионального экономического планирования и временной динамики адаптации рынка труда. Эта работа обеспечивает первое многорегиональное эмпирическое применение рамки воздействия на уровне задач, нацеленной конкретно на агентные ИИ-системы, и вносит вклад в воспроизводимую методологию скоринга для будущего мониторинга рынка труда.

Ключевые слова: Agentic AI; Task Exposure; Occupational Displacement; Labor Market; Workforce Transition; Human-AI Collaboration; O*NET; Multi-Agent Systems

1 Введение

Экономисты десятилетиями предсказывали потери рабочих мест из-за автоматизации, и предсказания по направлению продолжают оставаться верными, но по времени оказываются неверными. Промышленные роботы действительно вытеснили работников в обрабатывающей промышленности, но не по временной шкале и не в масштабе, которые подразумевали первоначальные прогнозы [1]. Когда после 2022 года появились генерирующие большие языковые модели, разговор о вытеснении резко сместился в верхний сегмент рынка: внезапно под ударом оказались юристы, аналитики и радиологи — профессии, которые предшествующая литература считала устойчивыми к автоматизации [2].

Однако почти все эти прогнозы, включая те, что построены на теперь уже стандартной задачной рамке Autor–Levy–Murnane [3], разделяют негромкое допущение: автоматизация выполняет задачи по одной, а профессия сохраняется как координационная оболочка вокруг оставшейся человеческой работы. Контрактный юрист лишается подзадачи по подготовке проекта в пользу LLM; функция юриспруденции сохраняется.

Агентный ИИ разрушает это предположение. Агент не «подгрызаёт» одну подзадачу и не возвращает управление обратно. Он получает цель («проверьте этот договор аренды на нетипичные оговорки о возмещении ущерба и подготовьте редакцию с перечнем изменений»), выбирает инструменты, выполняет многошаговый план, проверяет собственный результат и выдает готовый рабочий продукт [4]. Никакого промежуточного участия человека. Когда такая возможность существует, меняется экономическая логика. Если агентная система ведения учета может закрывать ежемесячную отчетность с 80% качества работы бухгалтера-человека, а один человек-ревизор может обнаружить оставшиеся ошибки в рамках пятидесяти таких агентов, то организационный стимул заключается не в том, чтобы снова привлекать бухгалтеров к оставшимся 20% задач. Стимул заключается в том, чтобы устранить эту должность и укомплектовать небольшую команду для обработки исключений.

Эта статья делает три вклада. Во-первых, мы вводим показатель Agentic Task Exposure (ATE) — составную метрику, которая расширяет фреймворк Acemoglu–Restrepo task displacement [5], чтобы учесть охват сквозного рабочего процесса, текущие контрольные показатели возможностей агентного ИИ и скорость внедрения в организациях. Во-вторых, мы эмпирически применяем фреймворк ATE к 236 кодам Standard Occupational Classification (SOC), охватывающим шесть основных групп профессий, формируя модельно-выведенные прогнозы вытеснения для пяти ключевых технологических регионов Соединенных Штатов в период 2025–2030 годов. В-третьих, мы выявляем профессиональные категории, где агентный ИИ создает эффекты восстановления: новые роли, которых не существовало до развертывания агентного ИИ, создают спрос на человеческий надзор, управление и сотрудничество в масштабе.

Пять изучаемых регионов — это Сан-Франциско-Бей-Эриа, Сиэтл—Такома—Бельвью, Остин—Раунд-Рок, Нью-Йорк—Ньюарк и Бостон—Кембридж. Эти метрополитенские районы входят в число ведущих центров США по активности в области ИИ, в совокупности представляя существенную долю национальных ИИ-вакансий, поданных патентных заявок и инвестиций венчурного капитала [6, 7], а также отражая передний край раннего внедрения, из которого эффекты на рынке труда будут распространяться по стране. Сан-Франциско-Бей-Эриа, с наибольшей концентрацией венчурного капитала в ИИ и патентной активности, служит индикатором уровня Tier 1: кривая его внедрения примерно на 6–12 месяцев опережает хабы уровня Tier 2 (Сиэтл, Остин, Бостон) и на 18 месяцев опережает метрополитенские районы уровня Tier 3 (Нью-Йорк). Сиэтл представляет особый интерес как регион уровня Tier 2, закрепленный Amazon Web Services, Microsoft и плотной экосистемой компаний, ориентированных на ИИ. Его эффекты для рабочей силы в 2026–2027 годах дают предварительный просмотр того, что более широкая национальная неквалифицированная рабочая сила испытает в 2028–2030 годах, следуя модели, установленной Сан-Франциско-Бей-Эриа в 2024–2025.

Оставшаяся часть этой статьи организована следующим образом. Раздел 2 рассматривает соответствующие работы по фреймворкам автоматизации на основе задач и предшествующие анализы рынка труда в сфере ИИ. Раздел 3 формализует оценку ATE и ее компоненты. Раздел 4 описывает источники данных и методологию. Раздел 5 приводит эмпирические результаты по профессиям и регионам. Раздел 6 анализирует эффекты повторного трудоустройства и возникающие роли. Раздел 7 обсуждает последствия для политики. Раздел 8 завершает работу.

2 Предпосылки и смежные работы

2.1 Задачно-ориентированные фреймворки для анализа автоматизации

Автор, Леви и Мурнейн [3] разделили профессиональные задачи по двум осям: рутинные versus нерутинные и когнитивные versus ручные. Они утверждали, что автоматизация замещает рутинные задачи, но дополняет нерутинные. Эта сетка «два на два» положила начало поколению трудовой экономике. Затем Аджемоглу и Рестрепо изложили эту интуицию в терминах производственной теории [5, 8]: результаты выпуска возникают из континуума задач, распределяемых между капиталом и трудом, так что доля труда растет или падает в зависимости от того, опережает ли создание новых задач (канал восстановления) вытеснение задач. Их вклад заключался в том, чтобы сделать чистый эффект занятости эндогенным, а не предполагаемым.

Фрей и Осборн [9] взяли саму профессию в качестве единицы анализа, попросив экспертов оценить 702 профессии в Соединенных Штатах по общей «компьютеризуемости». Заголовочный результат (47% профессий с высоким риском) привлек огромное внимание СМИ и столь же интенсивную методологическую критику. Арнц, Грегори и Цирáхан [10] показали, что если анализ опускается до уровня задач и учитывает неоднородность задач внутри формально подверженных воздействию профессий, оценки высокого риска снижаются до 9–14% по странам ОЭСР. Дискуссия остается нерешенной, но в области сложилось практическое согласие: декомпозиция на уровень задач необходима; ярлыки на уровне профессий слишком грубы.

Еще два более недавних индекса лежат в основе нашей собственной калибровки. Felten, Raj и Seamans [11] построили показатель профессионального воздействия ИИ (AIOE), связав опубликованные достижения в возможностях ИИ с таксономией способностей O*NET. Eloundou et al. [2] построили параллельную меру, ориентированную на GPT-4, объединив аннотации работников крауд-платформы с самооценками GPT-4 на уровне задач. Их поразительный результат заключался в том, что 80% работников в США занимают должности, где по меньшей мере 10% задач связаны с воздействием LLM, при этом наибольшее воздействие сосредоточено среди высокооплачиваемых профессий, требующих степени. Это опровергло нарратив «рутинно-смещенного технического изменения», который доминировал с начала 2000-х.

2.2 Ограничения существующих фреймворков для агентного ИИ

Каждая из вышеупомянутых моделей разделяет архитектурную слепую зону: в них автоматизация рассматривается как отбор отдельных задач при сохранении профессии в неприкосновенности — остаточная структура для того, чтобы человеческий труд мог ее заполнить. Это допущение разумно для узкого ИИ (классификатора изображений, машинного переводчика, плагина для автодополнения кода), каждый из которых делает одну вещь и возвращает контроль обратно. Агентные системы нарушают это допущение целиком. Они выстраивают цепочки вызовов инструментов, поддерживают устойчивую память на протяжении шагов, планируют многошаговые последовательности действий и самокорректируются, когда промежуточные результаты не проходят проверки качества [4].

Рассмотрим конкретный пример, знакомый любому руководителю юридического подразделения. Анализ воздействия задач может отметить, что 80% задач помощника юриста (paralegal) относятся к задачам, затрагиваемым LLM, и при этом сделать вывод, что профессия безопасна, поскольку координация этих задач требует человеческого суждения: знать, какую оговорку следует исследовать в первую очередь, когда эскалировать вопрос партнеру, как действовать с клиентом, который меняет фактическую картину по ходу служебной записки. А агентная система разрушает это рассуждение. Она получает исследовательскую цель, извлекает судебную практику, составляет меморандум, сверяет ссылки с Westlaw, корректирует текст в соответствии с руководством по стилю партнера и выдает результат без промежуточных согласований. Координационное «узкое место», которое защищало роль помощника юриста, теперь встроено в модуль планирования агента.

Чего не хватает, так это меры того, помещается ли полная композиция рабочего процесса профессии в рабочие рамки агентного ИИ. Мы формализуем это как коэффициент охвата рабочего процесса ниже.

2.3 Агентный ИИ: определения и возможности

Мы определяем агентную систему ИИ как систему, которая удовлетворяет четырем критериям: (1) она получает спецификацию цели, а не спецификацию задачи; (2) она автономно выбирает и вызывает инструменты для достижения цели; (3) она поддерживает состояние в течение нескольких шагов вывода; и (4) она создает завершенный рабочий продукт без вмешательства человека на промежуточных этапах. Это определение включает текущие корпоративные развертывания систем, построенных на таких фреймворках, как Model Context Protocol (MCP) [12], LangGraph и AutoGen, а также многоагентные архитектуры, в которых специализированные агенты взаимодействуют для решения сложных целей.

Граница возможностей быстро продвинулась в 2023–2024 годах. Модели класса GPT-4 достигли проходных порогов по результатам экзамена на коллегиальную юридическую практику и по US Medical Licensing Exam или превысили их, а также оказались в пределах нескольких процентных пунктов от прохождения CFA Level I [13]. Более важно для нашей рамочной модели: агентные расширения этих моделей начали выполнять многошаговые задачи инженерии программного обеспечения на SWE-bench, выполнять сквозные финансовые анализы и решать обращения в службу поддержки клиентов без эскалации к человеку. К середине 2024 года это уже не было демонстрацией для исследований. Крупные поставщики корпоративных технологий (включая Amazon, Microsoft, Salesforce, ServiceNow и Workday) раскрыли в своих звонках о результатах за 2024 год и в материалах для инвесторов запущенные в производство агентные развертывания, затрагивающие офисные процессы [4, 14]. Эти раскрытия указывают на тот тип сведений, который компании делают только тогда, когда развертывания уже влияют на планирование численности персонала.

