Общественные дебаты о предполагаемом воздействии искусственного интеллекта (ИИ) на труд установились в привычной схеме: Заголовки предупреждают, что ИИ готов ликвидировать миллионы рабочих мест, дестабилизировать рынки труда и воссоздать хаос прошлых технологических революций. Но появляющиеся эмпирические данные рассказывают другую и более тонкую историю.

Ранние исследования различных категорий рабочих мест показывают, что влияние ИИ на труд до сих пор было небольшим в совокупности, неравномерным между профессиями и в значительной степени формировалось институциональным контекстом. То, как компании внедряют инструменты ИИ, как сотрудников обучают их использованию и как политики структурируют среду вокруг внедрения, по-видимому, являются самыми важными факторами. То есть сама технология не диктует результаты — это именно институты.

Это различие важно, потому что Соединённые Штаты уже пережили шоки на рынке труда, которые популярные нарративы обычно связывают с технологиями или глобализацией, хотя позже доказательства показали, что институциональные сбои объясняют важную часть ущерба.

Канонический пример — « Шок в Китае .” Когда в 2000-х годах возросла конкуренция на импорт, многие производственные центры США столкнулись с глубокой и длительной потерей рабочих мест. Разрушения возникли из-за того, что институты не смогли адаптироваться к масштабу и скорости торгового шока, а не из-за какой-либо внутренней особенности торговых потоков. Рабочие не переезжали, потому что мобильность в США снижалась на протяжении десятилетий. Программы переподготовки были слишком слабы, чтобы перенаправить работников на новые профессии. Местные системы социальной защиты были недостаточны. В результате региональные рынки труда адаптировались удивительно медленно, при этом заработные платы и участие рабочей силы оставались на низком уровне более десяти лет после шока.

Экономические потрясения могут стать неизгладимыми шрамами, когда институты не развиваются вместе с технологическими или глобальными изменениями. И эта история даёт правильную аналитическую призму для взгляда на появление искусственного интеллекта. В отличие от рутинной автоматизации задач конца XX века, ИИ — это технология когнитивного усиления, которая, возможно, может повысить производительность менее компетентных или менее опытных сотрудников больше, чем экспертов. Это также может расширить географию, где может происходить высокаценная работа, и снизить когнитивные и финансовые фиксированные затраты предпринимательства. Все эти особенности делают ИИ потенциальным уравнителем, а не дестабилизатором — если учреждения позволят преимуществам технологии распространяться широко.

Для политиков важна институциональная среда, через которую распространяется ИИ. Если обучающие системы застопорится, мобильность останется ограниченной или регулирование ограничит существующие преимущества, ИИ сможет воспроизвести шрамные паттерны прежних нарушений. В отличие от этого, есть возможность создать взаимодополняющие институты, позволяющие универсальной технологии повышать производственные мощности по всей экономике.

Влияние ИИ на труд не будет похоже на китайский шок. Она будет похожа на неё только если мы повторим те же институциональные провалы.

Уроки прошлых потрясения: именно институты, а не технологии, обрекли рабочих

Если какой-либо эпизод и сформировал современные тревоги по поводу экономических потрясения, так это шок в Китае. Тем не менее, основной урок того периода часто неправильно понимается. То, что разрушило сотни американских промышленных городов в 2000-х, — это не технологическая неизбежность и не абстрактная сила глобализации. Вместо этого это была неспособность институтов адаптироваться к крупному и внезапному изменению состава товаров.

Дэвид Аутор, Дэвид Дорн и Гордон Хэнсон документировать масштабы этого институционального провала. В ответ на конкуренцию по импорту многие затронутые рынки труда не перенаправляли работников в новые отрасли или новые регионы. Вместо этого они считают, что адаптация была «удивительно медленной»: низкие зарплаты, низкое участие в рабочей силе и высокий уровень безработицы сохраняются более десяти лет. Основной причиной была не нехватка рабочих мест в других местах, а резкое снижение географической мобильности и отсутствие институциональной поддержки для помощи работникам в переходе.

