ИИ вместо сотрудников или ИИ для сотрудников: почему автоматизация не решает судьбу профессии

«Если мы внедрим ИИ, нам придётся увольнять сотрудников?» Этот вопрос возникает раньше выбора модели и сервера. Руководитель рассчитывает на рост производительности, команда слышит разговор о сокращениях. Обсуждение технологии быстро превращается в спор о будущем людей.

Сам факт внедрения ИИ не определяет численность команды. Автоматизация меняет затраты на отдельные задачи, а дальше вступают в дело спрос, качество, организация работы и решения собственника. Разобраться в этом помогает история профессии, которой уже обещали скорое исчезновение, — рентгенологии.

В опубликованной Valence беседе Джеффри Хинтон вспоминает свой прогноз 2016 года: через пять лет рентгенологи станут не нужны. Он признаёт ошибку в сроках и уточняет, что имел в виду чтение снимков. При этом его ожидание будущего остаётся прежним: ИИ анализирует изображение, врач проверяет результат. Это мнение Хинтона, а не установленный срок перехода всей медицины на такой процесс. Valence · AI Unpacked with Geoffrey Hinton ↗

Ошибка интересна не как повод спорить с известным учёным. Она показывает разницу между способностью системы выполнить операцию и возможностью заменить профессию целиком. Между распознаванием находки на изображении и завершённой медицинской помощью есть клинический контекст, обсуждение с коллегами, процедуры, обучение и ответственность.

По переписи Royal College of Radiologists за 2025 год дефицит врачей-консультантов по клинической радиологии в Великобритании оценивается в 32%. В том же отчёте подчёркивается, что их работа включает гораздо больше, чем интерпретацию снимков. Речь об определённой системе здравоохранения, а не о едином состоянии мирового рынка труда. Royal College of Radiologists · Clinical Radiology Census 2025 ↗

Дефицит не доказывает, что именно ИИ создал дополнительные рабочие места. На потребность в исследованиях влияют возраст населения, клинические маршруты, доступность диагностики и финансирование. Профессия может оставаться востребованной, даже когда часть её операций автоматизируется.

ИИ может автоматизировать задачи быстрее, чем исчезают профессии. Но сохранение профессии не гарантирует сохранение каждой должности.

В 1865 году Уильям Стэнли Джевонс в книге «Угольный вопрос» описал механизм, который сегодня называют парадоксом Джевонса. Более эффективное использование угля могло увеличивать его суммарное потребление: полезная работа дешевела, и экономике становилось выгодно использовать энергию шире. Экономия ресурса на одну операцию не обязательно означает экономию во всей системе. W. S. Jevons · The Coal Question · Of the Economy of Fuel ↗

Применительно к труду это полезная аналогия с условиями. Если подготовка услуги обходится дешевле, компания может снизить цену, ускорить обслуживание или предложить продукт тем, кому раньше он был недоступен. Рост заказов способен поглотить высвободившееся время и создать новую потребность в людях. Но ни снижение цены, ни появление заказов не происходят автоматически.

Представим условный процесс: 100 заказов требуют 100 часов человеческой работы. После автоматизации, включая проверку и исправления, производительность удвоилась. При прежнем объёме достаточно 50 часов. Если заказов стало 200, нужны прежние 100 часов. Если 300 — уже 150 часов. Все числа здесь заданы для объяснения механизма и не являются прогнозом эффективности ИИ.

В этой упрощённой модели необходимые часы равны объёму работы, делённому на производительность. Чтобы часов стало больше при двукратном росте производительности, выпуск должен вырасти более чем вдвое. Количество штатных сотрудников из этой формулы напрямую не следует: остаются графики, разные компетенции, пиковые нагрузки и другие обязанности.

Поэтому фраза «ИИ создаст больше работы благодаря Джевонсу» пропускает главное условие: рынок должен захотеть и оплатить дополнительный результат. Удешевление подготовки отчёта не заставляет клиента покупать сто ненужных отчётов. А рост числа заявок ещё не означает рост прибыльных сделок.

