Агентний ШІ руйнує припущення, що лежить в основі кожного прогнозу вразливості завдань

TL;DR. Моделі вразливості завдань розглядають професію як оболонку, що зберігається навколо того, що досі роблять люди. Агентні системи переслідують мету і видають готовий робочий продукт.

Ключові висновки

Прогнози, які переоцінили масштаб. Промислові роботи справді витіснили робітників переробної промисловості.
Як працюють моделі завдань. Щоб побачити, звідки береться це напруження, корисно точно сформулювати, що саме стверджує традиція аналізу завдань.
Сліпа пляма, яку поділяє кожна модель. Джерело висуває гостру тезу щодо всіх цих праць.
Що вважається агентним. Якщо аргумент залежить від розрізнення, це розрізнення потребує означення.

Прогнози ринку праці виходили з того, що автоматизація усуває завдання по одному і залишає професію вцілілою. Агентний ШІ, який виконує цілі робочі процеси, робить це припущення недійсним, а новий композитний показник, агентна вразливість завдань (ATE), створений для вимірювання того, чого не бачать старі моделі.

Резюме для керівників

Попередні прогнози автоматизації, включно з тими, що побудовані на моделі завдань Автора-Леві-Мурнейна, поділяють одне припущення: професія виживає як координаційна оболонка навколо решти людської роботи.

Системи агентного ШІ задовольняють чотири критерії: вони приймають специфікацію цілі, автономно обирають і викликають інструменти, зберігають стан між кроками виведення та створюють завершений робочий продукт без втручання людини на проміжних етапах.

Показник ATE поєднує оцінки можливостей ШІ, коефіцієнти покриття робочих процесів і логістичну швидкість впровадження. Кредитні аналітики, судді та фахівці зі сталого розвитку досягають значень ATE на рівні 0.43-0.47.

Стаття застосовує ATE до 236 кодів SOC у шести основних професійних групах у п'яти технологічних регіонах США й описує себе як перше багаторегіональне емпіричне застосування моделі вразливості завдань, спеціально спрямоване на системи агентного ШІ.

Поряд із витісненням стаття визначає сімнадцять нових професійних категорій, зосереджених у сферах співпраці людини і ШІ, управління ШІ та галузевих операцій ШІ.

Прогнози, які переоцінили масштаб #

Промислові роботи справді витіснили робітників переробної промисловості. Проте вони зробили це не в ті терміни і не в тому масштабі, які передбачали початкові прогнози. Це речення має змусити кожного, хто професійно читає прогнози ринку праці, бути трохи обережнішим, адже воно описує закономірність: напрямок був правильним, а масштаб - хибним.

Найвідоміша заголовна цифра в цій літературі походить від Фрея та Осборна, які попросили експертів оцінити 702 професії в США щодо загальної "придатності до комп'ютеризації". Їхній результат полягав у тому, що 47% професій перебували під високим ризиком. Це вражаюча цифра, і вона розійшлася дуже широко.

Потім Арнтц, Грегорі та Ціран показали, що відбувається, коли аналіз спускається на рівень завдань і враховує неоднорідність завдань усередині номінально вразливих професій. Оцінки високого ризику падають до 9-14% у країнах ОЕСР. Відстань між 47% і 9-14% - це не розбіжність у заокругленні. Вона відображає вибір одиниці аналізу, і цей вибір зсуває відповідь утричі або більше.

Джерело відверто визнає, що дискусія між оцінками на рівні професій і на рівні завдань не завершена. Чого сфера таки досягла, то це практичного консенсусу: декомпозиція на рівні завдань є необхідною, а ярлики на рівні професій - надто грубими. Цей консенсус є фундаментом, на якому тримається решта аргументу. І водночас це фундамент, який агентний ШІ піддає випробуванню.

Як працюють моделі завдань #

Щоб побачити, звідки береться це напруження, корисно точно сформулювати, що саме стверджує традиція аналізу завдань.

Автор, Леві та Мурнейн розділили професійні завдання вздовж двох осей: рутинні проти нерутинних та когнітивні проти ручних. Їхній аргумент полягав у тому, що автоматизація заміщує рутинні завдання, водночас доповнюючи нерутинні. Це чиста ідея, і вона дала пізнішим працям словник для розмови про те, які частини роботи може поглинути машина.

