Агентный ИИ разрушает допущение, лежащее в основе каждого прогноза уязвимости задач

TL;DR. Модели уязвимости задач рассматривают профессию как оболочку, сохраняющуюся вокруг того, что по-прежнему делают люди. Агентные системы преследуют цель и выдают готовый рабочий продукт.

Ключевые выводы

Прогнозы, которые переоценили масштаб. Промышленные роботы действительно вытеснили рабочих обрабатывающей промышленности.
Как работают модели задач. Чтобы понять, откуда берется это напряжение, полезно точно сформулировать, что именно утверждает традиция анализа задач.
Слепое пятно, общее для всех моделей. Источник выдвигает острое утверждение в адрес всех этих работ.
Что считается агентным. Если аргумент опирается на различие, это различие нуждается в определении.

Прогнозы рынка труда исходили из того, что автоматизация устраняет задачи по одной и оставляет профессию нетронутой. Агентный ИИ, выполняющий рабочие процессы целиком, опровергает это допущение, а новый композитный индекс агентной уязвимости задач (ATE) создан для измерения того, чего не видят старые модели.

Резюме для руководителей

Прежние прогнозы автоматизации, включая те, что построены на модели задач Автора-Леви-Мурнейна, разделяют одно допущение: профессия выживает как координационная оболочка вокруг оставшейся человеческой работы.

Системы агентного ИИ удовлетворяют четырем критериям: они принимают спецификацию цели, автономно выбирают и вызывают инструменты, сохраняют состояние между шагами вывода и создают завершенный рабочий продукт без вмешательства человека на промежуточных этапах.

Показатель ATE объединяет оценки возможностей ИИ, коэффициенты покрытия рабочих процессов и логистическую скорость внедрения. Кредитные аналитики, судьи и специалисты по устойчивому развитию достигают значений ATE на уровне 0.43-0.47.

Статья применяет ATE к 236 кодам SOC в шести основных профессиональных группах в пяти технологических регионах США и позиционирует себя как первое межрегиональное эмпирическое применение модели уязвимости задач, специально нацеленное на системы агентного ИИ.

Наряду с вытеснением в статье определены семнадцать новых профессиональных категорий, сосредоточенных в сферах сотрудничества человека и ИИ, управления ИИ и отраслевых ИИ-операций.

Прогнозы, которые переоценили масштаб #

Промышленные роботы действительно вытеснили рабочих обрабатывающей промышленности. Но они сделали это не в те сроки и не в том масштабе, которые подразумевали первоначальные прогнозы. Это предложение должно заставить каждого, кто профессионально читает прогнозы рынка труда, проявить некоторую осторожность, поскольку оно описывает закономерность: направление было верным, а масштаб - ошибочным.

Самая известная заголовочная цифра в этой литературе принадлежит Фрею и Осборну, которые попросили экспертов оценить 702 профессии в США на предмет общей "пригодности к компьютеризации". Их результат заключался в том, что 47% профессий находились в зоне высокого риска. Это поразительная цифра, и она разошлась очень широко.

Затем Арнтц, Грегори и Циран показали, что происходит, когда анализ спускается на уровень задач и учитывает неоднородность задач внутри номинально уязвимых профессий. Оценки высокого риска падают до 9-14% в странах ОЭСР. Дистанция между 47% и 9-14% - это не расхождение при округлении. Она отражает выбор единицы анализа, и этот выбор сдвигает ответ в три и более раза.

Источник откровенно признает, что спор между оценками на уровне профессий и на уровне задач не разрешен. Чего исследовательская область действительно достигла, так это практического консенсуса: декомпозиция на уровне задач необходима, а ярлыки на уровне профессий слишком грубы. Этот консенсус - фундамент, на котором держится остальная часть аргумента. И в то же время это фундамент, который агентный ИИ подвергает испытанию на прочность.

Как работают модели задач #

Чтобы понять, откуда берется это напряжение, полезно точно сформулировать, что именно утверждает традиция анализа задач.

Автор, Леви и Мурнейн разделили профессиональные задачи по двум осям: рутинные против нерутинных и когнитивные против ручных. Их аргумент состоял в том, что автоматизация замещает рутинные задачи, одновременно дополняя нерутинные. Это ясная идея, и она дала последующим работам словарь для обсуждения того, какие части работы может поглотить машина.

