В зоне риска: что делать, если ИИ отнимает у вас работу

По прогнозу Gartner, мировые расходы на ИИ в 2026 году достигнут $2,52 трлн, что на 44% больше, чем еще год назад! Иными словами, темпы развития данного рынка просто колоссальны, и это уже давно вышло за рамки обычного экономического эксперимента.

Неудивительно, что на этом фоне всё больше людей бросает в дрожь при упоминании ИИ. Признайтесь, вы тоже хотя бы раз задумывались: «А не останусь ли я без работы вообще?» Нейросети уже пишут письма, создают черновики презентаций, переводят тексты, собирают аналитику, помогают с кодом и отвечают клиентам уж точно быстрее человека. Тревога здесь логична, но насколько она обоснованная? Ведь когда-то и фабрики вытеснили ручной труд, однако многие профессии всё равно выжили. Что же нам делать?

Стоит ли бояться ИИ на самом деле

Если коротко, бояться бессмысленно - просто потому, что с развитием технологий ничего поделать нельзя. Не будете же вы отрицать, что жизнь с появлением ИИ действительно стала легче и многограннее? ИИ - вовсе не всемирное зло, и это по-прежнему не настолько глобальная угроза, чтобы впадать в истерику. Однако причины поволноваться есть.

Рынок стремительно перестраивается. По данным World Economic Forum, к 2030 году изменения на рынке труда затронут 22% всех рабочих мест: появится около 170 млн новых ролей, а 92 млн будут адаптированы или заменены. По оценком Международной организации труда, 25% мировой занятости приходится на профессии, которые также потенциально затронут генеративные ИИ, а в странах с высоким доходом эта цифра доходит до 34%. Но ключевой вывод ILO следующий (и обнадеживающий): чаще речь идет не о полном исчезновении профессии, а о перестройке задач внутри нее.

То есть, если большая часть вашей работы состоит из повторяемых, предсказуемых и легко описываемых действий, именно эта часть сейчас дешевеет быстрее всего.

Что ИИ «забирает» в первую очередь:

• шаблонные черновики и типовые тексты;

• первичный перевод без сложного культурного контекста;

• рутинные ответы клиентам и FAQ;

• сводки, расшифровки, краткие саммари;

• простые куски кода, тестовые заготовки, документацию;

• первичную сортировку информации и базовый desk research.

Именно поэтому фокус нужно смещать. Не спрашивать себя: «Заменят ли меня однажды?» Полезнее и правильнее будет спросить: «Что в моей работе уже умеет ИИ и что в связи с этим я должен делать лучше?» Как в поговорке о том, что если не можешь остановить, то нужно возглавить; не воевать с инструментом, а научиться превосходить его и использовать себе во благо. В конце концов, именно в этом и заключается первоначальная задумка ИИ - помогать человеку, а не заменять его.

Что делать, если ваша профессия в зоне риска

Самая проигрышная стратегия сейчас - делать вид, что ничего не происходит. Вторая по неудачности - бросаться учиться всему подряд. Оцените свою профессию трезво: какие задачи в ней уже автоматизируются, где ИИ действительно экономит время, а где по-прежнему буксует и недотягивает. И дальше уже отталкиваться необходимо именно от этого. Но дальнейшее направление действий, конечно, зависит от конкретной профессии.

Переводчик

Если вы переводчик, плохая новость в том, что машинный перевод уже давно не уступает человеческому. По данным отраслевых исследований, он используется более чем в 50% профессиональных переводческих задач. Но есть и хорошая новость - это не отменяет переводчика как специалиста. Потому что именно там, где текст перестает быть набором слов и становится культурой с важностью интонации и наличием двусмысленности (например, в литературе или при переводе игр с богатым лором), у ИИ всё еще большие проблемы.

