Anthropic представила новый показатель, который совмещает теоретические оценки влияния ИИ на профессии с данными о реальном использовании моделей. По результатам исследования, программисты и сотрудники клиентской поддержки относятся к наиболее подверженным автоматизации группам, но заметного роста безработицы в этих профессиях пока не зафиксировано. Первые признаки давления наблюдаются только у молодых работников.
В отчёте Anthropic вводит метрику «observed exposure» («наблюдаемая подверженность»). В отличие от прежних прогнозов автоматизации, которые, по оценке компании, часто оказывались завышенными, новый показатель сопоставляет теоретически уязвимые для ИИ профессии с паттернами реального использования моделей.
Для расчёта Anthropic использует американскую профессиональную базу O*NET, теоретические оценки подверженности из предыдущего исследования и данные собственного Anthropic Economic Index, основанного на реальных диалогах пользователей с Claude. Запросы через API-интеграции, где ИИ выполняет работу целиком, получают больший вес, чем сценарии, где модель лишь помогает человеку. Рабочие задачи учитываются сильнее, чем личные. Вся статистика строится только на использовании Claude.
Главный вывод исследования: фактическое применение ИИ заметно отстаёт от его теоретического потенциала. При этом авторы не исключают, что сами теоретические оценки могут быть неточными, и просят учитывать это при интерпретации результатов.
По расчётам Anthropic, крупные языковые модели теоретически способны ускорить 94 % задач в сфере компьютерных и математических специальностей. На практике, судя по данным об использовании Claude, покрывается лишь 33 % таких задач.
Система оценок устроена просто: если языковая модель может сама выполнить задачу вдвое быстрее человека, ей присваивается балл 1. Если для выполнения нужны дополнительные инструменты, задача получает 0,5. Если преимущества по скорости нет, выставляется 0.
Авторы называют несколько причин разрыва между теорией и практикой. Часть задач пока недоступна из-за ограничений текущих моделей. В других случаях внедрение тормозят юридические требования, особенности прикладного ПО или обязательная проверка человеком. Например, задача «одобрение продления рецептов и передача информации в аптеку» считается теоретически полностью автоматизируемой, но таких случаев использования Claude в данных компании нет.
При этом теоретическая и фактическая подверженность тесно связаны: по данным Anthropic, 97 % реально наблюдаемых задач относятся к категориям, которые ранее были признаны теоретически автоматизируемыми. Там, где ИИ уже используют, это почти всегда совпадает с прогнозами. Обратное не выполняется: многие теоретически автоматизируемые задачи пока практически не передаются моделям.
Согласно исследованию, на первом месте по подверженности оказываются программисты с охватом 75 % задач, затем идут сотрудники клиентской поддержки и операторы по вводу данных. В нижней части рейтинга — примерно 30 % работников, для которых «наблюдаемая подверженность» равна нулю: их задачи практически не встречаются в массивах данных Claude. В эту группу входят повара, мотоциклетные механики, спасатели на воде и бармены.
Исследователи сопоставили свои оценки подверженности с прогнозами занятости Бюро статистики труда США (BLS) на 2024–2034 годы. Для профессий с более высокой «наблюдаемой подверженностью» ожидается более слабый рост занятости: каждые дополнительные 10 процентных пунктов покрытия связаны с уменьшением прогноза роста на 0,6 п.п. Связь слабая, но заметная.
Демографический профиль работников с высокой подверженностью расходится с распространёнными представлениями об автоматизации. По данным опроса Current Population Survey, сотрудники из наиболее подверженных профессий чаще женщины, чаще белые, имеют более высокий уровень образования и зарабатывают в среднем на 47 % больше, чем работники из группы с нулевой подверженностью. Доля выпускников колледжей в подверженных профессиях почти в четыре раза выше.
Несмотря на высокий уровень подверженности, исследование не обнаружило систематического роста безработицы среди таких работников. Авторы сравнили уровень безработицы в наиболее подверженных профессиях и в группе без подверженности. Средняя разница после выхода ChatGPT в конце 2022 года невелика и статистически незначима.
По расчётам Anthropic, их метод позволил бы заметить рост безработицы примерно на один процентный пункт. Массовое ухудшение на рынке офисных профессий, при котором безработица в подверженной группе выросла бы с 3 до 6 %, также было бы видно в данных. Пока этого не наблюдается.
Иная картина у молодых работников 22–25 лет. В этой возрастной группе авторы фиксируют снижение найма в подверженных профессиях с 2024 года: вероятность найти работу в таких специальностях упала примерно на 0,5 п.п., тогда как в менее подверженных профессиях осталась стабильной. В среднем за период после выхода ChatGPT это соответствует сокращению на 14 %, хотя статистическая значимость эффекта минимальна. Для работников старше 25 лет подобных тенденций не найдено.
Авторы подчёркивают, что возможны и другие объяснения: молодые специалисты, которые не получили новые предложения, могли остаться на текущих местах, перейти в другие профессиональные направления или вернуться к учёбе.
Результаты исследования перекликаются с более ранними работами. Крупное исследование 25 000 работников в Дании не зафиксировало заметных изменений в зарплатах и отработанных часах, несмотря на активное применение ИИ. Отдельное исследование Microsoft на основе 200 000 взаимодействий с Copilot также выделило офисных специалистов и сотрудников поддержки как наиболее подверженные, но предупредило, что возможности ИИ напрямую не равны автоматизации.
Другое исследование Стэнфордского университета по миллионам записей о зарплатах в США уже показало снижение занятости молодых работников в подверженных ИИ профессиях на 13 %, тогда как для более опытных коллег показатели остались стабильными.
Ранее Anthropic сократила свои оценки роста производительности почти вдвое в четвёртом выпуске Economic Index Report, после анализа частоты ошибок Claude на сложных задачах. Это дополнительно подкрепляет вывод о том, что реальное влияние текущих моделей на труд пока существенно ниже теоретического потенциала.
Источник: отчёт Anthropic, сопоставление с данными BLS, Current Population Survey, исследования Microsoft, Стэнфорда и датское исследование по рынку труда.
