Новое исследование OpenAI показало: ChatGPT не просто автоматизирует задачи — он меняет само разделение труда. Люди всё чаще используют ИИ для работы, которая раньше была «чужой». И это не изолированный феномен — целый ряд недавних работ подтверждает: профессиональные границы становятся подвижными, а вместе с ними меняются рынок труда, организационные иерархии и требования к навыкам.

Разбираем ключевые выводы.

1. Исследование OpenAI: как ИИ расширяет спектр рабочих задач

Анализ OpenAI Economic Research основан на случайной выборке из более чем 800 000 рабочих сообщений пользователей ChatGPT из США [1]. Каждое сообщение классифицировалось по детальной рабочей деятельности (DWA) из базы O\*NET Министерства труда США — это позволило сравнить, какую задачу выполняет пользователь, с тем, какая профессия исторически была закреплена за этой задачей.

Ключевые цифры [1]:

• 43,5 % всех рабочих сообщений, относящихся к конкретной профессии, касаются задач, исторически связанных с другой профессией.
• В пяти из восьми изученных групп (клиентский опыт, дизайн, HR, юриспруденция, маркетинг) межпрофессиональные задачи составляют более половины всех профессиональных запросов: от 53 % (маркетинг) до 77 % (клиентский опыт).
• 16,8 % всех рабочих сообщений в выборке (включая общие задачи вроде написания писем и планирования) выходят за пределы профессиональной границы пользователя.

Какие задачи «кочуют» чаще всего [1]:

Три роли профессий в новой экосистеме [1]:

1. Поглотители (дизайн). 35,2 % запросов дизайнеров — задачи из других профессий. При этом задачи дизайна почти не переходят к другим (всего 1,7 %). Дизайнеры становятся «универсальными солдатами» — берут на себя работу, которая раньше требовала инженеров, маркетологов или аналитиков.

1. Доноры (инженерное дело). Инженерные задачи активно заимствуются другими (7,4 % запросов работников из других сфер). При этом сами инженеры редко выходят за свои границы (всего 18,5 %).

1. Двунаправленные (маркетинг). Единственная сфера, которая одновременно берёт задачи извне (24,3 %) и отдаёт свои задачи другим (8,9 % — самый высокий показатель).

Размер компании имеет значение [1]. В малом бизнесе ИИ используют шире: среди типичных пользователей доля межпрофессиональных задач в компаниях с 2–5 сотрудниками на 13 % выше, чем в компаниях с 101+ сотрудниками (18,9 % против 16,3 %). В небольших командах нет специалиста по каждой узкой функции — ИИ становится «виртуальным коллегой», закрывающим пробелы.

2. Что говорят другие исследования: контекст и подтверждения

2.1. От задач к ролям: как агентный ИИ меняет профессиональные структуры

Исследование, опубликованное в 2025 году в ScienceOpen, показывает, что агентный ИИ (способный выполнять многошаговые рабочие процессы автономно) меняет не просто отдельные задачи, а целые роли [2]. Авторы выделяют пять паттернов трансформации ролей: консолидация, сегментация, элевация, смещение и создание. Агентный ИИ не только переопределяет границы рабочих мест, но и меняет организационные иерархии, координацию рабочих процессов и требования к навыкам. Это перекликается с выводами OpenAI: изменения идут не «сверху» (когда компания переписывает должностные инструкции), а «снизу» — когда сами работники начинают использовать ИИ для выхода за привычные рамки.

2.2. Трансформация рабочих мест против замещения

Исследователи Федерального резервного банка Миннеаполиса и Федерального резервного банка Сан-Франциско (2025) разработали количественную модель, в которой профессии «связывают» множество задач, а работники с разными наборами навыков выбирают профессии на основе сравнительных преимуществ [3]. Автоматизация меняет относительную важность задач внутри каждой профессии.

Ключевой вывод: в профессиях с высокой степенью автоматизации (например, офисные и административные роли) работники, специализирующиеся на обработке информации, уходят и теряют в зарплате. Но те, кто специализируется на взаимодействии с клиентами и координации, остаются и получают прирост — работа перебалансируется в сторону их сильных сторон. Это важное дополнение к исследованию OpenAI: автоматизация не равна потере работы, она меняет состав задач внутри профессии, и одни навыки становятся более ценными, чем другие.