Аджемоглу та Рестрепо надбудували над цим формальну структуру. Вони моделюють випуск продукції як результат континууму завдань, розподілених між капіталом і працею. У їхній постановці частка праці зростає або падає залежно від того, чи випереджає створення нових завдань - яке вони називають каналом відновлення (reinstatement channel) - витіснення завдань. Слідом за ними частка праці у доданій вартості записується як sL = W * L / Y = f(|NL| / |N|), де W - ставка заробітної плати, L - зайнятість, а Y - випуск. Дві сили тягнуть у протилежні боки, і те, яка з них переможе, визначає, хто отримає вигоди.

Тут важливі ще дві вимірювальні ініціативи, оскільки вони перетворили теоретичну модель на показники для конкретних професій. Фелтен, Радж і Сіманс побудували показник професійної вразливості до ШІ (AI Occupational Exposure, AIOE), пов'язавши опубліковані досягнення можливостей ШІ з таксономією здібностей O*NET. Елунду та ін. сконструювали паралельний показник, зосереджений на GPT-4, поєднавши розмітку крауд-працівників із самооцінками GPT-4 на рівні завдань.

Їхній головний висновок полягав у тому, що 80% працівників у США обіймають посади, де принаймні 10% завдань є вразливими до LLM. Найсильніша вразливість була зосереджена серед високооплачуваних професій, що вимагають вищої освіти. Цей результат суперечить старішій інтуїції про те, що автоматизація спершу б'є по рутинній, низькооплачуваній праці, і пояснює, чому питання "білих комірців" стало нагальним.

Сліпа пляма, яку поділяє кожна модель #

Джерело висуває гостру тезу щодо всіх цих праць. Кожна цитована модель має спільну архітектурну сліпу пляму: вони моделюють автоматизацію як вилучення окремих завдань, поки сама професія залишається цілою. Майже всі прогнози, включно з тими, що побудовані на моделі завдань Автора-Леві-Мурнейна, поділяють припущення, що автоматизація вибиває завдання по одному, а професія виживає як координаційна оболонка навколо решти людської роботи.

Це припущення про структуру, а не про технологію. Воно нічого не каже про те, наскільки здатною є машина. Воно каже, що хоч би скільки завдань забрала машина, хтось усе одно мусить утримувати решту докупи.

Приклад помічника юриста (paralegal) робить цю думку конкретною. Аналіз вразливості завдань може позначити 80% завдань помічника юриста як вразливі до LLM і все ж дійти висновку, що професія в безпеці, оскільки координація цих завдань вимагає людського судження. Цей висновок випливає з припущення про оболонку. Завдання вразливі, але зшивання між ними - ні, тому робота залишається.

Далі ключовий хід джерела: вузьке місце координації, яке захищало роль помічника юриста, тепер перебуває всередині модуля планування агента. Якщо це так, то міркування, яке тримало помічника юриста в безпеці, перестає працювати. Захист походив від координації. А координація - це саме те, що робить агентна система.

Я вважаю, що це найкорисніша ідея в статті, і вона заслуговує на те, щоб її сприймали за її власними умовами. Старіші моделі не помиляються щодо завдань. Вони помиляються щодо того, що залишається після того, як завдання зникають. Показник, який оцінює завдання по одному, не здатен побачити систему, яка обробляє всю послідовність як єдине ціле.

Що вважається агентним #

Якщо аргумент залежить від розрізнення, це розрізнення потребує означення. Джерело дає його за допомогою чотирьох критеріїв. Система агентного ШІ - це така система, яка:

отримує специфікацію цілі, а не специфікацію завдання;
автономно обирає та викликає інструменти для досягнення цілі;
зберігає стан упродовж кількох кроків виведення; та
створює завершений робочий продукт без втручання людини на проміжних кроках.

Цей список варто зберегти саме як список, тому що критерії є дискретними і кожен із них можна перевірити. Система, яка просто відповідає на промпт, провалює перший критерій. Система, якій потрібна людина для затвердження кожного проміжного кроку, провалює четвертий.

Простішими словами, агент отримує ціль, обирає інструменти, виконує багатокроковий план, перевіряє власний результат і видає готовий робочий продукт. Агентні системи об'єднують виклики інструментів у ланцюжки, підтримують постійну пам'ять між кроками, планують послідовності з багатьох дій і самокоригуються, коли проміжні результати не проходять перевірку якості.