3 Теоретическая основа: воздействие агентных задач

3.1 Фонд Аджемоглу—Рестрепо

Пусть $\mathcal{N}$ обозначает множество задач, необходимых для производства ценности в экономике, при этом подмножество $\mathcal{N}_{L}\subset\mathcal{N}$ выполняется трудом и $\mathcal{N}_{K}\subset\mathcal{N}$ выполняется капиталом. Технологии автоматизации расширяют $\mathcal{N}_{K}$ за счет $\mathcal{N}_{L}$, создавая эффект вытеснения. Создание новых задач расширяет $\mathcal{N}$ на границе, где труд обладает сравнительным преимуществом, создавая эффект восстановления. Следуя Acemoglu and Restrepo [5], доля труда в добавленной стоимости равна:

$$s_{L}=\frac{W\cdot L}{Y}=f\!\left(\frac{|\mathcal{N}_{L}|}{|\mathcal{N}|}\right)$$ (1)

где $W$ — это ставка заработной платы, $L$ — это занятость, а $Y$ — это выпуск. Автоматизация, которая расширяет $\mathcal{N}_{K}$, снижает $s_{L}$ за счет эффекта вытеснения; создание новых задач, которое расширяет $\mathcal{N}_{L}$, восстанавливает $s_{L}$ за счет эффекта восстановления.

3.2 Показатель воздействия агентных задач

Мы расширяем эту рамку, вводя показатель Агентного Вовлечения Задач (ATE), который измеряет степень, в которой профессия $o$ подвергается сквозному вытеснению текущими агентными системами ИИ. Показатели ATE вычисляются алгоритмически по данным задач O*NET с использованием откалиброванных параметров внедрения; они не являются регрессионными оценками. Для профессии $o$ с набором задач $\mathcal{T}_{o}$, выбранным из базы данных O*NET Task Statements, показатель ATE равен:

$$\mathrm{ATE}_{o}(r,\tau)=\sum_{t\in\mathcal{T}_{o}}w_{o,t}\cdot\mathrm{CAP}(t)\cdot\mathrm{COV}(t,o)\cdot V(t,r,\tau)$$ (2)

Рисунок 1 иллюстрирует полный конвейер вычисления ATE: от входных данных до агрегирования оценок. Компоненты —:

• ⟦$w_{o,t}\in[0,1]$ — это важность-с учетом весов релевантности задачи $t$ в профессии $o$, полученная из оценок важности задач O*NET, нормированных так, чтобы их сумма равнялась единице в каждой профессии;
• ⟦$\mathrm{CAP}(t)\in[0,1]$ — это оценка способности ИИ для задачи $t$, измеряющая текущее продемонстрированное умение агентных ИИ-систем выполнять задачу $t$ на уровне, соответствующем профессиональным стандартам, оцениваемая по литературе по AI-бенчмаркам и отчетам о практическом развертывании;
• ⟦$\mathrm{COV}(t,o)\in[0,1]$ — коэффициент покрытия рабочего процесса, измеряющий степень, в которой задачу $t$ можно выполнить агентной системой, работающей в стандартном контексте рабочего процесса профессии $o$ (то есть без передачи человеку для координации, задания контекста или обработки исключений, требующей профессионального суждения).

⟦Figure 1: ATE вычислительный конвейер. Задачные описания и оценки O*NET подают в задачи веса ($w_{o,t}$), баллы ИИ-способностей (CAP) и факторы охвата рабочих процессов (COV). Региональные данные о внедрении параметризуют функцию скорости S-кривой $V(t,r,\tau)$. Четыре компонента перемножаются и суммируются по задачам, чтобы получить ATE-показатели уровня занятий, которые затем классифицируются по порогу риска вытеснения.

Ключевая теоретическая инновация в показателе ATE по сравнению с ранее применявшимися мерами воздействия — это член $\mathrm{COV}(t,o)$. Предыдущие меры, такие как AIOE [11] и мера воздействия на GPT у Eloundou et al. [2], задают $\mathrm{COV}(t,o)=1$ неявно, рассматривая каждую задачу как независимо выполнимую ИИ. Показатель ATE явным образом снижает оценку задач, которые требуют координации человеком многозадачных рабочих процессов, передачи контекста между задачами или обработки исключений сверх текущего операционного охвата агентного ИИ. Поскольку агентные системы выполняют координацию рабочих процессов внутри себя, оценки $\mathrm{COV}(t,o)$ выше, чем были бы при анализе на уровне отдельных задач. Это означает, что оценки ATE ближе к (а для хорошо ограниченных рабочих процессов — превышают) предыдущие оценки воздействия, и, соответственно, риск вытеснения выше для профессий с четко определенными, цифровыми рабочими процессами.

3.3 Скорость внедрения и временная проекция

Параметр скорости внедрения $V(t,r,\tau)$ в уравнении 2 отражает темп, с которым агентные системы ИИ, способные выполнять задачу $t$, будут внедряться в регионе $r$ ко времени $\tau$. В текущей реализации $V$ не меняется между задачами внутри региона-года, поэтому мы упрощаем до $V(r,\tau)=L/(1+e^{-k(\tau-\tau_{0})})$ — логистической (S-образной) функции внедрения [15], где $\tau$ — проекционный год, а $\tau_{0}$ — точка перегиба. Параметры $k$ (коэффициент роста), $\tau_{0}$ (точка перегиба) и $L$ (предельное насыщение) калибруются для каждого региона с использованием трехуровневой метро-классификации, адаптированной из таксономии готовности к ИИ Brookings Institution [6], и дополнительно привязываются к результатам внешних опросов о внедрении enterprise AI и данным о трудоустройстве (раздел 5.6). Таблица 1 приводит откалиброванные значения и их эмпирическую основу.

⟦Table 1: Параметры внедрения по S-образной кривой по уровню метро

Region	Tier	$k$	$\tau_{0}$	$L$	Calibration Basis
SF Bay Area	1	0.85	2024.25	0.92	Highest AI patent density and VC investment per capita [7]
Seattle	2	0.62	2025.00	0.85	AWS/Microsoft anchor employers; WARN Act data [16]
Austin	2	0.62	2025.00	0.85	Emerging hub; LinkedIn job posting trends [17]
Boston	2	0.62	2025.00	0.85	University-anchored AI cluster [7]
New York	3	0.48	2025.75	0.78	Diverse economy dilutes AI concentration

Классификация по уровням адаптирует рамочную модель готовности к ИИ от Brookings [6]. Темп роста $k$ ограничен глобальным показателем внедрения enterprise AI от McKinsey ($k=0.25$, нижняя граница) и прогнозом Gartner по enterprise-приложениям агентного ИИ ($k\approx 2.1$, верхняя граница; см. раздел 5.6); $\tau_{0}$ отражает оценочную точку перегиба для каждого региона, согласованную с выводом McKinsey о том, что 62% предприятий экспериментировали с AI-агентами к середине 2025 года [18]; $L$ отражает долю профессий в пределах операционного охвата агентного ИИ с учетом регионального отраслевого состава. Чувствительность к этим параметрам рассматривается в разделе 5.4; внешняя привязка к четырем независимым источникам данных — в разделе 5.6⟧.

Профессия классифицируется как относящаяся к высокой степени риска смещения, если $\mathrm{ATE}_{o}(r,\tau)\geq 0.65$, к умеренному риску, если $0.35\leq\mathrm{ATE}_{o}(r,\tau)<0.65$, и к низкому риску, если $\mathrm{ATE}_{o}(r,\tau)<0.35$. Эти пороговые значения калибруются так, чтобы примерно соответствовать уровням смещения задач 70%, 35% и 10%, используемым в предшествующей литературе [2, 9].

4 Данные и методология

4.1 Данные по задачам профессиональной деятельности

Данные на уровне задач для 236 кодов Standard Occupational Classification (SOC), охватывающих шесть основных групп (SOC 13 Financial, SOC 23 Legal, SOC 29 Healthcare, SOC 31 Healthcare Support, SOC 41 Sales и SOC 43 Administrative/Clerical), взяты из базы данных O*NET 30.2 [19], которая предоставляет формулировки задач, оценки важности (шкала 1–5) и оценки релевантности (шкала 0–100%) для каждой профессии. Веса важности задач $w_{o,t}$ вычисляются как нормализованное произведение оценок важности и релевантности. После фильтрации до этих шести групп SOC анализируемый набор данных содержит 4,577 формулировок задач (из полного корпуса O*NET, включающего 18,796 формулировок задач по всем профессиям).

4.2 Оценки возможностей ИИ

Оценки способностей ИИ $\mathrm{CAP}(t)$ оцениваются посредством структурированного синтеза: (1) опубликованных результатов AI-бенчмарков по задачам, соответствующим предметным областям, значимым для профессий (MMLU, HumanEval, LexGLUE, MedQA, FinBen); (2) опубликованных результатов оценки агентных AI, включая SWE-bench для разработки программного обеспечения и AgentBench для общей агентной способности; и (3) отчетов практиков о внедрениях корпоративного ИИ в финансовых услугах, юридической сфере, здравоохранении и операциях с клиентами, опубликованных McKinsey Global Institute [14], Goldman Sachs Research [20] и Bureau of Labor Statistics [21]. CAP-оценки операционализируются с использованием сопоставления в стиле BAIOE с учетом весов способностей: профиль способностей каждой профессии O*NET (52 способности с оценками важности) объединяется с оценками способностей ИИ для каждой категории способностей, полученными из опубликованных бенчмарков. В таблице 2 приводятся репрезентативные сопоставления. Профессионально-уровневая CAP-оценка для задачи представляет собой среднее значений оценок способностей ИИ с учетом важности по профилю способностей данной профессии, скорректированное модификатором задачи по тексту, который повышает оценки для задач с сильным соответствием AI-бенчмаркам (например, ввод данных, корреспонденция) и снижает их для задач, требующих физического исполнения или взаимодействия с людьми.

