Заменяют ли ИИ-агенты фрилансеров? Что говорят четыре года данных (ChatGPT, Claude, Upwork, Jobbit)

Сегодня каждый владелец бизнеса задаётся, по сути, одним и тем же вопросом: какую работу можно поручить ИИ-агенту, а какая по-прежнему требует участия человека? На этот раз у вопроса есть лаборатория. С конца 2022 года онлайн-платформы для фрилансеров, на которых работают миллионы писателей, переводчиков, дизайнеров и разработчиков, стали площадкой естественного эксперимента: что происходит, когда на рынок, где каждая задача публикуется, оценивается и фиксируется по времени, в одночасье и почти без предельных издержек приходит дееспособная замена рутинному интеллектуальному труду.

Это исследование рассматривает данный эксперимент так, как учёный рассматривал бы любой другой массив данных: что именно измерялось, насколько точно, что показывают результаты и чего они пока показать не могут. В основе лежат рецензируемые исследования и препринты учёных из Stanford, MIT, Harvard Business School, University of Chicago и UCLA, рандомизированные полевые эксперименты внутри BCG и Alibaba, оценки возможностей моделей от METR и OpenAI, а также собственные данные платформ Upwork и Fiverr. Рассматриваемый период охватывает время с ноября 2022 года, когда был выпущен ChatGPT, до августа 2026 года, когда было обновлено самое позднее из этих исследований.

Короткий ответ на вопрос заголовка таков: пока агенты замещают не фрилансеров, а задачи, и это замещение было узким, быстрым и неравномерным. Более полный ответ полезнее, потому что он показывает бизнесу, где сейчас проходит граница и как работать по обе её стороны.

Резюме выводов

Пять выводов выдерживают скептическое прочтение данных.

Во-первых, замещение реально и сконцентрировано. В течение восьми месяцев после выхода ChatGPT число объявлений о работе по написанию текстов и программированию, легко поддающейся автоматизации, на одной из ведущих мировых платформ упало примерно на 21% относительно работы, требующей ручного труда, а инструменты генерации изображений сократили число объявлений о работе с изображениями примерно на 17%. На Upwork квалификация и репутация стали измеримо хуже предсказывать, кого наймут в категориях, подверженных влиянию ИИ, тогда как цена стала предсказывать это лучше.

Во-вторых, эффект на рынок труда в целом остаётся небольшим. Самое точное исследование, основанное на датских административных данных, исключает эффекты на заработок или отработанные часы крупнее 2% спустя два года после выхода ChatGPT. Исключение выражено резко: в США занятость работников в возрасте от 22 до 25 лет в профессиях, наиболее подверженных влиянию ИИ, сейчас примерно на 19% ниже уровня, на котором она была бы, если бы её динамика соответствовала менее подверженным влиянию сверстникам.

В-третьих, прирост производительности от работы с ИИ велик, но неравномерен. Он наибольший у менее опытных работников на рутинных задачах и может становиться отрицательным у экспертов на задачах вне компетенции инструмента. В одном строгом эксперименте опытные разработчики работали с ИИ-инструментами на 19% медленнее, при этом считая, что стали быстрее на 20%.

В-четвёртых, агенты перешли из роли ассистентов в роль работников. Длина задачи, которую способна выполнить передовая система, удваивается каждые несколько месяцев, и слепые эксперты-оценщики сейчас признают результаты работы лучших моделей равными или превосходящими результат профессионала почти в половине случаев. Но как только учитывается время на проверку и исправление, измеренная экономия падает примерно с девяностократной до значений от 12% до 39%, и даже лучшие рабочие агенты по-прежнему иногда совершают небольшие ошибки с необратимыми последствиями.

В-пятых, рациональный ответ, к которому сходятся платформы, состоит в разделении труда: агенты берут на себя рутинную цифровую работу, поддающуюся проверке; люди отвечают за суждение, ответственность, присутствие и всё необратимое; а между ними выстраивается осознанная передача работы.

