Czy roboty zabiorą pracę fizyczną? Co naprawdę mówi badanie Anthropic z 2026 roku (Anthropic, Tesla, Nvidia, Jobbit)

Przez dziesięć lat publiczna debata o automatyzacji opierała się na jednej liczbie. W 2013 roku Carl Benedikt Frey i Michael Osborne z Oksfordu oszacowali, że 47% zatrudnienia w Stanach Zjednoczonych przypada na zawody o wysokim ryzyku komputeryzacji w ciągu dwóch dekad, a ta wartość powtarzana jest w każdym wystąpieniu o przyszłości pracy. Trzynaście lat później roboty, które miały opróżnić magazyny i place budowy, pojawiły się w pokazach, w kilku tysiącach fabryk i w niewielkiej liczbie taksówek, a ludzie, którzy mieli zostać zastąpieni, nadal pracują, wielu z nich w zawodach deficytowych, których pracodawcy nie potrafią obsadzić. Coś w standardowej opowieści było błędne i do niedawna nikt nie zmierzył, co dokładnie.

30 września 2026 roku zespół ekonomiczny Anthropic opublikował "What work can robots do?" autorstwa Russella Legate-Yanga i Maxima Massenkoffa. O ile ten przegląd może ustalić, jest to pierwsza próba oceny każdego fizycznego zadania w amerykańskiej gospodarce na tle robotów, które faktycznie istnieją, a następnie zadania pytania, którego te 47% nigdy nie zadało: za jaką cenę. Odpowiedź zmienia kształt debaty. Roboty potrafią już wykonać około trzech czwartych fizycznych zadań w pracy w Stanach Zjednoczonych, ale są tańsze od człowieka tylko w przypadku trzech na tysiąc. Zamknięcie tej luki w tempie, w jakim ceny robotów spadają od lat 90., zajęłoby około czterdziestu lat, by dotrzeć do jednej dziesiątej pracy, a nawet agresywny scenariusz stawia połowę pracy fizycznej po 2050 roku. To studium przypadku czyta artykuł uważnie, zestawia go z dowodami na to, co AI już robi z pracą biurkową, rozważa zarzuty i wyciąga wnioski, co ten wzorzec oznacza dla brytyjskiego fachowca, właściciela małej firmy i takiej spółki jak Jobbit, zbudowanej na założeniu, które artykuł dziś kwantyfikuje: przekazanie pracy między maszynami a ludźmi jest centralnym pytaniem projektowym najbliższych dwudziestu lat.

Podsumowanie ustaleń

Po pierwsze, zdolności nie są już głównym ograniczeniem większości pracy fizycznej. Badanie Anthropic wykazuje, że roboty potrafią wykonać 74% fizycznych zadań w Stanach Zjednoczonych, co stanowi 34% wszystkich godzin pracy, przy użyciu robotów, które zostały sprzedane, wdrożone lub zademonstrowane, a nie wyobrażone.

Po drugie, ograniczeniem jest koszt. Roboty są konkurencyjne kosztowo wobec pracownika w przypadku 0.3% zadań zawodowych już dziś. Dla największego mocno narażonego zawodu, czyli pakowaczy, szacowana roczna oszczędność wynosi około $2,500 na pracownika przy kosztach pracy około $49,000; w przypadku taksówkarzy robot kosztuje nadal około $7,000 więcej niż człowiek.

Po trzecie, luka zamyka się powoli. Ceny robotów spadają o około 3% rocznie od lat 90. W takim tempie potrzeba 40 lat, aby roboty stały się konkurencyjne kosztowo dla 10% pracy w USA. W szybkim scenariuszu artykułu, przy kosztach spadających cztery razy szybciej i zdolnościach rosnących dwa razy szybciej, roboty stają się tańsze od ludzi dla połowy pracy fizycznej około 2050 roku, wobec 2085 przy trendzie historycznym, a zautomatyzowanie 90% tej pracy zajmuje nadal 53 lata.

Po czwarte, praca cyfrowa wygląda odwrotnie. Około 50% pracy w USA jest narażone na same duże modele językowe, a 81% na modele językowe lub roboty łącznie, a wczesne dowody z rynku pracy oparte na danych płacowych pokazują zatrudnienie osób w wieku od 22 do 25 lat w zawodach najbardziej narażonych na AI o około 19% niższe niż wśród ich mniej narażonych rówieśników, bez porównywalnych zmian wśród doświadczonych pracowników ani w całej gospodarce.

Po piąte, osoby najbardziej narażone na roboty mają najmniejszą poduszkę bezpieczeństwa. W porównaniu z pracownikami nienarażonymi są o 55 punktów procentowych mniej skłonne do posiadania dyplomu, zarabiają około $30 na godzinę mniej, a ich stopa bezrobocia jest ponad dwukrotnie wyższa.