⟦Table 2: Сопоставления возможностей CAP с возможностями ИИ (выбранные возможности)

O*NET Ability	Category	AI Score	Benchmark Source
Written Comprehension	Cognitive	0.95	MMLU $\sim$87%
Written Expression	Cognitive	0.93	GPT-4 bar exam, CFA
Deductive Reasoning	Cognitive	0.88	MMLU Logic $\sim$88%
Information Ordering	Cognitive	0.85	AgentBench planning
Mathematical Reasoning	Cognitive	0.75	MATH benchmark $\sim$75%
Memorization	Cognitive	0.60	Context-window limited
Speed of Closure	Cognitive	0.55	Ambiguity resolution
Speech Recognition	Sensory	0.45	Whisper ASR WER $\sim$5–15%
Near Vision	Sensory	0.30	Vision models (partial)
Manual Dexterity	Psychomotor	0.10	No physical capability
Static Strength	Physical	0.00	No physical capability

Полное сопоставление для 52 возможностей доступно в дополнительных материалах.

4.3 Оценка покрытия рабочего процесса

Факторы покрытия процесса $\mathrm{COV}(t,o)$ оцениваются с использованием структурированной рубрики, которая оценивает каждую задачу в контексте стандартного рабочего процесса соответствующей профессии. Покрытие снижается, когда задача вызывает одну или более из четырех категорий штрафов, каждая из которых уменьшает базовое COV мультипликативно:

• ⟦P1 ($-25\%$): Межличностный контекст. Задача требует выстраивания раппорта в реальном времени, ведения переговоров, консультирования или эмоционального взаимодействия, которые нельзя задокументировать в спецификации задачи (ключевые слова: negotiate, counsel, mediate, comfort, de-escalate, patient interaction);
• P2 ($-30\%$): Подотчетность в области регулирования и фидуциарной ответственности. Задача включает юридическую ответственность, сертификацию, присяжные показания, диагностирование или обязательные соглашения, которые современные рамки управления ИИ не поддерживают для автономных действий (ключевые слова: fiduciary, regulatory compliance, certify, notarize, prescribe, diagnose);
• ⟦P3 ($-40\%$): Физическое присутствие. Задача требует сенсомоторной координации, работы на месте или ручного обращения (ключевые слова: physically, lift, operate machinery, on-site, field work);
• ⟦P4 ($-20\%$): Обработка исключений. Задача включает реагирование на кризисы, неоднозначные ситуации или новые суждения, выходящие за стандартные рамки, более чем в 30% случаев (ключевые слова: emergency, crisis, escalate, override, judgment call, novel situation).

Практические примеры из формулировок задач O*NET. Для Продавцов услуг (41-3091) задача O*NET «Negotiate prices or terms of sales or service agreements» запускает P1 (не торговаться), давая $\mathrm{COV}=1.0\times 0.75=0.75$. Задача «Maintain customer records using automated systems» не запускает штрафов ($\mathrm{COV}=1.0$). По всем 15 задачам O*NET для этой профессии только 1 запускает штраф, что дает среднее значение COV 0.98.

Для специалистов по медицинским информационным технологиям (29-9021) задача «Назначить пациента группам, связанным с диагнозами (DRGs), используя соответствующее программное обеспечение» инициирует P2 (diagnos), что дает $\mathrm{COV}=0.70$. Задача «Устранить или уточнить коды или диагнозы при наличии конфликтующей, отсутствующей или неясной информации» также инициирует P2. Из 16 задач 2 вызывают штрафы, обеспечивая средний COV, равный 0.96.

Ограничение: ложноотрицательные срабатывания по ключевым словам. Рубрика ключевых слов создает ложноотрицательные срабатывания, когда межличностное, нормативное или физическое измерение является неявным, а не лексически присутствует в тексте задачи O*NET. Например, «Консультируйтесь с клиентами после продаж или подписания договоров, чтобы разрешать проблемы» можно обоснованно отнести к межличностным (P1), но в ней нет ключевого слова-«триггера». Таким образом, рубрика является нижней границей для штрафов (верхней границей для COV), и для подтвержденной экспертной рубрики ожидалось бы снижение оценок COV для профессий со средним уровнем.

Семантический охват в пилотном исследовании. Чтобы количественно оценить уровень ложноотрицательных срабатываний, мы провели пилотную оценку, используя расширенный набор семантических шаблонов для всех 4,577 формулировок задач O*NET по 236 профессиям в нашем исследовании. Семантические шаблоны расширяют рубрику ключевых слов с контекстными триггерами. Например, они добавляют «consult», «confer», «advise» и «collaborate» в категорию P1, связанную с межличностным взаимодействием, и «approve», «authorize», «sentence» и «verify compliance» в категорию P2, связанную с регулированием, при этом сохраняя ту же четырехкатегорийную структуру штрафов.

Результаты показывают, что рубрика ключевых слов отмечает 632 задачи (13.8%) по крайней мере с одним штрафом, в то время как семантическое расширение отмечает 1,142 задачи (25.0

Пилотное исследование выявляет конкретные последствия для наших наиболее востребованных профессий. Аналитики кредитов (13-2041), занимающие первое место, получают нулевые штрафы за ключевые слова по всем 11 задачам, но получили бы семантические штрафы по 4 из 11 задач: «Консультировать клиентов для разрешения жалоб» (P1), «Связываться с клиентами, чтобы собирать платежи по просроченным счетам» (P1), «Советоваться с кредитной ассоциацией и другими представителями бизнеса» (P1) и «Заполнять заявки на получение ссуд, включая кредитный анализ, и подавать на утверждение» (P2). Судьи (23-1023), занимающие второе место, получили бы семь дополнительных штрафов (пять P1, два P2) сверх единственного штрафа, обнаруженного по ключевым словам, включая «Назначать наказание обвиняемым по уголовным делам» (P2) и «Председательствовать на слушаниях и выслушивать утверждения» (P1).

Эти результаты подтверждают, что показатели ATE по рубрике ключевых слов представляют собой верхние оценки смещения. Мы сохраняем рубрику ключевых слов для основного анализа из-за ее прозрачности и воспроизводимости, но рекомендуем, чтобы будущие внедрения: (1) развернули полную семантическую классификацию на основе LLM с несколькими независимыми проходами для вычисления согласия между классификаторами; (2) сообщали показатели COV с доверительными интервалами, полученными из дисперсии классификатора; и (3) проводили валидацию по экспертным оценкам людей на стратифицированной выборке не менее 200 задач, охватывающих все шесть групп SOC. Полные списки ключевых слов, семантические паттерны и результаты пилотного исследования доступны у соответствующего автора по запросу.

4.4 Региональные данные о занятости и внедрении

Численность занятости по профессии и региону взята из программы Бюро трудовой статистики BLS Occupational Employment and Wage Statistics (OEWS) [22], с использованием оценок за май 2024 года для пяти рассматриваемых Метрополитенских статистических районов. Параметры скорости регионального внедрения калибруются с помощью: уведомлений о WARN Act от Департамента по обеспечению занятости штата Вашингтон [16], данных LinkedIn Economic Graph о тенденциях публикаций вакансий [17] и отчетов о корпоративных инвестициях в ИИ для каждого региона.

Пять регионов и их общая занятость за 2024 год (тыс.) составляют: Сиэтл–Такома–Белвью (1,847); Сан-Франциско–Залив (2,431); Остин–Роунд-Рок (1,234); Нью-Йорк–Ньюарк (9,872); и Бостон–Кембридж (2,298). В совокупности эти MSA обеспечивают приблизительно 11,3% общей занятости в США вне сельского хозяйства.

4.5 Дистанционная работа и разрушение географических буферов внедрения

Структурное ограничение моделей внедрения, основанных исключительно на географии, заключается в том, что удаленная и гибридная работа разъединяют физическое местоположение работника с его уровнем внедрения технологий у работодателя. Финансовый аналитик, проживающий в Остине (Tier 2), но работающий в компании, базирующейся в Сан-Франциско (Tier 1), сталкивается со скоростью внедрения у работодателя, а не с динамикой метро по месту проживания. Обследование текущего состояния занятости и населения (Current Population Survey) Бюро статистики труда публикует данные о распространенности телеработы по профессиям [23], и информационно насыщенные группы SOC в нашей выборочной совокупности демонстрируют резко различающиеся показатели телеработы, как показано в Таблице 3.

⟦Table 3: Таблица BLS CPS 60: показатели дистанционной работы по группам профессий (годовые средние за 2024 год))

SOC Group	Workers (K)	Total %	Some Hrs %	All Hrs %	$\boldsymbol{R_{o}}$
Business & Financial Ops (13)	9,876	55.9	28.1	27.9	0.559
Legal (23)	1,822	52.7	33.2	19.5	0.527
Healthcare Practitioners (29)	9,974	13.1	8.1	5.0	0.131
Healthcare Support (31)	5,620	10.2	2.6	7.6	0.102
Sales & Related (41)	13,710	23.8	12.3	11.5	0.238
Office & Admin Support (43)	15,920	25.1	11.1	14.0	0.251

Источник: BLS Current Population Survey, 2024 Annual Averages, Table 60. «Total %» — это доля работников, которые выполняли дистанционную работу или работали дома за плату. $R_{o}$ — это доля дистанционной работы, выраженная как пропорция для использования в уравнении 3.

Чтобы учесть это, мы вводим индекс осуществимости удаленной работы $R_{o}\in[0,1]$, который корректирует эффективную скорость внедрения, с которой сталкиваются работники в заданной профессии. Эффективная скорость внедрения объединяет $V$ региона проживания с $V$, взвешенным по уровню работодателя⟧:

$$V_{\mathrm{eff}}(o,r,\tau)=(1-R_{o})\cdot V(r,\tau)+R_{o}\cdot\sum_{j}\pi_{j}\cdot V(\mathrm{tier}_{j},\tau)$$ (3)

где $R_{o}$ — это телеработа, сообщенная BLS, для профессии $o$ (Таблица 3), а $\pi_{j}$ — доля занятости в отраслях в группе внедрения $j$, вычисленная по данным BLS QCEW 2024 Annual Averages by Industry [24]. Такая формулировка позволяет избежать необходимости в индивидуальных микро данных работодатель–место жительства: вместо того чтобы отслеживать, какому конкретному работодателю соответствует каждый удаленный работник, мы используем наблюдаемое распределение занятости по нашим пяти исследуемым MSAs в качестве прокси для структуры работодательской группы.