Аргумент: почему фриланс-платформы это подходящая лаборатория

Экономисты рынка труда обычно работают с ежегодными опросами и широкими профессиональными кодами. Онлайн-платформы для фрилансеров предлагают нечто более редкое: работу, разбитую на отдельные задачи, каждая из которых имеет дату публикации, цену, категорию, покупателя, исполнителя и результат. Когда появляется технология, способная выполнять часть этих задач, изменение проявляется в течение недель в потоке объявлений, в том, кто получает контракт и по какой ставке. Рынок также мгновенно принимает новые инструменты, поскольку между фрилансером и вкладкой браузера нет цикла закупок.

Те же особенности делают лабораторию несовершенной. Платформы фиксируют опубликованный спрос, а не весь спрос: клиент, который теперь выполняет работу своими силами с помощью агента, просто исчезает из данных, а не отражается в них как случай замещения. Категории смещаются, поэтому спад в разделе «писательство» может отчасти объясняться переклассификацией в «редактирование ИИ-контента». Большинство крупных массивов данных американские, а фрилансеры на платформах не репрезентативны для рабочей силы в целом. Эти ограничения важны для интерпретации, и к ним ещё вернёмся ниже, но они не делают данные бесполезными. Они превращают их в опережающий индикатор, а не в перепись.

Ставки немалые. По оценке IPSE, число фрилансеров в Великобритании составляет около 2.05 миллиона человек, примерно половина от 4.2 миллиона самозанятых-одиночек в стране, при определении, ограниченном тремя наиболее квалифицированными профессиональными группами. Это именно те профессии, которые исследования применимости ИИ ставят на первые места.

Хронология данных, с 2022 по 2026 год

Вывод 1: замещение реально, быстро и узко

Самые ранние строгие данные получили Xiang Hui, Oren Reshef и Luofeng Zhou: их исследование крупной онлайн-платформы для труда было опубликовано в Organization Science в 2024 году и позже получило премию Olin Award университета Washington University за исследование с практическим эффектом. Сравнивая фрилансеров в профессиях, подверженных влиянию ChatGPT, DALL-E 2 и Midjourney, с фрилансерами в менее подверженных влиянию профессиях, авторы обнаружили снижение и числа заказов, и ежемесячного заработка у подверженной влиянию группы. Вывод, который взбудоражил область исследований, касался качества. Фрилансеров с высокими прошлыми оценками и долгой историей работы это не защищало; более того, авторы приводят данные, позволяющие предположить, что по лучшим исполнителям удар пришёлся сильнее. Наиболее правдоподобное объяснение в том, что в рутинной работе с текстом и изображениями отличный результат человека и приемлемый результат машины стали в глазах покупателей близкими заменителями друг друга, поэтому надбавка за превосходное качество исчезла первой.

Ozge Demirci, Jonas Hannane и Xinrong Zhu затем напрямую измерили сторону спроса. Используя объявления с ведущей мировой фриланс-платформы, в статье, опубликованной в Management Science в 2025 году, они обнаружили падение на 21% числа объявлений о работе по написанию текстов и программированию, легко поддающейся автоматизации, относительно работы, требующей ручного труда, в течение восьми месяцев после выхода ChatGPT, а также падение на 17% числа объявлений о создании изображений после появления моделей генерации изображений. Два второстепенных результата важны не меньше главного. Объявления, оставшиеся в подверженных влиянию категориях, стали сложнее и оплачивались выше, а конкуренция за них усилилась. Иными словами, замещение не опустошило категорию; оно вымыло из неё нижний сегмент.

Почему в первую очередь пострадали писательство, перевод и работа с изображениями? Анализ 200000 обезличенных диалогов Bing Copilot от Microsoft Research, опубликованный в 2025 году, проясняет механизм. Профессии с наивысшей применимостью ИИ это те, чья работа состоит в сборе, создании и передаче информации; устные и письменные переводчики возглавили список: 98% их рабочих активностей пересекались с задачами, которые ассистент уже выполнял хорошо. Применимость это не то же самое, что вытеснение, и авторы специально это оговаривают, но рейтинг почти точно предсказывает, какие категории фриланса, по данным исследований платформ, сокращались.

