AI и будущее работы: что на самом деле утверждают Anthropic, DeepMind и OpenAI

Ни один из трёх текстов лабораторий не говорит, сколько рабочих мест заберёт AI: каждый считает другое.

Anthropic в сентябре 2026 года выпустила «Economic Scenarios for Transformative AI» с интерактивным Explorer. В трёх сценариях ВВП США к январю 2030 года выше пути без AI на 1,6, 8,3 и 32,4 %. Вероятностей нет; авторы прямо пишут, что это не прогнозы. Все пятеро авторов — из компании, раскрытий о конфликте интересов нет.

Google DeepMind в октябре 2026 года опубликовала эссе «The Economics of Intelligence» и статью «Organizing Intelligence». Авторы, среди них сооснователь компании Шейн Легг, строят теорию: при каком уровне возможностей дешёвая координация агентов укрупняет фирмы; дат нет. Статья — препринт без описания рецензирования и финансирования, эссе — на площадке компании DeepMind Institute, где Легг — выпускающий редактор. Ключевой параметр γ не измерен: единственная оценка взята из поста на LessWrong (см. раздел о модели DeepMind).

Отчёт ATLAS об использовании Gemini мы ставим в колонку DeepMind, но из 18 авторов 12 — из Google и 6 — из Google DeepMind: это скорее документ Google.

OpenAI в апреле 2026 года опубликовала схему оценки того, как AI изменит рабочие места: модель GPT-5.4 раскладывает профессии на четыре группы и сама решает, нужен ли в профессии человек. Своей оценки ВВП в прочитанных документах OpenAI нет (одна страница нам недоступна). Единственное макрочисло — в письме в OSTP 2025 года: первый триллион долларов в инфраструктуру AI может («could») добавить более 5 % роста ВВП за три года — за счёт вложений, а не производительности. Метода нет, а письмо просит налоговых льгот.

Раскрытия OpenAI частичные: в статье об использовании ChatGPT в организациях двое из пяти авторов — платные подрядчики компании, а статью о Codex до публикации просмотрела финансовый директор.

Сценарий не проверить как прогноз: он отвечает на вопрос «что, если». Теорию — пока не измерены параметры. Классификацию нельзя путать с эффектом: ни один из четырёх документов OpenAI о работе не оценивает, что AI сделал с занятостью, зарплатами или выпуском.

Заявления руководителей — тоже не измерения. Дарио Амодеи (Anthropic) в марте 2025 года говорил, что через 3–6 месяцев AI, возможно, будет писать 90 % кода; Redwood Research в октябре 2025 года оценила долю в самой Anthropic примерно в 50 % строк. Сундар Пичаи (Google) сообщает о росте доли нового кода от AI с более чем четверти в октябре 2024 года до 75 % в апреле 2026-го, не определяя новый код. Ронни Чаттерджи, главный экономист OpenAI, в октябре 2025 года писал: модели уровня GPT-5 не хуже специалистов примерно в половине задач GDPval, но в статье самой OpenAI у GPT-5 39,0 % чистых побед, а побед с ничьими меньше половины даже у лидера, модели конкурента Claude Opus 4.1, — 47,6 %.010101Писал про график Anthropic о том, какую долю внутренних исследовательских и инженерных работ ведёт Claude, по данным компании. Доля кода от AI — показатель ещё более скользкий: у каждой компании свой знаменатель.Книжный куб · AI ускоряет собственную разработку01Писал про график Anthropic о том, какую долю внутренних исследовательских и инженерных работ ведёт Claude, по данным компании. Доля кода от AI — показатель ещё более скользкий: у каждой компании свой знаменатель.Книжный куб · AI ускоряет собственную разработку

По данным Бюро трудовой статистики США (BLS), безработица в США в октябре 2026 года — 4,1 % рабочей силы. Бюджетное управление Конгресса (CBO) в прогнозе на 2026–2036 годы ни разу не упоминает AI в разделе о рынке труда, но это свойство прогноза, а не замер: события после 3 декабря 2025 года в него не вошли.

Anthropic в мартовской работе о новой мере подверженности сравнила по ежемесячному опросу домохозяйств CPS безработицу в профессиях, где Claude используют больше, с остальными. По оценке самой компании, удвоение безработицы в подверженных профессиях с 3 до 6 % было бы видно, а порог обнаружения — около 1 п.п. относительно остальных; авторы называют порог грубым. Разрыва в 1 п.п. и больше в данных нет. Поэтому «эффект не найден» значит «эффекта больше порога нет».

Самый строгий результат — датский. Humlum и Vestergaard связали опрос 25 000 работников из 7 000 организаций в 11 подверженных профессиях с регистрами по декабрь 2024 года. Доверительные интервалы исключают эффект чат-ботов на заработки и часы больше 2 %. Ограничение: это период до агентов.