⟦Table 4: Распределение по категориям работодателей $\pi_{j}$ по данным QCEW 2024 и влиянию корректировки на удалённую работу (2027)

	Employer Tier Share $\pi_{j}$			Mean ATE $\Delta$ (2027)
SOC Group	Tier 1	Tier 2	Tier 3	SF Bay	Tier 2	NY
Financial (13)	12.2%	27.1%	60.7%	$-$16.8%	$-$6.1%	$+$9.2%
Legal (23)	14.6%	23.2%	62.1%	$-$15.7%	$-$5.6%	$+$8.9%
HC Practitioners (29)	15.9%	26.7%	57.4%	$-$3.8%	$-$1.2%	$+$2.5%
HC Support (31)	15.9%	26.7%	57.4%	$-$2.9%	$-$0.9%	$+$1.9%
Sales (41)	15.9%	33.3%	50.7%	$-$6.5%	$-$1.8%	$+$5.0%
Admin/Clerical (43)	10.2%	33.8%	56.0%	$-$7.4%	$-$2.6%	$+$4.3%

Левая панель: распределение по уровням работодателей, вычисленное по данным QCEW за 2024 год о занятости в частном секторе в пяти исследуемых MSА. Уровень 1 = SF Bay Area, Уровень 2 = Seattle/Austin/Boston, Уровень 3 = New York. Правая панель: процентное изменение средних баллов ATE при удалённо скорректированной модели (Уравнение 3) по сравнению с базовой моделью, основанной на месте проживания, по регионам и группам SOC.

Таблица 4 показывает, что удаленная работа создает эффект сходимости, а не одностороннюю географическую эрозию буфера, которая предполагалась в предыдущих исследованиях. Данные QCEW показывают, что только 12–16% промышленной занятости в рассматриваемых нами MSAs расположено в Тир 1 (SF Bay Area), тогда как 50–62% — в Тир 3 (New York). Следовательно, работодатель-взвешенная скорость внедрения $\sum_{j}\pi_{j}V(\mathrm{tier}_{j},\tau)$ ниже, чем локальная у SF Bay $V$, но выше, чем локальная у New York $V$.

Для Сан-Францисского залива (уровень 1), модель с учетом дистанционной занятости снижает среднюю Financial ATE на 16,8% и Legal ATE на 15,7% в 2027 году, поскольку удаленные работники в SF Bay трудоустроены в компаниях, распределенных по всем уровням, а не исключительно в местных компаниях уровня 1. Это означает, что модель, основанная на месте проживания, переоценивает риск вытеснения для регионов уровня 1. Для Нью-Йорка (уровень 3) корректировка увеличивает Financial ATE на 9,2% и Legal ATE на 8,9%, подтверждая, что удаленная работа передает повышенное давление принятия со стороны более высоких уровней в регионы с более медленным внедрением. Регионы уровня 2 демонстрируют умеренные снижения ($-$5–6% для Financial и Legal). Профессии в сфере здравоохранения затрагиваются минимально во всех регионах ($\pm$1–4%) из-за их низких показателей дистанционной работы ($R_{o}<0.14$).

Итоговый эффект — региональная конвергенция: удалённая работа сжимает разрыв ATE между метро с самым быстрым и самым медленным внедрением. Мы сохраняем привязку по месту жительства $V(r,\tau)$ в качестве основной спецификации в таблицах 5 и 6, а результаты с учётом удалённой работы приводим как анализ чувствительности. Полные показатели ATE с учётом удалённой работы для всех 236 профессий доступны у соответствующего автора по запросу.

5 Результаты

5.1 Распределение баллов ATE по профессиям

Таблица 5 представляет двадцать профессий с самыми высокими прогнозируемыми значениями ATE к 2027 году в Сан-Франциско Бэй-Эриа (уровень 1), выбранными как сценарий максимального внедрения. Рисунок 2 показывает полное распределение значений ATE за 2027 год по всем 236 профессиям для трех репрезентативных регионов. В СФ Бэй-Эриа (уровень 1) распределение сосредоточено в диапазоне умеренного риска: 99 профессий (41,9%) попадают в интервал 0,35–0,40 и 68 (28,8%) — в интервал 0,40–0,45, при этом только 69 профессий (29,2%) остаются ниже порога умеренного риска. Распределение сдвигается влево при снижении уровня внедрения: уровень 2 (Сиэтл) сосредоточен в модальном интервале 0,25–0,30, тогда как уровень 3 (Нью-Йорк) имеет центр в диапазоне 0,20–0,25. Этот сдвиг, зависящий от уровня, иллюстрирует эффект скорости внедрения: те же 236 профессий демонстрируют заметно разные профили риска в зависимости от региональной скорости развертывания.

⟦Figure 2: Распределение оценок ATE за 2027 год по всем 236 профессиям для трех репрезентативных регионов. Пунктирная красная линия обозначает порог умеренного риска ($\mathrm{ATE}\geq 0.35$). В СФ-районе залива (уровень 1) 70.8% профессий превышают этот порог; в Сиэтле (уровень 2) 0%; в Нью-Йорке (уровень 3) 0%. Сдвиг вправо от уровня 3 к уровню 1 отражает дифференциал скорости внедрения, параметризованный моделью S-образной кривой.

⟦Table 5: Топ-20 профессий по прогнозируемому баллу ATE (район залива Сан-Франциско), 2027

Occupation (SOC)	Category	2025	2027	2030
Credit Analysts (13-2041)	Financial	0.31	0.43	0.47
Judges & Magistrates (23-1023)‡	Legal	0.31	0.43	0.47
Sustainability Specialists (13-1199)	Financial	0.31	0.43	0.47
Regulatory Affairs Specialists (13-1041.07)	Financial	0.31	0.43	0.47
Market Research Analysts (13-1161)	Financial	0.31	0.43	0.47
Preventive Medicine Physicians (29-1229)†	Healthcare	0.31	0.43	0.47
Business Continuity Planners (13-1199)	Financial	0.30	0.42	0.46
Financial Examiners (13-2061)	Financial	0.30	0.42	0.46
Statistical Assistants (43-9111)	Admin/Clerical	0.30	0.42	0.46
Search Marketing Strategists (13-1161)	Financial	0.30	0.42	0.46
Cost Estimators (13-1051)	Financial	0.30	0.42	0.46
Equal Opportunity Representatives (13-1041.03)	Financial	0.30	0.42	0.46
Labor Relations Specialists (13-1075)	Financial	0.30	0.42	0.46
Financial Risk Specialists (13-2054)	Financial	0.30	0.42	0.46
First-Line Supervisors (41-1012)	Sales	0.30	0.42	0.46
Securities Sales Agents (41-3031)	Sales	0.30	0.42	0.46
Insurance Underwriters (13-2053)	Financial	0.30	0.42	0.46
Personal Financial Advisors (13-2052)	Financial	0.30	0.42	0.46
Admin. Law Judges (23-1021)	Legal	0.30	0.42	0.46
Logisticians (13-1081)	Financial	0.30	0.42	0.45

†Профессии медицинских работников, чьи ATE-оценки могут завышать риск вытеснения из‑за известного ограничения рубрики COV, основанной на ключевых словах, связанного с ложноотрицательными результатами для неявных требований к физическому присутствию (см. Раздел 4.3). ‡Судебные профессии имеют высокие показатели по техническим возможностям ИИ для юридического исследования, анализа документов и задач ведения дел, но сталкиваются с сильными институциональными и конституционными защитами (срок полномочий по статье III, разделение властей), которые фреймворк ATE не моделирует; оценка отражает техническое воздействие возможностей агентного ИИ, а не практическую вероятность вытеснения для ролей, защищённых конституцией.

Из нескольких наблюдений, вытекающих из Таблицы 5, которая приводит результаты для района залива Сан-Франциско (регион внедрения 1-го уровня), чтобы проиллюстрировать верхнюю границу динамики вытеснения в ближайшей перспективе. Во-первых, финансовые и юридические профессии занимают наивысшие места, отражая сочетание высоких оценок возможностей ИИ и хорошо ограниченных цифровых рабочих процессов. Аналитики по кредитам (13-2041) лидируют по ATE 0.47 в 2030 г., деля первенство с Судьями и магистратами (23-1023) и Специалистами по устойчивому развитию (13-1199). Во-вторых, рост с 2025 по 2030 гг. (например, Аналитики по кредитам: 0.31 до 0.47) обусловлен моделью внедрения по S-образной кривой: точка перегиба для регионов 1-го уровня калибруется на Q2 2024, то есть развертывание уже прошло фазу наиболее резкого ускорения и приближается к насыщению. В-третьих, профессии, занявшие места 1–20 в Таблице 5, плотно группируются в диапазоне 0.42–0.47 по ATE на 2027–2030 гг., отражая штрафы за покрытие рабочих процессов, применяемые к задачам, требующим межличностной координации и обработки исключений, которые агентные системы пока не могут завершать автономно. В-четвертых, запись «врач профилактической медицины» (29-1229, отмечено $\dagger$ в таблице) появляется, хотя она требует физического присутствия; это отражает известное ограничение по ложным отрицательным результатам рубрики COV на основе ключевых слов для неявных требований к физическому присутствию (см. Раздел 4.3). Примечательная особенность Таблицы 5 заключается в том, что все 20 лучших профессий разделяют оценки ATE в узком диапазоне (0.42–0.47 к 2027 г.), и ни одна профессия в нашем исследовании не достигает порога высокого риска ($\mathrm{ATE}\geq 0.65$) даже к 2030 г. Это отражает подлинное сходство в лежащих в основе профилях возможностей и влияние структуры штрафов COV: эти профессии преимущественно когнитивно-цифровые с немногими триггерами штрафов, связанными с физическими или межличностными взаимодействиями, что приводит к сходящимся оценкам ATE, однако каждая сохраняет достаточные компоненты задач по обработке исключений, нормативные или межличностные компоненты, чтобы не допустить выхода оценок в верхний диапазон. Важный вывод состоит в следующем: наша рамка предсказывает широкомасштабный умеренный риск для профессий, связанных с обработкой информации, а не катастрофическое вытеснение какой-либо отдельной профессии. Давление вытеснения является широким, но ограниченным, что согласуется с постепенным паттерном перекомпоновки рабочей силы, а не с сценариями массовых увольнений. Рамка значимо различает эти роли с умеренным уровнем воздействия среди информационно-обрабатывающих профессий и профессии с низким уровнем воздействия, требующие существенного физического или межличностного взаимодействия (которые набирают ниже 0.35).

5.2 Региональные различия

Таблица 6 показывает долю профессий в каждой основной категории, которые пересекают порог умеренного риска ($\mathrm{ATE}_{2027}\geq 0.35$) в наших пяти регионах исследования, вычисленную по полному набору данных из 236 профессий.