Для небольшой компании вопрос звучит конкретно: есть ли полезная работа, которую сейчас откладывают из-за нехватки времени? Необработанные обращения, медленная подготовка предложений, отсутствие регулярного контакта с клиентами — возможные точки роста. Если автоматизация снимает именно это ограничение, существующая команда может обслужить больший объём.

Однако ограничением может оказаться другое: слабый спрос, нехватка оборудования, длинное согласование заказчика или отсутствие бюджета. Тогда быстрый черновик коммерческого предложения мало изменит продажи. Если следующая стадия процесса всё равно пропускает десять заказов в день, сто подготовленных предложений создадут очередь.

У внутренней отчётности тоже есть предел полезности. Бизнесу могут быть нужны двенадцать качественных ежемесячных отчётов в год. Производство ста двадцати ради демонстрации активности не создаёт ценности. Освободившееся время придётся осознанно направить на другую работу, сократить переработки или пересмотреть штатную потребность.

Здесь важна разница между отдельной компанией и рынком. Фирма может уменьшить команду, отрасль — увеличить выпуск, а потребитель — получить более доступную услугу. Эти результаты могут существовать одновременно. Они не обещают, что конкретный сотрудник быстро найдёт равноценную работу.

В кейсе центра CAMO Гонконгского университета от 3 июня 2026 года описана сеть iKang. По данным авторов, после первого анализа снимков ИИ и переноса значительной части проверки в 16 региональных центров число рентгенологов уменьшилось с 400 до 160 при сохранении объёма около 8 миллионов изображений в год. Человек продолжал просматривать весь снимок и выносить окончательное суждение. HKU CAMO · iKang Nano Case · 3 June 2026 ↗

Это описание конкретной организационной перестройки, а не контролируемое исследование всего рынка. Из него нельзя выделить независимый эффект одной модели, перенести результат на любую клинику или заключить, что речь шла именно о 240 увольнениях: сокращение численности и механизм ухода сотрудников — разные сведения.

Для руководителя пример полезен тем, что не позволяет спрятаться за оптимистичной формулой «ИИ только помогает». Помощь сотруднику может настолько изменить трудоёмкость и распределение задач, что компании потребуется меньше людей. Особенно если объём услуги остаётся прежним, а работу можно централизовать.

В разборе Goldman Sachs Research от 24 апреля 2026 года различаются замещение труда и дополнение человеческой работы. Аналитики связывают первую группу с потерями занятости, а вторую — с её ростом в ряде ролей. Это оценки по данным США и выбранным индексам воздействия ИИ, а не эксперимент, который установил судьбу каждой профессии или причинность любого сокращения. Goldman Sachs Research · AI substitution and augmentation · 24 April 2026 ↗

В исследовательской записке МОТ от 6 мая 2026 года обобщены заметные приросты производительности на уровне отдельных задач — обычно 10–70%. Эффекты часто сильнее у менее опытных работников и в хорошо определённых текстовых задачах. Но на уровне компаний результаты неоднородны: перенос выигрыша на весь бизнес требует изменений процессов и навыков. ILO · The Aggregation Paradox of AI · 6 May 2026 ↗

На практике это означает, что удачная демонстрация недостаточна. Модель написала письмо быстрее человека, но письмо может ждать проверки, содержать ошибку в цене или требовать ручного переноса в CRM. Время генерации — лишь одна часть пути до принятого результата.

Допустим, подготовка документа занимала 60 минут, а теперь черновик появляется за пять. Если проверка занимает 25 минут и ещё десять уходит на исправления и перенос данных, процесс длится 40 минут. Выигрыш — 20 минут, а не 55. Это расчётный пример, не замер AI Office. Считать нужно также неудачные попытки и работу проверяющего.

