В марте 2023 года исследователи OpenAI опубликовали оценку, от которой трудно отмахнуться: 80% американской рабочей силы столкнётся с тем, что языковые модели возьмут на себя хотя бы 10% их задач, а 19% работников увидят, что затронута половина или больше их работы. Это была не очередная сенсационная колонка. Это была методичная работа Элизы Элундо, Скотта Гершенгобина и других сотрудников компании, обучившей модель GPT-4. Цифры касались не рабочих сборочных линий, а бухгалтеров, математиков, юристов, дизайнеров и редакторов - то есть как раз тех, кого две предыдущие волны автоматизации обходили стороной.

Через два года после публикации этой оценки руководитель Ford Джим Фарли заявил, что искусственный интеллект "заменит буквально половину всех белых воротничков в США". Независимо от того, насколько точна эта цифра, она симптоматична: речь идёт уже не о ткацких станках и не о конвейере, а о тех профессиях, которые сами по себе были порождены предыдущей автоматизацией. Белый воротничок появился как компенсация за исчезновение ручного труда. Теперь экономика готовится устранить и эту компенсацию.

Стандартный дискурс о AGI и занятости распадается на два риторических лагеря. Первый повторяет успокоительную формулу, восходящую к Давиду Рикардо и к Жану-Батисту Сэю: технология вытесняет работников на коротком горизонте, но в долгосрочной перспективе создаёт новые задачи и новые отрасли. Второй лагерь, активизировавшийся с 2013 года, предупреждает, что "в этот раз всё иначе" и что массовая безработица неминуема. Оба лагеря ошибаются в главном: они сводят вопрос к числу рабочих мест и упускают, что AGI меняет не количество труда, а его экономическую стоимость.

Я утверждаю, что главный эффект AGI - не безработица, а девальвация среднего когнитивного труда. Различие принципиально. Безработица - это отсутствие работы; девальвация - это наличие работы, цена которой стремится к нулю. Между этими состояниями лежит почти вся разница между устаревшей индустриальной картиной и тем, что фактически происходит с экономикой после 2022 года. Человек не становится "лишним" в буквальном смысле - он становится лишним как источник стоимости.

Эта статья - попытка сдвинуть разговор от подсчёта утерянных мест к пониманию, что именно обесценивается, когда когнитивный труд становится почти бесплатным ресурсом. И почему привычный ответ "переучим людей на новые задачи" работает всё хуже именно в той мере, в какой AGI приближается к границе универсальности.

От ткацкого станка к току-модели: что именно меняется

Каждое обсуждение автоматизации рано или поздно возвращается к луддитам. Между 1811 и 1816 годами английские ткачи разрушали механические станки, видя в них угрозу своему ремеслу. История, как её обычно рассказывают, доказывает правоту экономистов-оптимистов: ткацкие станки не привели к массовой постоянной безработице, они удешевили ткань, расширили спрос и в итоге создали новые отрасли. Эта история стала учебной моделью, на которой выросли поколения политэкономов.

Проблема не в том, что модель неверна. Проблема в том, что она была верна для мира, где машина ускоряла физическую руку, но не заменяла суждение. Механический ткацкий станок выполнял то, что раньше делал ткач, - но не мог решить, что ткать, кому продавать и какой узор войдёт в моду в следующем сезоне. Эти суждения оставались за человеком, и именно вокруг них выросла новая экономика: дизайн, маркетинг, логистика, дистрибуция. Машина высвободила человека для работы более высокого порядка, а не подменила саму эту работу.

AGI - это первая технология, которая претендует именно на суждение. Языковая модель не ускоряет кодирование: она пишет код. Она не помогает юристу найти прецедент: она формулирует правовую позицию. Она не подсказывает врачу дифференциальный диагноз: она предлагает его целиком, с обоснованием. Граница между "инструментом" и "исполнителем" стирается, и эта граница была ровно тем рубежом, на котором держалась вся прежняя логика компенсации.

