В прошлом году 32 процента респондентов сообщили McKinsey, что ожидают сокращения численности персонала своей организации под влиянием ИИ. В этом году, на вопрос о том, что произошло фактически, 14 процентов респондентов из организаций, использующих ИИ, сообщили, что ИИ способствовал снижению численности персонала — «менее половины от тех 32 процентов, которые в прошлогоднем опросе ожидали сокращений персонала за тот же период» (McKinsey, 2026). Две трети сообщили о незначительном или полном отсутствии связанных с ИИ изменений общей занятости.
Это первый раз, когда данный опрос способен оценить собственный прогноз по численности персонала при ИИ против фактического результата. Прогноз ошибся примерно в два раза.
Затем панель его повысила. Тридцать девять процентов теперь ожидают связанного с ИИ снижения общей занятости в предстоящем году против 32 процентов годом ранее. Оценка, превысившая факт в 2 раза, была пересмотрена вверх, а не вниз, и большое число операционных планов на 2027 год тихо опирается на неё.
Что опрос измерил на самом деле
В выпуске The State of AI за 2026 год опрошено 1 719 участников из 97 стран, сбор данных с 4 мая по 8 июня 2026 года. Тридцать шесть процентов работают в организациях с годовой выручкой свыше 1 млрд долларов, то есть около двух третей находятся ниже этого порога — необычно релевантно для читателя из среднего сегмента, хотя панель всё равно крупнее операции на 200 штатных сотрудников.
Контекст важен, потому что подвела не переменная внедрения. Восемьдесят девять процентов регулярно используют ИИ хотя бы в одной бизнес-функции. Сорок четыре процента говорят, что он масштабируется в масштабах всего предприятия, против 38 процентов. Восемьдесят процентов сообщают о росте индивидуальной продуктивности (McKinsey, 2026).
Значит, последовательность не такова: «ИИ не пришёл, поэтому численность не упала». ИИ пришёл, о продуктивности сообщили, а численность всё равно не упала. При этом доля тех, кто приписывает использованию ИИ хотя бы некоторое влияние на EBIT, осталась неизменной год к году на уровне 37 процентов, а группа подлинно высокоэффективных компаний удержалась на уровне около 6 процентов всех респондентов.
Распространение сдвинулось. Фактическое сокращение персонала за ним не последовало.
Фактические данные согласуются с 14 процентами
Опрос, оценивающий сам себя, интересен. Два независимых набора данных, указывающих в одну сторону, — это уже входные данные для планирования.
National Bureau of Economic Research опросил почти 750 руководителей компаний через панель The CFO Survey и обнаружил «мало свидетельств краткосрочного агрегированного снижения занятости из-за ИИ, хотя более крупные компании ожидают сокращений персонала под влиянием ИИ, тогда как более мелкие фирмы ожидают скромного прироста» (NBER, 2026). Агрегированный эффект близок к нулю, а разброс и есть результат: крупные компании ожидают, что ИИ сократит их занятость примерно на 0,8 процента в 2026 году, тогда как более мелкие прогнозируют небольшой рост. Движется именно состав — рутинные административные роли сокращаются, относительный спрос на квалифицированные технические роли растёт, и внутри компаний, и между ними.
Данные об объявленных сокращениях согласуются с третьей стороны. К сентябрю 2026 года работодатели США объявили о 573 195 сокращениях рабочих мест, что на 39 процентов ниже 946 426, объявленных за первые девять месяцев 2025 года — наименьший итог января-сентября с 2022 года. ИИ упоминался в 120 136 объявлениях с начала года, примерно 21 процент всех сокращений, что действительно делает его главной заявленной причиной года (Challenger, Gray & Christmas, 2026).
Читайте эти два числа вместе, потому что второе обычно цитируют в одиночку. ИИ возглавляет таблицу причин внутри сжимающегося итога. Конкретно в сентябре ИИ был пятой по частоте упоминания причиной — 3 961 сокращение, около 9 процентов месяца. Сокращения третьего квартала упали на 43 процента относительно второго.
Растущая доля падающего знаменателя — это не волна. Это сдвиг состава внутри остывающего рынка.
Почему прогноз по численности персонала при ИИ ошибается в одну сторону
Ошибка прогноза, стабильно завышающая оценку, обычно структурна, а не случайна. Отчёт Forrester Predictions 2026: The Future of Work называет механизм: сокращения, сделанные под возможности ИИ, которых ещё не существует. Пятьдесят пять процентов работодателей сообщают, что сожалеют об увольнениях, проведённых ради ИИ, и Forrester прогнозирует, что половина приписанных ИИ увольнений будет тихо восполнена повторным наймом — в офшоре или на существенно более низких зарплатах (HR Executive, 2026).
Обратите внимание на асимметрию в последней части. Разворот не появляется ни в чьём плане как исправление. Он появляется как офшорные расходы, строки подрядчиков и стоимость повторного найма — ни одна из них не сверяется с первоначальной экономией на штате. Прогноз остаётся неопровергнутым во внутренней отчётности, даже когда он уже провалился.