⟦Table 6: Доля профессий, пересекающих ATE $\geq 0.35$ (%) и среднее значение ATE по регионам, 2027 год по сравнению с 2030 годом

	Seattle		SF Bay		Austin		New York		Boston
Category	’27	’30	’27	’30	’27	’30	’27	’30	’27	’30
Admin/Clerical (43)	0.0	74.5	78.4	92.2	0.0	74.5	0.0	0.0	0.0	74.5
Financial (13)	0.0	87.5	91.7	95.8	0.0	87.5	0.0	8.3	0.0	87.5
Legal (23)	0.0	100.0	100.0	100.0	0.0	100.0	0.0	14.3	0.0	100.0
Healthcare (29)	0.0	43.8	65.2	98.9	0.0	43.8	0.0	1.1	0.0	43.8
Sales (41)	0.0	63.6	68.2	95.5	0.0	63.6	0.0	0.0	0.0	63.6
HC Support (31)	0.0	10.5	15.8	57.9	0.0	10.5	0.0	0.0	0.0	10.5
Mean ATE by Category (2027 / 2030)
Admin/Clerical (43)	.30 / .37		.38 / .41		.30 / .37		.23 / .31		.30 / .37
Financial (13)	.31 / .39		.40 / .43		.31 / .39		.24 / .33		.31 / .39
Legal (23)	.33 / .40		.42 / .45		.33 / .40		.25 / .34		.33 / .40
Healthcare (29)	.28 / .35		.36 / .39		.28 / .35		.22 / .30		.28 / .35
Sales (41)	.29 / .36		.38 / .41		.29 / .36		.23 / .31		.29 / .36
HC Support (31)	.26 / .32		.33 / .35		.26 / .32		.20 / .27		.26 / .32

Верхняя панель: процент профессий в каждой группе SOC, пересекающий $\mathrm{ATE}\geq 0.35$. Нижняя панель: среднее ATE на уровне категории (2027 / 2030). Сравнение 2027–2030 выявляет временную сходимость: регионы уровня 2 достигают уровней смещения уровня 1 за 2027 год к 2030.

Региональный паттерн в таблице 6 выявляет ярко выраженный эффект концентрации, обусловленный скоростью внедрения. На пороге $\mathrm{ATE}_{2027}\geq 0.35$ Сан-Франциско Бей Аrea (уровень 1) демонстрирует существенно более высокие показатели замещения по всем категориям профессий: 78,4% Административных/Клерical, 91,7% Финансовых и 100% Юридических профессий пересекают порог умеренного риска. Регионы уровня 2 (Сиэтл, Остин, Бостон) не показывают пересечений на том же горизонте 2027 года, однако средние значения ATE позволяют увидеть более детальную картину, чем предполагает бинарный порог: для Финансовых профессий уровня 2 в 2027 году среднее значение составляет 0,31, что всего на 0,04 ниже отсечки 0,35, указывая, что эти регионы находятся на границе порога, а не работают в ином режиме.

Столбцы 2030 года демонстрируют временную сходимость. В сумме 93,2% из всех 236 проанализированных профессий (220 из 236) пересекают порог умеренного риска в SF Bay Area к 2030 году, при этом только Поддержка здравоохранения (57,9%) существенно остается ниже насыщения. К 2030 году регионы Уровня 2 достигают уровней вытеснения, сопоставимых с позицией SF Bay Area за 2027 год: 87,5% финансовых и 100% юридических профессий пересекают порог в Сиэтле, Остине и Бостоне к 2030 году, очень близко совпадая с показателями SF Bay — 91,7% и 100% в 2027 году. Это запаздывание на 2–3 года является центральным эмпирическим результатом: те же профессии сталкиваются с разнесенными во времени сроками вытеснения в зависимости от местной скорости внедрения, а смещение поддается количественной оценке по параметрам S-кривой. Уровень 3 (Нью-Йорк) отстает еще сильнее: только 8,3% финансовых и 14,3% юридических профессий пересекают порог к 2030 году, что отражает более низкий потолок насыщения ($L=0.78$) и более позднюю точку перегиба.

Импликация политики заключается в том, что программы перехода рабочей силы должны реализовываться поэтапно по регионам: меры Уровня 1 необходимы уже сейчас, меры Уровня 2 следует планировать и закладывать в бюджет уже сейчас для развертывания в 2028–2029 годах, а для регионов Уровня 3 предусмотрено более широкое, но не бесконечное окно планирования.

5.3 Сравнение с предыдущими оценками

Наша рамка ATE позволяет получать оценки, которые более консервативны, чем анализ прямого токенового воздействия GPT-4, но при этом более применимы для политики на рынке труда, поскольку оценки ATE представляют эффективную вероятность развертывания, а не теоретические возможности. Eloundou et al. [2] обнаружили, что GPT-4 может повлиять как минимум на 10% задач для 80% рабочей силы в США; наши оценки ATE охватывают более узкое, но более значимое подмножество: профессии, в которых агентный ИИ может выполнять рабочие процессы целиком от начала до конца без передачи человеку при текущем масштабе развертывания.

Для бухгалтеров и учетных клерков (43-3031) самая частотная профессия в предшествующей литературе (Frey и Osborne оценили вероятность компьютеризации 98%; Arntz и др. пересмотрели ее до 35% с использованием анализа на уровне задач) рассчитанное нами ATE в Сан-Франциско-Бей-Эрии к 2027 году составляет 0.41, что отражает, что агентские системы ведения учета активно развернуты в масштабе предприятий в регионах уровня 1, однако аудит и рассмотрение исключений по-прежнему требуют человеческого надзора по причинам соблюдения нормативных требований. Примечательно, что наши профессии с наивысшим ATE к 2027 году — это кредитные аналитики, судьи и финансовые специалисты (13-2041, 23-1023, ATE 0.43). Эти профессии имеют высокие показатели когнитивных AI-возможностей и хорошо ограниченные цифровые рабочие процессы. Этот результат расходится с прежними анализами на уровне задач, которые сосредоточивали риск вытеснения в рутинной канцелярской работе, и предполагает, что способность агентского ИИ завершать рабочие процессы сдвигает границу вытеснения в сторону информационно насыщенных профессиональных ролей.

5.4 Анализ чувствительности

Для оценки устойчивости наших результатов к неопределенности параметров проводим анализ чувствительности по принципу «по одному за раз» для трех параметров S-образной кривой и весов штрафа за COV, используя регион Сан-Франциско — залив (уровень 1) в качестве базового значения.

Параметры S-кривой. Предел насыщения $L$ оказывает наибольшее влияние: изменение $\pm 10\%$ в $L$ вызывает изменение $\pm 10.0\%$ в $V(2027)$. Темп роста $k$ имеет умеренное воздействие: вариация $\pm 20\%$ в $k$ сдвигает $V(2027)$ на $-5.0\%$ до $+3.4\%$. Точка перегиба $\tau_{0}$ демонстрирует симметричную чувствительность: сдвиг $\tau_{0}$ на $\pm 6$ месяцев изменяет $V(2027)$ примерно на $\pm 3$–$5\%$. Критически важно, что ни одно возмущение параметров в пределах правдоподобных диапазонов не меняет порядковое ранжирование профессий или вывод о том, что регионы Tier 1 демонстрируют существенно более высокие доли вытеснения, чем регионы Tier 2 и Tier 3. Переустройство Сиэтла из Tier 2 в Tier 1 увеличило бы его прогнозируемый уровень внедрения $V(2027)$ на 27,3%, но сохраняется обнаруженное региональное расхождение, поскольку назначение уровня определяется структурными различиями в плотности работодателей в области AI и концентрацией венчурного капитала.

Трехсценарный $k$ стресс-тест. Представленный выше поэтапный анализ по одному параметру возмущает $k$ на $\pm 20\%$; однако раздел 5.6 описывает более существенную проблему: откалиброванное значение Tier 1 ($k=0.85$) превышает логистическую аппроксимацию данных о вакансиях Indeed ($k\approx 0.14$) примерно в 6 раз. Чтобы оценить, подрывает ли это расхождение качественные выводы работы, мы проводим полный трехсценарный стресс-тест в диапазоне, который охватывает оба значения. Таблица 7 показывает процент профессий, пересекающих порог умеренного риска ($\mathrm{ATE}\geq 0.35$) для каждой ступени в сценариях Conservative ($k_{\text{T1}}=0.40$, $k_{\text{T2}}=0.30$, $k_{\text{T3}}=0.23$), Baseline (текущая калибровка) и Aggressive ($k_{\text{T1}}=1.20$, $k_{\text{T2}}=0.85$, $k_{\text{T3}}=0.65$). Все остальные параметры ($L$, $\tau_{0}$, компоненты базовой ATE по профессиям) остаются неизменными; меняется только $k$.

⟦Table 7: $k$-Анализ чувствительности: доля профессий, пересекающих порог риска $\mathrm{ATE}\geq 0.35$. Три сценария скорости внедрения проводят стресс-тест параметра крутизны S-кривой $k$, охватывая диапазон от Консервативного ($k_{\text{T1}}=0.40$) до Агрессивного ($k_{\text{T1}}=1.20$). Этот диапазон намеренно заключает в себе расхождение 6$\times$ между откалиброванным базовым значением ($k=0.85$) и эмпирически подобранным трендом по данным о вакансиях ($k\approx 0.13$; Раздел 5.6), оценивая, сохраняется ли качественное ранжирование рисков SF Bay $>$ Tier 2 $>$ New York независимо от предположения $k$.

	Conservative			Baseline			Aggressive
Tier / Metro	2025	2027	2030	2025	2027	2030	2025	2027	2030
Tier 1 SF Bay Area	0.0	2.5	69.9	0.0	70.8	93.2	0.0	87.3	94.1
Tier 2 Seattle / Austin / Boston	0.0	0.0	3.4	0.0	0.0	60.2	0.0	19.9	70.3
Tier 3 New York	0.0	0.0	0.0	0.0	0.0	2.5	0.0	0.0	28.8

Примечание: значения представляют собой процент из 236 профессий O*NET с пересчитанным $\mathrm{ATE}\geq 0.35$ в каждом сценарии. Базовые компоненты ATE ($w_{o,t}$, $\mathrm{CAP}$, $\mathrm{COV}$) фиксированы; изменяется только $k$. Параметры S-образной кривой: Уровень 1 ($\tau_{0}=2024.25$, $L=0.92$); Уровень 2 ($\tau_{0}=2025.00$, $L=0.85$); Уровень 3 ($\tau_{0}=2025.75$, $L=0.78$).