В работе 2019 года, опубликованной в Journal of Economic Perspectives, Дарон Ачемоглу и Паскуаль Рестрепро описали технологическую компенсацию как двухтактовый процесс: автоматизация вытесняет старые задачи, но одновременно создаёт новые, на которых человек остаётся необходим. Этот механизм - "восстановление труда" через новые задачи - они считали главным объяснением того, почемуautomation не ведёт к долгосрочной безработице. На исторических данных это работало. Но модель опиралась на негласную предпосылку: новые задачи требуют человеческих качеств, которых у машины нет. AGI эту предпосылку устраняет.

Даже если новые задачи действительно появляются - а они появляются, и это легко увидеть по росту вакансий "prompt-инженер", "AI-аудитор", "верификатор синтетических данных" - AGI способен их выполнить быстрее и дешевле человека. Иначе говоря, цикл "вытеснение - восстановление" не останавливается, но точка равновесия смещается: человек восстанавливается на задаче, на которой его тут же заменяют. Это уже не восстановление, а топтание на месте.

Девальвация, а не безработица

Различие между безработицей и девальвацией труда проще всего пояснить на цифрах. В исследовании Ачемоглу и Рестрепро 2017 года, опубликованном в Review of Economic Studies, показано, что появление одного дополнительного промышленного робота на тысячу работников в commuting zone США снижает долю занятости на 0,2-0,4 процентных пункта, а среднюю зарплату - на 0,42%. Это значимые, но ограниченные эффекты. Роботы били по конкретным регионам и конкретным профессиям, но не по всему рынку труда одновременно.

AGI действует иначе. Его диффузия почти не требует капитальных затрат: копия модели стоит центов в час и может быть развёрнута в любом офисе планеты за сутки. Область воздействия - не локальная промышленность, а любой вид работы, который сводится к обработке символов. Юристы, аналитики, переписчики, корректоры, переводчики, преподаватели начального уровня, операторы колл-центров, программисты среднего уровня, маркетологи-копирайтеры, финансовые аналитики младшего звена - вся эта огромная прослойка и есть "средний когнитивный труд". По разным оценкам, в развитых экономиках он составляет от 25% до 40% всех рабочих мест.

Девальвация проявляется не в том, что люди теряют работу немедленно. Она проявляется в том, что ставка, которую рынок готов платить за единицу их труда, падает быстрее, чем они успевают переучиться. Молодой юрист, чьи черновые работы теперь делает GPT-5, не становится безработным. Он становится юристом с зарплатой паралегала. Редактор, чьи тексты правит модель, не увольняется. Он становится редактором с зарплатой корректора. Работа остаётся; её цена - нет.

Именно это различие описали Антон Коринек и Джозеф Стиглиц в работе 2017 года, изданной как NBER Working Paper 24174. Их аргумент опередил большинство публичных обсуждений: главный риск AI для экономики - не сокращение рабочих мест, а рост неравенства доходов, поскольку прирост производительности достаётся владельцам капитала и редким специалистам, способным с AI работать, а не displaced workers. Без целенаправленного перераспределения, предупреждали они, технологический прирост концентрируется у верхних децилей, а большинство населения получает уведомление о падении цены своего труда.

В этом смысле разговоры о "замене людей машинами" морочат голову. Никто никого не "заменяет" - просто труд многих людей перестаёт быть капиталом, который рынок готов накапливать. И это уже не укладывается в привычную оптику "технологической безработицы" из учебника макроэкономики.

Где проходит граница ирреженимости

Практический вопрос, который задаёт себе любой работающий человек: "А меня заменят?" Ответа на него в виде списка профессий нет, потому что AGI не заменяет профессии целиком. Он замещает в профессии определённые функции, и оставшаяся часть может либо сохранять цену, либо терять её. Поэтому вопрос надо переформулировать: какие функции моего труда сейчас невозможно свести к работе AGI, и сохранится ли эта невозможность в течение пяти-десяти лет?

