27 августа 2026 года Бюро статистики труда США (BLS) опубликовало свою первую классификацию подверженности ИИ: четыре категории — низкая, умеренная, высокая, очень высокая — присвоенные всем 831 детализированной профессии из прогнозов занятости на 2025-35 годы. На той же странице BLS заявляет, что классификация «не является прогнозом роста или сокращения занятости», «не является оценкой вероятности внедрения ИИ» и «не является оценкой замещения работников» (U.S. Bureau of Labor Statistics, 2026).
За считаные дни отраслевая пресса превратила её в списки «профессий под угрозой» и «безопасных профессий».
Именно это прочтение ведомство исключает — письменно, на той самой странице, из которой эти списки и собраны. И это важнее педантичной поправки, потому что таблица подверженности ИИ от BLS вот-вот попадёт в планы численности на 2027 год в среднем бизнесе как самый авторитетный на вид источник во всей презентации. Федеральное статистическое агентство, все профессии, четыре аккуратных уровня. Её прочтут как список сокращений. Это решение она не выдерживает.
Что на самом деле говорит классификация подверженности ИИ от BLS
Классификация — это относительный рейтинг, полученный алгоритмом кластеризации по пяти внешним показателям подверженности. BLS прямо оговаривает границы: категории даны «относительно других профессий», они не подразумевают «абсолютно "высокого" или "низкого" уровня подверженности» и «не различают воздействие ИИ через автоматизацию и через расширение возможностей» (U.S. Bureau of Labor Statistics, 2026).
Задержитесь на последнем пункте. Автоматизация и расширение возможностей в этой таблице — одна и та же категория. «Очень высокая подверженность» одинаково совместима и с исчезновением работы, и с тем, что тот же человек выполняет её с тройной производительностью плюс этап проверки. Таблица не говорит, что именно — а направление и есть всё содержание кадрового решения.
Окружающие прогнозы — это контекст, из которого рейтинг обычно вырывают. BLS прогнозирует, что экономика США добавит 5,9 млн рабочих мест с 2025 по 2035 год, а занятость вырастет со 170,3 до 176,2 млн — рост на 3,5 процента, который агентство характеризует как «более медленный, чем рост на 10,9 процента за десятилетие 2015-25» (U.S. Bureau of Labor Statistics, 2026). Более медленный рост, а не спад. Связанные с ИИ корректировки сосредоточены в компьютерных и математических профессиях, искусстве и медиа, деловом администрировании и юридических услугах.
Деталь конструкции, задающая потолок
Пять входных источников — это три теоретические меры подверженности и два набора данных о наблюдаемом использовании; наблюдаемая часть взята из данных об использовании Claude у Anthropic и данных Copilot у Microsoft. BLS берёт медианный процентильный ранг внутри каждого измерения, затем кластеризует. Из 4 155 возможных сочетаний «профессия — источник» 3 944 были наблюдаемыми, а 211 вменёнными, что затронуло 75 профессий (U.S. Bureau of Labor Statistics, 2026).
И затем строка, которая должна определять, как далеко вы позволяете этой таблице уйти: «Теоретические источники концептуализируют возможности ИИ как доступные не позднее середины 2023 года».
Три источника из пяти описывают поколение моделей, предшествующее любому агентному продукту, который пилотировала ваша команда. BLS также отмечает, что все пять источников рассматривают профессии как наборы независимых задач и «не учитывают узкие места, комплементарности и другие взаимозависимые особенности профессий».
Это не изъян работы BLS — это раскрытое свойство доступной литературы, и раскрывать его как раз и есть задача статистического агентства. Это изъян применения. Десятилетний кадровый план, построенный на этом рейтинге, встраивает трёхлетний снимок возможностей — причём внутри единственного документа, который ваш финансовый директор не подумает поставить под сомнение.
Что рейтинг действительно картирует: нагрузку проверки
Вот защитимое прочтение, и оно обратно расхожему.
Если профессия попадает в кластер высокой подверженности, то пять источников совместно фиксируют одно: большая доля её задач относится к тому типу, за который нынешние модели возьмутся. Окажется ли модель права — отдельный вопрос, которого показатель подверженности не касается, поскольку, как отмечает BLS, входные данные считают задачи независимыми и игнорируют комплементарности.
Значит, высокая подверженность предсказывает высокий объём черновиков. Объём черновиков создаёт спрос на проверку. А спрос на проверку — это и есть место, где реально лежат затраты.
McKinsey QuantumBlack оценила это напрямую для банковских процессов: расходы на токены составляют 20-25 процентов переменной стоимости работы ИИ-агента, тогда как человеческий надзор со стороны функциональных и риск-экспертов — 70-75 процентов (McKinsey QuantumBlack, 2026). Дорогая статья — это проверка, и проверяющий должен быть достаточно старшим, чтобы отклонить результат.
