ШІ та робота: чому прогнози розходяться і на що реально варто ставити

Штучний інтелект уже пише код, аналізує дані й генерує тексти на рівні, який ще кілька років тому здавався фантастикою. На цьому тлі питання «чи буде в мене робота за п’ять років?» звучить не як паніка, а як цілком раціональне. Канал Marina Wyss – AI & Machine Learning зібрав ключові дослідження й позиції експертів, і картина виявилася набагато менш однозначною, ніж гучні заголовки про «кінець білих комірців».

Цифри вражають — але не сходяться між собою

Почати варто з того, що великі інституції малюють дуже різні сценарії.

• Goldman Sachs (2023) оцінив, що генеративний ШІ може «поставити під загрозу» еквівалент 300 млн повних ставок у світі.
• Anthropic (2024) промоделював вплив ШІ на всі основні професії у США й дійшов висновку, що ШІ теоретично може виконувати більшість завдань у:
• бізнесі та фінансах
• менеджменті
• комп’ютерних науках
• юридичній сфері
• офісному адмініструванні

Дослідники навіть ввели термін, за яким уважно стежать: «велика рецесія для білих комірців».

• CEO Anthropic в інтерв’ю Axios пішов ще далі:
• до 50% початкових (entry-level) білих комірців можуть втратити роботу впродовж 5 років;

• безробіття потенційно може зрости до 10–20%.

• Індекс ризику для робочих місць від ШІ (Tufts, 2025):

• 9,3 млн робочих місць у США під ризиком витіснення за 2–5 років;
• на кону — до 757 млрд доларів домогосподарських доходів.

Це не абстракція: за даними про скорочення у США, з травня 2023 року близько 99 тис. оголошених звільнень прямо назвали ШІ одним із факторів. У березні 2025-го ШІ згадувався вже приблизно в 25% зафіксованих скорочень.

Під ударом — насамперед сфери, де вже активно тестують і впроваджують інструменти ШІ:

• розробка ПЗ
• аналітика даних
• написання текстів
• фінанси
• юридичні послуги
• підтримка клієнтів

Однак на цьому консенсус закінчується.

Прогнози суперечать одне одному — і навіть самим собі

Якщо поставити всі ці звіти поруч, виявляється, що вони не просто відрізняються — вони часто говорять протилежне.

• Goldman Sachs говорить про сотні мільйонів «експонованих» робочих місць.
• World Economic Forum (Future of Jobs, 2025), навпаки, прогнозує до 2030 року:
• 170 млн нових робочих місць;
• 92 млн — витіснених;
• чистий приріст — +78 млн.

Тобто одна впливова структура бачить масштабну загрозу, інша — позитивний баланс.

Anthropic, фокусуючись на білокомірцевій зайнятості, одночасно:

• попереджає про можливу «велику рецесію» для офісних працівників;
• прямо визнає, що горизонт і темпи змін радикально невизначені;
• демонструє у власних даних величезний розрив між тим, що ШІ вже може, і тим, як мало компанії реально впровадили.

Додатковий рівень плутанини — різні методики:

• різні визначення «експонованості» до ШІ;
• різні часові горизонти;
• різні припущення щодо швидкості впровадження.

У результаті одна робота називає розробників ПЗ найбільш вразливою групою, інша — найменш вразливою, бо саме вони створюють інструменти ШІ.

Особливо показовий випадок із оновленим звітом Goldman Sachs (березень 2025). Через два роки після гучної цифри у 300 млн «експонованих» робочих місць, власні економісти банку:

• не знайшли помітного впливу ШІ на:
• рівень безробіття;
• динаміку звільнень;
• продуктивність праці в агрегованому вимірі.

Тобто одна й та сама установа за два роки приходить до принципово іншого висновку.

Експерти теж не готові робити ставки

Невизначеність видно не лише в цифрах, а й у риториці людей, які безпосередньо працюють із ШІ.