Po szóste, pozostałe bariery są konkretne i mierzalne. Około 70% fizycznych zadań blokują zdolności, mniej więcej połowę z nich manipulacja i zręczność; 14% blokują obecne przepisy, a 25% preferencje ludzi. To są zadania, przy których człowiek będzie potrzebny przez dekady i dla których danych do uczenia maszyn jeszcze nie ma.

Przypadek: dlaczego to badanie jest właściwym laboratorium

Prognozy automatyzacji zawodziły zwykle na jeden z dwóch sposobów. Badania na poziomie zawodów, takie jak badanie Freya i Osborne'a, traktowały całe zawody jako jednostki podlegające automatyzacji, co dało liczbę 47%; gdy Melanie Arntz, Terry Gregory i Ulrich Zierahn z OECD powtórzyli to ćwiczenie w 2016 roku na poziomie zadań, uwzględniając mieszankę prac wewnątrz każdego zawodu w 21 krajach, odsetek miejsc pracy podatnych na automatyzację spadł do 9%. Badania oparte na ankietach ekspertów z kolei pytały specjalistów, co maszyny będą potrafiły, co jest zakładem na technologie, które mogą nigdy nie trafić na rynek.

Artykuł Anthropic unika obu pułapek z założenia. Zaczyna od około 19,000 opisów zadań dla około 900 zawodów w O*NET, bazie danych zawodowych Department of Labor USA, oraz od danych Bureau of Labor Statistics o zatrudnieniu i płacach. Wykorzystuje model Claude do oceny każdego zadania pod względem jego treści fizycznej, poznawczej i interpersonalnej, zachowuje tylko zadania fizyczne, których nie dałoby się zautomatyzować zwykłym oprogramowaniem, a następnie przeszukuje sieć w poszukiwaniu konkretnych robotów, które dowodnie wykonały dane zadanie, wymagając jako dowodu wdrożenia komercyjnego, sprzedaży lub istotnej demonstracji. Każde zadanie umieszczono na czterostopniowej skali kontroli środowiska: E0, żaden robot nie potrafi tego zrobić; E1, robot potrafi to zrobić w środowisku zbudowanym specjalnie do tego celu, takim jak linia fabryczna; E2, w ustrukturyzowanym obiekcie ludzkim, takim jak magazyn; E3, w środowisku nieustrukturyzowanym, takim jak miejska droga. Większość wdrożonych robotów działa w przestrzeniach zaprojektowanych technicznie, dlatego autorzy uznają ten poziom za dobrą miarę ryzyka w najbliższym czasie.

Koszt jest modelowany, a nie zakładany. Dla każdego narażonego zadania model szacuje roczny koszt wskazanego robota, w tym zakup i instalację, konserwację, oprogramowanie, energię, nadzór, ubezpieczenie i wycofanie z eksploatacji, przy czym koszty stałe są rozłożone na lata według szacowanego kosztu kapitału, i porównuje go z całkowitym wynagrodzeniem pracownika przeskalowanym przez udział jego czasu poświęcanego na to zadanie. Zadanie uznaje się za konkurencyjne kosztowo tylko wtedy, gdy roczny koszt robota spada poniżej kosztu zastępowanej pracy. Autorzy następnie walidują cały aparat wstecz: oceniając zadania na tle robotów istniejących w 1977 roku i w późniejszych dekadach, pokazują, że zawody bardziej narażone na roboty swojej epoki straciły później więcej płac i zatrudnienia, co jest tym, co miara ekspozycji musi robić, aby była cokolwiek warta.

Badanie jest amerykańskie. To niedoskonałość, o której czytelnik powinien pamiętać. Brytyjskie płace, ceny energii, regulacje i struktura zawodów są inne, a nikt dotąd nie zastosował tej metody do danych brytyjskich. Stawka jest jednak, jeśli już, wyższa. Czerwcowa prognoza Construction Industry Training Board z 2026 roku mówi, że sektor potrzebuje średnio 41,200 dodatkowych pracowników rocznie w latach 2026 do 2030, łącznie ponad 206,000, aby nadążyć za popytem, przy czym 40% obecnej siły roboczej ma ponad 45 lat, a od Brexitu utracono ponad 200,000 pracowników z UE. Publikacja Department for Education Occupations in Demand z grudnia 2025 roku wylicza 10.9 miliona osób, 32.9% siły roboczej, w 125 zawodach o podwyższonym popycie i wymienia elektryków i monterów elektrycznych (201,000 miejsc pracy) oraz techników i mechaników pojazdów (183,000) wśród największych wykwalifikowanych zawodów rzemieślniczych na tej liście. Gdyby roboty miały wkrótce zastąpić zawody rzemieślnicze, niedobór byłby problemem przejściowym. Poniższe dowody mówią, że tak nie jest.