2.3. GitHub Copilot: смещение к ядру профессии

В работе Hoffmann, Boysel, Nagle, Peng и Xu (2024) изучается влияние GitHub Copilot на распределение задач у разработчиков открытого ПО [4]. Доступ к Copilot побуждает разработчиков смещать задачи в сторону основной работы — написания кода — и уходить от вспомогательных задач управления проектами. Эффект сильнее у разработчиков с относительно более низкими способностями. Исследователи также отмечают, что ИИ может уплощать организационные иерархии в экономике знаний. Это созвучно с данными OpenAI о малом бизнесе: когда инструмент даёт возможность выполнять задачи без посредников, вертикальные структуры становятся менее жёсткими.

2.4. Победители и проигравшие генеративного ИИ: данные фриланс-бирж

Оксфордское исследование Kässi и Braesemann (2025) анализирует более 100 кластеров навыков на крупной фриланс-платформе [5]. После запуска ChatGPT спрос на заменяемые навыки (письмо, перевод) сократился на 20–50 % относительно контрфактического тренда, с самым резким падением для краткосрочных проектов (1–3 недели). В то же время спрос на дополняемые навыки вырос: машинное обучение — на 24 %, разработка чат-ботов на базе ИИ — почти втрое. Однако рост был неравномерным: спрос на начинающих фрилансеров в целом снизился. Это указывает на сдвиг в сторону более специализированной экспертизы, а не равномерного роста во всех областях.

2.5. Что на самом деле делают люди с ИИ?

Исследование Agarwal и соавторов (2025) на основе 4 миллионов взаимодействий с Claude AI, сопоставленных с задачами O\*NET, выявило, какие характеристики задач привлекают наибольшее использование ИИ [6]. Задачи, требующие высокой креативности, сложности и когнитивной нагрузки, но низкой рутинности, привлекают наибольшее вовлечение ИИ. Авторы выделили три архетипа задач: динамическое решение проблем, процедурная и аналитическая работа и стандартизированные операционные задачи. При этом всего 5 % задач обеспечивают 59 % всех взаимодействий с ИИ.

Это важный нюанс: ИИ используют не для «скучной» работы, а для сложной, творческой и нестандартной. Люди делегируют ИИ именно те задачи, которые требуют высокой когнитивной нагрузки, но при этом не являются рутинными.

2.6. Индекс автоматизации на основе парадокса Моравека

Schaal (2025) разработал индекс автоматизации, основанный на парадоксе Моравека: задачи, лёгкие для людей, могут быть сложны для машин, и наоборот [7]. Оценка 19 000 задач O\*NET по вариативности выполнения, неявному знанию, обилию данных и алгоритмическим разрывам показала, что наивысшая автоматизируемость — у управленческих, STEM и научных профессий. Наименьшая — у обслуживания, сельского хозяйства и строительства.

Положительная связь между заработной платой и автоматизируемостью ставит под сомнение классическую концепцию skill-biased technological change. Если раньше технологии заменяли низкоквалифицированных работников, то теперь под угрозой — высокооплачиваемые когнитивные профессии.

2.7. Профессиональные границы в эпоху ИИ

Серия исследований, опубликованных в Journal of Management Studies (2024–2025), показывает, как профессионалы перестраивают границы своей работы в ответ на ИИ [8–10]. Pemer и Werr (2024) изучили «Большую четвёрку» аудиторских фирм в Швеции и обнаружили, что профессионалы активно расширяют свою экспертизу через цифровизацию, комбинируя новые цифровые навыки с традиционными [8]. Faulconbridge и соавторы (2023) документируют, как бухгалтеры и юристы защищают и расширяют границы своей работы, развивают новые коллаборации с «внешними», пересматривают определения «своих» и «чужих» и пересматривают внутренние границы [9]. Эти стратегии переплетены: профессионалы одновременно участвуют в нескольких взаимозависимых режимах «работы над границами». Beane и Leonardi (2024) рассматривают организацию как систему взаимозависимых слоёв процессов; эффект ИИ зависит от того, какой слой затронут [10].

3. Что это значит для бизнеса, HR и образования

Совокупность исследований позволяет сформулировать несколько практических выводов.

1. Профессиональные границы больше не являются жёсткими. Работники используют ИИ для задач из соседних областей — и делают это не эпизодически, а системно. Компании, которые продолжают мыслить в терминах фиксированных должностных инструкций, рискуют отстать [1, 2].

2. В малом бизнесе ИИ даёт конкурентное преимущество. Возможность «закрывать» задачи без привлечения узких специалистов снижает барьеры для небольших команд [1].

3. Автоматизация не равна потере работы — она меняет её состав. В профессиях, где ИИ автоматизирует часть задач, выигрывают те, кто может переключиться на задачи, требующие человеческих навыков: координацию, взаимодействие с клиентами, социальный интеллект [3, 7]. Вопрос не в том, заменит ли ИИ профессию, а в том, какую часть соседних профессий работник сможет взять на себя с его помощью.