На профільній конференції одна з найвідоміших популяризаторок AI engineering Чіп Хуян (Chip Huyen) сформулювала ключову думку: інженерія — це не про вивчення коду як такого, а про розв’язання задач, а задачі нікуди не зникнуть. Водночас у розмові про вибір між фізичною терапією та комп’ютерними науками вона не наполягала, що ІТ — однозначно «правильніша» ставка на майбутнє.

Ще один показовий приклад — CTO компанії, що розробляє інструменти для автоматизації кодування. На запитання, якою буде робота розробника через два роки, він відповів, що два роки — занадто довгий горизонт для будь-яких конкретних прогнозів. Далі ніж на пів року вперед він робити припущення не береться.

Це важливий сигнал: навіть люди, які будують інструменти ШІ, не впевнені, як саме зміниться ринок праці в найближчій перспективі.

Додайте до цього суперечливі академічні результати:

• одне дослідження (на яке посилається Washington Post) фіксує падіння зайнятості на ранніх кар’єрних етапах у професіях, найбільш «експонованих» до ШІ;
• інше, від Economic Innovation Group, знаходить протилежне: молоді фахівці в тих самих сферах почуваються краще, ніж їхні колеги в менш «ризикових» галузях.

Навіть статистика звільнень із позначкою «через ШІ» не дає однозначної картини: дослідники застерігають, що компанії можуть використовувати «AI-риторику» як зручне пояснення для скорочень, які й так планували. Ринок капіталу сьогодні винагороджує будь-які історії про ШІ, тож «ми оптимізуємося завдяки AI» звучить привабливіше, ніж «ми помилилися з наймом під час COVID».

Історія з автоматизацією: прогнози майже завжди хибили

Щоб зрозуміти, як поводитися в умовах такої невизначеності, корисно подивитися назад. Історія технологічних проривів показує: ми систематично помиляємося в оцінці впливу на зайнятість.

Класичні промахи прогнозів

1. Знамените дослідження Frey & Osborne (2013)
2. Оцінило, що 47% робочих місць у США мають високий ризик комп’ютеризації.
3. Папір став базою для десятків політичних дискусій і програм.

Коли через понад десятиліття ITIF порівняв прогнози з реальністю, вийшло:

• професія з найвищим прогнозованим ризиком — страхові андеррайтери — показала +16,4% зайнятості (2013–2021);
• професія з найнижчим ризиком — реабілітаційні терапевти — навпаки, –8,9%;

• кореляція між «ризиком автоматизації» та фактичними втратами роботи — 0,26, тобто майже шум.

• Банкомати й касири

• Логіка 1970–80-х: якщо з’явився automated teller machine, касири банку приречені.
• Справді, середня кількість касирів на відділення впала з 21 до 13.
• Але відділення стало дешевше утримувати, банки відкрили більше точок — і загальна кількість касирів зросла до 2000-х.

• Функція змінилася: від «рахувати гроші» до роботи з клієнтами та продажу фінпродуктів.

• Електронні таблиці й бухгалтери

• Поява spreadsheet-софту витіснила близько 2 млн робочих місць у сфері ручного бухгалтерського обліку.
• Натомість з’явилися мільйони нових позицій:
  • аудитори;
  • фінансові аналітики;
  • висококваліфіковані бухгалтери.

Ці ролі просто не існували в такому масштабі до появи інструментів автоматизації.

1. Комісія США з технологій та автоматизації (1960-ті)
2. Президент Кеннеді називав автоматизацію «головним внутрішнім викликом».
3. Страхи: масове безробіття через машини.

4. Реальність: упродовж наступного десятиліття зайнятість зросла.

5. Прогноз Джеффрі Гінтона щодо радіологів (2016)

6. Один із «батьків глибинного навчання» заявив, що навчати нових радіологів більше не варто, бо ШІ вже читає знімки краще за людей.
7. Минуло майже 10 років, а попит на радіологів у США — рекордний.