Самые свежие и, для делового читателя, самые поучительные данные представляют Auyon Siddiq и Niuniu Zhang из UCLA Anderson. Их препринт 2026 года, «Human Capital, AI, and Labor Commoditization» («Человеческий капитал, ИИ и коммодитизация труда»), отслеживает почти 50000 фрилансеров Upwork, работавших ещё до ChatGPT, на протяжении 21 квартала, с начала 2021 по начало 2026 года, охватывая 2.26 миллиона завершённых контрактов. Вместо подсчёта заказов авторы задаются вопросом, что предсказывает, кого наймут. В категориях с более высокой подверженностью влиянию ИИ, таких как перевод и писательство, совокупный предсказательный вес самопрезентации фрилансера, его квалификации и репутации упал примерно на 7.8% относительно менее подверженных влиянию категорий, таких как фотография, а вес цены вырос. К последнему году показатели человеческого капитала потеряли около 10.1% своей значимости, а цена набрала около 1.8%. Преимущество опытных фрилансеров сократилось на 6.2%, а затем ещё на 10.3%, а в наиболее подверженной влиянию работе более дешёвые фрилансеры выигрывали на 7.9% больше контрактов. Общий спрос в подверженных влиянию областях упал примерно на 7%. Авторы называют это коммодитизацией: когда покупатель может получить от модели приемлемый черновик, то, за что он готов платить человеку, смещается с вопроса «кто вы» на вопрос «сколько».

Вывод 2: совокупный эффект пока мал, с одним громким исключением

Если бы данные платформ были всей историей целиком, национальная статистика уже должна была бы это показать. По большей части она этого не показывает, и исследования, не находящие крупных эффектов, относятся к числу наиболее строго спланированных.

Anders Humlum и Emilie Vestergaard связали масштабные опросы о внедрении ИИ с датскими административными данными по труду, охватив 25000 работников и 7000 предприятий в одиннадцати подверженных влиянию профессиях. Их препринт NBER, впервые опубликованный в 2025 году и пересмотренный в марте 2026 года, фиксирует быстрое внедрение: большинство работодателей в подверженных влиянию профессиях запустили инициативы по внедрению чат-ботов, работники сообщали о выгодах для производительности, а новые задачи, связанные с ИИ, стали повсеместными. Тем не менее оценки методом разности разностей по заработку и учтённым часам оказались точными нулями, исключающими эффекты крупнее 2% спустя два года после выхода ChatGPT, как на уровне работника, так и на уровне предприятия. Изменилась структура работы: работодатели поглощали технологию через реорганизацию задач, включая новые задачи по генерации контента, надзору за ИИ и интеграции ИИ, а те, кто внедрял ИИ, постепенно перетекали в более высокооплачиваемые профессии, где инструменты полезнее, хотя и в числе, слишком малом, чтобы сдвинуть средние показатели. Более ранняя версия статьи оценивала заявленную самими работниками экономию времени менее чем в 3% рабочих часов, что составляет лишь долю от выгод, часто превышающих 15%, зафиксированных контролируемыми экспериментами в тех же профессиях. Разрыв между тем, что ИИ способен делать в эксперименте, и тем, что он меняет в платёжной ведомости, это центральная загадка данной области исследований, и именно в Дании она измерена чище всего.

Budget Lab при Yale приходит к похожему выводу для США, но другим путём. Отслеживая профессиональный состав занятости и применяя синтетический метод разности разностей к профессиям, подверженным влиянию ИИ, его обновления за 2025 и 2026 годы не находят чёткого следа ИИ. Начало 2026 года показывает низкие увольнения, но и низкий наём, и авторы утверждают, что от технологии с широким эффектом следовало бы ожидать более длительного срока проявления, чем примерно три года, прошедшие с выхода ChatGPT.

Исключение задокументировано Erik Brynjolfsson, Bharat Chandar и Ruyu Chen из Stanford's Digital Economy Lab, чья статья «Canaries in the Coal Mine?» («Канарейки в угольной шахте?») использует данные платёжных ведомостей ADP, охватывающие миллионы американских работников. В обновлении за август 2026 года, с данными по июнь 2026 года, занятость работников от 22 до 25 лет в профессиях с высокой подверженностью влиянию ИИ оказалась примерно на 19% ниже уровня, на котором она была бы, если бы следовала за динамикой работников того же возраста в менее подверженных влиянию профессиях, по сравнению с разрывом в 15% годом ранее. В абсолютных значениях занятость этой возрастной группы в двух наиболее подверженных влиянию квинтилях упала примерно на 11% в период с ноября 2022 по июнь 2026 года, тогда как занятость в трёх наименее подверженных влиянию квинтилях выросла примерно на 10%. У опытных работников сопоставимого разрыва не наблюдается, и авторы прямо заявляют, что не видят масштабного вытеснения в рамках всей экономики. Спад концентрируется в профессиях, где применение ИИ автоматизирует работу, а не дополняет её.

Эти результаты согласуются друг с другом, как только перестаёшь ожидать от ИИ поведения, похожего на рецессию. Замещение на уровне задач проявляется в первую очередь там, где контракты самые короткие и переоцениваются чаще всего: фриланс-подработки и найм на начальном уровне. Фриланс-рынок это канарейка, потому что он переоценивается каждую неделю; платёжная ведомость это шахта, и воздух в ней пока изменился меньше всего.

Вывод 3: выгоды от дополнения велики, но неравномерны, а граница неровная

Наряду с замещением существует дополнение, и в этой области экспериментальные данные особенно убедительны, поскольку здесь возможна рандомизация.

Brynjolfsson, Danielle Li и Lindsey Raymond изучили поэтапное внедрение генеративного ИИ-ассистента для 5179 операторов поддержки клиентов в статье, опубликованной в Quarterly Journal of Economics в 2025 году. Число решённых обращений в час выросло в среднем на 14%, при этом у новичков и менее квалифицированных операторов прирост составил 34%, а у опытных высококвалифицированных операторов изменения были незначительными. Судя по всему, инструмент кодировал практики лучших операторов и передавал их новичкам, быстрее продвигая их по кривой опыта.

Fabrizio Dell'Acqua с коллегами из Harvard Business School совместно с BCG рандомизировали 758 консультантов по управлению на реалистичных задачах с GPT-4 и без него, в исследовании, ныне опубликованном в Organization Science. На восемнадцати задачах в пределах компетенции модели консультанты с ИИ выполняли на 12.2% больше задач, на 25.1% быстрее, а качество слепые эксперты оценивали на 40% выше. На задаче, намеренно выбранной вне этой компетенции, консультанты с ИИ приходили к правильному ответу на 19 процентных пунктов реже. Формулировка авторов для этой границы, неровная технологическая граница (the jagged technological frontier), стала стандартным описанием проблемы: компетенция инструмента не проходит по линиям, которые пользователь способен увидеть, а пользователи плохо определяют, по какую сторону этой линии они находятся.

Полевой эксперимент в службе поддержки клиентов Alibaba, проведённый Xiao Ni, Tianjun Feng, Lauren Xiaoyuan Lu и соавторами, воспроизвёл ту же картину распределения в куда большем масштабе: 5940 новых операторов, около 2.56 миллиона чатов, 390000 оценок клиентов. У слабых исполнителей улучшения были наибольшими и по скорости, и по качеству; у лучших исполнителей прирост скорости был незначительным, а качество снижалось и по субъективным, и по объективным показателям. Помощь, поднимающая пол, способна опустить потолок.

Есть ещё рандомизированный эксперимент METR с опытными разработчиками open-source, опубликованный в июле 2025 года: это самый цитируемый предостерегающий результат периода, заслуживающий точной формулировки. Шестнадцать разработчиков выполнили 246 реальных задач в репозиториях, которые сами же поддерживали, в среднем свыше 22000 звёзд и миллиона строк кода, причём задачи случайным образом либо разрешали, либо запрещали использовать ИИ-инструменты, в основном Cursor с Claude 3.5 и 3.7 Sonnet. С ИИ они тратили на 19% больше времени. До начала эксперимента они прогнозировали ускорение на 24%; после его завершения оценивали, что стали быстрее на 20%. Разрыв в восприятии не менее важен, чем сам результат по производительности. Он говорит о том, что самооценки выгод, на которых строится большинство отраслевых опросов, завышены именно там, где экспертиза выше всего. Последствия для работы в сфере разработки ПО отдельно разбираются в статье заменит ли ИИ разработчиков программного обеспечения?