Простая эвристика, которую можно использовать, опирается на три свойства функции. Первое - необходимость неявного знания, не сводящегося к открытому корпусу данных: знать, как именно этот клиент хочет, чтобы с ним поговорили. Второе - ответственность за решение, то есть готовность подписаться под ним своим именем и нести последствия. Третье - физическая манипуляция с непредсказуемой средой, от санитарной обработки раны до ремонта трубы под давлением. AGI пока слаб именно там, где требуется сочетание этих трёх качеств одновременно.

Это иллюстрирует, почему одно и то же "знание" по-разному стоит в зависимости от того, кто его применяет. Знание о том, что у пациента инфаркт, есть в учебнике кардиологии. Но когда пациент приходит к кардиологу, он платит не за знание факта. Он платит за готовность этого конкретного человека применить знание к его конкретному телу, поставить подпись под решением и нести ответственность, если что-то пойдёт не так. AGI может поставить диагноз точнее среднего врача. Но кто подпишется под его диагнозом - пациент, страховая компания, сам AGI? До ответа на этот вопрос ценность человеческого врача сохраняется, но уже не как знатока, а как поручителя.

Из этого следует неутешительный вывод. Зона "ирреженимости" не совпадает с зоной "сохранения цены". Врач останется, потому что кто-то должен нести ответственность, но зарплата этого врача может упасть до ставки "человека, который ставит подпись", а не "человека, который ставит диагноз". И то же самое произойдёт с юристом, архитектором, инженером проекта, преподавателем с Signature Course. Их труд станет похож на труд нотариуса - социально обязательный, но экономически почти номинальный.

Эта зона поручительства, а не суждения и есть то, что в большинстве профессий останется "человеческим". И она куда уже, чем принято думать. Спасает не уникальность человеческого мозга, а юридическая и институциональная непроработанность ответственности за машинное решение. Когда - и если - этот институт появится, последняя линия обороны среднего когнитивного труда просядет ещё на порядок.

Что ломается в формуле "новые задачи"

В педагогике поп-экономики есть устойчивый нарратив: да, AI заберёт рутину, но зато освободит время для творчества и высших задач. Это успокоительная формула, которая на уровне модели выглядит так: автоматизация сдвигает человека вправо по оси сложности, к новым задачам с более высокой добавленной стоимостью. Этот сдвиг Ачемоглу и Рестрепро в работе 2019 года формализовали как "reinstatement effect". И на данных до 2015 года этот эффект действительно работал.

Модель Acemoglu-Restrepo опирается на три допущения, которые в эпоху AGI перестают выполняться одновременно. Первое: новые задачи требуют навыков, которые не сводятся к выполнению задач предыдущего поколения. Второе: рынок способен быстро переучить работников на эти новые навыки. Третье: владелец технологии не может монополизировать исполнение новых задач. Все три допущения, вероятно, нарушаются уже сейчас, и нарушение будет усиливаться.

Возьмём первую посылку. После механического ткацкого станка человек стал дизайнером; после табулятора Холлерита - аналитиком данных; после Excel - финансовым архитектором. В каждом случае новый навык был по сути отличен от старого. После языковой модели, что должно стать новым навыком юриста, чья работа сводится к поиску прецедентов и формулировке аргументов? Управление самой языковой моделью? Но управление моделью - это навык уровня пяти минут обучения; он не способен стать новой специальностью с зарплатой уровня юридической. И он, что ещё хуже, имеет свойство обесцениваться ещё быстрее: каждая новая модель делает управление всё проще.

Вторая посылка - про скорость переобучения - опирается на допущение, что время обучения работника сравнимо с временем внедрения технологии. До AGI это было верно: машина появлялась, и общество успевало вырастить поколение, способное с ней работать. AGI внедряется в масштабах месяца, а переобучение человека с устаревшим образованием занимает годы. И даже если переобучение возможно, цена этого переобучения ложится на самого работника, а не на владельца технологии. Это асимметрия издержек, и она не описана в учебниках.