Ці приклади не доводять, що «цього разу все буде так само добре». Навпаки, нинішній ШІ справді відрізняється:

• він б’є по когнітивній праці, а не лише по рутинній фізичній;
• він уміє писати, міркувати й програмувати на рівні, недосяжному для попередніх хвиль автоматизації.

Але історія чітко показує інше: наші моделі майбутнього ринку праці майже завжди виявляються неточними — як у бік катастрофи, так і в бік надмірного оптимізму.

Стратегія на невизначені часи: не прогноз, а стійкість

Коли немає єдиної картини майбутнього, спокуса знайти «правильний прогноз» — хибна. Якщо б ми точно знали, що станеться, логічно було б оптимізуватися під конкретний сценарій: обрати «безпечну» професію, вивчити «єдину потрібну навичку» тощо.

Але коли:

• звіти суперечать одне одному;
• експерти не беруться прогнозувати далі, ніж на пів року;
• історія показує, що ми систематично помиляємося, —

оптимізація під один сценарій стає ризикованою стратегією. Натомість виграє інший підхід — резильєнтність (стійкість): стати людиною, яка зможе адаптуватися за будь-якого розвитку подій.

Це означає кілька практичних речей.

1. Глибокі основи замість «модних фреймворків»

У технічних сферах це:

• математика;
• статистика;
• теорія ймовірностей;
• алгоритмічне мислення.

Той, хто розуміє, чому модель працює, а не лише як викликати API, зможе:

• швидко освоїти нові інструменти;
• критично оцінювати їхні обмеження;
• будувати власні рішення поверх них.

Фреймворки змінюються щороку, фундаментальні принципи — значно повільніше.

2. Навичка швидкого навчання

У ситуації, коли стек інструментів оновлюється кожні кілька місяців, ключова компетенція — уміння за 1–2 тижні розібратися в новому інструменті настільки, щоб стати продуктивним.

Це включає:

• базову інформаційну гігієну (відрізняти хайп від реальної користі);
• вміння вчитися на практичних задачах, а не лише з курсів;
• готовність регулярно «обнулятися» й визнавати, що вчорашні підходи застаріли.

3. Толерантність до невизначеності

Найбільше ризикують не ті, хто обрав «не той стек» чи «не ту мову програмування», а ті, хто:

• завмирає в очікуванні «правильної відповіді» від експертів;
• відкладає будь-які дії, поки не з’явиться «гарантовано безпечний» шлях.

Сьогодні такої гарантії немає й навряд чи з’явиться. Є кілька розумних траєкторій, і найкраще, що можна зробити, — обрати одну й почати рухатися, залишаючи собі простір для корекції курсу.

Стоячи на місці, коригувати вже нічого.

Висновок: не чекати прогнозу, а будувати стратегію без нього

Сукупність даних і прикладів дає неприємну, але чесну картину:

• ніхто сьогодні не знає напевно, які саме професії виявляться «безпечними»;
• великі інституції й авторитетні дослідники дають діаметрально протилежні оцінки;
• історичний досвід показує, що довгострокові прогнози щодо автоматизації майже завжди хиблять.

У такій ситуації будь-яка людина чи компанія, яка стверджує, що «точно знає, що буде з роботою X через 10 років», або щось продає, або недооцінює рівень невизначеності.

Натомість реалістичний підхід виглядає так:

• інвестувати в переносимі навички (аналітичне мислення, робота з даними, комунікація, розв’язання задач);
• тримати технічну базу достатньо глибокою, щоб не боятися нових інструментів;
• звикнути до думки, що кар’єрні повороти кожні кілька років — нова норма, а не збій системи.

Перевага в такому світі переходить не до тих, хто вгадав «правильну професію», а до тих, хто швидко вчиться, не боїться змін і не чекає ідеального прогнозу, щоб діяти.

Джерело

What Will AI Actually Do to the Job Market?