Остальные замеры грубее, их оговорки — в таблице 2. ОЭСР в безработице молодых и трекер Yale Budget Lab в занятости явного следа AI пока не видят, но ОЭСР проверяет без регрессии и называет вывод предварительным, а у Yale нет ни одного значения. Единственная оценка с другим выводом — у ФРБ Сент-Луиса: в модельном разложении на AI приходится примерно треть роста безработицы 18–24-летних с апреля 2023 по декабрь 2025 года, но AI там измерен навыками в вакансиях; источник прочитан не полностью.

Фирмы о сокращениях из-за AI говорят мало. Challenger насчитал 121 401 объявленное увольнение с упоминанием AI за январь–октябрь 2026 года — около 0,07 % от 170,3 млн рабочих мест (наш расчёт по данным Challenger и BLS); это объявления, а не факты. В опросе Firm Data on AI 87 % из примерно 9 000 руководителей в 7 странах не видят эффекта AI на занятость за прошлые три года; это самоотчёт.

Общие показатели занятости пока не меняются, но большинство рядов заканчивается раньше, чем агенты вошли в массовое использование в 2026 году; это видно на схеме ниже. Что это значит для сценариев Anthropic — в разделе о них.

Стэнфордская работа «Canaries in the Coal Mine» (август 2026 года) сравнила по зарплатным данным ADP 22–25-летних в профессиях, где AI может выполнять большую долю задач, с менее подверженными сверстниками. С ноября 2022 по июнь 2026 года занятость первых упала на 11 %, вторых выросла на 10 %: это на 19 % ниже траектории сверстников. Около половины разрыва даёт рост группы сравнения, выборка ADP не репрезентативна, и сами авторы называют результат описательным. Механизм — наём, а не увольнения: уходы с работы у подверженных молодых снизились не меньше, чем у остальных.

Сопоставимая мера разрыва росла: 15 % на данных по июль 2025 года, 19 % — по июнь 2026-го. Но в той же редакции коэффициент разрыва крайних квинтилей подверженности без контролей — −0,179, а с учётом ставки, доли выпускников и удалёнки вместе — −0,080 при стандартной ошибке 0,057, и он незначим. Его 95-процентный интервал — примерно от −0,19 до +0,03 (наш расчёт по опубликованной стандартной ошибке): в него входят и ноль, и исходная оценка.

Другие данные повторяют знак, но не масштаб (таблица 3). На опросе населения ACS авторы Canaries получили за 2022–2024 годы разрыв у молодых −2,2 п.п. с интервалом, включающим ноль, против −13,2 п.п. в ADP за то же окно. Сравнения фирм расходятся: у Hosseini и Lichtinger младшая занятость во внедривших генеративный AI фирмах через шесть кварталов на 9 % ниже, но эти фирмы отличались и до внедрения, а в датских регистрах Humlum и Vestergaard доля 22–25-летних у работодателей, поощряющих чат-боты, сдвигается не больше чем на треть п.п. (данные по декабрь 2024 года).

Часть спада началась до ChatGPT. У экономистов Google Iscenko и Curto Millet вакансии в самом подверженном квинтиле профессий достигли пика в марте–апреле 2022 года; авторы работают в компании, продающей AI. Заявки на пособие по безработице показывают рост риска в подверженных профессиях с начала 2022 года; с учётом ставки ФРС переменные «после ChatGPT» почти ничего не добавляют к объяснению, но новичков без стажа эти данные не видят.

Итог: спад найма молодых в подверженных профессиях повторяется в зарплатных и административных данных, резюме и вакансиях, но его размер зависит от источника и контролей, а причина не единственная. Это сильнейший из слабых сигналов.

Доля фирм с AI зависит от вопроса. По опросу Census, в мае 2026 года AI для производства товаров или услуг применяли 19,8 % фирм США. Но после смены формулировки 17 ноября 2025 года доля выросла примерно с 10 до 20 %, и, как показал ФРБ Миннеаполиса, скачок создал вопрос, а не внедрение. По данным ФРБ Сент-Луиса, в августе 2025 года генеративным AI на работе пользовались 37,4 % взрослых 18–64 лет, но на него пришлось 5,7 % рабочих часов. В опросе почти 9 000 руководителей семи стран (май–июль 2026 года) AI используют 78 % фирм, но 83 % (в среднем по семи опросам) эффекта на производительность не видят.020202Разбирал отчёт McKinsey за 2026 год: 80 % лично использующих AI говорят о росте своей продуктивности, а хоть какой-то вклад в EBIT видят лишь 37 %, и это самооценки. Та же картина, что и в опросах фирм: доступ к инструменту ещё не результат.Книжный куб · McKinsey State of AI 202602Разбирал отчёт McKinsey за 2026 год: 80 % лично использующих AI говорят о росте своей продуктивности, а хоть какой-то вклад в EBIT видят лишь 37 %, и это самооценки. Та же картина, что и в опросах фирм: доступ к инструменту ещё не результат.Книжный куб · McKinsey State of AI 2026

В производительности этого пока не видно. По данным BLS, производительность труда в несельскохозяйственном бизнесе США с IV квартала 2019 года растёт на 2,2 % в год — тем же темпом, что в среднем с 1947 года. Оценка за III квартал 2026 года предварительная (таблица 6), а один квартал ничего не доказывает. Вывод зависит и от базы: ускорение пришлось на 2023–2024 годы, до широкого внедрения.