Аджемоглу и Рестрепо надстроили над этим формальную структуру. Они моделируют выпуск продукции как результат континуума задач, распределенных между капиталом и трудом. В их постановке доля труда растет или падает в зависимости от того, опережает ли создание новых задач - которое они называют каналом восстановления (reinstatement channel) - вытеснение задач. Следуя за ними, доля труда в добавленной стоимости записывается как sL = W * L / Y = f(|NL| / |N|), где W - ставка заработной платы, L - занятость, а Y - выпуск. Две силы тянут в противоположные стороны, и то, какая из них победит, определяет, кто получит выгоды.

Здесь важны еще две измерительные инициативы, поскольку они превратили теоретическую схему в показатели на уровне конкретных профессий. Фелтен, Радж и Симанс построили индекс профессиональной уязвимости к ИИ (AI Occupational Exposure, AIOE), связав опубликованные достижения возможностей ИИ с таксономией способностей O*NET. Элунду и соавт. сконструировали параллельный показатель, сосредоточенный на GPT-4, объединив разметку крауд-работников с самооценками GPT-4 на уровне задач.

Их главный вывод заключался в том, что 80% работников в США занимают должности, где по меньшей мере 10% задач уязвимы к LLM. Наибольшая уязвимость была сосредоточена среди высокооплачиваемых профессий, требующих высшего образования. Этот результат идет вразрез со старой интуицией о том, что автоматизация сначала бьет по рутинному, низкооплачиваемому труду, и объясняет, почему вопрос "белых воротничков" стал столь острым.

Слепое пятно, общее для всех моделей #

Источник выдвигает острое утверждение в адрес всех этих работ. Каждая цитируемая модель разделяет архитектурное слепое пятно: они моделируют автоматизацию как изъятие отдельных задач, в то время как сама профессия остается целой. Почти все прогнозы, включая те, что построены на модели задач Автора-Леви-Мурнейна, разделяют допущение, что автоматизация выбивает задачи по одной, а профессия выживает как координационная оболочка вокруг оставшейся человеческой работы.

Это допущение о структуре, а не о технологии. Оно ничего не говорит о том, насколько способна машина. Оно говорит, что сколько бы задач ни забрала машина, кто-то все равно должен удерживать остальное воедино.

Пример помощника юриста (paralegal) делает эту мысль конкретной. Анализ уязвимости задач может пометить 80% задач помощника юриста как уязвимые к LLM и все же прийти к выводу, что профессия в безопасности, поскольку координация этих задач требует человеческого суждения. Этот вывод следует из допущения об оболочке. Задачи уязвимы, но сшивка между ними - нет, поэтому работа остается.

Затем следует ключевой ход источника: узкое место координации, которое защищало роль помощника юриста, теперь находится внутри модуля планирования агента. Если это так, рассуждение, обеспечивавшее безопасность помощника юриста, перестает работать. Защита исходила от координации. А координация - это именно то, чем занимается агентная система.

Я считаю, что это самая полезная идея в статье, и она заслуживает того, чтобы ее рассматривали в ее собственных координатах. Старые модели не ошибаются насчет задач. Они ошибаются насчет того, что остается после того, как задачи уходят. Показатель, оценивающий задачи по одной, не способен увидеть систему, которая обрабатывает всю последовательность как единое целое.

Что считается агентным #

Если аргумент опирается на различие, это различие нуждается в определении. Источник дает его с помощью четырех критериев. Система агентного ИИ - это система, которая:

получает спецификацию цели, а не спецификацию отдельной задачи;
автономно выбирает и вызывает инструменты для достижения цели;
сохраняет состояние на протяжении нескольких шагов вывода; и
производит завершенный рабочий продукт без вмешательства человека на промежуточных шагах.

Этот список стоит сохранить именно как список, потому что критерии дискретны и каждый из них можно проверить. Система, которая просто отвечает на промпт, проваливает первый критерий. Система, которой нужен человек для утверждения каждого промежуточного шага, проваливает четвертый.

Говоря проще, агент получает цель, выбирает инструменты, выполняет многошаговый план, проверяет собственный результат и сдает готовый рабочий продукт. Агентные системы выстраивают цепочки вызовов инструментов, поддерживают постоянную память между шагами, планируют последовательности из множества действий и самокорректируются, когда промежуточные результаты не проходят проверку качества.

Деталь о самокоррекции важна больше, чем кажется на первый взгляд. Конвейер, который ломается при сбое одного шага, все еще нуждается в человеке поблизости. Система, которая замечает проваленную проверку качества и пробует снова, поглотила часть того надзора, который прежде оправдывал присутствие человека.