Две дополнительные детали из того же исследования усиливают цену. Доля незаинтересованных сотрудников, которых Forrester называет «coasters», составляла 27 процентов в 2024 году, 25 процентов в 2025-м и ожидается на уровне 28 процентов в 2026-м — показатель, который движется, когда оставшиеся наблюдают преждевременные сокращения. И лишь 16 процентов работников получили высокий балл по шкале готовности к ИИ от Forrester в 2025 году, причём наибольшая готовность сосредоточена в той группе, чьи начальные позиции ликвидируют первыми.
Ошибка планирования, сказанная прямо
Ошибка не в оптимизме насчёт ИИ. Ошибка — провести ожидаемое сокращение персонала как фактическую базу, на год раньше, и затем построить на ней заморозку замещений.
Ожидаемое изменение — это прогноз с теперь уже документированной годовой величиной ошибки. Фактическое изменение — это измерение. Только одно из двух уместно в плане, который связывает реальные деньги.
Честное возражение
Три ограничения, названные прежде, чем их назовёт кто-то другой.
Это самоотчётные данные опроса, а не расчётные ведомости. Никто не проверял кадровые регистры этих организаций. Приписывание изменения численности именно ИИ на уровне респондента — это суждение, а приписывание и есть то место, где самоотчёт слабее всего. Та же оговорка относится к цифрам NBER: это ожидания руководителей, а не фактические результаты по фонду оплаты труда.
Панель не идентична год к году. McKinsey указывает, что проверила респондентов, прошедших и волну 2025-го, и волну 2026-го, и что выводы отражали общую выборку, но меняющаяся панель — реальное ограничение для чтения 32 процентов и 14 процентов как одних и тех же людей, противоречащих себе.
Ожидание может быть просто преждевременным, а не ошибочным. Возможность отстаёт от анонса, а развёртывание — от возможности. Прогноз сокращения на 2025 год, который реализуется в 2027-м, был неверно расположен во времени, а не ошибочен по сути — и данные NBER о составе, где доля рутинной административной работы ожидаемо снизится далее к 2028 году, согласуются с более медленной и более избирательной версией того же направления. Защитимое утверждение касается уверенности в сроках, а не направления.
Что переживает все три возражения — уже и всё ещё применимо: распределение фактических результатов сильно сконцентрировано на «незначительном или отсутствующем изменении», и план, трактующий хвост распределения как базовый случай, оценён неверно.
Что пересчитать до закрытия плана на Q4
Четыре шага, ни один из которых не требует разворота стратегической позиции по ИИ.
1. Разделите ожидаемое и фактическое в документе плана. Если ваша модель численности на 2027 год содержит строку, обоснованную сокращением под влиянием ИИ, отметьте, опирается ли она на измеренное изменение в вашей собственной организации или на ожидаемое. Если это ожидание, обозначьте его как прогноз, несущий указанную выше величину ошибки. Это правка на пятнадцать минут, которая меняет то, как это число оспаривают.
2. Переобоснуйте бизнес-кейс ИИ на пропускной способности, а не на штатных единицах. Время цикла, выручка на сотрудника, частота ошибок, стоимость транзакции. Вывод NBER о продуктивности указывает туда же: прирост проявился как основанная на выручке совокупная факторная продуктивность, связанная с каналами инноваций и спроса, а не как углубление капитала, замещающее труд. Если кейс закрывается только на сокращении штата, кейс не закрыт.
3. Поставьте любое приписанное ИИ сокращение в зависимость от доказанной, а не обещанной возможности. Проверка — это именованный рабочий процесс, работающий на целевом уровне качества с измеренной частотой ошибок в течение определённого периода, а не роадмап поставщика. Этот один шлюз и отделяет 14 процентов от 55 процентов тех, кто сожалеет.
4. Планируйте под команду, которая у вас всё равно будет. Именно этого шага не хватает большинству планов на 2027 год. Если две трети организаций не увидели заметных связанных с ИИ изменений численности, базовый случай таков: ваш текущий состав примерно и есть ваш состав 2027 года, а меняется состав под поверхностью. Это превращает связывающее ограничение в вопрос способностей, а не затрат: какие компетенции сидят на каких позициях, где тонка преемственность, и какую рутинную административную ёмкость можно перенаправить в квалифицированный технический спрос, который по данным NBER растёт. Заморозка замещений, решённая без этой карты, — не экономия; это неизмеренная потеря способностей. Измерение компетенций и преемственности и есть та приборная панель, которая делает это решение защитимым: позиция в матрице 9-box, рассчитанная из данных по каждой компетенции, а не из памяти руководителя, и готовность к преемственности, оцененная по каждой критической позиции. Модуль performance и преемственности Scovai документирует, как устроено это сопоставление, если нужен проработанный ориентир.
Неудобная часть этих данных не в том, что ИИ не додал по численности. Она в том, что организация может провести успешную программу ИИ — 89 процентов внедрения, 80 процентов сообщают о приросте продуктивности — и всё равно иметь на выходе то же число людей, выполняющих существенно иную работу.
Это проблема развития персонала, переодетая в прогноз по численности персонала при ИИ.
До закрытия плана на Q4 найдите строку численности, которая предполагает, что ИИ сократит команду, и задайте ей один вопрос: мы это измеряем или всё ещё ожидаем? Если ответ «ожидаем», двукратная величина ошибки теперь зафиксирована — и бремя доказывания перешло к прогнозу.
