Как ИИ меняет профессии: разбор по данным

Плотный анализ основных профессий по трём источникам — без хайпа и без паники. Дата: 2026-08-18. Цифры — направление, не приговор. Источники: OpenAI GDPval (https://openai.com/index/gdpval/), Anthropic Economic Index (https://www.anthropic.com/economic-index) и O*NET (https://www.onetonline.org/).

Метод: три источника, три вопроса

Источник	Вопрос	Что показывает
GDPval (OpenAI, 2025; шкала GDPval-AA v2 перезапущена 15 июня 2026)	Может ли ИИ сделать работу?	На реальных задачах 44 профессий из 9 секторов лучшие модели дают результат «на уровне эксперта или лучше» примерно в половине задач — задач, не профессий. Отдельно измерено, что задачи набора модели проходят примерно в 100 раз быстрее и в 100 раз дешевле эксперта.
Anthropic Economic Index (отчёты января и июня 2026)	Делают ли это люди реально?	Где ИИ уже используют в работе и как меняется режим: помощь человеку, автоматизация, API-воркфлоу.
*ONET**	Из чего состоит профессия?	Стандартная разбивка «профессия → задачи»: видно, какие задачи уходят, а какие остаются.

Главный принцип чтения
ИИ заменяет задачи, а не профессии целиком. Уходит производство (output) — остаётся ответственность за результат (outcome): суждение, проверка, доверие, решение. Поэтому правильный вопрос не «заменят ли меня», а «на какой уровень я поднимусь, когда производство подешевело».

Что изменили данные 2026 года

Три вещи, которые стоит знать до того, как читать таблицу ниже.

1. Покрытие задач выросло, и быстро. По Anthropic Economic Index доля рабочих задач, которых ИИ так или иначе касается, выросла с 36% в январе 2025 года до 49% к последнему замеру. Это не «половина работы исчезла» — это «половины задач ИИ хотя бы касается».

2. Покрытие задач и реальный удар по профессии — разные вещи. Самый полезный вывод: если скорректировать покрытие на долю успешных выполнений, картина по профессиям меняется. Сильнее, чем следует из одного покрытия, затронуты операторы ввода данных и рентгенологи. А вот учителя и разработчики затронуты относительно слабее, чем можно было подумать. Вывод для читателя простой: «ИИ много раз пробовал вашу задачу» и «ИИ её делает» — не одно и то же, и по профессиям это расходится сильно.

3. Дополнение обогнало автоматизацию — но тренд длиннее одного замера. В свежих данных совместная работа с моделью составляет 52% против 45% полной передачи задачи. Важная оговорка от самих авторов: это разворот относительно августа 2025 года, а на длинной дистанции доля автоматизации всё равно росла — с 41% в январе 2025-го. Не стройте вывод на одном замере.

Риск, который стоит держать рядом с этими цифрами
По тем же данным непропорционально автоматизируются задачи, требующие высокого уровня образования — в среднем около 14,4 года обучения. Авторы прямо называют возможный эффект: деквалификация (deskilling) в таких сферах, как техническое письмо, туристические агентства и преподавание. Это ровно та ловушка, о которой глава 8: инструмент, который делает работу за вас, забирает и практику, на которой держится ваше суждение.

Сводка: что уходит первым, что остаётся

Профессия	Режим	Что ИИ забирает первым	Что остаётся за человеком
Разработчик	replace задач (высокий)	бойлерплейт, тесты, ревью	архитектура, безопасность, прод
Аналитик	replace задач (высокий)	SQL, дашборды, чистка	какой вопрос задать, доверие к выводу
Поддержка	replace задач (высокий)	типовые ответы	сложные кейсы, удержание, эмпатия
Маркетолог	augment→replace	контент, SEO, отчёты	стратегия, вкус, бренд, дистрибуция
Sales-B2B	augment→replace	outreach, CRM, саммари	встречи, доверие, закрытие
Бухгалтер	replace задач (высокий)	первичка, сверки, таблицы	подпись, спорное, проверяющие
Финаналитик	augment	сборка данных, прогноз-черновик	сценарии, перевод в решения
Юрист	augment (high-stakes)	research, драфт, сравнение	стратегия, переговоры, подпись
HR	augment	скрининг, сорсинг, планирование	решение о найме, культура
Product / PM	augment	PRD, синтез ресёрча	что строить и зачем, приоритеты
Дизайнер	augment→replace	генерация визуала, рутина	вкус, арт-дирекшн, задача бизнеса
Учитель · Врач	augment (сильный)	подготовка, документация	живой контакт, суждение, ответственность

Разработчик → хаб

O*NET (задачи): писать/тестировать код, ревью, дебаг, проектировать архитектуру, поддерживать прод.
GDPval (может): генерирует код, тесты, доки; агентно делает multi-file изменения.
Adoption (AEI): Computer & Mathematical — один из наиболее экспонированных классов задач; часть задач мигрирует из «помощи» в автоматизированные API-воркфлоу.
Как заменит честно: уходят junior-задачи (бойлерплейт, простые фичи, тесты) — первыми; вход в профессию ломается (junior gap). Остаётся и дорожает: архитектура, безопасность, ответственность за прод, роль «босса агентов». Не замена профессии — сдвиг вверх по уровню.

Аналитик данных → хаб

O*NET: собирать/чистить данные, писать запросы, строить визуализации, интерпретировать, мониторить KPI.
GDPval: NL→SQL, дашборды, саммари — структурированные артефакты, где ИИ силён.
Adoption: высокая: SQL, отчёты и чистка данных быстро переходят в режим «черновик ИИ + проверка человеком».
Как заменит: производство отчётов/SQL уходит почти целиком (с проверкой). Остаётся: какой вопрос задать данным, можно ли верить выводу, перевод в решение. «ИИ посчитал — я поверил» = ловушка.