Статья определяет свой предмет так: автономные ИИ-агенты, способные выполнять целые профессиональные рабочие процессы, а не дискретные задачи. Слово "целые" несет основную нагрузку. Весь аргумент строится вокруг разрыва между отдельной задачей и полным рабочим процессом.

Почему именно сейчас #

Источник приводит два вида доказательств того, что вопрос не является гипотетическим. Первый касается возможностей. Модели класса GPT-4 достигли проходных порогов или превысили их на экзамене на статус адвоката (bar exam) и Медицинском лицензионном экзамене США (USMLE), а также приблизились на несколько процентных пунктов к сдаче CFA Level I. Это квалификационные экзамены для профессий, которые ограничивают вход именно потому, что работа сложна.

Второй касается развертывания. Крупные поставщики корпоративных технологий, включая Amazon, Microsoft, Salesforce, ServiceNow и Workday, раскрыли информацию о промышленных внедрениях агентных систем, затрагивающих рабочие процессы "белых воротничков", в ходе своих отчетов о доходах за 2024 год и презентаций для инвесторов. Это промышленные внедрения, а не исследовательские демоверсии, и о них было объявлено инвесторам, а не академикам.

Источник трактует эти раскрытия информации как заявления, которые компании делают только тогда, когда внедрения уже влияют на планирование численности персонала. Источник подает это как интерпретацию, а не измерение, и именно так к этому следует относиться. Ничто в предоставленных мне материалах не сообщает прямых цифр по штату сотрудников. Но вывод разумен: фирмы обычно не выносят техническое внедрение перед инвесторами, если оно не имеет значения для базы затрат.

Если сложить эти два факта вместе, довод в пользу нового показателя становится очевидным. Сами по себе технические возможности не поставили бы вопрос ребром, как и пара пилотных проектов. А вот возможности, которые уже пересекают профессиональные пороги в системах, уже работающих в промышленной эксплуатации - ставят.

Показатель ATE: что он измеряет, а что нет #

Ответом статьи стал показатель агентной уязвимости задач (Agentic Task Exposure, ATE). Это композитная метрика, расширяющая модель вытеснения задач Аджемоглу-Рестрепо для учета сквозного покрытия рабочих процессов, текущих бенчмарков возможностей агентного ИИ и скорости корпоративного внедрения. Показатель измеряет степень, в которой профессия o уязвима к сквозному вытеснению текущими системами агентного ИИ.

В него входят три составляющие: оценки возможностей ИИ, коэффициенты покрытия рабочих процессов и логистическая скорость внедрения. Коэффициент покрытия рабочего процесса - это та часть, которая напрямую устраняет слепое пятно. В источнике говорится, что в прежних работах не хватало меры того, помещается ли полная композиция рабочего процесса профессии внутрь операционной оболочки агентного ИИ, и это формализуется как коэффициент покрытия рабочего процесса. Старые показатели спрашивают, уязвима ли отдельная задача. Этот показатель спрашивает, помещается ли весь рабочий процесс в рамки того, что способен делать агент.

Уточняются еще две детали конструкции. Член wo,t - это взвешенная по важности релевантность задачи t в профессии o, взятая из рейтингов важности задач O*NET. А CAP(t), член возможностей, оценивается на основе литературы по бенчмаркам ИИ и отчетов практиков о внедрении. Таким образом, важность задач берется из стандартной базы данных профессий, тогда как возможности поступают из двух источников: бенчмарков и полевых отчетов.

Статья прямо говорит о методе, и читатель должен помнить об этом. Показатели ATE вычисляются алгоритмически из данных о задачах O*NET с использованием откалиброванных параметров внедрения; это не регрессионные оценки. Это имеет практические последствия. Регрессионная оценка сопровождается привычным аппаратом стандартных ошибок и аргументов идентификации. Откалиброванный алгоритмический композит этого не имеет, и его результаты представляют собой модельные прогнозы (model-derived projections) - именно это выражение сама статья использует для своих цифр вытеснения. Они описывают то, что подразумевает модель при заданных параметрах. Они не отчитываются о том, что уже произошло.

Я бы сказал, что это честная подача, и она правильна для задачи прогнозирования, где прогнозируемое явление еще не наступило. Композитный показатель, построенный из четко заявленных входных данных, можно проверить, оспорить и перекалибровать. Если кто-то не согласен со скоростью внедрения, он знает, какой именно регулятор нужно повернуть.