Oś czasu dowodów, od 2013 do 2026

Ustalenie 1: roboty potrafią wykonać większość pracy fizycznej i prawie żadna się nie opłaca

Pierwsza liczba w artykule jest tą, która będzie cytowana, i warto ją sformułować precyzyjnie. Z całego czasu pracy w USA 54% to praca poznawcza lub interpersonalna, a 46% fizyczna. W części fizycznej 12 punktów procentowych nie potrafi wykonać żaden robot, jaki autorzy zdołali znaleźć (E0), 23 można wykonać w środowiskach zbudowanych specjalnie do tego celu (E1), 10 w ustrukturyzowanych obiektach ludzkich, takich jak magazyny (E2), a 1 w środowiskach nieustrukturyzowanych (E3). Łącznie roboty potrafią wykonać 74% fizycznych zadań, czyli 34% wszystkich godzin pracy. Przykłady są konkretne: autonomiczne taksówki na miejskich drogach, autonomiczne roboty mobilne przewożące towar w magazynach, spawalnicze stanowiska sterowane przez AI w warsztatach produkcyjnych, koparki rowowe, które kopią proste linie bez kierowcy.

Druga liczba jest tą, która ma znaczenie. Gdy model wycenia wskazanego robota dla każdego zadania i porównuje go z pracą, którą by zastąpił, roboty wychodzą taniej tylko w przypadku 0.3% zadań zawodowych. Około 300,000 amerykańskich pracowników pracuje w zawodach, w których roboty mogłyby wykonać 95% pracy; największa grupa, około 560,000 pakowaczy, jest najczystszym przypadkiem parytetu kosztów, z robotem szacowanym na około $2,500 rocznie taniej niż człowiek, którego praca kosztuje około $49,000. Na przeciwnym końcu robotaksówka, technicznie najbardziej narażony zawód w danych ze wskaźnikiem ekspozycji 2.2 na 3, ma kosztować około $7,000 rocznie więcej niż kierowca, którego by zastąpiła, jeszcze przed uwzględnieniem regulacji. Dziewięć z dziesięciu najbardziej narażonych zawodów to operatorzy pojazdów.

Interpretacja, którą proponują autorzy i którą ten przegląd uważa za najbardziej obronną, jest taka, że granica fizyczna przesunęła się znacznie dalej niż ekonomiczna. W ciągu ostatnich 50 lat roboty zyskiwały zdolność wykonywania około 2% pracy fizycznej rocznie, której wcześniej nie potrafiły wykonać: w 1977 roku nie potrafiły wykonać 62% fizycznych zadań, dziś nie potrafią wykonać 24% tych samych zadań. Zdolności rosły procentem składanym. Koszt za nimi nie nadążył, bo robot, który potrafi nosić pudło, jest nadal aktywem kapitałowym z konserwacją, energią, nadzorem i ubezpieczeniem, konkurującym z pracownikiem, któremu płaci się tylko za przepracowane godziny.

Ustalenie 2: oś czasu to dekady, nawet w wariancie optymistycznym

Najważniejszym wkładem artykułu jest analiza scenariuszy, ponieważ zamienia ona "roboty są drogie" w daty. Ceny robotów, według serii Bank of Japan i innych źródeł, spadają o mniej więcej 3% rocznie od lat 90. Przy utrzymaniu tego tempa potrzeba około 40 lat, zanim roboty staną się konkurencyjne kosztowo dla 10% pracy w USA. Spadek kosztów o 20%, czyli około siedem lat w tempie historycznym, uczyniłby roboty konkurencyjnymi dla fizycznych zadań około 2.8 miliona pracowników; spadek o 70% jest potrzebny, by objąć 10% całej pracy.

Szybki scenariusz jest z założenia hojny. Koszty skorygowane o jakość spadają do czterech razy szybciej niż w historii, a roboty uczą się nowych zadań dwa razy szybciej. Nawet wtedy roboty stają się konkurencyjne kosztowo dla 50% pracy fizycznej dopiero około 2050 roku, wobec 2085 przy trendzie historycznym, a zautomatyzowanie 90% pracy fizycznej zajmuje 53 lata. Zdanie, którego używają autorzy, warto zacytować, bo jak na artykuł ekonomiczny jest niezwykle proste: "Robots would need to sustain record rates of price declines and quality improvements over the coming decades to enable rapid physical automation." (Roboty musiałyby utrzymywać rekordowe tempo spadku cen i poprawy jakości przez nadchodzące dekady, aby umożliwić szybką automatyzację fizyczną.)

Tu dowody należy oddzielić od interpretacji. Daty nie są prognozami; są konsekwencjami założeń stosowanych jednolicie do każdego zadania, które, jak sami autorzy mówią, mogą nie odzwierciedlać tego, jak firmy robotyczne faktycznie ustalają priorytety. Firma, która włoży cały wysiłek w jedno zadanie o wysokiej wartości, na przykład kompletowanie zamówień w magazynie, mogłaby obniżyć koszt tego zadania znacznie szybciej niż o 3% rocznie, podczas gdy reszta gospodarki stoi w miejscu. To, co scenariusze ustalają, to kształt problemu, a nie jego dokładny kalendarz: automatyzacja fizyczna jest długim, nierównym procesem rządzonym ekonomią sprzętu, w przeciwieństwie do oprogramowania, gdzie koszt krańcowy jeszcze jednego zadania jest bliski zeru.