Обзор 2025 года авторства R. Maria del Rio-Chanona, Ekkehard Ernst, Rossana Merola, Daniel Samaan и Ole Teutloff сводит воедино эти нити по всей литературе: прирост производительности примерно от 20% до 60% в контролируемых экспериментах и от 15% до 30% в полевых экспериментах, больше у новичков на простых задачах, неоднозначный на сложных задачах, при этом данные цифрового следа показывают замещение в писательстве и переводе наряду с растущим спросом на навыки работы с ИИ и слабыми, но усиливающимися признаками снижения спроса на новичков.

Вывод 4: агенты перешли из ассистентов в работники, и вся суть в разрыве надёжности

Всё сказанное выше касается ИИ как ассистента человека, который остаётся вовлечённым на каждом шаге. Изменение, произошедшее с 2025 года, в том, что системы теперь выполняют многошаговую работу, а человек проверяет её только в конце или вообще не проверяет, и это меняет то, какие данные имеют значение.

Показатель временного горизонта METR отвечает на вопрос, насколько долгую задачу, выраженную во времени, которое потребовалось бы человеку-профессионалу, система способна выполнить с вероятностью успеха 50%. В пересмотре методологии за январь 2026 года, с набором, расширенным до 228 задач, включая 31 задачу продолжительностью восемь часов и более, долгосрочное время удвоения оценивалось примерно в 196 дней, с более быстрым удвоением в 131 день с 2023 года и в 89 дней с 2024 года. У лучшей на тот момент измеренной модели, Claude Opus 4.5, горизонт с вероятностью успеха 50% составлял около 320 минут, с широким доверительным интервалом примерно от трёх до двенадцати часов. Авторы прямо оговаривают, что порог успеха в 50% великодушен по отношению к реальной работе, что тренд чувствителен к составу задач и что для большинства длинных задач используется оценочное, а не измеренное время человека. С учётом этих оговорок направление однозначно: длина цифровой работы, которую можно делегировать, растёт экспоненциально.

Оценка GDPval от OpenAI, выпущенная в конце 2025 года, проверяет, насколько хороша эта делегированная работа. Задачи были написаны профессионалами из 44 профессий в девяти секторах, в среднем с 14-летним опытом, и оценивались методом слепого попарного сравнения экспертами с результатом человека. Лучшая модель, Claude Opus 4.1, выдавала результаты, оценённые как равные или превосходящие результат эксперта, в 47.6% случаев. Но бизнесу стоит запомнить другое число. Наивное сравнение машинного времени с человеческим даёт соотношение, близкое к девяностократному, но как только в статье учитывается то, что человек проверяет работу и при необходимости переделывает её, оценочная экономия падает до значений от 1.12 до 1.39 раза, в зависимости от стратегии. Именно на проверку и ушли издержки. Это тот же самый механизм, который Dell'Acqua обнаружил у консультантов, а METR у разработчиков, только теперь измеренный на уровне готового результата.

Бенчмарки рабочих сред показывают одновременно скорость прогресса и его остаток. TheAgentCompany из Carnegie Mellon поместили агентов в смоделированную софтверную компанию с реальными экземплярами GitLab, OwnCloud, Plane и RocketChat и 175 задачами; лучший агент выполнил около четверти из них при запуске в конце 2024 года и около 30% в течение 2025 года. Olly Styles и Sam Miller пересмотрели свой бенчмарк WorkBench в июне 2026 года и сообщили, что доля выполненных задач у лучшего агента выросла с 43% для GPT-4 в марте 2024 года до 98% для Claude Fable 5, тогда как доля прогонов с непреднамеренными вредными действиями упала с 26% до 1.9%. Они также сообщают, что передовые модели по-прежнему совершают базовые ошибки, которые иногда приводят к необратимому вреду. Два процента это очень хороший результат; и это также примерно один прогон из пятидесяти, в котором происходит что-то, чего происходить не должно.

