ИИ не вызвал массовой безработицы, но ударил по джунам: разбор исследования Stanford SIEPR

Для абитуриентов и слушателей программ переподготовки это не повод отказываться от обучения, а основание внимательнее оценивать, какие именно компетенции формирует курс и как он готовит к работе в среде с ИИ. Прежняя логика, при которой первые годы профессии строились на выполнении большого массива типовых задач, постепенно перестаёт быть универсальной.

Вход в профессию сужается, а не исчезает

В материале приводятся данные, согласно которым макроэкономическая картина не подтверждает сценарий тотального вытеснения работников алгоритмами. В профессиях с высокой подверженностью ИИ безработица выросла на 0,77 процентного пункта, тогда как в сегментах с низкой подверженностью — на 0,85 пункта. Такая динамика, как отмечается в разборе, скорее говорит об общем замедлении американской экономики, чем о прямой автоматизации рабочих мест.

При этом для выпускников ситуация выглядит иначе. К началу 2026 года безработица среди молодых выпускников, по приведённым данным, достигла 5,6%; особенно резко сократился спрос на джунов в разработке программного обеспечения и клиентской поддержке. Бизнес передаёт ИИ написание несложного кода, первичную аналитику и подготовку текстов — именно те элементы труда, на которых раньше выстраивалась начальная профессиональная практика.

Это важное различие для тех, кто выбирает образовательную траекторию. Рынок не отменяет потребность в специалистах, но меньше готов оплачивать обучение новичка через поток рутинных заданий. Следовательно, диплом, сертификат или завершённый онлайн-курс сами по себе ещё слабее работают как пропуск в профессию: работодателю нужен кандидат, способный не только пользоваться инструментом, но и понимать границы его применения.

ИИ повышает производительность — при наличии контроля

Парадокс исследования состоит в том, что на рабочем месте ИИ может быть особенно полезен менее опытным сотрудникам. В колл-центрах общий прирост производительности составил 15%, а у новичков — 30%. Для задач программирования GitHub Copilot, согласно приведённому обзору, ускоряет работу на величину от 10% до 56%; результат зависит от опыта разработчика и того, как устроены процессы в компании.

Однако этот эффект не следует путать с самостоятельностью начинающего специалиста. Авторы разбора обращают внимание на феномен jagged capabilities — неравномерность возможностей ИИ. Модель может уверенно решать отдельную сложную задачу и одновременно допускать критическую ошибку в базовом действии. Поэтому рост производительности возможен там, где результат проверяет человек с устойчивой предметной подготовкой: мидл или сеньор, преподаватель-практик, руководитель проекта.

Для образовательных программ отсюда вытекает достаточно конкретный критерий качества. Курс по аналитике, разработке, маркетингу или работе с текстом должен учить не только составлять запросы к нейросети. Не менее важны постановка задачи, проверка фактов и вычислений, работа с источниками, понимание требований заказчика, способность объяснить и защитить принятое решение. Это не «дополнение к ИИ-навыкам», а их фундаментальная рамка.

Что проверять перед выбором курса

Выбирая обучение для смены профессии или первого входа в неё, стоит с осторожностью относиться к программам, обещающим быстрый выход на рынок за счёт освоения одного ИИ-инструмента. Инструменты меняются быстрее, чем образовательная программа успевает стать стандартом; устойчивее оказываются предметные компетенции, на которые эти инструменты накладываются.

Практически значимы три вопроса: есть ли в программе работа с реальными, неоднозначными задачами; предусмотрена ли развёрнутая обратная связь от преподавателя или наставника; требуется ли студенту проверять и аргументировать результат, а не просто получать его от модели. Особенно ценны проекты, где ИИ используется как часть рабочего процесса, но не подменяет понимание предмета.

Технологическая перестройка, как подчёркивается в разборе, пока развивается неравномерно между секторами и компаниями, а её полный эффект ещё впереди. Поэтому делать вывод о «конце джунов» преждевременно. Но образовательная парадигма уже меняется: конкурентоспособным станет не тот выпускник, который умеет быстрее всего получить черновик от нейросети, а тот, кто способен превратить этот черновик в проверенное профессиональное решение.