Porównanie z wcześniejszą technologią potwierdza tę lekturę. Badanie Acemoglu i Restrepo z 2020 roku o robotach przemysłowych, poprzedniej generacji tej technologii, wykazało, że każdy dodatkowy robot na 1,000 pracowników w latach od 1990 do 2007 obniżał wskaźnik zatrudnienia do populacji w dotkniętych amerykańskich strefach dojazdów do pracy o 0.2 punktu procentowego, a płace o 0.42%. Realne, mierzalne i powolne: skutki kumulowały się przez siedemnaście lat w sektorach, w których roboty były już najtańsze, i nigdzie indziej.

Ustalenie 3: praca cyfrowa to odwrotna historia

Ta sama grupa badawcza mierzy drugą granicę, a kontrast jest sercem tego studium przypadku. Wcześniejsza praca Anthropic o ekspozycji i własne porównanie artykułu umieszczają około 50% pracy w USA w zasięgu samych dużych modeli językowych, a 81% w zasięgu modeli językowych lub robotów łącznie. Wzorzec według zawodów jest pouczający. Transport i przemieszczanie materiałów jest narażony na modele językowe w mniej niż 15%, ale w około 90% po uwzględnieniu robotów; wsparcie biurowe i administracyjne jest już silnie narażone na modele językowe i sięga prawie 100% z robotami; opieka osobista i usługi plasują się na poziomie około 40% w obu przypadkach, ponieważ mają charakter interpersonalny w sposób, którego żadna z tych technologii nie dotyka.

Szacunki dla modeli językowych mają dłuższy rodowód. W 2023 roku Tyna Eloundou, Sam Manning, Pamela Mishkin i Daniel Rock z OpenAI i University of Pennsylvania ustalili, że 80% amerykańskich pracowników pracuje w zawodach, w których co najmniej 10% zadań jest narażonych na modele językowe, a 19% w zawodach, w których narażona jest ponad połowa zadań, przy czym najbardziej narażone były pisanie, programowanie i analiza danych, a najmniej praca fizyczna i na świeżym powietrzu. Anthropic Economic Index, który mapuje zanonimizowane rozmowy z Claude na zadania O*NET, pokazuje, co ludzie faktycznie robią z tymi narzędziami: w raportach z 2026 roku wspomaganie było nieco przed automatyzacją, 52% do 45%, a użycie się zróżnicowało, przy czym dziesięć najczęstszych zadań spadło z 24% rozmów do 19% między listopadem 2025 a lutym 2026. Indeks podaje też, że wzrost PKB na mieszkańca o 1% wiąże się ze wzrostem użycia na osobę o 0.7%, co przypomina, że adopcja podąża za zamożnością.

Czy ekspozycja stała się wypieraniem, na to pytanie dane płacowe odpowiadają ostrożnie. Erik Brynjolfsson, Bharat Chandar i Ruyu Chen ze Stanford Digital Economy Lab, korzystając z danych ADP dla ponad 25 milionów pracowników w USA, zaraportowali w 2025 roku, że pracownicy na początku kariery w zawodach najbardziej narażonych na AI odnotowali względny spadek zatrudnienia, podczas gdy doświadczeni pracownicy w tych samych zawodach nie; ich sierpniowa rewizja z 2026 roku, z danymi do połowy roku, ustala zatrudnienie osób w wieku od 22 do 25 lat w tych zawodach na poziomie około 19% niższym, niż byłoby, gdyby podążało za mniej narażonymi rówieśnikami, przy czym dostosowanie przebiega przez zatrudnianie, a nie płace, i koncentruje się tam, gdzie AI automatyzuje, a nie wspomaga. Jednocześnie ekonomiści samej Anthropic, Maxim Massenkoff i Peter McCrory, jak donosił Yahoo Finance 1 października, nie znajdują systematycznego wzrostu bezrobocia wśród silnie narażonych pracowników od końca 2022 roku, a ostrzeżenie prezesa Anthropic Dario Amodei, że AI mogłaby usunąć połowę stanowisk wejściowych w pracy biurowej, pozostaje, według dotychczasowych danych, ostrzeżeniem, a nie obserwacją.

Uczciwa synteza jest taka. Pierwszym mierzalnym skutkiem obecnej fali AI na rynku pracy nie jest robot w magazynie, lecz brakujące zatrudnienie absolwenta w biurze. Pracę fizyczną chroni ekonomia, pracy biurkowej nie.