Что делать? Уходить не в «перевод вообще», а в более дорогую часть профессии:

• осваивать постредактуру машинного перевода, а не бороться с ней;

• уходить в ниши, где важны точность и контекст: юридический, медицинский, финансовый, технический перевод;

• прокачивать транскреацию - то есть не буквальный перенос текста, а адаптацию смысла, тона и культурных нюансов;

• работать с терминологией, глоссариями, единообразием и качественным QA.

Проще говоря, ИИ уже умеет быстро выдать черновик. Но он всё еще легко ломается на идиомах, игре слов, скрытых отсылках, рекламной интонации и культурных нюансах. Там, где текст нужно не просто перевести, а пересобрать так, чтобы он буквально жил на другом языке, человек пока впереди.

Редактор, копирайтер, автор

Здесь ИИ тоже уже не «угроза из будущего», а обычный сосед по цеху. Он умеет быстро накидать структуру, подобрать заголовки, собрать саммари, предложить варианты захода в тему и написать терпимый, но очень усредненный черновик. И именно в этом его сила: он ускоряет количество. Но с качеством всё не так однозначно.

Исследования человеческо-ИИ креативности показывают довольно любопытную вещь: с помощью LLM люди действительно генерируют больше идей и тратят на это меньше усилий, но само по себе это не гарантирует более сильного результата. Более того, в таких экспериментах ИИ часто выдает контент, который нравится «в среднем всем», но именно человеческое участие поднимает отдельные работы по качеству выше - как и в случае перевода, именно там, где важны интонация, культурное наследие и редакторский вкус.

Что делать:

• отдавать ИИ черновую работу: варианты заголовков, тезисы, ресерч-скелет, расшифровку интервью, первые версии подводок;

• самому усиливать то, что у машины пока хромает: авторский голос, ритм, иронию, чувство меры, неожиданный угол, точную деталь;

• больше работать с живыми источниками - интервью, кейсами, наблюдениями, реальными историями (ИИ всё еще нередко «галлюцинирует» и выдумывает то, чего нет);

• прокачивать редакторскую функцию: отбор, сборка, сокращение, выстраивание логики, различение живого текста и «контентной массы».

Именно здесь у ИИ пока всё еще слабое место. Он часто говорит гладко, но чересчур «безопасно». Любит шаблонные повороты, переобъясняет очевидное, слабо чувствует юмор в узком культурном контексте, не всегда понимает, где текст звучит искусственно, а где действительно по-человечески. Поэтому для автора сейчас главный путь не в том, чтобы писать «как нейросеть», а наоборот - в том, чтобы писать так, как нейросеть пока не умеет.

Программист

Пожалуй, ни одна профессия не получает столько нервных прогнозов, как разработка. ИИ уже пишет код, дописывает функции, помогает с рефакторингом, генерирует тесты и документацию. Но как только разговор заходит не о маленьком фрагменте, а о реальной инженерной работе в большом проекте, восторг начинает заметно остывать.

Исследование MIT CSAIL прямо говорит: популярный миф сводит разработку к «получил задачу - написал функцию». В реальности работа программиста гораздо шире: архитектура, миграции, поддержка легаси, тестирование, безопасность, ревью, разбор сложной логики, работа с ограничениями и рисками. Там же подчеркивается, что ИИ хорошо автоматизирует рутину, но до полной автономной разработки еще очень далеко. А UTSA в 2025 году отдельно показал, что LLM нередко генерируют небезопасный код и даже могут «галлюцинировать» несуществующие пакеты, создавая прямые риски для безопасности.

Что делать:

• использовать ИИ там, где он уже реально полезен: boilerplate, тесты, документация, варианты рефакторинга, быстрые прототипы;

• меньше привязывать свою ценность к скорости написания простого кода;

• больше уходить в то, что сложнее автоматизировать: архитектуру, безопасность, системное мышление, ревью, product sense, понимание бизнес-логики;

• прокачивать навык проверки ИИ-кода, а не слепого доверия к нему.