Третья посылка - невозможность монополизации новых задач - была ключевой в классической модели: новые задачи создавались в массе, и monopoly не успевала их захватить. AGI способен захватывать новые задачи в момент их появления. То, что вчера было творческой, ирреженимой, высокой работой - подбор метафор в рекламе, выбор композиции в фильме, написание мелодии - сегодня становится задачей, которую модель решает за секунды. Скорость захвата превышает скорость создания новых ниш, и это означает, что "восстановление труда" перестаёт быть фактором выравнивания.

Это можно проиллюстрировать простой моделью. Пусть D - скорость автоматизации существующих задач, N - скорость создания новых задач, H - скорость захвата новых задач машиной, T - среднее время переобучения человека. В классической модели H < N, то есть человек успевает пересесть на новую задачу. В AGI-режиме H ≈ N, и переобучение не успевает за обновлением. Когда H приближается к N, площадь доступных для человека задач стремится к нулю не потому, что человек глуп, а потому, что скорость диффузии новшеств превысила скорость человеческой адаптации.

D > 0, N > 0, H <= N, T > 0; доступные_задачи = N - H; занятость_человека = доступные_задачи / T;

Этот псевдокод - не строгая модель, но он схватывает главное: при H → N занятость человека определяется не его талантом, а временем переобучения, которое становится узким местом системы. И это узкое место - свойство не работника, а устройства рынка.

Психическая ёмкость как новый ограничитель

В учебной модели переобучения человек - это контейнер, в который можно заливать новые навыки. В реальности человек - это организм с конечной психической ёмкостью, фиксированной потребностью в смысле и предельным числом профессиональных переопределений, которые он способен пережить, не теряя идентичности. Это не риторическая фигура, а эмпирический факт, подтверждаемый исследованиями профессиональной идентичности последних тридцати лет: за жизнь человек в среднем способен сменить не более пяти-семи профессиональных идентичностей, и каждая смена сопровождается значительным когнитивным и эмоциональным напряжением.

AGI давит на эту ёмкость с двух сторон. Скорость устаревания навыков растёт: то, чему учились три года, может стать бесполезным за шесть месяцев. Одновременно падает социальное подкрепление профессиональной идентичности: статус юриста, архитектора, инженера был во многом ритуальным, основанным на доверии к человеку как носителю уникальной компетенции. AGI этот ритуал съедает. Никто не приходит к пациенту с речью "я настоящий врач" в мире, где модель ставит диагноз лучше; статус начинает держаться не на компетенции, а на законе.

В исследовании 2023 года, опубликованном в Journal of Business Ethics, Сара Бэнкинс и Пол Формоза ввели понятие "meaningful work" как отдельного этического вызова эпохи AI. Их аргумент прост: работа - не только источник дохода, но и источник социальной идентичности и экзистенциальной укоренённости. Девальвация труда лишает человека не только зарплаты, но и смысла, и этот второй эффект не компенсируется перераспределением денег. Базовый доход, каким бы ни был его размер, не вернёт идентичность.

Здесь и появляется главная идея, ради которой написана эта статья. Человек - не бесконечный ресурс. Его способность к переопределению, к обучению, к смене профессии - ограничена. AGI-индустрия говорит с обществом на языке "вечного переобучения", как будто работник может десятками раз в жизни пересоздавать себя под очередной сдвиг. Это язык, в котором человек трактуется как гибкий ресурс с бесконечной эластичностью. И этот язык точно повторяет ту же ошибку, которую экономика совершала с другими "неограниченными" ресурсами - от грунтовых вод до атмосферы - до того, как физические пределы заставили пересмотреть модель.

Если человек - ресурс с конечной ёмкостью адаптации, то цена AGI должна включать не только стоимость высвобожденного труда, но и стоимость износа человеческой пластичности. Сегодня эта стоимость не учитывается ни в корпоративных балансах, ни в государственных прогнозах. И именно она будет определять, способно ли общество переварить AGI без долгого социального кризиса.

