«Заменит ли ИИ мою работу?» — неправильный вопрос, и большая часть публичной дискуссии об ИИ и труде ошибочна именно потому, что всё равно на него отвечает. Единица анализа — не профессия. Это задача. И задачи не лежат все на одной шкале замещаемости — каждая относится к одному из четырёх экономически разных классов. Как только вы видите эти классы, вопрос меняет форму: не может ли ИИ выполнять мою роль, а какая доля моей роли относится к какому классу и что это значит для издержек, оплаты и того, куда стоит вложить ближайший год карьеры.
Это каноническая таксономия Wagecore. Мы относим каждую задачу в каждом Wagecard ровно к одному из этих четырёх классов, а итоговый показатель подверженности замещению — это взвешенная агрегация по ним. Методология опирается на десятилетие литературы по экономике автоматизации (Autor, Frey/Osborne, Brynjolfsson, Acemoglu), а также на разборы внедрений ИИ за последние три года. Вклад состоит в том, что мы фиксируем небольшое взаимоисключающее разбиение, на которое может опереться математика.
Класс 1: Замещаемые (Replaceable)
Задача замещаема, когда ИИ выполняет её от начала до конца при минимальном контроле человека, доля проверок ниже 10%, а цена ошибки достаточно низка, чтобы случаи, где ИИ ошибается, не съедали экономию на случаях, где он справляется. Работа ограничена, повторяема, структурирована, и последствия отдельной ошибки устраняются дёшево.
Конкретные примеры: маршрутизация входящего тикета поддержки в нужную очередь, извлечение структурированных данных из счетов в ERP, OCR плюс первичная классификация входящих форм, генерация описаний товаров по SKU и изображению, сжатие длинной расшифровки встречи в список задач, транскрибация аудио. Это задачи, где вывод ИИ проверяется в момент, когда он порождает сигнал ниже по потоку (тикет ушёл не в ту очередь → человек переносит его), а не спустя недели в зале суда.
У большинства ролей есть ненулевая доля замещаемой работы. Даже у хирургов есть тонкий срез: диктовка клинических заметок теперь во многих практиках замещаема. Даже у психотерапевтов есть: запись на приём, анкеты первичного приёма, проверка страховки. Ошибка — считать, что замещаемая доля роли и есть вся роль. Обычно это 15–35% времени работника умственного труда.
Класс 2: С ИИ-поддержкой (AI-augmented)
Задача относится к классу с ИИ-поддержкой, когда ИИ выдаёт первую версию, человек владеет последними 20–30%, и именно эта последняя доля создаёт ценность. ИИ делает основную «клавиатурную» работу; человек привносит суждение, контекст и ответственность за то, что уходит в дело.
Конкретные примеры: написание маркетингового письма (черновик ИИ, человек дорабатывает под голос бренда и аудиторию), составление юридического претензионного письма (ИИ подбирает прецеденты и структуру, юрист применяет факты конкретного дела), генерация кода для фичи (ИИ пишет каркас, разработчик интегрирует с кодовой базой и обрабатывает граничные случаи), создание слайдов для клиентской презентации (ИИ строит вёрстку, продавец правит под позиционирование), подготовка финансовой модели (ИИ строит шаблон, аналитик настраивает допущения).
Это самый крупный отдельный класс для большинства работников умственного труда, обычно 25–40% времени. Это также класс с наибольшим потенциалом роста по мере того, как модели улучшаются, а площадь человеческой проверки сокращается. Но у него есть потолок: пока человек отвечает за то, что уходит в дело, ему нужно знать работу достаточно хорошо, чтобы ловить ошибки ИИ — а значит, человек всё ещё в контуре, ему всё ещё платят, и у него всё ещё должна быть базовая компетенция. ИИ-поддержка — не путь к нулевому штату; это путь к рычагу.
Класс 3: Под руководством человека, с помощью ИИ (Human-led, AI-assisted)
Обратная сторона ИИ-поддержки. Ведёт человек; ИИ — инструмент: быстрый поиск, резюме, автодополнение кода, извлечение информации. Человек думает и принимает решения; ИИ сокращает время между вопросом и релевантной информацией. Убери ИИ — работа всё равно будет сделана, просто медленнее.
Конкретные примеры: врач ищет в литературе схожие клинические картины перед постановкой диагноза, юрист просит ИИ найти в 300-страничном договоре пункт, противоречащий его позиции, инженер спрашивает синтаксис библиотеки, которую последний раз использовал три года назад, учитель генерирует варианты рабочих листов, чтобы дифференцировать урок, архитектор с помощью ИИ визуализирует вариант фасада, который уже спроектировал.
Роли в регулируемой, высокорисковой или сильно завязанной на отношениях работе тяготеют сюда особенно плотно: 30–50% времени. ИИ не принимает решений, не несёт ответственности и не имеет на это права — либо по закону (медицинская, юридическая консультация), либо по самой физике работы (сеанс терапии, отношения с клиентом, конфликт в команде). Что он делает — так это ускоряет человека в тех частях его работы, которые упираются в информацию, а не в суждение.
Класс 4: Критически человеческие (Human-critical)
Задача критически человеческая, когда ИИ не даёт чистой ценности, а часто и отрицательную, потому что ценность задачи в том, что ИИ произвести не может: доверие, ответственность, терпимость к неопределённости, реляционное суждение, убеждение под давлением, контекстное считывание незнакомой аудитории. Это не задачи, до которых ИИ пока не дотянулся. Это задачи, где убедительное звучание ИИ и есть сам режим отказа.