Полевой эксперимент Alibaba 2026 года, проведённый Yiwei Wang, Chuan Zhu, Tianjun Feng, Lauren Xiaoyuan Lu и Bingxin Jia, это первые рандомизированные данные об агентном ИИ с участием человека в реальной, действующей сервисной операции. Работники в тестовой группе следили за агентом, который вёл подходящие чаты с клиентами, пока сами они вручную обрабатывали остальные. Средняя длительность чата снижалась при ограниченном влиянии на то, возвращались ли клиенты с той же проблемой, но чаты, которые вёл агент, получали заметно более низкие оценки. Вмешательство человека исправляло ситуацию гораздо лучше, когда сбой был техническим, то есть нерешённой проблемой, чем когда он был эмоциональным, то есть расстроенным клиентом, и лучше всего срабатывало, если происходило рано. Наблюдающие работники также уделяли больше внимания тем чатам, которые продолжали вести сами: это положительный побочный эффект. Это самое прямое на сегодня свидетельство того, как нужно выстраивать передачу работы между агентом и человеком: наблюдать с самого начала, вмешиваться по фактам и не оставлять чувства машине.

Данные о внедрении подтверждают, что сдвиг не ограничивается лабораториями. Economic Index Anthropic за март 2026 года сообщает, что в 49% профессий хотя бы четверть задач уже выполняется с помощью Claude, а работа с кодом сместилась от разговорного использования к автоматизированным рабочим процессам через API: доля кода выросла на 14% в API и упала на 18% в чат-продукте с августа 2025 года. Вклад Lightcast в Stanford AI Index 2026 года обнаруживает навыки ИИ в 2.5% всех объявлений о работе в США, а доля объявлений, упоминающих кластер навыков «агентный ИИ», выросла с 0.06% в 2024 году до 0.23% в 2025 году, это примерно 90000 объявлений. А в UpBench, бенчмарке 2025 года, построенном на реальных завершённых заказах с площадки Upwork, экспертные фрилансеры разбивают каждый заказ на проверяемые критерии приёмки, по которым затем оцениваются агенты. Оценка агентов по тем же критериям, которые заказчик применил бы к фрилансеру, это сигнал того, куда, как ожидается, движется предложение труда.

Механизмы: почему картина выглядит именно так

Большую часть того, что показывают данные, объясняют четыре механизма, и их стоит изложить, потому что они предсказывают, что будет дальше.

Первый это коммодитизация рутинной компетенции. Когда модель выдаёт приемлемый черновик описания товара, перевода или шаблонного модуля кода, готовность покупателя платить за квалификацию человека в этой категории падает, и решающей переменной становится цена. Siddiq и Zhang измеряют именно этот сдвиг, а Demirci с коллегами показывают его зеркальное отражение: работа, которая остаётся за человеком, становится сложнее, оплачивается лучше и вызывает больше конкуренции.

Второй это стоимость проверки как связывающее ограничение. Производство подешевело; проверка нет. Падение экономии GDPval с девяностократной до менее чем 1.4-кратной с учётом проверки, замедлившиеся эксперты в исследовании METR и неровная граница описывают одну и ту же экономику. Тот, кто способен дёшево проверить результат, забирает выгоду себе; тот, кто не способен, платит за это переделками или необнаруженными ошибками. Именно поэтому выгоды достаются новичкам на задачах с простой проверкой и застревают у экспертов на задачах, где проверка стоит столько же, сколько сама работа.

Третий это разрыв в ученичестве. Задачи, которые агент выполняет хорошо, это те самые задачи, которые компании раньше поручали младшим сотрудникам и начинающим фрилансерам, чтобы те учились. Brynjolfsson, Li и Raymond показывают, что помощь ИИ сильнее всего помогает новичкам; Brynjolfsson, Chandar и Chen показывают, что компании тем не менее нанимают их меньше. Оба утверждения могут быть верными одновременно: компания, которой требуется меньше младших сотрудников для того же объёма результата, нанимает меньше младших сотрудников, даже если каждый из них производительнее. Долгосрочная цена, истончение резерва опытных специалистов, пока не видна ни в одном наборе данных и остаётся самой важной неизмеренной переменной в этой области.

Четвёртый это устойчивость дополняющих человека задач. Сравнительная группа работы, требующей ручного труда, у Demirci не сократилась. Эксперимент Alibaba показывает, что эмоциональные сбои сопротивляются исправлению машиной. Ответственность, присутствие, физический труд и отношения остаются за человеком по причинам, которые не имеют отношения к возможностям модели и полностью связаны с тем, что готов принять клиент.