Правило «ИИ заменит новичков, но не тронет экспертов» слишком грубое. Начинающий сотрудник может быстрее находить информацию и готовить приемлемые черновики с подсказками. Опытный специалист тоже уязвим, если почти вся оплачиваемая работа состоит из стандартного исполнения, которое стало легко автоматизировать.

Полезнее разобрать должность на конкретные операции. Для каждой выяснить: насколько она повторяется, доступны ли правильные исходные данные, можно ли проверить результат, насколько дорого обходится ошибка и кто отвечает за последствия. Один и тот же сотрудник обычно выполняет задачи с совершенно разными ответами.

Это варианты распределения работы для пилота. Они не означают, что любая модель уже надёжно выполняет перечисленные операции. Даже поиск по корпоративной базе требует актуальных документов и проверки источника. Формальная подпись человека бесполезна, если у него нет времени и компетенции разобраться в результате.

Есть и вопрос подготовки будущих экспертов. Если убрать у новичков все учебные задачи и оставить только принятие готового ответа, компания рискует потерять путь к самостоятельной работе. Поэтому вместе с автоматизацией нужны разбор ошибок, объяснение решений, практика без подсказок и наставник. Экспертиза не появляется от должности «проверяющий ИИ».

Начните с процесса, который регулярно повторяется и имеет владельца. Например, подготовка ответа на входящее обращение: найти сведения о клиенте, поднять договор, сверить условия, составить черновик и передать ответственному. В пилоте проверяется вся цепочка, включая исключения, доступы и ручную доработку.

До запуска полезно зафиксировать исходное время, долю ошибок, очередь и критерии принятия результата. Выборка должна включать сложные и неудобные случаи. Если сравнить обычный рабочий день с несколькими специально подобранными примерами, получится красивая демонстрация вместо основания для управленческого решения.

• Измеряйте время всех участников до принятого результата, включая проверку и исправления.
• Следите за качеством, жалобами и возвратами, а не только за количеством подготовленных документов.
• Учитывайте стоимость моделей, интеграций, поддержки и обучения команды.
• Заранее определите, на какую полезную работу пойдёт высвобождённое время.
• Обсудите с сотрудниками новые обязанности, обучение и реальные ограничения проекта.

Предположим, освободилось десять часов в неделю. Для компании ценностью может стать обработка очереди без переработок, более быстрый ответ клиенту или отказ от дополнительного найма при росте заказов. При неизменной зарплате это ещё не десять часов прямой денежной экономии. Чтобы оценить проект, нужно увидеть фактический результат использования времени.

Если цель действительно состоит в сокращении затрат на штат, её нельзя маскировать обещанием «никого не заменяем». Прозрачный разговор о последствиях и переходе к новой работе помогает людям участвовать в изменениях. Без их знания исключений и скрытых правил процесс легко автоматизировать неправильно.

AI Office мы предлагаем проектировать вокруг конкретной работы компании: поиска в документах, подготовки материалов, контроля поручений и типовых операций. ИИ берёт на себя согласованные шаги, сотрудник получает подготовленный контекст и сохраняет предусмотренные процессом решения. Состав функций, качество и границы автоматизации проверяются на пилоте.

Локальная AI-станция позволяет строить такой процесс внутри инфраструктуры компании; внешние модели могут подключаться по согласованным правилам. Это вопрос контроля данных и архитектуры. Само по себе локальное размещение не гарантирует рост производительности или сохранение рабочих мест.

Для руководителя полезная отправная точка — найти задачи, которые отнимают время у существующей команды, и определить, какой результат станет возможен после их автоматизации. Иногда это больше клиентов. Иногда — меньше ошибок и переработок. Иногда проверка покажет, что внедрение пока не оправдано.

Вопрос «заменит ли ИИ сотрудников» слишком широк для решения о конкретном проекте. Гораздо точнее спросить: что изменится в работе людей, кто проверит результат и куда пойдёт освободившееся время? С этого разбора мы предлагаем начинать AI Office: выбрать один процесс вашей компании, проверить его на реальных материалах и только затем расширять автоматизацию.