Качественный порядок рисков SF Bay $>$ Tier 2 $>$ в Нью-Йорке соблюдается во всех девяти сочетаниях сценарий-год, подтверждая, что иерархия tier не является артефактом предполагаемого $k$ значения. Однако величина и сроки пересечений порога сильно $k$-чувствительны: к 2027 году SF Bay пересекает порог 0.35 лишь для 2.5% профессий при Консервативных предположениях, но для 87.3% при Агрессивных — разница в 35 раз — при этом Нью-Йорк остается на уровне 0% до 2030 года при Консервативном и Базовом сценариях и достигает лишь 28.8% при сценарии с самым быстрым внедрением. Эти результаты подтверждают, что хотя сроки и масштаб риска вытеснения существенно зависят от истинной крутизны кривой внедрения (открытый эмпирический вопрос), относительная уязвимость мегаполисов технологических центров по сравнению с мегаполисами финансовых центров является устойчивым качественным результатом, который сохраняется во всем диапазоне правдоподобных $k$ значений.

Веса штрафов COV. Разделение пополам всех четырех весов штрафов (P1–P4) увеличивает показатель самой высоко-оцененной занятости (highest-ATE) с 0.47 до примерно 0.48, умеренный рост на 2%. Такая ограниченная чувствительность объясняется тем, что у самых высоко-оцененных занятостей (аналитики по кредитам, судьи, финансовые специалисты) уже есть немного задач, которые запускают штрафы. Чувствительность COV более выражена для занятостей из среднего диапазона: клерки по корреспонденции (ATE 0.45) при уменьшении штрафов вдвое поднялись бы примерно до 0.49, потенциально перейдя границу между высокой и умеренной категориями. Это подчеркивает важность рубрики COV для занятостей в диапазоне 0.35–0.65.

Показатели CAP. Единый $\pm 10\%$ сдвиг во всех показателях когнитивных способностей ИИ сдвигает показатели ATE примерно на $\pm 7$–$8\%$, сохраняя относительные ранги. Поскольку CAP входит мультипликативно с весами задач, которые нормализуются в пределах каждой профессии, абсолютные изменения CAP затрагивают все профессии пропорционально, оставляя стабильным межпрофессиональный и межрегиональный сравнительный анализ.

5.5 Внешняя валидация баллов CAP

Чтобы оценить, отражает ли наша методика оценивания возможностей ИИ реальный сигнал воздействия, а не произвольную калибровку, мы сравниваем баллы ATE с двумя независимо вычисленными индексами воздействия ИИ, полученными с использованием различных методологий.

Сходимая валидность с AIOE. Felten, Raj и Seamans [11] построили индекс профессионального воздействия ИИ (AIOE), сопоставив документированные возможности ИИ с возможностями O*NET. Эта методология структурно аналогична нашему CAP-оцениванию, но была разработана независимо с использованием иных эталонов возможностей ИИ и схем взвешивания. Сопоставив 193 из наших 236 профессий по коду SOC, мы находим ранговую корреляцию Спирмена $\rho=0.84$ ($p<10^{-6}$) между средними значениями оценок ATE и значениями AIOE. Сильная корреляция подтверждает, что наша CAP-методология улавливает тот же лежащий в основе сигнал воздействия, что и независимо валидированная мера.

Сходимость по конструктной валидности с воздействием GPT. Eloundou и соавт. [2] оценили показатели подверженности GPT-4, используя другой подход: объединённые оценки человеческих аннотаторов и самооценки GPT-4 на уровне задач, агрегированные по профессиям. Сопоставив все 236 профессий, мы находим $\rho=0.72$ ($p<10^{-6}$). Умеренно более низкая корреляция по сравнению с AIOE ожидаема: измерение Eloundou и соавт. фиксирует необработанную подверженность возможностям LLM без корректировок на покрытие рабочих процессов, тогда как наш показатель ATE включает штрафы COV, которые систематически уменьшают оценки для профессий с межличностными, регуляторными или физическими барьерами для агентной автоматизации.

Интерпретируемые расхождения. Профессии, где ATE существенно ниже, чем AIOE или воздействие GPT (например, клерки Почтовой службы, где ранг ATE 159 против ранг AIOE 16, и туристические агенты, где ранг ATE 175 против ранг AIOE 64), — это именно те, где велики штрафные нагрузки по COV из‑за требований физического присутствия (P3) или межличностного взаимодействия (P1). Этот паттерн подтверждает, что член COV выполняет свою предназначенную функцию: снижает оценку прямого воздействия возможностей ИИ для профессий, где барьеры в рабочих процессах препятствуют сквозной агентной автоматизации.

5.6 Анкерирование параметров S-кривой

Параметры S-образной кривой в таблице 1 являются калиброванными значениями, а не непосредственно оцененными по одной временной последовательности. Чтобы оценить, попадают ли эти параметры в эмпирически правдоподобные диапазоны, мы проводим триангуляцию по четырем независимым источникам данных, охватывающим различные аспекты внедрения ИИ.

Ограничения темпа роста ($k$). Подгонка логистической функции под временной ряд времени внедрения в организациях из McKinsey Global AI Survey ($n=9$ годовых наблюдений, 2017–2025) дает $k=0.25$ ($R^{2}=0.70$) для широкого внедрения ИИ [18]. Низкое $R^{2}$ отражает, что широкое внедрение корпоративного ИИ в этот период не следовало чистой S-образной кривой; оценка $k=0.25$ по этой подгонке является нижней границей, поскольку она охватывает все формы машинного обучения и аналитики, а не конкретно агентские системы. На верхней границе Gartner прогнозирует, что AI-агенты будут встроены в 40% корпоративных приложений к концу 2026 года, по сравнению с менее чем 5% в 2025 году [25]. Это означает одно годовое мультипликативное увеличение роста $\sim$8$\times$, согласующееся с $k\approx 2.1$ в течение самого крутого этапа внедрения. Значение нашего Tier 1 $k=0.85$ находится между этими границами, отражая траекторию внедрения агентского ИИ, которая происходит быстрее, чем широкое внедрение ИИ, но медленнее, чем внедрение в пиковом приложении.

Точка перегиба ($\tau_{0}$) согласованность. Опрос McKinsey 2025 State of AI (проводился в июне–июле 2025) показывает, что к середине 2025 года 62% организаций как минимум экспериментировали с ИИ-агентами, а 23% активно масштабировали [18]. В рамках логистической модели момент, когда 62% организаций, которые в конечном итоге перейдут к внедрению, начали взаимодействие, соответствует периоду спустя 1–2 года после точки перегиба. Это помещает точку перегиба в диапазон 2023.5–2024.5 для глобального среднего. Наша точка перегиба Tier 1 $\tau_{0}=2024.25$ согласуется с тем, что организации Сан-Франциско-Бей-эрии опережают глобальное среднее, тогда как Tier 2 ($\tau_{0}=2025.0$) и Tier 3 ($\tau_{0}=2025.75$) отражают ожидаемую задержку внедрения для регионов с более низкой плотностью работодателей в сфере ИИ.

Действительно AI публикует долю. Трекер AI в объявлениях о найме от Indeed Hiring Lab [26] предоставляет еженедельный временной ряд публикаций, связанных с AI, как долю от всех объявлений о вакансиях. Подбор логистической функции к данным по США (2019–2026, $n=373$ недельные средние) дает $k=0.13$, $\tau_{0}=2030$, $R^{2}=0.39$. Плохое соответствие и поздняя точка перегиба отражают, что этот ряд измеряет спрос на работников в области AI, а не развертывание агентных решений в масштабе предприятия. Это опережающий показатель, который отслеживает адаптацию рынка труда, а не внедрение технологий напрямую. Примечательно, что в ряде наблюдается отчетливое ускорение в конце 2025 года (рост с 2,7% в марте 2025 до 4,8% в феврале 2026), что согласуется с постперегибной фазой развертывания, предсказанной нашей моделью.

Согласованность результатов занятости. Самое сильное доказательство закрепления дают наблюдаемые эффекты на рынке труда. При откалиброванных значениях в статье $V(\text{SF Bay},2025\text{ Q1})\approx 0.62$ и $V(\text{NY},2025\text{ Q1})\approx 0.34$. Данные QCEW (раздел 5.7) показывают, что занятость в SF Bay Administrative снижается на 9,3% год к году в Q1 2025, тогда как в Нью-Йорке наблюдаются гораздо меньшие изменения. Этот градиент по уровням согласуется с дифференциалом $V$. Если бы параметры S-образной кривой были существенно неверными (например, если бы $\tau_{0}$ приходилось на 2 года позже), предсказанный разрыв $V$ между уровнем Tier 1 и Tier 3 в начале 2025 года был бы пренебрежимо мал, что противоречило бы наблюдаемому расхождению занятости.

5.7 Эмпирическая валидация в отношении исходов трудоустройства

Критическая проверка любой рамочной модели смещения заключается в том, предсказывают ли ее показатели фактические результаты на рынке труда. Мы оцениваем прогностическую валидность рамочной модели ATE с помощью двух взаимодополняющих подходов: отраслевой анализ на уровне профессий с использованием данных BLS OEWS (2023–2024) и анализ на уровне отраслей с использованием квартальных данных BLS QCEW (2024–2025).

Анализ на уровне профессий (2023–2024, до перегиба). Сопоставляя значения ATE по 296 парам «профессия–регион» с изменениями занятости год к году по данным BLS Occupational Employment and Wage Statistics (май 2023 против мая 2024), мы находим нулевой общий результат (Spearman $\rho=-0.04$, $p=0.47$, $n=296$). Мы сообщаем об этом прозрачно: показатель ATE на уровне профессий не предсказывает изменения занятости в окне 2023–2024 на общепринятых уровнях статистической значимости. Однако проявляются три сопутствующих закономерности, согласующиеся с интерпретацией до перегиба. Во-первых, направление согласовано: профессии с показателями ATE выше медианы росли на $+2.0\%$ по сравнению с $+4.5\%$ для тех, кто ниже, разрыв составляет 2,5 процентных пункта. Во-вторых, в профессиях, связанных с продажами (SOC 41), наблюдается статистически значимая отрицательная корреляция ($\rho=-0.40$, $p=0.017$, $n=35$), при этом средняя занятость снижается $6.4\%$. В-третьих, слабый совокупный сигнал согласуется с согласованием по времени модели S-образной кривой: точка перегиба Tier 1 откалибрована на Q2 2024, то есть окно OEWS за 2023–2024 годы фиксирует фазу до перегиба, когда давление вытеснения нарастает, но еще не достигает наблюдаемой величины для большинства профессий.

Отраслевой анализ (2024–2025, после переломного момента). Чтобы зафиксировать ускорение внедрения агентного ИИ в 2025 году, мы анализируем данные BLS Quarterly Census of Employment and Wages (QCEW) за Q1–Q3 2025 [24], сравнивая изменения занятости год к году по пяти отраслям NAICS, соответствующим нашим шести группам исследования SOC. Этот анализ выполняется на уровне отрасли$\times$MSA, а не на уровне профессий, обеспечивая дополнительную проверку прогнозов рамочной модели на уровне секторов.