Ustalenie 4: kto jest narażony i co nadal blokuje resztę

Profil demograficzny pracy narażonej na roboty to ustalenie, które powinno kształtować politykę. W porównaniu z pracownikami w zawodach nienarażonych osoby w zawodach silnie narażonych są o 20 punktów procentowych rzadziej kobietami, o 16 punktów częściej Latynosami, o 55 punktów rzadziej posiadają tytuł licencjata, zarabiają około $30 na godzinę mniej i są ponad dwa razy częściej bezrobotne. Znacznie częściej też dźwigają ciężary, pracują w skrajnym upale lub w pobliżu substancji niebezpiecznych. Zadania, które roboty już potrafią wykonać, to w nieproporcjonalnie dużym stopniu zadania ciężkie, niebezpieczne i słabo płatne, co jest zarówno najsilniejszym argumentem za ich automatyzacją, jak i powodem, dla którego będzie to bolesne, jeśli przejście pozostanie niezarządzane.

To, co blokuje resztę, jest równie konkretne. Około 70% fizycznych zadań, których roboty jeszcze nie potrafią wykonać, jest ograniczonych zdolnościami, a mniej więcej połowa z nich manipulacją i zręcznością: farbowanie włosów, kopanie ręczne wokół zakopanych rur, stawianie rusztowań, rozplątywanie przewodów. Braki w planowaniu i rozumowaniu odpowiadają za 8%. Regulacje blokują 14% fizycznych zadań, a preferencje ludzi 25%, a razem te dwa czynniki obejmują większość pracy, w której robot byłby tolerowany w fabryce, ale nie w sypialni ani w klasie. Dwa zawody w artykule pokazują, jak mieszany jest obraz w obrębie jednego zawodu: szpachlarze płyt gipsowo-kartonowych mają wskaźnik ekspozycji 1.6, przy czym 41% ich czasu jest narażone na autonomicznego robota natryskowego, a 26% nienarażone, ponieważ brudne prace wykończeniowe są poza jego zasięgiem; sortowacze odpadów do recyklingu mają 1.7, przy czym ponad 75% ich czasu jest narażone na chwytaki z widzeniem komputerowym na taśmach i tylko 8% nienarażone.

Podsumowanie autorów jest tym, które fachowiec powinien zapamiętać: praca nienarażona jest "highly interpersonal or requires physical skills that robots today don't have" (wysoce interpersonalna lub wymaga umiejętności fizycznych, których dzisiejsze roboty nie mają), a "if the past is any guide, taxi drivers and warehouse packers will see changes sooner than nurses and mechanics" (jeśli przeszłość jest jakąkolwiek wskazówką, taksówkarze i pakowacze magazynowi zobaczą zmiany wcześniej niż pielęgniarki i mechanicy).

Mechanizmy: dlaczego wzorzec wygląda tak, a nie inaczej

Cztery mechanizmy wyjaśniają ustalenia i przewidują, co będzie dalej.

O wdrożeniu decydują środowiska, a nie zadania. Czterostopniowa skala to cicha myśl przewodnia artykułu. Robot, który bezbłędnie spawa na linii fabrycznej (E1), jest bezużyteczny na domowej przybudówce, gdzie każda belka stropowa znajduje się w nieco innej odległości od poprzedniej. Większość fizycznej gospodarki, i prawie wszystkie zawody rzemieślnicze, odbywa się w warunkach E3: nieustrukturyzowanych, improwizowanych, wśród ludzi. Roboty podbiły E1 i wchodzą w E2; E3 obejmuje 1% zadań po pięćdziesięciu latach.

Ekonomia sprzętu to nie ekonomia oprogramowania. Model językowy, raz wytrenowany, wykonuje kolejne zadanie po koszcie bliskim zeru, dlatego ekspozycja w pracy biurkowej zamieniła się w wypieranie w ciągu kilku lat. Robot jest tracącym na wartości aktywem, które trzeba kupić, zainstalować, ubezpieczyć, konserwować, zasilać i nadzorować w każdym miejscu, w którym pracuje. Roczny spadek ceny o 3% jest znakiem rozpoznawczym tej różnicy, a scenariusze artykułu pokazują, jak mało nawet czterokrotne przyspieszenie zmienia dekadę, w której nastąpi parytet.

Zdolności rosną procentem składanym, ale przez dane. Roboty zyskują około 2% pracy fizycznej rocznie, a połowa pozostałych zadań wymagających zręczności to właśnie te, dla których danych treningowych brakuje najbardziej. Model uczy się pisać z pisanej sieci; nie istnieje odpowiednik takiego korpusu dla rąk hydraulika. Postęp w pozostałych 24% zależy od uchwycenia prawdziwej pracy, w prawdziwych miejscach, z udziałem ludzi, którzy ją wykonują, co ze swej natury jest powolne i rodzi pytania o zgodę i własność, z jakimi fala oprogramowania nigdy się nie zetknęła.