Зато AI виден в инвестициях. Сотрудники ФРС в записке FEDS сложили связанные с AI статьи счетов: софт, дата-центры, энергообъекты, компьютеры. В I квартале 2026 года они дали 1,18 п.п. годового темпа роста ВВП США, а за вычетом чистого экспорта компьютеров — 0,73 п.п. При росте ВВП в том же квартале на 2,1 % в годовом темпе (третья оценка BEA) это около 35 % роста (наш расчёт по формулам авторов; данные до годового пересмотра). Строки «AI» в счетах нет, и этот расчёт, как и расчёт ФРБ Сент-Луиса в таблице 6, меряет спрос — стройку и оборудование, — а не производительность.

В предварительном проспекте S-1 от 26 октября 2026 года Anthropic раскрыла минимальные обязательства перед облаками независимо от использования: Microsoft — не менее $44,9 млрд, Google — около $114,5 млрд, Amazon — не менее $110 млрд на сроки до 2033–2036 годов. Это заявление компании, а не траты и не загрузка мощностей. У OpenAI проспекта нет, сравнить не с чем.

Разработчики передовых моделей публикуют и данные об их использовании: Anthropic — Economic Index, Google — ATLAS, OpenAI — Signals и работы об использовании ChatGPT. Все они показывают, о чём просят модель, а не что получилось. Авторы — сотрудники вендора или его платные подрядчики.

Anthropic раскладывает разговоры с Claude на задачи справочника профессий O*NET. Главная мера, m, — доля рабочего времени в задачах, где Claude заметно используется. По мартовской работе компании 2026 года на данных за август и ноябрь 2025-го средняя m — 0,14: 0,22 у когнитивных профессий и 0,01 у остальных. Долю «автоматизации» в данных за август 2025 года сдвигает даже смена разметчика (таблица 7).

В январском отчёте 2026 года компания оценила вклад в рост производительности по формуле Хультена: сэкономленное время, взвешенное по доле задачи в экономике. Экономию оценивает сама Claude. Выходит +1,8 п.п. в год на десять лет, а с поправкой на неудачи (успех тоже оценивает Claude) — 1,2 для Claude.ai и 1,0 для API. Это модельный расчёт вендора при допущении полного внедрения нынешних моделей и использования, а не замер и не прогноз с датой.

ATLAS — 14,65 млн взаимодействий за 6–19 апреля 2026 года только в бесплатных продуктах Gemini, без платного API и корпоративных клиентов, где автоматизация вероятнее. Поэтому вывод авторов — данных о близкой массовой автоматизации белых воротничков нет — её отсутствия не доказывает. А на синтетических диалогах той же Gemini разметчик верно определяет задачу O*NET лишь в 22,6 % случаев.

OpenAI в работе об организациях сообщает, что месячные токены вывода корпоративных клиентов из её панели выросли примерно в 7 раз с июня 2025 по март 2026 года, а у одних и тех же клиентов — примерно в 4 раза. Но токен — не задача и не ценность.

В схеме OpenAI для рабочих мест фактическое использование ChatGPT у группы «высокий риск» в 6,3 раза выше, чем у группы «меньше изменений» (наш расчёт по рисунку OpenAI). Но у группы риска во много раз выше и теоретическая подверженность; с поправкой на неё перевес — около 1,24 раза (тоже наш расчёт).

Слабость у индексов общая: продукт один, разметчик свой, результата не видно. OpenAI в Work at the Frontier сама перечисляет пять вещей, которых не видит, — например, использован ли ответ.

Индексы — лучшие доступные данные об использовании AI на работе, но не об эффекте на занятость или производительность.030303Писал про доклад Диогу Алмейды: индустрия научилась делать отличных помощников, а надёжная автоматизация требует других свойств. Поэтому деление разговоров на «автоматизацию» и «дополнение» полезно, но не говорит, можно ли работу отдать.Книжный куб · помощь и автоматизация03Писал про доклад Диогу Алмейды: индустрия научилась делать отличных помощников, а надёжная автоматизация требует других свойств. Поэтому деление разговоров на «автоматизацию» и «дополнение» полезно, но не говорит, можно ли работу отдать.Книжный куб · помощь и автоматизация

Продуктивность разработки — не объём кода, а то, что доходит до пользователя. Demirer, Musolff и Yang в рабочей статье NBER проследили по телеметрии Microsoft больше 500 тыс. разработчиков открытого кода на GitHub. У перешедших на асинхронных агентов, которым отдают задачу целиком, коммитов стало на 240 % больше, чем до инструментов AI, а релизов — лишь на 30 %. Новых приложений с начала 2025 года каждый месяц выходит примерно вдвое больше, но их суммарное использование не выросло ни на одном из четырёх потребительских маркетплейсов. Ограничения: открытый код, релиз — грубая мера ценности, рецензии нет.

В корпоративном коде Chen и Stratton по данным платформы Jellyfish сравнили 655 фирм, внедрявших агентов в разное время. Через 12 месяцев, сверх эффекта ассистентов, коммитов стало больше на 36 %, а время от отправки запроса на слияние до одобрения выросло на 56,1 %, почти на два дня: ревью стало очередью. Оговорки: препринт от 7 ноября 2026 года без рецензии, числа между версиями менялись, в выборке только клиенты Jellyfish, а к июлю 2026 года агентов внедрили 98,3 % фирм, так что сравнивать почти не с кем.

В эксперименте Google 2024 года, ещё до агентов, экономия времени около 21 % после поправок незначима; в повторном эксперименте METR эффект тоже незначим (таблица 8). В GDPval OpenAI посчитала, что наивные «в 90 раз быстрее эксперта» с проверкой результата человеком превращаются в 1,12–1,39 раза.

Anthropic сообщает, что в августе 2026 года в интерактивных сессиях, запущенных сотрудниками, агенты отработали в 6 раз больше часов, чем люди. Это время, а не результат: около 80 % времени сессии агент ждёт человека. По данным компании, код от Claude — это больше 80 % строк в продакшене в мае 2026 года и больше 90 % «вклада» по проспекту S-1, где «вклад» не определён.

Внешнюю проверку внутренних данных допустила только Anthropic: METR оценил ускорение роста способностей моделей с октября 2025 года в 1,9 раза (интервал 1,5–2,8), а самоотчёт сотрудников давал около 12 раз. Это ускорение исследований, а не выпуска продукта, и большую часть самых информативных данных Anthropic в публикации закрыла. Google заявляет об ускорении отдельных команд без базы, периода и метода, OpenAI в статье о Codex — о росте расхода токенов, а не об измеренном результате.

Выработка растёт кратно быстрее результата. По нашей оценке, пропускную способность теперь задаёт приёмка — ревью и проверки, после которых правка входит в продукт (лонгрид об инфраструктуре агентной разработки), — и разрыв надо закрывать их ускорением, а не дополнительной генерацией.

По разметке Indeed, в США в мае 2026 года вакансий для старших было на 14,7 % больше, чем годом раньше, а для начального уровня — на 7,5 % меньше. Это объявления одного сайта, а не наём, и AI не отделён от процентных ставок и делового цикла.

Anthropic в октябрьском отчёте о занятости сообщает, что с начала 2025 года доля младших в её технических подразделениях упала среди нанятых с 27 до 9 %, а в штате — с 21 до 14 %. Это доли, а не люди, «младший» не определён, и это одна быстро растущая фирма.040404Разбирал октябрьский отчёт Anthropic о том, как меняется занятость внутри компании. Агенты ускоряют исполнение, а дальше меняются процессы, роли и правила принятия решений — наём младших лишь одно из следствий.Книжный куб · занятость внутри Anthropic04Разбирал октябрьский отчёт Anthropic о том, как меняется занятость внутри компании. Агенты ускоряют исполнение, а дальше меняются процессы, роли и правила принятия решений — наём младших лишь одно из следствий.Книжный куб · занятость внутри Anthropic

В эксперименте Shen и Tamkin из Anthropic 52 разработчика за одну сессию осваивали незнакомую Python-библиотеку, половина — с чат-помощником. На тесте без AI группа с помощником набрала на 4,15 балла из 27 меньше. Компания называет их в основном младшими, но у 29 из 52 — семь и более лет опыта: новичками они были только в библиотеке.

Похожее показали Liu и соавторы на дробях и чтении и Wiles и соавторы на консультантах BCG, с задачами от команды OpenAI: без помощника участники решали хуже контроля или не лучше него (таблица 9). Самое долгое вмешательство в этих работах — около трёх часов: проверены первые часы незнакомой задачи, а не карьера.

Число нужных инженеров зависит от эластичности: насколько вырастет спрос на подешевевший софт. В модели Chen и Stratton занятость инженеров растёт, только если эластичность выше 3,68. При средней оценке из литературы, 2,27, занятость падает на 13,2 %. Это сценарий, а не прогноз, а оценка взята из работ 2005–2014 годов. OpenAI в схеме для США даёт разработчикам эластичность около 1,4 по суждению модели GPT. Методы и объекты у этих чисел разные, а для агентной разработки эластичность не измеряет ни одна из прочитанных работ.

В обзоре Anthropic Institute Roodman и Massenkoff свели 56 рандомизированных экспериментов в США: субсидируемое обучение безработных добавляет в среднем 2–3 п.п. занятости при цене около $13 000 за учебное место. О корпоративном переобучении инженеров в прочитанных работах данных нет.

Позиция автора сайта о джунах условная («Джун после кода»): нанимать, если компания готова платить за воспроизводство экспертизы и строит обучение как производственную систему; если нужен дешёвый старший инженер с агентом — нет. Это правило для одной фирмы, а не прогноз рынка, и в эфире звучали противоположные позиции. Проверили бы его два неизмеренных числа: цена воспроизводства экспертизы и производительность пары «старший инженер и агент».

Сценарии Anthropic — расчёт «что будет, если». Модель авторов делит экономику США на задачи с тремя параметрами: долей задач, которые AI способен выполнять (m), долей внедривших его фирм (d) и выигрышем на задачу (a). В середине 2026 года m = 0,14 по собственному исследованию Anthropic (это мера использования Claude, а не возможностей), а d = 0,10 авторы задали сами, ориентируясь на опрос Census BTOS.

ВВП и зарплаты к январю 2030 года считаются к пути без AI — базовой линии, которую нельзя наблюдать. ВВП выше неё на 1,6 / 8,3 / 32,4 % в скромном, существенном и экстремальном сценариях. Общая безработица — 3,9 / 4,6 / 11,9 % при исходном уровне модели 3,8 %; выхода из рабочей силы в модели нет.

В среднем за 3,5 года сценарии добавляют к росту ВВП 0,45 / 2,3 / 8,3 п.п. в год (наш расчёт по формулам авторов); в последний год экстремального пути рост доходит до 15,4 % против 2,0 % без AI. Падение когнитивных зарплат больше чем на 10 % на странице Explorer тоже считается к пути без AI, а не к сегодняшней зарплате.

Внутри одного сценария результат в разы двигают два неизмеренных параметра. В экстремальном сценарии безработица когнитивных профессий — 2,6 % при сразу подстраивающихся зарплатах (ξ = 0) и 24,0 % при почти жёстких (ξ = 0,9): цена шока переходит из зарплаты в занятость. ВВП того же сценария — +21,3 % при эластичности предложения капитала ε = 1 и +43,3 % при бесконечной. Базовые ξ = 0,5 и ε = 3 выбрали авторы и сами пишут, что ε не измерена, а согласия о ξ нет. Кода к статье нет.

Сравнивать сценарии удобно по мере m·d, доле задач, которые AI способен выполнять во внедривших его фирмах: 1,4 % у всех в середине 2026 года, 1,6 / 2,0 / 2,6 % в январе 2027 года и 2,2 / 3,9 / 7,5 % в январе 2028 года (наш расчёт по формулам авторов). Разница 2027 года, вероятно, меньше погрешности приближённых мер, хотя саму погрешность не оценивали, а по безработице наша реплика модели и в 2028 году отделяет только экстремальный путь (таблица 11). Отсюда наша гипотеза, а не вывод авторов: 2027 год сценарии, скорее всего, не различит.

Авторы сами признают, что неизменная занятость совместима и со скромным путём, и с началом экстремального, а порогов не дают. Поэтому в последнем разделе мы следим за параметрами модели, а не за безработицей.

В опросе «The AI Expectations Gap» ответы сотрудников Anthropic, пропущенные через модель, дают в 2030 году рост ВВП 17,1 % — выше 15,4 % экстремального сценария. Это не калибровка, а убеждения по невзвешенным ответам 1 334 сотрудников, чей заработок связан с продуктом; авторы называют их личными взглядами, а не прогнозом компании.050505Когда пересказывал эти сценарии в посте, сам прогнал Explorer, и мои настройки дали результат экстремальнее самого экстремального сценария авторов. Это было про будущее, которое мне хотелось бы увидеть, а не прогноз, — поэтому позиции этого выпуска о постепенности оно не противоречит.Книжный куб · три сценария Anthropic05Когда пересказывал эти сценарии в посте, сам прогнал Explorer, и мои настройки дали результат экстремальнее самого экстремального сценария авторов. Это было про будущее, которое мне хотелось бы увидеть, а не прогноз, — поэтому позиции этого выпуска о постепенности оно не противоречит.Книжный куб · три сценария Anthropic

Что будет с фирмами, если работники — копии одного агента? В статье Imas, Koh и Legg из Google DeepMind (препринт, октябрь 2026 года) координация сведена к одному числу γ, описывающему, как выпуск команды растёт с её размером. Ниже порога γ = 1 у фирмы есть предел роста, выше — средний выпуск на участника растёт без предела, и рынок в пределе собирается в одну фирму.

Числа в статье — иллюстрации авторов, а не оценки (см. таблицу 12). Так, в одной симуляции из 147 фирм остаётся одна, а работу сохраняют все 100 человек. Рыночной власти и доли труда в модели нет.

В статье 0 оценённых параметров и 0 дат: «когда» в эссе DeepMind значит «при каких способностях», а не «в каком году». Единственное число для γ агентов — 0,48–0,68 — взято из поста Тоби Орда на LessWrong: это пересчёт графиков OpenAI, а не замер. Авторы статьи лишь предлагают проверку: бенчмарк и четыре вида данных о фирмах.

Что показывают команды агентов? В CooperBench два агента пишут каждый свою функцию в одном репозитории. У лучших моделей 2025 года (GPT-5 и Claude Sonnet 4.5) пара справляется примерно в 25 % случаев — примерно вдвое реже одного агента с обеими задачами. Человеческой базы нет. У Kim и соавторов многоагентные системы в среднем отличаются от одиночного агента на −0,3 %, а по отдельным задачам — от −70 до +80,8 %. Статья DeepMind приводит из этой работы только провалы.

Результат зависит и от агентной обвязки — кода вокруг модели. В Worse Together (программа Anthropic Fellows) в одной среде команда на GPT-5.6-sol с каналом связи успешна в 56,9 % случаев против 92,6 % у одного координатора. Там же три процедурные инструкции агентам поднимают команду на Claude Opus 5 до 95,3 % — выше 84,3 % у координатора.

А фирмы людей? Kim (INSEAD) и Koning (Гарвардская школа бизнеса) сравнили стартапы 2020–2024 годов: AI-нативные при сопоставимой рыночной стоимости примерно на четверть меньше по штату. Сравнение срезовое, и речь, как предупреждают авторы, о форме фирмы, а не о числе рабочих мест. В модели ФРБ Сан-Франциско (по словам авторов, неполный черновик) концентрация с распространением AI сначала растёт, потом падает — из-за фиксированных издержек внедрения, а не координации.

Модель DeepMind — аккуратная теорема о механизме, а не прогноз: для прогноза нужны измеренное γ и данные о координации в фирмах. Цена координации агентов в экспериментах зависит от обвязки и инструкций; одного числа для неё нет.

Сколько AI добавит к росту совокупной факторной производительности (TFP) США? Acemoglu в рабочей статье NBER мая 2024 года по задачам 2023 года получил около 0,07 п.п. в год на 10 лет — это граница сверху, без новых задач и улучшения моделей. Aghion и Bunel по той же формуле со своими допущениями получили медиану 0,68 п.п. в год. По нашему расчёту по формулам авторов, разницу в 9,7 раза дают три допущения, а не данные: доля подверженных задач, доля выгодных для автоматизации и экономия на задаче.

Второй рычаг — эластичность замещения σ: насколько задачи машин заменяют задачи людей. Jones в обзоре в Journal of Economic Perspectives 2026 года вывел потолок дохода, если половина задач станет бесконечно производительной: это предел, а не путь. По нашему расчёту по его формуле, это рост в 1,19 раза при σ = 0,2, в 2 раза при σ = 0,5 и в 16 раз при σ = 0,8. Для AI по всей экономике σ никто не измерил. Модель Anthropic берёт 0,5, модель Jones и Tonetti — 0,2, хотя различаются и сами модели.

Бюджетные прогнозы ближе к нижнему краю: CBO заложил +0,1 п.п. в год к TFP несельскохозяйственного бизнеса на 2026–2036 годы, Penn Wharton ждёт пика вклада около 0,2 п.п. в начале 2030-х. Оценки ОЭСР и сценарий МВФ — в таблице 13.

Опрос разброс не снимает: у Karger и соавторов 69 экономистов в среднем оценили в 14 % (медиана 10 %) вероятность того, что быстрый сценарий станет самым частым выбором экспертной панели в конце 2030 года. Это вопрос о выборе панели, а не о самом сценарии; откликнулись около 3 % приглашённых.

Рынки дают неоднозначный сигнал. Ожидание взрывного роста должно поднимать реальные ставки: по Chow, Halperin и Mazlish, в 59 странах ожидания роста выше на 1 п.п. идут с реальными ставками выше примерно на 1 п.п., но это корреляция, и ожидания там любые, а не от AI. Реальные ставки в США с 2021 года выросли, но рост совпал с нефтяным шоком, дефицитами и ужесточением политики (таблица 17), так что AI его не припишешь.

Высокие оценки отчасти идут из одной сети авторов: Korinek — соавтор сценариев перехода к AGI, обзора с Trammell и модели Anthropic, Jones — тоже соавтор этой модели, Halperin — работы о ставках и опроса Karger. Это не доказывает предвзятости, а низкие оценки тоже не нейтральны: Acemoglu давно скептичен к автоматизации.