Продуктивность без медианного дохода

Официальная риторика вокруг AGI почти всегда сводится к продуктивности. "AI добавит триллионы к мировому ВВП". "Производительность вырастет на 1,5 процентных пункта в год". "ВВП на душу населения увеличится на 7% к 2030 году". Цифры такого рода стали общим местом прогнозов McKinsey, Goldman Sachs, OECD. В рамках агрегированной модели они, скорее всего, верны. Но агрегированный ВВП - не мерило человеческого благополучия, и это различие критично.

Дэвид Аутор с соавторами в работе 2020 года, опубликованной в Quarterly Journal of Economics, описали феномен "superstar firms": доля труда в доходе падает последние сорок лет, и это падение ускоряется по мере того, как гиганты - Apple, Amazon, Google, Meta - концентрируют капитал и собственность на технологию. Добавочная производительность, созданная технологией, в значительной мере достаётся этим фирмам и их акционерам, а не работникам, чьи задачи автоматизированы. AGI усиливает эту тенденцию, потому что он требует огромных капитальных вложений на старте, но почти нулевых маржинальных издержек при масштабировании.

Парадокс продуктивности - это не новая идея. Роберт Гордон в книге "The Rise and Fall of American Growth" (2016) заметил, что информационная революция 1995-2004 годов дала кратковременный скачок производительности, который почти не отразился на медианном доходе. Большая часть прироста производительности ушла в прибыль собственников капитала и в дивиденды, а не в зарплаты. AGI готов повторить этот сценарий в больших масштабах, потому что его капиталоёмкость (тренировка GPT-4 обошлась OpenAI примерно в 100 миллионов долларов) ещё выше, чем у предыдущих волн. Концентрация собственности на AGI у нескольких компаний и нескольких стран делает перераспределение продуктивности не автоматическим.

Следствие контринтуитивно, но логически неизбежно. ВВП может расти на 5% в год, а медианная зарплата - падать на 2% в год, и это не будет нарушением законов экономики. Это будет прямым следствием асимметрии между собственностью на AGI и потребностью в труде. В мире, где AGI капитализируем, а труд обесценивается, агрегированный рост становится индикатором не благополучия, а концентрации. И обсуждать "AI productivity gains" вне контекста распределения собственности - значит совершать ту же ошибку, которую совершали советские плановики, гордясь ростом тонн стали на фоне пустых магазинов.

Налог на роботов: лекарство от симптома

Когда проблема названа, политическое воображение подсказывает очевидные решения. Базовый доход, налог на автоматизацию, "robot tax", фонд перераспределения продуктивности AGI - все эти предложения обсуждаются активнее с 2015 года, и каждое из них имеет собственную академическую родословную. В октябре 2025 года сенатор Берни Сандерс представил законопроект о "налоге на роботов", который должен защитить работников от последствий искусственного интеллекта. Джеффри Хинтон в том же году советовал правительству Великобритании ввести базовый доход как ответ на AI-безработицу. Илон Маск высказывал ту же идею ещё в 2021-м.

Проблема не в том, что эти инструменты бесполезны. Проблема в том, что они решают финансовый симптом, оставляя нетронутой институциональную дыру. Базовый доход платит за то, чтобы человек не умер с голоду. Налог на роботов перекладывает часть прироста продуктивности от собственников AGI к государству. Но ни один из них не отвечает на вопрос: на каком основании общество считает, что человек в возрасте 45 лет, потерявший цену своего труда, может за пять лет стать чем-то, за что рынок снова будет платить? И на каком основании общество считает, что человек должен это делать снова и снова - каждые семь лет?