Preferencje i zasady są podłogą, a nie opóźnieniem. 25% zadań ograniczonych preferencjami i 14% regulacjami nie czeka na lepszego robota. Gotowość pacjenta, by podnosiła go maszyna, przepisy rady miejskiej o pojazdach autonomicznych i chęć klienta, by rozmawiać z osobą, która zamontowała kuchnię, zmieniają się w skali czasu politycznej i kulturowej, dlatego autorzy traktują je odrębnie od zdolności i kosztów.

Sceptyk powinien obok tego rozważyć trzy alternatywne wyjaśnienia. Oceny ekspozycji powstają, gdy model czyta zwięzłe opisy zadań, które, jak zauważają autorzy, "omit details that may be easy for humans but hard for robots" (pomijają szczegóły, które mogą być łatwe dla ludzi, ale trudne dla robotów), więc zdolności mogą być przeszacowane na poziomie zadania, nawet jeśli są niedoszacowane dla zawodu jako całości. Szacunki kosztów są przybliżeniami rynku z niewielką liczbą publicznych cen; przegląd cen humanoidów z sierpnia 2026 roku wykazał, że tylko 12 z 58 komercyjnych humanoidów miało w ogóle zweryfikowaną cenę. A scenariusze zakładają ten sam spadek dla każdego zadania; przełom w uniwersalnej manipulacji, taki, na jaki stawiają Nvidia i Tesla, mógłby, słowami autorów, "leapfrog our scale" (przeskoczyć naszą skalę). Daty są solidne w kształcie i miękkie w szczegółach.

Jak zareagował przemysł

Reakcja podzieliła się wzdłuż linii, którą wyznacza artykuł. W obozie sprzętowym prezes Nvidia Jensen Huang zapowiedział w styczniu 2026 roku na CES "moment ChatGPT" dla robotyki, a Elon Musk powiedział, że humanoid Optimus od Tesla trafi do sprzedaży już w 2027 roku z długoterminową ceną docelową poniżej $20,000 przy skali, choć żadna oficjalna cena nie istnieje; prognoza Morgan Stanley z 2025 roku stawia rynek humanoidów powyżej $5 trillion do 2050 roku, z przyspieszeniem adopcji od końca lat 30. Yahoo Finance przedstawił artykuł Anthropic 2 października jako projekcję, którą te zakłady wystawią na próbę. Rzeczywistość wysyłkowa jest skromniejsza: Unitree G1 kosztuje według cennika $13,500, a firma wysłała w 2025 roku ponad 5,500 humanoidów, więcej niż wszyscy rywale razem wzięci; Digit od Agility, najczęściej wdrażany humanoid w magazynach w USA, kosztuje ponad $250,000 za sztukę lub około $8,500 miesięcznie w modelu usługowym; Figure, wyceniona na $39 billion, sprzedaje przedsiębiorstwom bez publicznej ceny.

Ekonomiści w większości zaakceptowali oś czasu. Główny ekonomista Apollo Torsten Sløk, cytowany przez Yahoo Finance, powiedział, że nawet przy agresywnych projekcjach powszechne wypieranie w pracy fizycznej zajęłoby dekady, wskazując na wąskie gardła w precyzyjnej manipulacji, regulacjach i preferencjach. Ostrzejsza debata toczy się po stronie cyfrowej, gdzie dowody płacowe ze Stanford i własna analiza bezrobocia Anthropic wskazują różne kierunki co do tego, ile wypierania już nastąpiło, i gdzie OpenAI, Anthropic, Google, Microsoft, Manus oraz Meta z Muse dostarczają agentów, którzy przeglądają sieć, wypełniają formularze i wykonują wieloetapowe zadania biurowe, czyli kategorię, w której ekspozycja jest najwyższa, a koszt najniższy.

Pozycja Jobbit w tym krajobrazie jest wyborem projektowym, a nie prognozą, i artykuł akurat ją opisuje. Agent AI firmy zajmuje się pracą cyfrową, podlegającą weryfikacji, którą według dowodów tanio się automatyzuje: badaniami, dokumentami, stronami internetowymi, automatyzacjami, obrazami i administracją towarzyszącą zleceniu. Gdy zadanie wymaga rąk, oceny na miejscu lub kogoś odpowiedzialnego, czyli, jak mówią liczby z artykułu, większości pracy fizycznej przez dekady, zlecenie przechodzi do sprawdzonego fachowca na pro.jobbit.uk, z płatnością przechowywaną w escrow i z klientem, który może obserwować agenta i w dowolnym momencie przejąć kontrolę. Jobbit Labs, dział badawczy firmy, pracuje nad wolniejszym problemem, który artykuł wskazuje w swojej luce danych: gromadzeniem danych o zadaniach z prawdziwego świata od ludzi wykonujących prawdziwą pracę, za zgodą, aby trenować i weryfikować modele świata dla fizycznej AI. Jobbit nie opublikował danych z prób dotyczących wyników tego modelu i nie twierdzi tu, że je ma; teza jest węższa: architektura agent plus sieć ludzi to ta, którą wspierają dowody, dopóki parytet kosztów pozostaje odległy o dekady. Praktyczną stronę tego podziału opisano w 12 Jobs an AI Agent Can Do for Your Business This Week i Should Your Next Hire Be an AI Agent?, dowody dotyczące freelancerów w Do AI Agents Replace Freelancers?, a samą firmę w What Is Jobbit?.