Деталь про самокорекцію важить більше, ніж здається на перший погляд. Конвеєр, який ламається, коли один крок зазнає невдачі, все ще потребує людини поруч. Система, яка помічає провалену перевірку якості й пробує знову, поглинула частину того нагляду, який раніше виправдовував присутність людини.

Стаття визначає свій предмет так: автономні ШІ-агенти, здатні виконувати цілі професійні робочі процеси, а не дискретні завдання. Слово "цілі" несе основну вагу. Увесь аргумент стосується розриву між окремим завданням і повним робочим процесом.

Чому саме зараз #

Джерело пропонує два види доказів того, що це питання не є гіпотетичним. Перший стосується можливостей. Моделі класу GPT-4 досягли прохідних порогів або перевищили їх на адвокатському іспиті (bar exam) та Медичному ліцензійному іспиті США (USMLE), а також наблизилися на кілька відсоткових пунктів до складання CFA Level I. Це кваліфікаційні іспити для професій, які обмежують вхід саме тому, що робота є складною.

Другий стосується розгортання. Великі постачальники корпоративних технологій, зокрема Amazon, Microsoft, Salesforce, ServiceNow та Workday, розкрили інформацію про промислові розгортання агентних систем, які зачіпають робочі процеси "білих комірців", під час своїх звітів про прибутки за 2024 рік і презентацій для інвесторів. Це промислові впровадження, а не дослідницькі демоверсії, і про них було оголошено інвесторам, а не академікам.

Джерело трактує ці розкриття інформації як такі, які компанії роблять лише тоді, коли розгортання вже впливають на планування чисельності персоналу. Джерело подає це як інтерпретацію, а не вимірювання, і саме так до цього слід ставитися. Ніщо в наданих мені матеріалах не повідомляє прямих цифр щодо штату працівників. Проте висновок є розумним: фірми зазвичай не виносять технічне впровадження перед очі інвесторів, якщо воно не має значення для бази витрат.

Якщо скласти ці два факти разом, аргумент на користь нового показника стає очевидним. Самі лише технічні можливості не поставили б питання руба, як і кілька пілотних проєктів. А от можливості, які вже перетинають професійні пороги в системах, що вже працюють у промисловій експлуатації - ставлять.

Показник ATE: що він вимірює, а що ні #

Відповіддю статті є показник агентної вразливості завдань (Agentic Task Exposure, ATE). Це композитна метрика, яка розширює модель витіснення завдань Аджемоглу-Рестрепо для врахування наскрізного покриття робочих процесів, поточних бенчмарків можливостей агентного ШІ та швидкості корпоративного впровадження. Показник вимірює ступінь, до якого професія o є вразливою до наскрізного витіснення поточними системами агентного ШІ.

До нього входять три складові: оцінки можливостей ШІ, коефіцієнти покриття робочих процесів та логістична швидкість впровадження. Коефіцієнт покриття робочого процесу - це та частина, яка безпосередньо усуває сліпу пляму. У джерелі сказано, що в попередніх працях бракує міри того, чи поміщається повна композиція робочого процесу професії всередину операційної оболонки агентного ШІ, і це формалізується як коефіцієнт покриття робочого процесу. Старіші показники запитують, чи є вразливим окреме завдання. Цей показник запитує, чи поміщається весь робочий процес у межі того, що здатен робити агент.

Уточнюються ще дві деталі конструкції. Член wo,t - це зважена за важливістю релевантність завдання t у професії o, взята з рейтингів важливості завдань O*NET. А CAP(t), член можливостей, оцінюється на основі літератури з бенчмарків ШІ та звітів практиків про впровадження. Отже, важливість завдань походить зі стандартної бази даних професій, тоді як можливості беруться з двох джерел: бенчмарків і польових звітів.

Стаття прямо говорить про метод, і читач має пам'ятати про це. Показники ATE обчислюються алгоритмічно з даних про завдання O*NET із використанням відкаліброваних параметрів впровадження; це не регресійні оцінки. Це має практичні наслідки. Регресійна оцінка супроводжується звичним апаратом стандартних похибок та аргументів ідентифікації. Відкалібрований алгоритмічний композит цього не має, і його результати є модельними прогнозами (model-derived projections) - саме цей вислів сама стаття вживає щодо своїх показників витіснення. Вони описують те, що модель передбачає за заданих параметрів. Вони не звітують про те, що вже сталося.