Конкретные примеры: опытный продавец считывает застопорившуюся сделку и решает, эскалировать её или отступить, менеджер сообщает тяжёлую новость сотруднику, который проработал в компании пятнадцать лет, психотерапевт сидит в молчании, пока клиент собирается с мыслями, член совета директоров сверяет заявленную уверенность CEO с тем, что увидел за обедом, журналист-расследователь решает, какому из двух противоречащих источников верить, учитель замечает, что обычно активный ученик притих, и выбирает, обратиться к этому сейчас или наедине позже.
Критически человеческая работа — это то, что не масштабируется, и в этом весь смысл. Здесь же живёт ценовая власть. Роли, в которых 40%+ работы критически человеческие, — это роли, где внедрение ИИ делает труд более ценным в час, а не менее: аугментация снимает время с низким рычагом и концентрирует оплату вокруг несократимого ядра.
Большинство ролей — это смесь, а не единый класс
Вот часть, которую публичная дискуссия упорно упускает: очень мало ролей на 100% относятся к одному классу. Реальное недельное время инженера- программиста может распределиться примерно так: 20% замещаемое (шаблонный код, разбор тикетов), 35% с ИИ-поддержкой (реализация фич под ревью), 30% под руководством человека с помощью ИИ (отладка мудрёных продакшн-проблем, архитектурные решения), 15% критически человеческое (согласование объёма работ с продактом, менторство джуниора, прохождение политически заряженного код-ревью). Тимлид поддержки может получить 30% замещаемого (обработка тикетов первой линии), 25% с ИИ-поддержкой (черновики макросов и регламентов), 30% под руководством человека с помощью ИИ (разбор эскалаций, которые ИИ не гасит), 15% критически человеческого (личные встречи с командой, медиация конфликтов, разговоры о результативности).
Распределение важнее любого отдельного числа. Роль, которая на 80% замещаема, сожмётся по цене, даже если её средняя задача нетривиальна, потому что экономика внедрения понятна. Роль, которая на 50% критически человеческая, сохранит ценовую власть, даже если остальное автоматизируют до нуля — и средняя оплата за оставшийся час вырастет.
Почему разбиение на четыре класса (а не на три или шесть)
Ранние методологии использовали два класса (заменён / не заменён) или три (заменён / аугментирован / не затронут). Два — слишком грубо: они схлопывают класс с ИИ-поддержкой и критически человеческий в «не заменён», что скрывает центральную истину — аугментация может наращивать ценовую власть, тогда как замещаемая работа её снимает. Три — ближе, но сворачивают самые экономически различные случаи — под руководством человека с помощью ИИ против критически человеческого — в одну корзину. А они ведут себя по-разному. Диагностика — под руководством человека с помощью ИИ (ИИ помогает с обзором литературы). Пациент, говорящий врачу, что не доверяет своему супругу, — критически человеческое (ИИ здесь активно мешает).
Шесть и более классов — переобучение. Предельная детализация перестаёт нести экономическое содержание и становится эстетикой. Четыре чисто ложатся на измерения, которые действительно двигают стоимость задачи: кто делает работу, кто несёт ответственность, как часто это проверяется и во что обходится ошибка.
Где это меняет ваше мышление
Из удержания четырёх классов в голове вытекают три практических сдвига:
Планирование карьеры — про портфель, а не про категорию. Вопрос не «безопасна ли моя роль» (что предполагает бинарность). Он звучит так: «как выглядит моя смесь классов и в какие классы я хочу расти». Надёжный ход — смещать время в сторону критически человеческого и под руководством человека с помощью ИИ, даже внутри роли, которая начиналась на замещаемом конце спектра.
Дизайн организации следует за распределением. Команда, работающая против нагрузки, которая на 60% замещаема, сожмётся по численности, но сохранит или нарастит оплату на оставшееся место. Команда, работающая против 60% критически человеческой работы, не сожмётся вовсе, и её станет сложнее укомплектовать, а не легче. Оргструктура 2028 года отличается от 2024-го не потому, что общая численность вдвое упала, а потому, что сместилась смесь внутри ролей.
ROI внедрения ИИ отслеживает классы. Замещаемые задачи дают быстрый, защитимый ROI при автоматизации. Задачи с ИИ-поддержкой дают прирост продуктивности, а не сокращение штата — ROI реален, но это история про скорость, а не про издержки. Задачи под руководством человека с помощью ИИ дают небольшой прирост на час, который не оправдывает выделенного проекта внедрения. У критически человеческих задач ROI внедрения отрицательный — ИИ вносит ошибки, которые человеку теперь приходится подчищать. Именно эту дисциплину пропустило большинство провалившихся внедрений ИИ: они разворачивались против задач, которые на деле не были в классе 1.
Полная картина для вашей роли
Wagecore вычисляет распределение по четырём классам для любой роли, которую вы опишете. Мастер занимает около двух минут, а методология открыта на /methodology. Вы увидите ровно то, как ваша работа делится по классам, какую операционную стоимость нёс бы ИИ, чтобы делать замещаемую часть, где концентрируется ваше человеческое преимущество и итоговый показатель подверженности замещению, выведенный из этой смеси. Ничего из этого не прогноз. Это измерение относительно сегодняшней матрицы способностей, обновляемой ежемесячно.
Если эта рамка вам полезна, смежное более глубокое чтение об операционной экономике — Почему операционная стоимость ИИ в 3–10× выше, чем показывает демо — оно подхватывает там, где обрывается это, и разбирает, во что на деле обходится развернуть ИИ против задачи класса 1 в продакшене.