Поддержка → хаб

O*NET: принимать обращения, отвечать на вопросы, решать проблемы, эскалировать, фиксировать.
GDPval: типовой рабочий продукт — «customer support conversation»; ИИ силён в типовом.
Adoption: retail/сервис — высокая автоматизация; боты закрывают частые вопросы.
Как заменит: самое сильное сжатие на входе — типовая линия уходит к ботам. Остаётся и дорожает: сложные/конфликтные случаи, удержание ценного клиента, эмпатия. Меньше операторов — выше планка.

Бухгалтер → хаб

O*NET: проводки, сверки, обработка первички, отчётность, налоги, аудит.
GDPval: реальные задачи — график амортизации (Excel), аудит риск-метрик по листу «Population», декларация 1040 → PDF. На уровне задач модели уже конкурентны в структурированных артефактах.
Adoption: финансы — растущая; первичка, сверки и таблицы автоматизируются раньше спорных бухгалтерских решений.
Как заменит: производство таблиц/сверок/первички уходит. Остаётся неотчуждаемое: ответственность за цифру и подпись, спорные вопросы, общение с проверяющими. Профессия сжимается в числе, поднимается в ответственности.

Маркетолог → хаб

O*NET: исследование рынка, контент, кампании, SEO, аналитика, бренд.
GDPval: контент и оформленные артефакты — там модели сильны.
Adoption: бизнес-outreach и контентные workflow быстро автоматизируются; точные проценты экономии зависят от канала, данных и дисциплины проверки.
Как заменит: производство контента/SEO/отчётов дешевеет резко — и генерик обесценивается. Остаётся: стратегия, вкус и голос бренда, отношения с аудиторией, дистрибуция (рычаг 3).

Sales-B2B → хаб

O*NET: поиск лидов, переписка, КП, переговоры, ведение CRM, закрытие.
GDPval / adoption: business sales & outreach — высокая и быстрорастущая автоматизация (AEI).
Как заменит: уходят рутинный outreach, ввод в CRM, саммари звонков, ресёрч. Остаётся ядро — встречи, доверие, чтение ситуации, закрытие сделки (рычаги 1 и 3). Augment, не замена.

Финаналитик / FP&A → хаб

O*NET: модели, прогнозы, бюджеты, отчёты, сценарии, разбор отклонений.
GDPval: структурированные финартефакты — сильная сторона ИИ; авто-обработка полезна там, где есть источник истины и сверяемая метрика.
Как заменит: сборка данных, rolling-прогнозы, стандартные отчёты — на ИИ. Остаётся: какие сценарии важны, согласование плана, перевод цифр в действия для бизнеса. Это augment.

Юрист → хаб

O*NET: исследование права, драфт документов, ревью, переговоры, представительство, оценка риска.
GDPval: типовой артефакт — «legal brief»; на уровне эксперта в ~половине задач; но галлюцинации норм.
Adoption: в специализированных платформах (Harvey/CoCounsel) — растёт; high-stakes держит режим augment.
Как заменит: first-pass research, драфт, сравнение редакций — на ИИ (с проверкой каждой ссылки). Остаётся: стратегия сделки/спора, переговоры, суд, подпись под позицией. Замена задач, не профессии.

HR-специалист → хаб

O*NET: сорсинг, скрининг, интервью, онбординг, развитие, разрешение конфликтов.
GDPval / adoption: скрининг и коммуникации с кандидатами хорошо автоматизируются, но итоговое решение и антиbias-аудит остаются у человека.
Как заменит: скрининг/сорсинг/планирование/коммуникации — на ИИ. Остаётся: решение о найме, обратная связь, конфликты, культура. Риск предвзятости → авто-отсев нельзя отдавать ИИ. Augment.

Product / PM → хаб

O*NET: ресёрч, PRD, приоритизация, координация, анализ метрик, релизы.
GDPval: драфт PRD/историй, синтез интервью — ИИ силён.
Как заменит: документация и синтез ресёрча — на ИИ. Остаётся ядро PM: что строить и зачем, приоритеты, что НЕ делать, доверие команды. Augment.

Дизайнер → хаб

O*NET: концепты, макеты, визуалы, итерации, работа с клиентом.
GDPval / рынок: генерация изображений дешевеет очень быстро.
Как заменит: генерация и рутина (фон/апскейл/ресайз) — на ИИ; генерик обесценивается. Остаётся: вкус, арт-дирекшн, система, решение задачи бизнеса. Augment→replace на нижнем слое.

Учитель и Врач → учитель · врач

O*NET (учитель): планы уроков, материалы, проверка, объяснение, мотивация. (врач): приём, диагностика, назначение, документация, коммуникация с пациентом.
Как заменит: сильный augment, не замена. ИИ снимает подготовку/документацию (у врача — ambient-запись приёма; у учителя — планы и проверка). Остаётся неотчуждаемое: живой контакт, клиническое/педагогическое суждение, ответственность. Диагноз и оценку человека ИИ не берёт.

Что со всем этим делать

Не «успеть до замены», а подняться на уровень выше по своей роли: от производства (output) к ответственности за результат (outcome). Конкретно — через диагноз и план: разобрать неделю → интегральный аудит → план на 90 дней.

⚠️ Цифры — направление, не гарантия; конкретные задачи GDPval/AEI — пересказ (лицензии и точные формулировки сверять у источника). Прогнозы про «паритет с экспертом к концу 2026 года» и «превосходство к 2027-му» — это заявления разработчика бенчмарка, а не измерение; держите их как позицию заинтересованной стороны. Версия: 2026-08-18. Что изменилось: сняты слабые vendor-stat claims; оставлены только опорные выводы из GDPval, AEI и O*NET.