Общероссийское движение Предпринимателей

В 2026 году несколько независимых исследований описали одну и ту же угрозу от ИИ: компании сокращают младшую работу, на которой формируются будущие эксперты, а последствия обнаруживаются спустя годы, когда заменить уходящих профессионалов уже некем. Авторы работы The Broken Ladder из Academy of Management смоделировали этот процесс и получили «ловушку компетенций». Фирма быстро снижает расходы за счет автоматизации начальных задач, затем теряет внутренний поток сотрудников, способных вырасти до старшего уровня. В масштабе отрасли возникает дефицит людей, которых уже невозможно нанять на рынке, потому что конкуренты разрушили такую же лестницу подготовки. Экономическая причина делает эту траекторию особенно опасной. В модели The Apprenticeship Externality работодатель сравнивает стоимость человека с экономией от автоматизации конкретной младшей задачи. Польза, которую эта задача дает будущему специалисту через практику, остается за пределами расчета компании. Поэтому частная выгода толкает объем автоматизации выше уровня, который сохранял бы будущую экспертизу экономики. Компания получает экономию сегодня, а стоимость исчезнувшей школы подготовки распределяется между будущими работодателями, клиентами и государством. Отдельная фирма, которая сохраняет дорогие младшие позиции ради обучения, фактически оплачивает кадровый резерв и для конкурентов. Рынок труда уже дает ранний материальный сигнал. Stanford Digital Economy Lab проанализировала платежные данные ADP по миллионам американских работников до июня 2026 года. Среди сотрудников 22–25 лет в профессиях с высокой экспозицией к ИИ занятость оказалась на 19% ниже траектории менее затронутых профессий. У опытных работников сопоставимого провала нет. Сокращение идет прежде всего через отказ от найма молодых, а наиболее сильный эффект сосредоточен в профессиях, где ИИ замещает человеческие задачи. Поэтому общая безработица способна долго скрывать повреждение кадровой пирамиды: старшие продолжают работать, младшие перестают входить в профессию. Профессиональное мастерство нельзя сохранить одним чтением ответа алгоритма. Неявное знание возникает при выполнении работы, ошибках, разборе исключений, ответственности за решение и повторении сложных случаев. Математическая работа Йеля о делегировании ИИ описывает устойчивое состояние, в котором высокая зависимость от машины сокращает практику, падение навыка увеличивает желание делегировать следующую задачу, а система закрепляется на низком уровне человеческой компетенции. Исследования врачей дают уже практический пример: после регулярной работы с ИИ у специалистов в одном из исследований качество самостоятельного обнаружения аденом снизилось с 28,4% до 22,4%. Последствие выходит далеко за рынок труда. Старший инженер, врач, юрист или аналитик производит результат и одновременно распознает редкие ошибки системы. Если будущий эксперт с первых лет получает готовое решение, у него остается меньше случаев, на которых формируется способность отличить правдоподобный ответ от правильного. Через одно профессиональное поколение организации могут сохранить штат, программные продукты и высокую текущую производительность, одновременно потеряв людей, способных самостоятельно восстановить цепочку рассуждения при сбое. Массовая безработица видна сразу и вынуждает власти и бизнес реагировать. Разрушение экспертизы маскируется ростом производительности и экономией фонда оплаты труда. Это делает его опаснее: общество получает удобную технологию в обмен на постепенное уничтожение процесса, который производит людей, способных контролировать эту технологию. Когда запас опытных специалистов начнет сокращаться естественным образом, утраченная компетенция станет отсутствующим на рынке ресурсом. Рынок может продолжать продавать интеллектуальные услуги после того, как человеческая способность независимо проверять их качество стала невоспроизводимым дефицитом. @ex_trakt