Co firma powinna zrobić z tymi dowodami

Dowody uzasadniają regułę delegowania, którą mała firma może stosować bez konsultanta strategicznego.

Najpierw zautomatyzuj warstwę cyfrową wokół pracy fizycznej, bo tam koszt i zdolności już się spotykają. Wyceny, faktury, strona internetowa, prośby o opinie, research dostawców i harmonogram hydraulika to te 50% pracy narażone na modele językowe; liczby samego artykułu mówią, że montaż, diagnoza w wilgotnej szafce i rozmowa z właścicielem domu nigdzie się nie wybierają. Marża w firmie rzemieślniczej w następnej dekadzie bierze się z przeznaczenia zaoszczędzonych godzin biurkowych na więcej godzin na budowie, a nie z czekania na robota.

Traktuj automatyzację fizyczną jako decyzję zakupową dotyczącą zadania, a nie decyzję kadrową dotyczącą stanowiska. Model kosztowy artykułu jest wzorcem: porównaj cały roczny koszt robota z pracą przy tym jednym zadaniu, w twoim poziomie środowiska, i spodziewaj się parytetu tylko w warunkach E1 i E2, czyli przy powtarzalnym pakowaniu, przenoszeniu, spawaniu i sortowaniu, jeszcze przez lata. Dla prawie wszystkiego, co robi się w domu klienta, parytet nie figuruje w kalendarzu.

Zatrudniaj i szkol dla nienarażonego rdzenia. Te 24% fizycznych zadań, których roboty nie potrafią wykonać, i te 25%, których ludzie nie chcą im powierzać, to trwała część zawodu rzemieślniczego: zręczność, ocena w przestrzeniach nieustrukturyzowanych i ludzka relacja. Luka 206,000 pracowników do 2030 roku według CITB mówi, że rynek za nie zapłaci.

Obserwuj przekazanie pracy, a nie nagłówek. Przydatnym pytaniem dla każdego zlecenia jest to, gdzie maszyna powinna się zatrzymać, a człowiek zacząć, a ta linia przesuwa się zadanie po zadaniu. Firma, która to spisze, kto sprawdza wyniki agenta, kto odbiera prace na miejscu, kto odpowiada wobec klienta, zyskuje korzyści bez porażek.

Na koniec czytaj wczesne sygnały we właściwym miejscu. Artykuł sugeruje śledzenie zawodów narażonych, kierowców i pakowaczy magazynowych, pod kątem pierwszych oznak zakłóceń fizycznych, a dane płacowe mówią, że zakłócenia cyfrowe są już widoczne w zatrudnianiu absolwentów. Planuj na drugie już teraz, a na pierwsze później.

Ograniczenia i otwarte pytania

Badanie jest amerykańskie, oceniane przez model i statyczne. Oceny ekspozycji i kosztów pochodzą z odczytu przez Claude opisów zadań i dowodów z sieci o robotach, sprawdzonych względem historii, ale nie względem prób terenowych; panel ekspertów ludzkich mógłby inaczej ocenić zręczność. Szacunki kosztów pomijają tarcia adopcyjne, takie jak limity zadłużenia, a scenariusze pomijają efekty sprzężenia zwrotnego, w tym możliwość, że spadające płace w zawodach narażonych jeszcze bardziej spowolnią adopcję. Artykuł nie bada, jak AI mogłaby zmienić pracę fizyczną bez robotów, na przykład przez konserwację predykcyjną, i nie modeluje Wielkiej Brytanii, gdzie koszty energii, regulacje i struktura zawodów rzemieślniczych są inne.

Dowody cyfrowe mają własne ograniczenia. Dane płacowe pokazują względne zatrudnienie młodych pracowników w zawodach narażonych, a nie związek przyczynowy, a autorzy ze Stanford opisują swoje ustalenia jako zgodne z "no widespread displacement so far" (brakiem powszechnego wypierania do tej pory); analiza bezrobocia Anthropic i analiza zatrudniania ze Stanford mogą obie mieć rację co do różnych marginesów. Dane o użyciu jednego asystenta to nie gospodarka. A rynek humanoidów porusza się na tyle szybko, że każda tu przytoczona cena jest migawką z początku października 2026 roku.