Где модель это применяет #

Эмпирическое применение широко. Статья применяет модель ATE к 236 кодам Стандартной классификации профессий (SOC), охватывающим шесть основных профессиональных групп, генерируя модельные прогнозы вытеснения в пяти крупных технологических регионах Соединенных Штатов на период 2025-2030 годов. Этими пятью регионами являются область залива Сан-Франциско, Сиэтл-Такома-Беллвью, Остин-Раунд-Рок, Нью-Йорк-Ньюарк и Бостон-Кембридж.

Статья описывает это как первое межрегиональное эмпирическое применение модели уязвимости задач, специально нацеленное на системы агентного ИИ. Это заявление авторов о приоритете, и я не могу проверить его по материалу, который находится передо мной. Что я могу сказать, так это то, что региональный дизайн является разумным ответом на проблему, общую для исследований национального уровня: уязвимость - это свойство профессий, но внедрение - это свойство мест и фирм.

По результатам, приводимым в источнике, кредитные аналитики, судьи и специалисты по устойчивому развитию достигают значений ATE на уровне 0.43-0.47. К этой группе стоит присмотреться внимательнее. Кредитный аналитик, судья и специалист по устойчивому развитию не похожи друг на друга ни по подготовке, ни по оплате, ни по повседневной работе. Общее у них, согласно расчетам статьи, - показатель в одном и том же диапазоне. Я бы расценил это как аргумент против любой поверхностной сортировки профессий на "безопасные" и "находящиеся под угрозой" по сектору или по воображаемой креативности.

Я бы также воздержался от того, чтобы вчитывать в эту цифру больше, чем подтверждает источник. Имеющийся у меня материал дает диапазон для этих трех профессий и не говорит, как он соотносится с остальными 236 кодами. Так что число показывает, что эти роли существенно уязвимы по шкале статьи. Оно не доказывает, что они являются наиболее уязвимыми.

Региональные выводы сопровождаются оговоркой, которую стоит повторить. В статье указывается, что влияние на рабочую силу Сиэтла в 2026-2027 годах является предварительным просмотром того, что более широкая национальная нетехническая рабочая сила испытает в 2028-2030 годах. Это прогноз с заявленным временным лагом, и он сформулирован осторожно. Он читается как гипотеза, которую продуцирует модель, и его не следует принимать за установленный факт. Но это полезный тип утверждения, потому что оно достаточно конкретно, чтобы оказаться ошибочным. Если ранний паттерн Сиэтла не перейдет на национальную нетехническую рабочую силу к 2028 году, у модели возникнет проблема, от которой она не сможет просто отмахнуться.

Сторона восстановления в балансе #

Сам по себе показатель вытеснения рассказывает лишь половину истории Аджемоглу-Рестрепо. В их модели доля труда зависит от того, опережает ли создание новых задач процесс вытеснения. Статья, которая расширила бы эту модель и измерила только вытеснение, отказалась бы от той части, которая придает модели ее внутреннее напряжение.

Эта статья так не поступает. Она определяет профессиональные категории, где агентный ИИ создает эффекты восстановления (reinstatement effects): новые роли, которых не существовало до того, как развертывание агентных систем создало спрос на масштабный человеческий надзор, управление и сотрудничество. В общей сложности она выделяет семнадцать новых профессиональных категорий, выигрывающих от эффектов восстановления. Они сосредоточены в ролях по сотрудничеству человека и ИИ, управлению ИИ и отраслевым ИИ-операциям.

Механизм легко проследить. Если агенты выполняют рабочие процессы от начала до конца, кто-то должен надзирать за ними, устанавливать правила, по которым они работают, и трудиться бок о бок с ними. Этих потребностей раньше не существовало в виде отдельных работ, потому что еще не за чем было надзирать.

Источник не сообщает мне, сколько людей могли бы трудоустроить эти семнадцать категорий, или компенсирует ли их рост то вытеснение, которое подразумевают показатели ATE. Таким образом, данные, которыми я могу оперировать, оставляют центральный вопрос открытым: опережает ли восстановление вытеснение. Любой, кто уверенно пишет, что опережает или что нет, выходит за рамки проверенных утверждений. Вклад статьи состоит в том, чтобы поместить обе стороны баланса в единую систему координат и назвать места, где появляются новые роли.

Какие выводы из этого сделать #

Здесь есть урок методологический и урок практический.