Институциональная дыра, о которой идёт речь, - это отсутствие общественного института человеческой ответственности. Сегодня ответственность за решения - это в значительной мере профессиональная прерогатива: врач отвечает за диагноз, инженер - за мост, адвокат - за стратегию. AGI размывает эту прерогативу: решение фактически принимается моделью, но юридическая ответственность по-прежнему висит на "человеке в петле", который по сути стал сертифицирующим штампом. Общество продолжает требовать, чтобы за машиной стоял человек с дипломом, но этот человек уже не автор решения. Он - консьерж ответственности, и его роль сводится к подписи.

Реальный политический вопрос AGI состоит не в том, "платить или не платить базовый доход". Он звучит иначе: кого общество готово считать автором машинного решения, и кого оно готово заставлять отвечать за это решение? Пока ответа нет, "человек в петле" будет выполнять формальную, унизительную и психологически тяжелую роль - роль сертифицирующего подписанта. И эта роль будет оплачиваться именно так, как оплачиваются сегодня подобные роли: номинально.

Ачемоглу в работах последних лет предупреждает, что человечество не обязано выбирать между заменой и дополнением: общественная политика может заставить AI развиваться по пути "machines-as-tools", а не "machines-as-workers". Это означало бы налоговое и правовое стимулирование интерфейсов, которые оставляют за человеком суждение, а не автоматизируют его целиком. Эта идея технологически осмысленна, но политически требует куда большего, чем UBI: она требует переопределения того, что вообще считается "автоматизацией" в правовом смысле.

Что это значит для работающего человека

Вся предыдущая критика не сводится к "всё плохо". Она сводится к другому: стандартный разговор о AGI и занятости обходит главный вопрос. Этот вопрос - не "сколько людей потеряет работу" и не "сколько новых мест появится". Это количество - не мерило. Мерило - цена человеческого внимания в новой конфигурации экономики.

Каждый, кто сегодня работает с символами - будь то код, текст, правовая позиция, финансовая модель, учебный план, медицинское заключение, - должен задать себе вопрос не "заменят ли меня", а "сохранится ли цена моего труда через пять лет в случае, если AGI будет стоить в сто раз дешевле". Это не вопрос пессимизма. Это вопрос финансовой грамотности. И он требует от работника честной оценки: какая часть его сегодняшней работы не сводится к работе, которую AGI делает за центы, и можно ли эту часть наращивать осознанно.

Ответ на этот вопрос для большинства профессий выглядит примерно одинаково. Нужно смещаться не "вправо по шкале сложности", как советуют поп-экономисты, а "вглубь по шкале ответственности": к функциям, где цена ошибки не возмещается деньгами, а требует человеческого поручительства. Это - не обязательно творчество, не обязательно высшая математика. Это - возможность подписаться под решением и нести последствия, которые общество воспринимает как персональные. Юрист, который не переписывает договор, а ручается за него перед клиентом и судьёй. Врач, который не ставит диагноз, а берёт на себя риск лечения. Преподаватель, который не пересказывает учебник, а отвечает за успех своего ученика.

Эта зона поручительства узка и не способна вместить всех, кого AGI вытолкнет из зоны суждения. И именно поэтому разговор о перераспределении не может сводиться к базовому доходу. Он должен включать переопределение ответственности, институты человеческого поручительства и, главное, признание того, что человек не есть бесконечно адаптивный ресурс. Без этого признания любой налог на роботов лишь оплачивает содержание людей, чьё внимание уже ничего не стоит рынку. И это - форма социального покоя, а не форма социальной справедливости.

AGI не кончает экономику. Он кончает экономику, в которой труд человека по умолчанию имел цену. Что вырастет на этом месте - зависит не от инженеров модели и не от инвесторов, а от того, признает ли общество, что не всякая форма полезности должна измеряться зарплатой. Если признает - появится пространство для новых форм деятельности, не сводимых к работе по найму. Если нет - мы получим растущий ВВП и падающую медианную жизнь, и это будет не сбой рынка, а его естественный режим в условиях, когда цена человеческого внимания не удерживается больше ничем, кроме закона.