4. Спрос на навыки смещается в сторону специализации. На фриланс-рынке падает спрос на начальный уровень и заменяемые навыки, растёт — на сложные, дополняемые ИИ [5]. Это требует пересмотра подходов к обучению и найму.

5. Обучение должно выходить за рамки профессии. Если маркетологу нужны основы анализа данных, а продажнику — базовый SQL, это не «капризы», а реальность. Институтам образования и корпоративным университетам стоит воспринимать человеко-машинное сотрудничество как рабочую гипотезу и выстраивать учебные программы вокруг компетенций, а не должностных инструкций [11].

6. Профессионалы активно перестраивают границы своей работы. Вместо пассивного ожидания изменений специалисты сами переопределяют, что входит в их компетенцию, а что нет [8, 9]. Это создаёт новые возможности для тех, кто готов к пересборке собственной роли.

Заключение

Исследование OpenAI и смежные работы показывают: мы уже живём в мире, где профессиональные границы — это не стены, а линии, которые можно пересекать. ИИ не просто меняет как мы работаем — он меняет кто что делает. И этот сдвиг будет только нарастать.

Для бизнеса это означает необходимость пересмотреть:

• структуру должностных инструкций и KPI (они должны отражать не фиксированный набор задач, а способность к их перекомбинации);
• процессы контроля и подотчётности (если сотрудник делает работу из соседней области, кто проверяет качество?);
• подходы к обучению и развитию персонала (навыки работы с ИИ и межпрофессиональная грамотность становятся базовыми).

Для каждого из нас — готовность к тому, что наша профессия перестанет быть «коробкой» с фиксированным набором задач и станет скорее «платформой» для сборки решений из разных областей.

И возможно, главный вопрос сегодня звучит не «заменит ли ИИ мою работу?», а «какую часть соседней работы я смогу делать с помощью ИИ?»

Список литературы

1. OpenAI Economic Research. Work at the Frontier: How AI is expanding what people do at work. — 2026. — 15 p.

1. From Tasks to Roles: How Agentic AI Reconfigures Occupational Structures Across Industries / A. I. M. Al‐Mansoori, S. S. Al‐Mansoori, M. Al‐Mansoori [et al.] // ScienceOpen Preprints. — 2025. — DOI: 10.14293/PR2199.002638.v1.

1. Job Transformation, Specialization, and the Labor Market Effects of AI / R. A. C. B. M. S., F. R. B. of Minneapolis, F. R. B. of San Francisco. — 2025. — (Working Paper).

1. Hoffmann M., Boysel S., Nagle F., Peng S., Xu K. Generative AI and the Nature of Work // CESifo Working Paper. — 2024. — No. 11329. — DOI: 10.2139/ssrn.4955706.

1. Kässi O., Braesemann F. Winners and losers of generative AI: early evidence of shifts in freelancer demand // Journal of Economic Behavior and Organization. — 2025. — Vol. 235. — P. 106845. — DOI: 10.1016/j.jebo.2024.106845.

1. Agarwal P., Alon U., Berman R., Gornet S., Hessel M., Li L., Sorensen T. What Work is AI Actually Doing? Uncovering the Drivers of Generative AI Adoption // arXiv Preprint. — 2025. — arXiv:2510.23669.

1. Schaal J. A theory-based AI automation exposure index: Applying Moravec's Paradox to the US labor market // arXiv Preprint. — 2025. — arXiv:2510.13369.

1. Pemer F., Werr A. Professional service firms and digitalization: A boundary‑work perspective // Journal of Management Studies. — 2024. — Vol. 61, No. 5. — P. 1901–1928. — DOI: 10.1111/joms.12992.

1. Faulconbridge J., Sarwar A., Spring M. How Professionals Adapt to Artificial Intelligence: The Role of Intertwined Boundary Work // Journal of Management Studies. — 2024. — Vol. 61, No. 6. — P. 2345–2372. — DOI: 10.1111/joms.13045.

1. Beane M., Leonardi P. Technology and organizational change: A pace‑layer perspective // Journal of Management Studies. — 2024. — Vol. 61, No. 4. — P. 1401–1426. — DOI: 10.1111/joms.12951.

1. Hutson J. Designing for Complementarity: Skills, Work, and Education in the Age of AI — A Review // Journal of Business and Social Sciences. — 2025. — Vol. 4, No. 1. — P. 1–18.

Статья подготовлена по материалам открытых исследований и предназначена для внутреннего использования в корпоративной среде.