Методологический урок заключается в том, что единица анализа предопределяет ответ. Скачок с 47% до 9-14% произошел вследствие перехода от профессий к задачам. Статья утверждает, что теперь необходим следующий шаг - от задач к рабочим процессам, поскольку автоматизируется больше не отдельная задача. Каждый раз, когда менялась единица измерения, менялись и оценки, и история этой области говорит о том, что выбор единицы анализа заслуживает столь же пристального внимания, как и выбор данных.

Практический урок предназначен для всех, кто планирует численность персонала, обучение или продукты на ближайшие пять лет. Показателя, который говорит вам, что 80% задач определенной роли уязвимы, недостаточно, потому что он не отвечает на вопрос, являются ли оставшиеся 20% прочным человеческим ядром или просто связующим клеем, который теперь может обеспечить модуль планирования агента. Коэффициент покрытия рабочего процесса существует именно для того, чтобы задать этот вопрос напрямую.

Показатель ATE является композитом с откалиброванными параметрами, а его прогнозы выведены из модели. Это структурированный аргумент о 2025-2030 годах, а не хроника событий. И это причина проверять их, а не игнорировать. Гипотеза по Сиэтлу предлагает ранний тест: если эффекты 2026-2027 годов там будут выглядеть так, как подразумевает модель, то временной лаг до национальной нетехнической рабочей силы в 2028-2030 годах станет следующим явлением, за которым стоит наблюдать. А семнадцать категорий восстановления ставят вопрос, который сами по себе расчеты решить не могут: появятся ли роли, созданные для надзора за агентами, в таком количестве, которое будет иметь значение для доли труда в экономике.

Часто задаваемые вопросы #

Почему прежние модели уязвимости задач недооценивают влияние агентного ИИ?

Прежние модели, построенные на традиции Автора-Леви-Мурнейна, предполагают, что автоматизация устраняет отдельные задачи, в то время как сама профессия выживает как человеческая координационная оболочка. Системы агентного ИИ поглощают планирование, вызов инструментов, управление состоянием и промежуточные проверки качества, которые ранее требовали координатора-человека, делая уязвимыми целые рабочие процессы, а не изолированные задачи.

Как вычисляется показатель агентной уязвимости задач (ATE)?

ATE - это алгоритмический композит, построенный на основе рейтингов важности задач O*NET (wo,t), бенчмарков возможностей ИИ и отчетов практиков о внедрении (CAP(t)), коэффициента покрытия рабочего процесса, измеряющего, помещается ли полный рабочий процесс профессии в операционную оболочку агента, а также откалиброванных параметров логистической скорости внедрения для 236 кодов SOC.

Что обнаруживает исследование в отношении создания новых рабочих мест (эффектов восстановления)?

Расширяя канал восстановления Аджемоглу-Рестрепо, исследование выделяет семнадцать новых профессиональных категорий, сосредоточенных в сферах сотрудничества человека и ИИ, управления ИИ и отраслевых ИИ-операций. То, компенсирует ли рост в этих категориях вытеснение на уровне рабочих процессов, остается открытым эмпирическим вопросом.

Источники #

Ravish Gupta and Saket Kumar, (2026). Agentic AI and Occupational Displacement: A Multi-Regional Task Exposure Analysis of Emerging Labor Market Disruption ⧉. arXiv.
Tyna Eloundou, Sam Manning, Pamela Mishkin, and Daniel Rock, (2023). GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models ⧉. arXiv.
Daron Acemoglu and Pascual Restrepo, (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor ⧉. Journal of Economic Perspectives.
National Center for O*NET Development, (2025). O*NET Resource Center ⧉. US Department of Labor.

Последняя проверка 2026-11-01.

Опубликовать заново

Агентный ИИ разрушает допущение, лежащее в основе каждого прогноза уязвимости задач — Sebastien Rousseau

Модели уязвимости задач рассматривают профессию как оболочку, сохраняющуюся вокруг того, что по-прежнему делают люди. Агентные системы преследуют цель и выдают готовый рабочий продукт.

Эта статья распространяется по лицензии Creative Commons Attribution 4.0 International. При повторной публикации требуется указание канонической ссылки.

Агентный ИИ разрушает допущение, лежащее в основе каждого прогноза уязвимости задач — Sebastien Rousseau

Модели уязвимости задач рассматривают профессию как оболочку, сохраняющуюся вокруг того, что по-прежнему делают люди. Агентные системы преследуют цель и выдают готовый рабочий продукт.

Originally published at https://sebastienrousseau.com/ru/2026-10-25-agentnyy-ii-razrushaet-dopushchenie-lezhashchee-osnove/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER