Каждый из нас читал пессимистичные новости о том, что в будущем все рабочие места у нас отнимут машины. Мрачные прогнозы соседствуют с историями о том, как компании массово заменяют сотрудников на ИИ. Однако страх перед тотальной безработицей не всегда обоснован. Исследования демонстрируют [1, 2], что происходит не уничтожение рынка, а его масштабная трансформация. Давайте разберемся, как она выглядит и какие навыки сегодня востребованы на рынке труда.
От паники к данным
Свежие исследования развенчивают миф о том, что машины лишат нас работы. По данным отчета Future of Jobs 2025 [2], к 2030 году из-за автоматизации исчезнет 92 миллиона рабочих мест, однако взамен появится 170 миллионов новых. Итого чистый прирост составит 78 миллионов. Однако рынок труда изменится не только количественно: новые рабочие места появятся в других сферах, а задачи многих специалистов заметно изменятся.
Аналитики Anthropic в своем исследовании [1] утверждают, что наступает эра не полной автоматизации, а гибридизации и перераспределения задач. ИИ забирает на себя черновую работу: сбор данных, поиск опечаток, генерацию шаблонов. В сфере ответственности человека остаются этический контроль, фактчекинг и творческие решения. В работе Western University [3] подчеркивается, что этичность ИИ недостижима без участия человека в рабочем процессе. Около 80% компаний планируют обучать сотрудников работе с ИИ, а не увольнять их. На фоне этого возрастает спрос на базовую ИИ-грамотность и навыки критического мышления. Главный вывод, который можно сделать сегодня: вас заменит не ИИ, а другой человек, который научился эффективно использовать его в своей работе. В то же время авторы отчета Anthropic отмечают, что распространение ИИ пока не достигло прогнозируемого уровня, поэтому говорить о долгосрочных изменениях на рынке труда еще рано.
Профессии-фениксы: как меняются привычные специальности
ИИ меняет не только рынок труда в целом, но и содержание привычных профессий. Они не исчезают, а меняются вместе с технологиями, адаптируясь к новым инструментам и задачам. Вот несколько примеров.
- Переводчик. Специалисты все чаще занимаются редактурой, локализацией и адаптацией текста к культурному контексту. Нейросеть переводит быстро, но именно человек делает текст естественным и понятным для того самого читателя, на которого ориентирован текст.
- Копирайтер. Вместо генерации текста по заданному шаблону все большую роль играет понимание потребностей и проблем аудитории. ИИ способен подготовить черновик за секунды, а человек оценивает, насколько он соответствует цели и посылу текста, при необходимости заставляет ИИ адаптировать текст или вносит правки сам.
- Технический писатель. Генеративные модели помогают подготовить документацию, но ответственность за ее структуру, логику и понятность для пользователей по-прежнему остается за человеком. Человек снова выступает скорее в роли приемщика работы и контролера качества.
- Программист. Хотя эта профессия напрямую не связана с работой с текстом, современные разработчики, как и специалисты по компьютерной лингвистике, используют большие языковые модели в своей работе. Теперь разработчики придумывают архитектуру будущих программ, а написание кода делегируют языковым моделям и LLM-агентам. Также программистам по-прежнему нужно продумывать сценарии тестирования получившихся программных продуктов, иначе ускоренная ИИ разработка быстро выходит из-под контроля. Даже если сами конкретные тесты также могут быть реализованы силами ИИ.
Новые профессии
Развитие ИИ привело к появлению новых профессий, в которых специалисты обучают, оценивают и контролируют работу языковых моделей. Здесь классические навыки работы с текстом и данными переплетаются с технологиями. Ниже представлены примеры новых профессий.
- Промпт-инженер (контекст-инженер). Проектирует запросы для больших языковых моделей. Владеет техниками zero-shot learning (промптинг без примеров), few-shot learning (промптинг с несколькими примерами) и chain-of-thought (цепочка рассуждений), создает сложные, масштабируемые инструкции для LLM, а также настраивает работу моделей с внешними источниками данных.
- AI-тренер. «Учитель» нейросети, который пишет эталонные ответы на сложные запросы, оценивает и ранжирует выводы модели по степени полезности, безопасности и достоверности.
- ИИ-копирайтер. Такой специалист — это синтез редактора и оператора нейросетей. Он не пишет текст с чистого листа, а выстраивает алгоритм генерации через ИИ-агентов, после чего проводит фактчекинг, редактирует текст и адаптирует его под конкретную аудиторию и задачу.
- Лингвист-аналитик. Оценивает качество генерации с точки зрения языка, выявляет системные ошибки нейросетей и разрабатывает метрики оценки. Часто требуется обосновать, почему модель формирует тот или иной языковой паттерн.
- Специалист по этике данных. Следит за тем, чтобы системы ИИ работали безопасно и ответственно. Фокусируется на снижении предвзятости алгоритмов (bias mitigation) и решении проблем атрибуции источников. Этот специалист гарантирует, что ИИ опирается на проверенные данные, не транслирует токсичный контент и корректно обращается к исходным документам.
Ожидание и реальность: интервью с AI-тренером
Одно дело — сухие описания вакансий, и совсем другое — реальная практика. Чем занимается AI-тренер каждый день? Какие навыки оказываются важнее всего? И сможет ли ИИ однажды заменить тех, кто обучает его самого? Об этом мы поговорили с Андреем Мужщинским, AI-тренером.
Как вы пришли в эту профессию? Какие навыки из прошлого опыта вам пригодились?
Я тренирую ИИ уже 2,5 года. До того, как попасть в IT, около 20 лет работал в журналистике, был спичрайтером. В общем, всю свою сознательную жизнь работал с информацией. Найти данные, проанализировать их, профактчекать, написать текст понятным языком — все эти навыки пригодились и в работе AI-тренером.
Опишите вашу типичную рабочую задачу. В ней больше рутины или творчества?
По большому счету, мы — учителя для ИИ. Помогаем ему работать с информацией, проверять данные, лучше понимать, чего хочет пользователь, учим отвечать на запросы простым, понятным и грамотным языком.
Рутина, конечно, есть, как и в любой профессии. В журналистике тоже были дедлайны и график выхода новостей, и никто не спрашивал, есть ли вдохновение. В работе AI-тренера приходится писать тексты, ранжировать ответы, проводить фактчек. Но спасает разноплановость тем: никаких рамок и ограничений нет. Сегодня разбираешься с кодом, следом решаешь математические задачки, а потом изучаешь рейтинги книг. Скучно и однообразно точно не бывает.
Что самое сложное в работе с языковыми моделями? Как вы боретесь с галлюцинациями и токсичностью?
В распоряжении нейросетей — все, что человечество за несколько десятилетий разместило в интернете, а там немало «мусора». Помните, все смеялись над тем, что ИИ говорил, будто у лошади восемь ног? Это произошло не потому, что модель глупая, а потому, что она училась на всем том, что есть в Сети. Шуточные доказательства вроде «2×2=5» тоже попадают в обучающие данные. Поэтому важно научить нейросети проверять информацию и опираться при подготовке ответов на авторитетные источники.
Нейросеть — это не волшебная палочка. Это инструмент, помощник. Мы можем делегировать ему сбор и анализ информации, создание текстов, изображений и видео. Но результат часто остается черновиком. Если речь идет об аналитике или научной работе, ответ от ИИ обязательно нужно перечитать, убрать лишние рассуждения, исправить ошибки и перепроверить факты.
Как вы считаете, автоматизируют ли вашу должность в ближайшие пять лет?
Нейросеть уже сейчас хорошо творит, складно и красиво пишет, и многие рутинные задачи будут автоматизироваться еще больше. Но без участия человека все равно никак не обойтись. Тут можно пример привести с другими сферами, например, теплоэнергетикой. На ТЭЦ многое автоматизировано за последние десятилетия, рабочих стало меньше. Я как-то попал на насосную станцию, а там ни души. Если 15 лет назад для обслуживания станции нужно было несколько человек, сейчас достаточно одного, и то он следит за параметрами и корректностью работы оборудования дистанционно из диспетчерской. Однако каким бы хорошим не было оборудование, каким бы прекрасным не был софт, полностью от участия человека отказаться нельзя. Кто-то должен контролировать работу, вовремя замечать сбои, оперативно вмешиваться в ситуацию и исправлять ошибки.
Дорожная карта: как докрутить навыки
Переход в AI-индустрию для людей без инженерного бэкграунда не требует получения диплома программиста. Главное — нарастить специфический инструментарий и понять базовую логику работы алгоритмов.
Разберитесь в базовых понятиях. Начните с архитектуры трансформеров — именно она лежит в основе современных языковых моделей. Затем познакомьтесь с принципами RAG (Retrieval-Augmented Generation), чтобы понимать, как модели ищут достоверную информацию во внешних базах, а не просто выдумывают текст. Наконец, изучите RLHF (обучение с подкреплением) — это основа ежедневной работы AI-тренеров.
Для знакомства с обработкой естественного языка подойдет бесплатный курс Hugging Face NLP Course. Если хотите научиться работать с запросами к моделям, начните с официального гайда OpenAI по промпт-инжинирингу.
Освойте инструменты. Изучите базовый Python, библиотеки Pandas (для анализа таблиц и разметки) и PyTorch (чтобы понимать логику вычислительных процессов), а также познакомьтесь с экосистемой Hugging Face. Хороший старт — интерактивные микрокурсы на Kaggle Learn.
Продолжайте учиться. Для знакомства с темой подойдет курс «AI for Everyone» от DeepLearning.AI на Coursera. Для более глубокого понимания LLM обратите внимание на специализацию «Generative AI with Large Language Models».
Присоединяйтесь к сообществам. Русскоязычное сообщество Open Data Science (ods.ai) объединяет специалистов и исследователей в области анализа данных и машинного обучения.
Следите за новостями. О гуманитарном измерении данных регулярно пишет Telegram-канал «Системный Блокъ». За новостями индустрии также можно следить в каналах «Data Science» и «Machine Learning».
Что важно помнить
ИИ не обесценивает классические гуманитарные или технические навыки, а делает их фундаментом для работы с новыми инструментами. Как видно на примере перерождения профессий, машина забирает рутину, оставляя у человека монополию на контроль соответствия цели, общую осмысленность произведенной работы, этику, архитектуру и стратегию. Для нас это отличная новость: чтобы оставаться востребованным завтра, достаточно быть мыслящим и адаптивным специалистом, развивать критическое мышление и не бояться интегрировать технологии в свою ежедневную практику.
Источники
- Labor market impacts of AI: A new measure and early evidence [Электронный ресурс] // Anthropic. 2026. URL: https://www.anthropic.com/research/labor-market-impacts (дата обращения 30.03.2026).
- WEF Future of Jobs Report 2025 [Электронный ресурс] // Coursera. 2025. URL: https://blog.coursera.org/wef-future-of-jobs-report-2025/ (дата обращения 30.03.2026).
- Christine Bell. Keeping Humans in the Loop: Guiding GenAI with Human Oversight [Электронный ресурс]. 2025. URL: https://teaching.uwo.ca/genai/posts/2025/article_eleven.html (дата обращения 30.03.2026).