Исследование MIT Technology Review Insights и Microsoft с участием 300 технологических руководителей и практиков, ранжировавшее 101 агентную задачу по шкале доверия 0-100, указывает в ту же сторону: доверие следовало за проверяемостью задачи и полнотой бизнес-контекста, а не за возможностями модели, и 59 процентов уже планируют постоянный человеческий надзор (MIT Technology Review Insights, 2026).
Прочитанная через эту линзу, таблица BLS становится по-настоящему полезной. Ваши профессии с очень высокой и высокой подверженностью — это те, где сконцентрируется сгенерированный ИИ результат, значит, там сконцентрируются часы проверки, значит, там нужны люди с достаточным профессиональным весом, чтобы отклонить плохой результат. Сокращать сначала там — значит убрать проверяющих из функций, где проверять придётся больше всего.
Почему должность всё равно не выдерживает это решение
Есть вторая проблема, независимая от потолка середины 2023 года, и она структурная: подверженность измеряется по профессии, а внедрение происходит по человеку.
Бик, Блэндин, Деминг и Шумахер, связав национально репрезентативный опрос с детализированными задачами O*NET, обнаруживают, что меры подверженности генеративному ИИ объясняют лишь около половины разброса во внедрении среди работников: люди, делающие схожую работу, внедряют ИИ систематически по-разному (NBER Working Paper 35677, 2026). Они также фиксируют широкое, но неглубокое внедрение: как минимум каждый пятый работник использует генеративный ИИ в 80 процентах профессий и 40 процентах задач, тогда как в большинстве случаев доля внедрения остаётся ниже 50 процентов.
Половина дисперсии находится внутри должности, а не между должностями. Значит, план, распределяющий изменения мощностей по коду профессии, в лучшем случае осведомлён наполовину — и упущенная половина как раз та, которой вы могли бы управлять, потому что индивидуальное внедрение отзывается на обучение, инструменты и дизайн роли.
Используйте категории подверженности ИИ от BLS так, как и следует использовать национальную статистику: как априорную гипотезу о том, куда смотреть. А затем смотрите внутри собственной компании, сверяясь с собственной инвентаризацией задач. Две профессии одной категории в вашем здании поведут себя по-разному, и остаток — не шум, а именно та часть задачи, на которую у вас есть рычаг.
Честный контраргумент: это по-прежнему лучшая публичная база
Хочу быть справедливой к тому, что сделало BLS, потому что «не используйте это как список сокращений» — не то же самое, что «не используйте вовсе».
Это первая классификация, охватывающая каждую прогнозируемую профессию единым методом; она сочетает теоретические данные и наблюдаемое использование вместо выбора одного лагеря; и она документирует собственные ограничения откровеннее, чем большинство вендорских исследований. Для сравнения структуры вашей занятости с национальным распределением, для очерёдности выделения бюджета на обучение по функциям, для аргументации перед советом директоров, которому нужен цитируемый источник, — это лучший доступный публичный инструмент, и ничего лучше средний бизнес внутри себя не построит.
Проблема не в таблице. Проблема в сжатии: четыре уровня, одна колонка, ярлык категории, читающийся как приговор. Такой формат провоцирует кадровый вывод, который метод не поддерживает, и BLS заранее сказало об этом на той же странице. Требуемая дисциплина невелика: переносите оговорки вместе с цифрой каждый раз, когда она появляется в слайде.
Что решить в этом квартале
Четыре изменения в том, как рейтинг подверженности ИИ от BLS входит в ваш плановый цикл 2027 года.
- Переименуйте колонку. Везде, где категория подверженности появляется в плановом документе, заголовок — «ожидаемая нагрузка проверки», а не «риск». Те же данные, верный глагол. Ярлык делает основную работу в том, как читается таблица.
- Сопровождайте каждый балл подверженности внутренним замером внедрения. Подверженность объясняет около половины дисперсии; ваши собственные данные об использовании объясняют остальное. Если вы не можете измерить внедрение по каждому работнику, эта телеметрия — предпосылка плана, а не его результат.
- Защищайте глубину экспертизы в наиболее подверженных функциях. Именно они породят больше всего машинного результата и потребуют больше всего старшего суждения для его проверки. Смоделируйте часы проверки прежде, чем моделировать экономию.
- Проставьте дату на допущении о возможностях. Напишите «теоретические источники отражают возможности ИИ не позднее середины 2023 года» прямо под таблицей. Это состарит утверждение в глазах следующего читателя — единственная защита от того, чтобы снимок 2026 года молча управлял прогнозом до 2035-го.
BLS дало вам карту того, где изменится работа. И пять раз отдельно, собственными словами, сказало, что не дало вам карты того, куда денутся работники.
Если цифра численности на 2027 год в вашем плане восходит к ярлыку «очень высокая подверженность», вы приняли не кадровое решение. Вы сослались на рейтинг, который исключил то применение, которое вы только что ему нашли, — и агентство, его опубликовавшее, не станет защищать эту цифру, когда она окажется неверной.