BLS считает, какая часть выпуска несельскохозяйственного бизнеса достаётся работникам. В выпуске 5 ноября 2026 года эта доля — 53,0 % в III квартале 2026 года, минимум ряда с 1947 года. Падает она давно: по ряду BLS, в I квартале 2000 года было 63,8 %, в IV квартале 2019 года — 56,3 %. Ревизия уровня и ряд BEA по всей экономике — в таблице 14. Ни один прочитанный нами источник не приписывает падение AI.

В сценариях Anthropic доля труда к январю 2030 года снижается до 59,4 %, 56,1 % и 45,2 % в скромном, существенном и экстремальном сценариях. Но отсчёт идёт от модельной базы 60 %, а не от 53,0 % по BLS: разница около 7 п.п. (наш расчёт по данным авторов и BLS), поэтому сравнимы только изменения внутри каждого ряда, а не уровни. Доход капитала к тому же сроку выше пути без AI на 3,1 / 18,9 / 81,4 %, доход труда — лишь на 0,6 / 1,4 / 0,5 %.

Остальные рамки долю труда не прогнозируют. Pascual Restrepo в черновике для NBER (июль 2025 года) доказывает: если набор задач фиксирован, любая работа требует конечных вычислений, а вычисления растут без предела, доля труда стремится к нулю, а зарплата сходится к положительному уровню и перестаёт расти с экономикой. Параметры этого предела не измерены. В модели DeepMind доли труда нет. В программе OpenAI нет ни одного числа о ней, хотя компания называет риск концентрации выгод в фирмах вроде неё самой.

Доход капитала — не доход «всех». По распределительным счетам ФРС во II квартале 2026 года верхнему 1 % домохозяйств принадлежало 50,9 % корпоративных акций и паёв фондов, а на нижнюю половину приходилось 2,3 % всего чистого богатства. При таком владении сдвиг к капиталу — сдвиг к верхним группам.

Остаётся покупатель. Brynjolfsson и соавторы опросили 1 908 американцев и оценили излишек потребителей от чат-ботов в США в $172,3 млрд в год (март 2026 года) — по заявленным предпочтениям, а не по тратам. Оценки того, как выигрыш делится между вендорами и бизнес-клиентами, мы не нашли: в пресс-релизе FTC об отчёте о партнёрствах облаков и лабораторий механизмы описаны без чисел (сам отчёт мы не читали).

Anthropic в июньском документе об экономической политике 2026 года разложила меры для США на три уровня по безработице: около 5 %, около 10 % и выше исторических пиков. Для верхнего уровня компания лишь перечисляет кандидатов, вплоть до сборов с токенов, без ставок и сумм. Документ советует смотреть и на зарплаты, и на долю труда, но пороги задаёт только по безработице — запаздывающему показателю.

OpenAI в апрельской записке Industrial Policy for the Intelligence Age дала 20 предложений без сумм и порогов для государственных мер и без ссылок на эмпирические работы. Страховка для работников включается при «заранее заданных порогах», но их значения не названы. В эссе DeepMind Institute и статье о границах фирм мер нет; отдельное эссе института предлагает наборы мер под разные сценарии (источник прочитан не полностью).

Интерес и оговорки у лабораторий разные. Anthropic в проспекте S-1 относит налоги для AI-компаний к рискам для выручки, то есть сборы с токенов предлагает обсуждать тот, кому их платить. OpenAI в письме в OSTP просит налоговых льгот. Эссе DeepMind оговаривают, что это не официальная позиция Google.

Меры из прочитанных нами исследований проверены там, где был спрос на труд. Страхование зарплаты RTAA, по оценке Hyman, Kovak и Leive, подняло занятость вытесненных торговлей работников около 50 лет на 8–17 п.п. в первые два года, но к четвёртому году прирост занятости исчез. Гарантированный доход $1 000 в месяц три года в эксперименте Vivalt и соавторов снизил участие получателей в рынке труда на 4,2 п.п. Отраслевое обучение и другие меры — в таблице 15.

Законы 2026 года касаются процедур, а не денег. Калифорнийский SB 947 с 1 июля 2027 года запрещает увольнять, полагаясь только на автоматическую систему. Нью-йоркская форма о сокращениях — в таблице 15.

Сопоставление уровней со сценариями Anthropic — наше. К январю 2030 года безработица в скромном и существенном сценариях — 3,9 и 4,6 % (первый уровень), в экстремальном — 11,9 % (второй). Но при полностью гибких зарплатах экстремальный сценарий даёт общую безработицу лишь 3,1 %, а когнитивные зарплаты на 42,2 % ниже пути без AI. Случай крайний, но порог по безработице молчит, когда шок уходит в зарплаты.

Россию не охватывают ни опрос работодателей WEF 2025 года (в нём 55 экономик), ни отчёт OpenAI (только пользователи из США), ни Employment Outlook 2026 ОЭСР. Отечественные источники измеряют подверженность профессий и внедрение AI, но не эффект AI на занятость.

Насколько российские профессии подвержены AI? Ростислав Капелюшников (ВШЭ) в препринте мая 2026 года перенёс индексы задач МОТ на микроданные обследования рабочей силы Росстата за 2019 год. Индекс профессии — от 0 до 1, средний по всем занятым — 0,30. Высокая подверженность у 12,0 % занятых, значимая — у 31,3 %; значимая включает высокую, поэтому числа не складываются. В отрасли «информация и связь» средний индекс 0,44, высокая подверженность у 48,9 % занятых. Агентов в индексах нет.

Сколько предприятий уже применяет AI? Банк России в мае 2026 года впервые спросил об этом в мониторинге предприятий: 14,7 тыс. нефинансовых компаний, вопрос только о генеративном AI, отвечает руководитель. Генеративный AI применяют 14 % предприятий — это доля фирм, а не работников. Активно пользуются 40 % применяющих, то есть около 6 % всех предприятий (наш расчёт: 14 % × 0,4). Рост производительности по самооценке отмечают 35 % применяющих. В октябрьском мониторинге об AI нет ни слова.

Что с наймом в ИТ? По обзору hh.ru за сентябрь 2026 года, ИТ-вакансий на 33 % меньше, чем годом раньше. Но в маркетинге вакансии упали на 32 %, в финансах — на 31 %, в HR — на 30 %. Это совместимо и с AI, и с общим сжатием спроса на офисную работу, а разложения по причинам никто не сделал. Зарплаты по Хабр Карьере — в таблице 16.

Государство ставит цели, а не измеряет. Национальная стратегия развития искусственного интеллекта задаёт целевой показатель: к 2030 году навыками AI должны владеть не меньше 80 % работников; что считать навыком, не определено. В законе о поддержке развития технологий искусственного интеллекта (№ 243-ФЗ, действует с 1 сентября 2026 года) норм о труде и занятости нет (источник прочитан не полностью: мы читали текст из справочной правовой системы, официальную публикацию и статус обещанных поправок мы не проверяли).

Авторы сценариев Anthropic называют четыре величины, по которым пути разойдутся через год-два: доли задач и фирм с AI, выигрыш на задачу и время поиска работы — но без порогов и вероятностей. У DeepMind нет ни дат, ни порогов, у OpenAI — порогов. Ставим их сами.

Наш прогноз — пороги посередине между траекториями сценариев на январь 2028 года: для доли задач, посильных AI (m), около 0,18 и 0,25, для доли фирм (d) — около 0,165 и 0,22, для m·d — около 3 % и 5,7 % (наш расчёт по формулам авторов). Для d это рост доли фирм с AI в опросе Census BTOS от исходных 18 % примерно в 1,65 и 2,2 раза при той же формулировке вопроса (наш расчёт при допущении, что d растёт пропорционально доле фирм). m отслеживается только по мере подверженности Anthropic, не обновлявшейся с марта 2026 года.

По агрегатам наш прогноз грубее. Существенный путь от скромного отличил бы рост производительности несельскохозяйственного бизнеса США выше 3 % год к году три года подряд при растущей доле капитала; по предварительным данным BLS, в III квартале 2026 года — 2,1 % год к году. Экстремальному пути нужен рост ВВП США выше 6–8 % в 2028–2029 годах. Безработица, по нашему расчёту, скромный и существенный пути к 2028 году не различит (таблица 11).

Самый чувствительный датчик — наём молодых, но и его оценка при всех контролях незначима (раздел о найме молодых). В разработке датчики — закрытые задачи против объёма кода (таблица 17) и время ревью.

Ряд METR о горизонте задач не пополняется с мая 2026 года, а реальные ставки неоднозначны (таблица 17): порогов для них не ставим. По России датчиков с порогами нет: Банк России, hh.ru и ВШЭ дают уровни без разложения по причинам.

Автор сайта предлагает решения, выигрышные при любом пути: мерить эффект в принятых изменениях, а не в строках, и ускорять ревью раньше генерации (лонгрид об инфраструктуре агентной разработки); нанимать джунов, если компания готова платить за воспроизводство экспертизы («Джун после кода»); держать бюджет на переобучение, не ожидая быстрых чисел: субсидируемые программы для безработных в США дают в среднем +2–3 п.п. занятости, а данных о корпоративном переобучении инженеров нет.

Картину изменит сочетание: доля фирм в BTOS и производительность одновременно выше наших порогов, а сигнал по найму молодых переживает контроли. Если к началу 2028 года этого нет, наша гипотеза о медленном пути — не вывод авторов — в силе.