Otwarte pytania to te, które zadecydują o następnej dekadzie: czy uniwersalna manipulacja poprawia się szybciej niż o 2% rocznie, gdy roboty uczą się z prawdziwej pracy, a nie z zaprojektowanych demonstracji; czy podłogi regulacyjne i preferencyjne się przesuną; oraz, jak ujmują to autorzy, jak zmienia się sama praca, "perhaps becoming more social and interpersonal as robots and AI advance" (być może stając się bardziej społeczna i interpersonalna w miarę postępu robotów i AI).

Podsumowanie

Czy roboty zabiorą pracę fizyczną? Nie tak, jak sugerowało 47%, i nie według żadnego harmonogramu, wokół którego musiałby planować pracujący fachowiec. Badanie Anthropic pokazuje, że roboty potrafią już wykonać większość fizycznych zadań i stać je na prawie żadne z nich; że ekonomia zamyka się w tempie kilku procent rocznie; i że nawet świat rekordowego postępu robotów zostawia połowę pracy fizycznej w ludzkich rękach po 2050 roku. Zakłócenia mierzalne dziś dotyczą pracy cyfrowej, gdzie ekspozycja jest najwyższa, koszt najniższy, a pierwszych absolwentów już brakuje na listach płac. Dla brytyjskiego zawodu rzemieślniczego lub małej firmy dowody wskazują jedną strategię: zautomatyzować biurko, chronić ręce i świadomie wyznaczyć, gdzie jedno przekazuje pracę drugiemu. To przekazanie jest miejscem, w którym działa Jobbit, a artykuł jest dotąd najjaśniejszym wyjaśnieniem, dlaczego luka, w której został zbudowany, będzie istnieć jeszcze długo.

Najczęściej zadawane pytania

Czy roboty zastąpią pracowników fizycznych?

Nie przez dekady, według wrześniowego badania Anthropic z 2026 roku. Roboty potrafią już wykonać około 74% fizycznych zadań w Stanach Zjednoczonych, ale są tańsze od pracownika tylko w przypadku 0.3% z nich, a przy historycznym spadku cen robotów o 3% rocznie osiągnięcie parytetu kosztów dla 10% pracy zajęłoby około 40 lat. Nawet agresywny scenariusz stawia połowę pracy fizycznej po 2050 roku.

Które zawody są najbardziej narażone na roboty?

Operatorzy pojazdów i pakowacze magazynowi. Taksówkarze są na szczycie wskaźnika ekspozycji z wynikiem 2.2 na 3, dziewięć z dziesięciu najbardziej narażonych zawodów to kierowcy, a pakowacze to najczystszy przypadek, w którym robot jest już nieco tańszy niż człowiek. Pielęgniarki, mechanicy i większość wykwalifikowanych zawodów rzemieślniczych znajdują się na drugim końcu, ponieważ ich praca wymaga zręczności, oceny w przestrzeniach nieustrukturyzowanych lub kontaktu z człowiekiem.

Czy AI zabiera pracę biurową szybciej, niż roboty zabierają fizyczną?

Wczesne dowody mówią, że tak, na poziomie wejściowym. Analiza danych płacowych ze Stanford dla ponad 25 milionów pracowników wykazuje zatrudnienie osób w wieku od 22 do 25 lat w zawodach najbardziej narażonych na AI o około 19% niższe niż u mniej narażonych rówieśników, bez porównywalnej zmiany wśród doświadczonych pracowników, podczas gdy ekonomiści Anthropic nie znajdują systematycznego wzrostu bezrobocia wśród narażonych pracowników ogółem. Zadania cyfrowe kosztują prawie nic do zautomatyzowania, gdy model już istnieje; zadania fizyczne wymagają sprzętu, który jest nadal drogi.

Co powinien zrobić fachowiec w obliczu automatyzacji?

Zautomatyzować biurową stronę działalności, gdzie AI jest już tania i zdolna, oraz inwestować w umiejętności, którym roboty nie dorównają: zręczność, diagnozę w przestrzeniach nieustrukturyzowanych i relację z klientem. Samo brytyjskie budownictwo potrzebuje według CITB ponad 206,000 dodatkowych pracowników do 2030 roku, więc ludzka część zawodu rzemieślniczego cierpi na niedobór, a nie nadwyżkę.

Jaką lukę wypełnia Jobbit?

Przekazanie pracy między zautomatyzowaną pracą cyfrową a ludzką pracą fizyczną. Agent AI Jobbit wykonuje badania, dokumenty, strony internetowe i administrację, które według dowodów tanio się automatyzuje, a pracę wymagającą rąk, wizyty na miejscu lub odpowiedzialności przekazuje sprawdzonemu fachowcowi na pro.jobbit.uk, z płatnością przechowywaną w escrow. Jobbit Labs pracuje nad danymi o zadaniach z prawdziwego świata, które badanie wskazuje jako brakujący składnik dla fizycznej AI.