«Работы меньше не стало»: зачем компании, которые больше всех тратят на ИИ, активнее нанимают людей

Экономисты Ramp и аналитики рынка труда Revelio Labs сопоставили расходы компаний на ИИ-сервисы с изменениями их штатной численности. Внедрением считали не разовую подписку, а расходы на такие инструменты в течение как минимум трех месяцев подряд.

Компании с наиболее интенсивным использованием ИИ увеличили число офисных сотрудников в среднем на 10,2% за два года после внедрения. Численность начинающих специалистов у них выросла на 12%. У организаций, тративших на ИИ сравнительно мало, статистически значимого изменения не обнаружили.

Я бы не спешил считать страх безработицы опровергнутым: активные пользователи ИИ чаще изначально были растущими технологическими компаниями. Исследование показывает связь, а не причинность, но ставит под сомнение формулу «больше автоматизации — меньше людей».

На первой встрече мне нередко задают вопрос: сколько сотрудников позволит сократить ИИ? После разбора процесса он обычно меняется: как обработать растущий объем работы, который существующая команда уже не успевает принимать? Во многих случаях компании нужен не меньший штат, а другая конструкция работы. Поэтому мы не ограничиваемся разработкой и внедрением решений: проверяем их на реальных задачах, где видны ограничения технологии, стоимость ошибок и влияние на весь процесс.

На уровне отдельного работника эффект технологии кажется очевидным. Согласно данным Work AI Index 2026 компании Glean, 75% опрошенных цифровых работников считают, что благодаря ИИ стали продуктивнее. Но лишь 13% увидели существенное улучшение результатов всей организации.

Разрыв возникает потому, что ускорение одной операции еще не ускоряет весь процесс. Сотрудник может подготовить коммерческое предложение за 20 минут вместо двух часов, но затем документ двое суток будет ждать согласования. Разработчик быстрее пишет код, однако остаются тестирование, безопасность и интеграция. ИИ просто быстрее доставляет работу к следующему узкому месту.

На практике часто наблюдается один и тот же эффект: система ускоряет участок процесса, после чего нагрузка перемещается дальше.

• Отдел продаж выпускает больше предложений — и очередь возникает у тех, кто рассчитывает условия и готовит договоры.

• Поддержка быстрее отвечает на типовые вопросы — растет число сложных обращений, которые должен разобрать человек.

Именно поэтому исследование на реальных задачах важнее демонстрации возможностей модели: только так можно понять, что происходит с процессом целиком.

Так работает парадокс Джевонса: чем эффективнее становится технология, тем шире ее применяют. ИИ удешевляет подготовку текста, анализ документа или ответ клиенту — и бизнес начинает выполнять эти операции чаще. Технология убирает не профессию, а ее повторяемую часть. Вместо нее появляются новые обязанности: поставить задачу, предоставить данные, проверить ответ и разобрать исключения.

Одна из самых опасных ошибок — оценивать только долю автоматизированных обращений. Система может самостоятельно обрабатывать 94% запросов, но оставшиеся 6% включают конфликты, юридические риски, этические дилеммы и клиентов, которым уже не помог стандартный сценарий. Стоимость ошибки здесь намного выше средней.

IBM автоматизировала около 94% типовых кадровых запросов, но нестандартные вопросы всё равно требовали людей. В 2026 году компания сообщила о намерении утроить набор начинающих специалистов в США, в том числе чтобы сохранить кадровый резерв.

При оценке таких систем важнее учитывать не только среднюю точность модели, но и ее поведение на исключениях. Иногда автоматизировать 80% процесса с прозрачным контролем выгоднее, чем объявить об автоматизации 95% и получить непрогнозируемый риск в оставшейся части. Это можно увидеть только в работе: на реальных обращениях, документах и сценариях, а не в лабораторной демонстрации.

Цена отсутствующей проверки уже заметна. Летом 2026 года GPTZero обнаружила в четырех материалах PwC Middle East недостоверные ссылки и неподтвержденные утверждения. В одном из отчётов описывалась система Citizen Pulse, которой якобы пользовались правительства нескольких стран, однако исследователи не нашли убедительных подтверждений. PwC Middle East сообщила, что исправляет часть ссылок.

Может потребоваться больше людей, способных проверять источники, методологию и выводы. Иначе производительность растет на этапе генерации, а риск — на уровне всего продукта.

Некоторые работодатели уже пересматривают кадровые решения, принятые на волне ожиданий от ИИ. Orgvue опросила 1,163 тыс. руководителей средних и крупных организаций. 39% из них сокращали сотрудников после внедрения технологии, а 55% представителей этой группы впоследствии признали, что при сокращениях были допущены ошибки.

Исследование Robert Half показало похожий результат: 32% американских менеджеров по найму, упразднивших позиции после внедрения ИИ, позднее вернули такие же или близкие по содержанию роли.

Проблема не в том, что ИИ оказался бесполезен. Ошибка возникает, когда способность автоматизировать отдельную задачу принимают за готовность заменить должность. Почти любая работа состоит из разных функций: одни можно передать системе, другие — ускорить, а третьи требуют человеческого решения и ответственности. Увольняя сотрудника вместе с автоматизированной частью его работы, компания теряет и всё остальное.

Названия должностей могут не измениться, но работа становится другой. Маркетолог меньше времени тратит на первый вариант текста и больше — на проверку гипотез. Юрист быстрее изучает типовые документы, но тщательнее разбирает риски.

Рынок ждет появления десятков профессий с приставкой «ИИ», но новые обязанности сначала распределяются между существующими специалистами. Бизнес-аналитик учится проектировать взаимодействие с моделью, отраслевой эксперт — оценивать ее ответы, а руководитель — измерять не количество запросов к ИИ, а конечный результат.

Меняются и требования к начинающим сотрудникам. Поиск информации или подготовка шаблонного документа уже не могут быть их единственной ценностью. Им приходится раньше учиться проверять результат, понимать бизнес-контекст и объяснять принятое решение. При этом исследования Ramp и Revelio Labs зафиксировало наиболее заметный рост младших специалистов именно у компаний с интенсивным использованием ИИ.

По моему опыту, неудачные внедрения часто закладываются еще до разработки — когда компания выбирает инструмент раньше, чем формулирует задачу. Нужно зафиксировать стоимость, продолжительность и ошибки процесса, провести ограниченный пилот с человеческим контролем, а затем посчитать полную стоимость решения. Важно проверить не только умение модели выполнять отдельную операцию, но и то, как меняются сроки, нагрузка, качество и ответственность сотрудников в реальной работе. Только после этого можно менять роли и принимать кадровые решения.

Выиграют не те компании, которые быстрее всех сократят штат, а те, которые раньше других научатся заново собирать работу людей и машин. Для этого недостаточно разработать и внедрить технологию: нужно исследовать ее на реальных задачах и честно измерять, где она создает ценность, а где добавляет новый риск.