Я б сказав, що це чесна подача, і вона є правильною для задачі прогнозування, де те, що прогнозується, ще не відбулося. Композитний показник, побудований із чітко заявлених вхідних даних, можна перевірити, оскаржити й перекалібрувати. Якщо хтось не згоден зі швидкістю впровадження, він знає, який саме регулятор слід повернути.

Де модель це застосовує #

Емпіричне застосування є широким. Стаття застосовує модель ATE до 236 кодів Стандартної класифікації професій (SOC), що охоплюють шість основних професійних груп, генеруючи модельні прогнози витіснення у п'яти великих технологічних регіонах Сполучених Штатів на період 2025-2030 років. Цими п'ятьма регіонами є район затоки Сан-Франциско, Сіетл-Такома-Беллв'ю, Остін-Раунд-Рок, Нью-Йорк-Ньюарк та Бостон-Кембридж.

Стаття описує це як перше багаторегіональне емпіричне застосування моделі вразливості завдань, спеціально спрямоване на системи агентного ШІ. Це заява авторів про першість, і я не можу перевірити її за матеріалом, який маю перед собою. Що я можу сказати, то це те, що регіональний дизайн є розумною відповіддю на проблему, спільну для досліджень національного рівня: вразливість є властивістю професій, але впровадження є властивістю місць і фірм.

За результатами, які наводить джерело, кредитні аналітики, судді та фахівці зі сталого розвитку досягають значень ATE на рівні 0.43-0.47. До цієї групи варто придивитися уважніше. Кредитний аналітик, суддя та фахівець зі сталого розвитку не схожі між собою за підготовкою, оплатою чи повсякденною роботою. Спільним у них, згідно з розрахунками статті, є показник в одному діапазоні. Я б розцінив це як аргумент проти будь-якого поверхового сортування професій на "безпечні" та "ризиковані" за сектором або за уявною креативністю.

Я б також утримався від того, щоб вчитувати в цю цифру більше, ніж підтримує джерело. Наявний у мене матеріал дає діапазон для цих трьох професій і не каже, як він співвідноситься з рештою 236 кодів. Тож цифра показує, що ці ролі є суттєво вразливими за шкалою статті. Вона не доводить, що вони є найбільш вразливими.

Регіональні висновки супроводжуються застереженням, яке варто повторити. У статті зазначається, що вплив на робочу силу Сіетла у 2026-2027 роках є попереднім переглядом того, що ширша національна нетехнічна робоча сила відчує у 2028-2030 роках. Це прогноз із заявленим часовим лагом, і він сформульований обережно. Він читається як гіпотеза, яку продукує модель, і його не слід сприймати як встановлений факт. Але це корисний тип твердження, бо воно достатньо конкретне, щоб виявитися хибним. Якщо ранній патерн Сіетла не перейде на національну нетехнічну робочу силу до 2028 року, модель матиме проблему, від якої не зможе просто відмахнутися.

Сторона відновлення в балансі #

Сам по собі показник витіснення розповідає лише половину історії Аджемоглу-Рестрепо. У їхній моделі частка праці залежить від того, чи випереджає створення нових завдань процес витіснення. Стаття, яка розширила б цю модель і виміряла лише витіснення, відмовилася б від тієї частини, яка надає моделі її внутрішньої динаміки.

Ця стаття так не робить. Вона визначає професійні категорії, де агентний ШІ створює ефекти відновлення (reinstatement effects): нові ролі, яких не існувало до того, як розгортання агентних систем створило попит на масштабний людський нагляд, управління та співпрацю. Загалом вона виокремлює сімнадцять нових професійних категорій, що виграють від ефектів відновлення. Вони зосереджені в ролях зі співпраці людини і ШІ, управління ШІ та галузевих операцій ШІ.

Механізм легко простежити. Якщо агенти виконують робочі процеси від початку до кінця, хтось мусить наглядати за ними, встановлювати правила, за якими вони працюють, і працювати пліч-о-пліч із ними. Цих потреб раніше не існувало у вигляді окремих робіт, бо ще не було за чим наглядати.

Джерело не повідомляє мені, скільки людей могли б працевлаштувати ці сімнадцять категорій, або чи компенсує їхнє зростання те витіснення, яке передбачають показники ATE. Отже, дані, якими я можу оперувати, залишають центральне питання відкритим: чи випереджає відновлення витіснення. Будь-хто, хто впевнено пише, що випереджає або що ні, виходить за межі перевірених тверджень. Внесок статті полягає в тому, щоб помістити обидві сторони балансу в одну систему координат і назвати місця, де з'являються нові ролі.