Результаты выявляют резкое расхождение между отраслями с высоким ATE и отраслями с низким ATE. Во втором квартале 2025 года отрасли с высоким ATE (NAICS 52 Finance, NAICS 5411 Legal, NAICS 5614 Business Support) демонстрируют среднее изменение занятости год-к-году на $-0.6\%$, тогда как отрасль с низким ATE (NAICS 62 Healthcare) показывает $+3.6\%$. Это различие составляет 4,2 процентных пункта ($p<0.05$ по перестановочному тесту). В пределах Сан-Франциско Бэй-эрии (Уровень 1) контраст еще более выражен: занятость в административной/деловой поддержке снизилась на $9.3\%$ год-к-году в первом квартале 2025 года и на $5.9\%$ во втором квартале, тогда как занятость в здравоохранении выросла на $4.7\%$. Этот разрыв превышает 14 процентных пунктов в пределах той же городской агломерации.

Предсказанный моделью S-образной кривой градиент уровня частично виден: занятость в финансовом секторе в SF Bay (уровень 1) снизилась на $6.1\%$ в Q1 2025 (с учетом занятости по всей территории Сан-Хосе и Сан-Франциско–Окленд MSAs) по сравнению с $-1.4\%$ в Сиэтле и $-1.8\%$ в Бостоне (оба уровня 2). Остин (уровень 2) является исключением: там наблюдается $+4.3\%$ финансового роста, вероятно, что отражает его статус развивающегося узла, который все еще находится на этапе роста для занятости в сфере финансовых услуг.

Временное ускорение. Сравнение двух окон валидации выявляет усиление сигналов вытеснения: анализ занятости на уровне отраслей за 2023–2024 годы показывает разрыв 2,5 п. п. между высоким ATE и низким ATE, тогда как анализ за 2024–2025 годы на уровне отраслей показывает разрыв 4,2 п. п. Это ускорение согласуется с предсказанием модели S-образной кривой о том, что развертывание проходит самый крутой этап адаптации в 2024–2025 годах для регионов уровня 1. Мы отмечаем важное предостережение: изменения занятости на уровне отраслей отражают множество факторов помимо внедрения ИИ, включая влияние процентных ставок на финансовые услуги и постпандемийную нормализацию при найме в здравоохранении. Однако дифференциальный характер (отрасли, связанные с обработкой информации, снижаются, тогда как здравоохранение, требующее физически интенсивного труда, растет; при этом самые резкие спады сосредоточены в регионе с наибольшей плотностью работодателей ИИ) трудно объяснить только макроэкономическими факторами, поскольку процентные ставки и бизнес-циклы воздействуют на все регионы симметрично.

Проверяемое предсказание. Фреймворк ATE формирует поддающееся проверке предсказание для данных May 2025 OEWS (вышедших в мае 2026): на уровне профессий Спирмена должна усилиться корреляция между баллами ATE и изменением занятости — от $\rho=-0.04$ (2023–2024) к $\rho<-0.15$ (2024–2025), при этом самый крупный эффект должен наблюдаться в профессиях уровня Tier 1: Финансы и администрация. Мы обязуемся сообщить об этом результате независимо от направления.

6 Восстановительные эффекты и возникающие профессии

Модель Аджемоглу–Рестрепо — это не только история вытеснения. Менее цитируемое, но столь же важное ее предсказание заключается в том, что создание новых задач частично компенсирует потери от автоматизации: канал восстановления. Опираясь на обнаруженные нами в ходе развертываний в организациях модели внедрения и на данные о публичных объявлениях о вакансиях, мы выявляем семнадцать профессиональных категорий, в которых агентный ИИ формирует чисто новый спрос на труд человека. Эти категории группируются в четыре кластера, каждый из которых опирается на различный режим отказа современных агентных систем.

Операции ИИ и надзор (5 ролей). Агентные системы, работающие в масштабе предприятия, дают сбои способами, которые трудно диагностировать и крайне важно не игнорировать: агент скоринга кредитоспособности молча отклоняется, когда изменяются форматы входных данных из вышестоящих источников; агент юридических исследований галлюцинирует ссылку на судебный прецедент, которая проходит поверхностные проверки. Выявление этих сбоев требует наличия человеческих наблюдателей, встроенных в производственный контур. Мы выделяем пять ролей в этом измерении: специалист по операциям ИИ, наблюдатель агентной системы, рецензент качества ИИ, инженер знаний агента и менеджер инцидентов ИИ.

Дизайн взаимодействия человека и ИИ (4 роли). Развертывание агентной системы — не событие по принципу «подключил и работает». Сопутствующий рабочий процесс (кто проверяет вывод агента, как эскалируются исключения, как выглядит резервный процесс, когда агент недоступен) должен быть намеренно переосмыслен. Роли в этом измерении включают Дизайнера рабочих процессов ИИ, Специалиста по взаимодействию человек—ИИ, Тренера по внедрению ИИ и Специалиста по управлению изменениями (AI Focus).

Направление специализированного ИИ (5 ролей). Наиболее ценный способ применения агентного ИИ — не замена специалиста в предметной области, а освобождение его от рутинных подзадач, чтобы он мог сосредоточиться на сложных проблемах. Старший помощник юриста, который раньше тратил 70% времени на проверку документов, теперь тратит 70% на руководство агентом и 30% на работу, требующую оценок и которую агент не может выполнять. Роли в этом кластере (старший помощник юриста, усиленный ИИ; финансовый аналитик с помощью ИИ; клинический супервизор ИИ; специалист по комплаенсу, руководимый ИИ; и стратегический аналитик рынка (усиленный ИИ)) представляют карьерный путь «специалист предметной области, ставший директором по ИИ».

Управление ИИ и этика (3 роли). Когда агентная система отказывает в кредите, направляет пациента по маршруту triage или рекомендует приговор, кто-то должен нести ответственность. Текущие нормативные рамки отстают от технологии, создавая спрос на специалистов, которые устраняют этот разрыв: AI Compliance Officer, AI Ethics Reviewer и Algorithmic Accountability Manager.

Данные рынка труда для возникающих ролей. Хотя эти семнадцать категорий ориентированы в будущее, некоторые из них демонстрируют измеримое проникновение на рынок труда по состоянию на начало 2026 года. Indeed.com перечисляет примерно 1 500 вакансий «AI Reviewer» и 1 460 вакансий «AI Workflow Designer» в США [26]; LinkedIn сообщает, что «AI Engineer» входит в число самых быстрорастущих названий должностей (рост на 143% год к году по количеству размещений) [17]. Функция AI-управления быстро расширяется: International Association of Privacy Professionals (IAPP) сообщает, что 98,5% организаций из опрошенных нуждаются в дополнительных специалистах по AI-управлению [27], а медианные зарплаты для ролей по AI-управлению превышают 150 000 долларов. Барометр PwC 2025 Global AI Jobs Barometer показывает, что работники с навыками AI получают 56% надбавку к заработной плате по сравнению с коллегами, удвоившись с 25% годом ранее [28]. Эти данные подтверждают, что названные нами роли, которые возвращаются, не являются умозрительными. Они появляются на рынке труда ровно на тех профессиональных границах, которые предсказывает наша рамка.

Количественная оценка величины восстановления. Хотя точные оценки численности для ролей, которые еще не существуют в масштабе, требуют предположений о скорости внедрения в организациях, мы приводим оценки порядка величины при явных допущениях. В районе залива Сан-Франциско данные OEWS за май 2024 года показывают приблизительно 580 000 работников на административных, финансовых и юридических должностях (группы SOC 13, 23 и 43), соответствующих 91 профессиям с $\mathrm{ATE}_{2027}\geq 0.35$. Мы представляем три сценария конверсии вытеснения (доля работников в профессиях умеренного риска, которые испытывают фактическое сокращение ролей в течение 3 лет после пересечения порога):

• ⟦ Низкий (10% конверсии): $\sim$58,000 вытесненных позиций, требующих $\sim$29,000–46,000 ролей для восстановления в должности при исторических коэффициентах восстановления в диапазоне 50–80% [5];
• Средняя (20% конверсия): $\sim$116,000 замещённых, $\sim$58,000–93,000 ролей для восстановления;
• ⟦ Высокий (30% конверсия): $\sim$174,000 замещенных, $\sim$87,000–139,000 ролей возвращено.

Диапазон возвращения 50–80% определяется историческим паттерном, задокументированным Acemoglu и Restrepo [8], которые обнаруживают, что создание новых задач частично, но не полностью, компенсировало вытеснение в предшествующих волнах автоматизации; мы принимаем этот диапазон как правдоподобную границу, согласующуюся с их эмпирическими результатами, а не как непосредственно сообщаемую статистику. Коэффициент конверсии вытеснения является наименее ограниченным параметром: нет эмпирических прецедентов для развертывания агентного ИИ в таком масштабе, и соответствующие показатели будут зависеть от организационных решений, которые трудно смоделировать ex ante. Эти оценки следует рассматривать как граничные сценарии, а не как точечные прогнозы; для проверки или сужения этих диапазонов потребуется лонгитюдное отслеживание фактических исходов развертывания агентного ИИ.

Ключевое открытие, полученное в результате этого анализа, заключается в том, что возникающие роли в первую очередь не являются техническими в традиционном смысле. Они не требуют опыта программирования. Они требуют умения четко формулировать цели для систем ИИ, предметной компетентности для критической оценки результатов работы ИИ, суждения о том, когда результаты работы ИИ требуют вмешательства человека, а также коммуникативных навыков для взаимодействия с заинтересованными сторонами в условиях изменений рабочих процессов, обусловленных ИИ. Это указывает на то, что основной путь переквалификации заключается не в переходе из вытесняемых профессий в программную инженерию, а в переходе из вытесняемых профессий к AI-направленным версиям той же предметной области.

7 Политические последствия

7.1 Переход рабочей силы

Наиболее непосредственное следствие для политики связано с временными параметрами. В Сан-Франциско Бэй Эриа 84 из 236 профессий пересекают порог умеренного риска к 2026 году, включая специалистов по медицинской информационной поддержке (ATE 0.36), специалистов по ведению медицинской документации (ATE 0.36) и специалистов по управлению проектами (ATE 0.37). Поддержка при переходе, предоставляемая до вытеснения, оказывается более эффективной, чем поддержка, предоставляемая после того, как уже подано уведомление WARN, однако большинство программ развития рабочей силы по своей конструкции носят реактивный характер. Рамка ATE предоставляет опережающий индикатор того, что текущая инфраструктура политики не хватает.