Мобильность в США падал С 1980-х годов — того самого периода, когда рабочим требовалась региональная гибкость для реагирования на глобализацию. Межштатная миграция и смена работы стабильно снижались на протяжении десятилетий, отчасти из-за жёсткости рынка труда, жилищных ограничений и общей слабости местной активности. По мере снижения мобильности груз адаптации всё больше ложился на сообщества, у которых не было инструментов для реагирования.

КонсеКвенсы были предсказуемы, но не неизбежны. Регионы, подвергшиеся конкуренции китайского импорта, наблюдались всплески заявок на инвалидность, долгосрочную безработицу и социальные трудности. Это закономерности, отражающие географическую концентрацию вреда, включая Рост уровня отброса участников рабочей силы , а не общенациональный технологический сдвиг. Эти патологии были сильнее там, где системы переобучения были слабы, системы безопасности были слабы, а работники не могли ни переехать, ни перейти к новым профессиям.

В результате получается чёткая причинно-следственная цепочка: географическая неподвижность в сочетании со слабой институциональной поддержкой приводит к стойким травмам на рынке труда, даже когда национальные экономические условия в остальном здоровы. Шок в Китае показал, что долгосрочные последствия вреда для рынка труда зависят от силы окружающих институтов. Там, где эти институты сбивались, рабочие были гораздо менее способны выдерживать быстрые технологические или глобальные изменения.

Неравенство в IT-революции было создано политикой, а не автоматизацией

Похожее заблуждение затмевает обсуждения революции информационных технологий. Распространённое мнение гласит, что рост компьютеров и автоматизации в 1980-х и 1990-х годах породил « Технологические изменения, основанные на навыках » (SBTC), способствуя увеличению неравенства в заработной плате, вознаграждая высококвалифицированных работников, вытесняя рутинных. Но эмпирические основы этого нарратива значительно ослабли.

Один Систематический обзор Синтезировали 127 эмпирических исследований, опубликованных в период с 1988 по 2021 год. Данные показывают, что время и масштаб роста неравенства заработной платы в США не совпадают с стандартным нарративом SBTC. Таким образом, опасения по поводу массовой технологической безработицы необоснованны, поскольку «эффект замены труда от технологий обычно более чем компенсируется рядом компенсирующих механизмов, свидетельствующих о том, что широко распространённая тревога по поводу технологической безработицы не имеет своей эмпирической основы». Почти во всех технологических категориях эффект чистой занятости был нейтральным или положительным: 29% исследований показали положительные чистые эффекты, против лишь 18% отрицательных, и наибольшая доля сильно зависела от контекста.

Действительно, большинство потерь рабочих мест, связанных с технологиями, в прошлые десятилетия, отражали перераспределение задач, а не ликвидацию профессий. Технологии, как правило, смещают занятость в сторону нерутинных, сервисных и высококвалифицированных работ, а также создают новые взаимодополняющие роли. Эти данные напрямую противоречат идее, что автоматизация с 1980-х по 2010-е годы привела к крупным экономическим потерям рабочих мест. Вместо этого, как подчеркивают авторы, «не существует эмпирической основы для страха безработицы, вызванной технологиями».

В то же время технологические изменения могут оказывать непропорционально значительные последствия для разных групп навыков, нанося вред одним, но принося пользу другим. Это больше соответствует институциональным провалам в управлении переходами, чем технологически заранее определённому вытеснению рабочей силы. Например, Европа — с очень похожими технологиями, но более сильными институтами труда — не испытала такого всплеска неравенства, как в Соединённых Штатах.

Что отличает ИИ: когнитивное усиление, а не замещение

Яркой особенностью современных систем ИИ — особенно больших языковых моделей (LLM) — является то, что их основной экономический эффект заключается не в замене работников, а в повышении когнитивных способностей человека. Это особенно актуально для работников с низкими базовыми навыками или меньшим опытом. Эта особенность резко отличает ИИ от популярного нарратива SBTC о волне компьютеризации 1980-х и 1990-х годов. Ранние эмпирические исследования последовательно показывают, что ИИ повышает уровень производительности, сокращая различия в производительности внутри профессий и позволяя менее опытным работникам работать на уровне, ближем к опытным профессионалам.

Например, в Одно исследование с профессионалами с высшим образованием, выполняющими задачи с ChatGPT и без него, доступ к модели сократил время выполнения задачи примерно на 40% и значительно улучшил качество результатов. Но схема распределения ещё важнее: наибольшие выигрыши получили работники с низкими способностями, что поднимает нижний уровень распределения производительности вверх и снижает дисперсию между работниками.

Другой изучать подтвердил этот паттерн в контролируемом эксперименте, связывая способности, самооценку и использование ИИ. Было установлено, что «ИИ повышает производительность у людей с низким базовым уровнем возможностей», а наибольший результат достигается для тех, кто правильно оценивает свои ограничения (тех, кто «калибровался» для использования ИИ там, где это уместно). Другими словами, ИИ действует как Инструмент прокачки: новички поднимаются к среднему.

В совокупности эти выводы опровергают популярное предположение SBTC, согласно которому новые технологии предполагаются дополнением только к высококвалифицированному труду. С ИИ сравнительное преимущество, по-видимому, заключается не в уже существующих знаниях, а в способности эффективно сотрудничать с моделью.

Реальные доказательства: ИИ как уравнитель

Новые полевые исследования подтверждают эту уравнивающую динамику в нескольких профессиях. В Крупномасштабное развертывание ассистента с GPT в компании из списка Fortune 500 производительность выросла в среднем на 14%. Результаты кейс-стади пришли к выводу, что «помощь ИИ непропорционально повышает результаты менее квалифицированных и менее опытных работников по всем показателям производительности.» Как отмечают авторы исследования, система эффективно фиксировала и перераспределяла паттерны решения проблем лучших исполнителей.

В исследовании малых и средних бухгалтерских фирм используются ИИ-инструменты для классификации, сверки и проверки ошибок Сокращение рутинной работы по вводу данных на 8,5 процентных пункта; позволил бухгалтерам уделять больше времени общению с клиентами и анализу более высокого уровня; и сократил ежемесячное закрытие на 7,5 дней. Качество выходных данных также выросло, что отражено в более детализированных бухгалтерских книгах и уменьшении несоответствий.

В Рандомизированные контролируемые исследования с помощью студентов-юристов и младших юристов инструменты ИИ значительно повысили скорость и качество. Сложные юридические задачи, такие как составление кратких документов, анализ жалоб или подготовка убедительных писем, выполнялись на 38–115% быстрее, с заметным улучшением глубины рассуждений, когда студенты и практики использовали продвинутые модели рассуждения на основе ИИ. Важно, что ИИ функционировал как когнитивный усилитель, улучшая человеческое суждение, а не заменяя его.

В этих областях ситуация одинаковая: ИИ расширяет возможности менее опытных сотрудников, сокращает разрывы в навыках и распространяет высококачественную экспертизу по всей организации. Таким образом, ранние данные свидетельствуют о том, что ИИ структурно является «поднятым фактором»: его наибольший и самый надёжный прирост производительности приходится на работников, которые исторически получали наименьшую выгоду от новых технологий. Однако реализован ли этот уравнивающий потенциал в масштабе, почти полностью зависит от доступа, обучения и распространения. Другими словами, это будет зависеть от институциональных решений, а не от технологических неизбежностей.

ИИ и удалённая работа могут обратить вспять спад в малых городах

Одним из самых недооценённых изменений на рынке труда за последние пять лет стало географическое перераспределение, вызванное удалённой работой. Десятилетиями высокооплачиваемая работа с знаниями оставалась плотно сосредоточена в крупных мегаполисах, оставляя рынки труда в сельских и маленьких городах структурно…