Які висновки з цього зробити #

Тут є урок методологічний і урок практичний.

Методологічний урок полягає в тому, що одиниця аналізу визначає відповідь. Стрибок від 47% до 9-14% стався внаслідок переходу від професій до завдань. Стаття стверджує, що тепер потрібен наступний крок - від завдань до робочих процесів, оскільки те, що автоматизується, більше не є окремим завданням. Щоразу, коли змінювалася одиниця вимірювання, змінювалися й оцінки, і історія цієї галузі свідчить, що вибір одиниці аналізу заслуговує на таку саму прискіпливу увагу, як і вибір даних.

Практичний урок призначений для всіх, хто планує чисельність персоналу, навчання або продукти на наступні п'ять років. Показника, який каже вам, що 80% завдань певної ролі є вразливими, недостатньо, бо він не відповідає на питання, чи є решта 20% стійким людським ядром, чи просто сполучним клеєм, який тепер може забезпечити модуль планування агента. Коефіцієнт покриття робочого процесу існує саме для того, щоб поставити це питання прямо.

Показник ATE є композитом із відкаліброваними параметрами, а його прогнози виведені з моделі. Це структурований аргумент про 2025-2030 роки, а не хроніка подій. І це причина перевіряти їх, а не ігнорувати. Гіпотеза щодо Сіетла пропонує ранній тест: якщо ефекти 2026-2027 років там виглядатимуть так, як передбачає модель, то часовий лаг до національної нетехнічної робочої сили у 2028-2030 роках стане наступним явищем, за яким варто спостерігати. А сімнадцять категорій відновлення ставлять питання, яке самі лише розрахунки вирішити не можуть: чи з'являться ролі, створені для нагляду за агентами, у такій кількості, яка матиме значення для частки праці в економіці.

Часті запитання #

Чому попередні моделі вразливості завдань недооцінюють вплив агентного ШІ?

Попередні моделі, побудовані на традиції Автора-Леві-Мурнейна, припускають, що автоматизація усуває окремі завдання, тоді як сама професія виживає як людська координаційна оболонка. Системи агентного ШІ поглинають планування, виклик інструментів, управління станом і проміжні перевірки якості, які раніше вимагали координатора-людини, роблячи вразливими цілі робочі процеси, а не ізольовані завдання.

Як обчислюється показник агентної вразливості завдань (ATE)?

ATE - це алгоритмічний композит, побудований на основі рейтингів важливості завдань O*NET (wo,t), бенчмарків можливостей ШІ та звітів практиків про впровадження (CAP(t)), коефіцієнта покриття робочого процесу, який вимірює, чи поміщається повний робочий процес професії в операційну оболонку агента, а також відкаліброваних параметрів логістичної швидкості впровадження для 236 кодів SOC.

Що виявляє дослідження щодо створення нових робочих місць (ефектів відновлення)?

Розширюючи канал відновлення Аджемоглу-Рестрепо, дослідження виокремлює сімнадцять нових професійних категорій, зосереджених у сферах співпраці людини і ШІ, управління ШІ та галузевих операцій ШІ. Те, чи компенсує зростання в цих категоріях витіснення на рівні робочих процесів, залишається відкритим емпіричним питанням.

Джерела #

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.

Останній перегляд 2026-11-01.

Перевидати цю статтю

Агентний ШІ руйнує припущення, що лежить в основі кожного прогнозу вразливості завдань — Sebastien Rousseau

Моделі вразливості завдань розглядають професію як оболонку, що зберігається навколо того, що досі роблять люди. Агентні системи переслідують мету і видають готовий робочий продукт.

Ця стаття поширюється за ліцензією Creative Commons Attribution 4.0 International. Перевидання вимагає посилання на канонічну URL-адресу.

Агентний ШІ руйнує припущення, що лежить в основі кожного прогнозу вразливості завдань — Sebastien Rousseau

Моделі вразливості завдань розглядають професію як оболонку, що зберігається навколо того, що досі роблять люди. Агентні системи переслідують мету і видають готовий робочий продукт.

Originally published at https://sebastienrousseau.com/uk/2026-10-25-ahentnyy-shi-ruynuye-prypushchennya-lezhyt-osnovi/ by Sebastien Rousseau.
Licensed under CC-BY-4.0.

SEBASTIEN ROUSSEAU FOUNDER · ENGINEER