О переквалификации данные противоречат инстинкту переобучать вытесненных работников на инженеров по программному обеспечению. Возвращенные роли, выявленные в Разделе 6, не требуют программирования. Они требуют бывшего параюриста, который достаточно хорошо понимает договорное право, чтобы выявить вымышленное предложение в действиях агента, либо бывшего финансового аналитика, который может проверить AI- сгенерированную модель DCF на предмет циклических допущений. Профессиональный опыт в предметной области является дефицитным входом; владение AI-инструментами — это дополняемое навык, который можно освоить. Программы, опирающиеся на уже имеющиеся профессиональные знания, а не отказывающиеся от них в пользу двухлетнего компьютерного научного буткемпа, обеспечат более быстрые, более устойчивые переходы.

Региональные плановые агентства сталкиваются с особенно неловкой асимметрией. В городах уровня Tier 1 78–92% административных и финансовых профессий пересекают порог умеренного риска к 2027 году; в городах уровня Tier 2 при том же горизонте этого не происходит вообще. Планирование единой национальной ответной меры либо приведет к чрезмерным вложениям в регионы, где давление не проявилось, либо к недостаточным вложениям там, где оно уже возникло. Бюджетная лаборатория Йельского университета [29] приходит к сопоставимому выводу: влияние ИИ на рынок труда не видно в совокупных статистических показателях, но сосредоточено в отдельных нишах профессия–регион, которые можно наблюдать через подачи WARN и данные о вакансиях. Региональная дифференциация не является необязательной.

7.2 Переосмысление высшего образования: от передачи знаний к суждению, усиленному ИИ

Если профессии, сталкивающиеся с наиболее крутыми кривыми вытеснения, относятся к информационно ёмким профессиональным ролям (кредитные аналитики, специалисты по правовым вопросам, финансовые инспекторы), то университетские программы, которые готовят завтрашних кредитных аналитиков, юристов и финансовых инспекторов, не могут продолжать обучать тем же рабочим процессам, которые агентные системы будут выполнять автономно. Педагогический вопрос больше не звучит как «Сможет ли студент построить эту модель DCF?», а скорее как «Сможет ли студент распознать сфабрикованное допущение о выручке в модели DCF, которую построил агент?”

Эта переориентация затрагивает одновременно три области компетенций. Первая — обнаружение галлюцинаций: способность проверять результаты работы, сгенерированные ИИ, по достоверным данным. Студент финансов должен уметь распознавать, когда агентский DCF использует циклические ссылкu на ячейки или галлюцинирует рыночный сопоставимый показатель, которого не существует ни в одном документе. Студент юридического профиля до поступления на адвокатуру должен проверять ссылки на судебные дела по Westlaw, а не доверять тому, что оформление агентом по bluebook подразумевает, что вывод на самом деле верен. Наши оценки ATE указывают прямо на то, где следует сосредоточить это обучение. Профессии с $\mathrm{ATE}\geq 0.35$ и низкими штрафами COV — это именно те роли, где агенты производят правдоподобные, но потенциально ошибочные результаты в больших объемах.

Второе — обработка исключений в условиях неопределенности. Посмотрите на категории штрафа COV: межличностные переговоры (P1), нормативное суждение (P2), физическое присутствие (P3), реагирование на кризис (P4). Это задачи, которые агентные системы пока не могут выполнять. И, что не случайно, это также задачи, которые в современных учебных программах недооцениваются по отношению к техническому содержанию. Реформа учебной программы, опирающаяся на рамки ATE, перераспределила бы аудиторные часы в сторону обучения на основе кейсов именно в этих измерениях, устойчивые человеческие навыки.

Третье — владение инструментами ИИ как базовое профессиональное ожидание. Умение работать с электронными таблицами для выпускника по финансам в 1995 году было неотъемлемым; направление ИИ-агента не должно быть необязательным для выпускника по финансам в 2028 году. Это не означает требовать Python. Это означает требовать от каждого студента по финансам умения задавать ограничения для агентного исследовательского рабочего процесса, оценивать промежуточные результаты и распознавать, когда нужно отменить автоматическую рекомендацию.

Показатели ATE дают университетам эмпирически обоснованную процедуру отбора: программы, готовящие к профессиям, связанным с $\mathrm{ATE}_{2030}\geq 0.40$ (Финансовые, Юридические, Административные), должны сразу интегрировать эти компетенции, тогда как программы, готовящие к областям с более низкими показателями ATE (Медицинская поддержка, $\mathrm{ATE}_{2030}\approx 0.32$–$0.35$), имеют более длительное, хотя и не бесконечное, окно.

7.3 Обязанности работодателя

Работодатели, внедряющие агентные системы ИИ, несут обязанности, которые действующие нормативные рамки не в полной мере охватывают. Пороговые значения уведомления в WARN Act применяются к массовым увольнениям, но не к постепенному сокращению численности персонала за счет замещения ИИ, что, согласно нашему анализу, более характерно для агентного развертывания. Добровольное раскрытие планов развертывания агентного ИИ в сочетании с предварительным уведомлением затронутых работников позволило бы начать поддержку перехода еще до наступления вытеснения. Ряд юрисдикций (Колорадо, Иллинойс) разрабатывают требования к раскрытию влияния ИИ на занятость, которые могут служить моделями.

8 Заключение

Центральный тезис этой статьи прост: агентный ИИ меняет то, что означает «подверженность автоматизации», и существующие рамки, ориентированные на задачи (какими бы тщательно ни были построены), не способны отразить этот сдвиг. Введённая нами оценка ATE расширяет модель вытеснения–восстановления Acemoglu и Restrepo, чтобы учесть завершение сквозных рабочих процессов, и эмпирическое применение на 236 профессиях в пяти метро США даёт результат, который должен вызывать обеспокоенность у специалистов по планированию рабочей силы. В районе залива Сан-Франциско 78,4% административных и 91,7% финансовых профессий пересекают порог умеренного риска к 2027 году. В Сиэтле, Остине и Бостоне ни одна из них не делает этого к этому горизонту, но к 2030 году они сходятся к 74,5% и 87,5% соответственно. Те же профессии, те же профили подверженности, разделены лагом внедрения в 2–3 года, который дистанционная работа активно сокращает.

Возвратная сторона реестра реальна, но принимает иные формы, чем предыдущие волны автоматизации. Семнадцать возникающих ролей, которые мы выделяем, не требуют навыков программной инженерии. Они требуют доменной экспертизы, обращенной внутрь: кредитный аналитик, который может проверить результат работы агента, специалист по соответствию, который может задать регуляторные ограничения для автономного рабочего процесса. Программы переквалификации, которые заставляют вытесненных работников идти на учебные курсы по программированию, решают неверную задачу.

Мы откровенно описываем то, что фреймворк пока делает недостаточно хорошо. Показатели CAP и COV частично опираются на оценку практиков там, где опубликованные бенчмарки недостаточно обширны. Однако внешняя валидация относительно независимо построенных индексов AIOE ($\rho=0.84$) и подверженности GPT ($\rho=0.72$) дает уверенность, что сигнал является подлинным, а не артефактом наших решений по калибровке (раздел 5.5). Рубрика COV на основе ключевых слов имеет документированную долю ложноотрицательных результатов (раздел 4.3), что делает наши оценки ATE верхней границей риска вытеснения. Корректировка для удаленной работы опирается на агрегированные показатели телеработы, а не на детальные данные по уровням работодателей. Анализ по замыслу ограничен пятью метрополитенскими районами в Соединенных Штатах: данные по задачам O*NET и численность занятости по BLS являются наиболее детальными публично доступными исходными данными для такого рода фреймворка, и установление валидности в одной стране перед распространением на международный уровень является методологически корректной практикой. Сам фреймворк ATE не зависит от страны — он требует только базы данных профессиональных задач, бенчмарков возможностей ИИ и калибровки скорости внедрения, а международное расширение с использованием данных OECD PIAAC и Eurostat в настоящее время разрабатывается.

Куда должно пойти это исследование дальше? Ключевую метрику COV следует заменить валидированным семантическим классификатором на основе LLM, который сообщает доверительные интервалы по нескольким независимым прогонам. Проверяемое с помощью опровержения предсказание в Разделе 5.7 состоит в том, что корреляции между ATE и изменением занятости на уровне профессий усилятся с $\rho=-0.04$ до $\rho<-0.15$ при публикации данных OEWS за май 2025 года. Это самое прямое испытание ценности рамок, и мы обязуемся сообщить результат независимо от направления. Помимо этого, потребуется лонгитюдное отслеживание фактических результатов развертывания агентных систем, чтобы откалибровать коэффициенты конверсии вытеснения, которые остаются наименее ограниченным параметром в нашей модели. Расширение на международные рынки труда в настоящее время ведется. Рамка ATE требует только базы данных по профессиональным задачам, бенчмарков возможностей AI и параметров скорости внедрения, специфичных для региона — входных данных, доступных для экономик ОЭСР через PIAAC и Eurostat. Самые важные открытые вопросы для международного случая состоят в том, переносится ли структура штрафа COV (откалиброванная на нормах регулирования и рабочих процессов США) на рынки труда с иными механизмами коллективных переговоров, более жесткими режимами защиты работников или структурно отличающимся отраслевым составом, и как параметризовать уровни скорости внедрения для экономик с разными уровнями готовности к AI и регуляторными условиями, такими как EU AI Act.

Методология и оценочные рубрики, используемые в данном анализе, доступны по запросу для поддержки воспроизведения результатов и текущего мониторинга рынка труда. В частности, авторы могут предоставить: (1) полную таблицу оценок CAP, сопоставляющую категории способностей O*NET с оценками возможностей ИИ с источниками эталонов; (2) рубрику COV с четырьмя штрафами и разобранными примерами для репрезентативных профессий; (3) параметры региональной S-кривой с источниками калибровки; и (4) пайплайн вычислений на Python, воспроизводящий все показатели ATE, приведенные в этой статье, на основе публично доступных данных O*NET и BLS.111 Дополнительные материалы и код доступны от соответствующего автора по адресу ravishgupta@ieee.org. Репозиторий содержит все вычислительные скрипты, сопоставления CAP, списки ключевых слов COV и инструкции по воспроизводимости.

Раскрытие интересов

Эта работа была выполнена независимо и не связана с позицией авторов в BigCommerce или в Университете в Буффало, а также не отражает взгляды или интересы этих организаций. Авторы не имеют конкурирующих интересов, которые необходимо заявить применительно к содержанию этой статьи.