Если говорить совсем прямо, ИИ опасен прежде всего для того программиста, который хочет остаться «человеком, быстро пишущим код, и всё». Но он же может сильно усилить того, кто умеет думать о системе целиком и видит дальше одной функции.

Специалист поддержки, customer success, аккаунт-менеджер

Вот здесь автоматизация будет идти очень быстро. Gartner прогнозирует, что к 2029 году агентный ИИ сможет самостоятельно закрывать до 80% типовых обращений в клиентской поддержке без участия человека. Для простых вопросов, повторяющихся кейсов и FAQ это действительно почти идеальный сценарий: быстро, дешево, круглосуточно.

Но как только разговор выходит за рамки «где мой заказ» и «как сбросить пароль», на сцену возвращается человек. MIT Sloan в 2025 году предложил очень полезную рамку EPOCH, аббревиатура которой складывается из такого набора способностей, как: эмпатия, присутствие, мнение/суждение, креативность и надежда. Вот всё это ИИ всё еще не может и не умеет. А именно на перечисленных качествах держатся сложные разговоры с клиентом: снять напряжение, не усугубить конфликт, почувствовать риск оттока, объяснить неприятное решение, сохранить отношения после ошибки.

Что делать:

• спокойно отдавать ИИ рутину: первые ответы, классификацию обращений, саммари звонков, поиск нужной информации;

• самому уходить в более дорогую часть профессии: эскалации, удержание, переговоры, эмпатию, работу с конфликтом, сложные кейсы;

• развивать не только продуктовую экспертизу, но и навык слышать реальную проблему клиента, а не просто «отвечать по скрипту»;

• учиться работать в гибридной связке: ИИ закрывает типовое, человек берет на себя всё, где важны доверие и решение под контекст.

Поддержка как функция никуда не исчезнет. Но профессия будет быстро «очищаться» от механики. И чем раньше специалист в этой сфере перестанет быть «человеком-FAQ», тем лучше для него.

Аналитик и исследовательская работа

Если ваша работа - это собирать информацию, делать первичные срезы, готовить сводки и превращать большие объемы текста в короткие выводы, ИИ уже стоит совсем рядом. McKinsey отмечает, что knowledge management сегодня входит в число функций с одним из самых высоких уровней использования ИИ. Но там же есть и важная деталь: компании, которые действительно получают от ИИ ценность, намного чаще заранее определяют, когда и как результаты модели должны проходить человеческую валидацию.

Потому что ИИ прекрасно помогает быстро собрать «первый проход» по теме, но всё еще регулярно путает важное и второстепенное, не всегда понимает, чего не хватает в данных, и слишком уверенно звучит даже там, где выводы сырые. Для аналитика это одновременно риск и шанс.

Что делать:

• отдавать ИИ черновую работу: сбор открытых источников, первичную группировку, краткие саммари, первые гипотезы;

• самому усиливать то, что машина делает хуже: постановку вопроса, проверку надежности источников, интерпретацию, поиск дыр в данных, формулировку рекомендаций;

• больше учиться не «искать информацию», а понимать, что из нее действительно имеет значение;

• прокачивать бизнес-контекст и навык объяснять выводы понятным языком тем, кто принимает решения.

Именно здесь проходит важная граница. ИИ уже может быть очень быстрым младшим аналитиком. Но хороший аналитик ценен не тем, что умеет быстро собрать таблицу, а тем, что умеет задать правильный вопрос и не сделать глупый вывод из красивого дашборда.

ИИ и правда меняет рынок - «бодаться» с этим бесполезно. Но это не повод заранее списывать себя со счетов. Скорее наоборот: сейчас особенно хорошо видно, что именно в профессии было рутиной, а что и раньше было настоящей ценностью. И если сместиться в эту более сильную часть своей работы - туда, где нужны вкус, авторское видение, креативность, соблюдение контекста и эмпатия, - у вас есть все шансы не проиграть машине, а стать еще сильнее рядом с ней.