Скептическому читателю стоит держать в уме два альтернативных объяснения. Спад найма на начальном уровне в США совпадает с ростом процентных ставок и сворачиванием найма эпохи пандемии в технологическом секторе, что независимо ударило по той же когорте; авторы из Stanford учитывают это через сравнения внутри компаний и через противопоставление автоматизирующих и дополняющих профессий, но исключить влияние этого фактора полностью нельзя. Кроме того, любой показатель «подверженности влиянию» сам выведен из модели, поэтому исследования отчасти проверяют предположения самого классификатора. Институты коллективных переговоров в Дании также могут сглаживать реакцию зарплат, которая на менее зарегулированном рынке труда проявилась бы быстрее.

Как отреагировали платформы

Торговые площадки считали те же сигналы и начали действовать. В апреле 2025 года генеральный директор Fiverr Micha Kaufman написал сотрудникам, что «ИИ идёт за вашими рабочими местами», включая его собственное, и призвал их осваивать такие инструменты, как Cursor и Legora; в сентябре 2025 года компания сократила около 250 позиций, почти 30% штата, чтобы стать тем, что она сама назвала AI-first компанией, запустив ещё в феврале того же года свои инструменты для авторов Fiverr Go. Upwork превращает своего ассистента Uma в то, что описывает как постоянно работающего рабочего агента, совершающего действия от имени клиентов и фрилансеров, а её Future Workforce Index 2026 года переопределяет успешного фрилансера как «ИИ-оркестратора», который связывает инструменты с экспертизой в предметной области и применяет собственное суждение. Тот же отчёт одной строкой даёт ценовой сигнал: фрилансеры, выполняющие работу с ИИ, зарабатывали на 34% больше в час, чем те, кто этого не делал, заработок на сложной работе с усилением через ИИ вырос на 45% год к году, тогда как число новых контрактов в генеративном ИИ и креативном производстве выросло на 90% при падении заработка за контракт на 13%. Объём сместился в простой сегмент; деньги сместились в сложный.

Jobbit, платформа, на которой публикуется это исследование, была спроектирована вокруг того самого разделения труда, на которое указывают данные, а не вокруг одной из его сторон. Агент берёт на себя поддающуюся проверке цифровую работу: сборку и развёртывание сайта или веб-приложения, подготовку документов и презентаций, проведение исследований, настройку автоматизаций, генерацию изображений и видео. Пользователь может наблюдать за его работой в агентном браузере и в любой момент взять управление на себя, а это как раз тот паттерн раннего вмешательства, который эксперимент Alibaba признал наиболее эффективным. Для работы, которую агент делает плохо или не должен выполнять в одиночку, для физических и локальных задач, для подотчётной экспертной проверки, для всего, для чего клиенту нужен именно человек, платформа направляет запрос в модерируемую сеть людей на pro.jobbit.uk. Jobbit не публиковала собственных данных испытаний, и это исследование не делает никаких заявлений об измеренных результатах на этой платформе; утверждение здесь касается лишь соответствия между дизайном и данными. Читателям, которым интересна механика, стоит начать со статей что такое агентный ИИ на самом деле, руководства о том, как наблюдать за агентным браузером и брать управление на себя, и практического списка сценариев использования ИИ для малого бизнеса.

Что бизнесу делать с этими данными

Выводы складываются в правило делегирования, которое владелец бизнеса может применить, не читая ни одной научной статьи.

Отдавайте агенту работу, которая рутинна и поддаётся проверке: первые черновики, резюме, исследовательские брифы, типовые документы, сайт или внутренний инструмент, который можно прокликать и проверить за один день. Именно здесь каждое исследование находит наибольшие выгоды, особенно там, где бизнес сейчас выполняет задачу медленно или не выполняет вовсе, потому что эффект новичка применим к компаниям не меньше, чем к людям. Практическая последовательность первых шагов изложена в статье как автоматизировать бизнес с помощью ИИ-агентов.

Оставляйте за человеком работу, которая необратима, эмоциональна, физическая или подотчётна: всё, что отправляет деньги, удаляет данные, касается расстроенного клиента или требует, чтобы кто-то отвечал за результат. Эксперимент Alibaba и остаточные ошибки WorkBench указывают в одну и ту же сторону.

Закладывайте время на проверку в расчёт, прежде чем решить, что агент дешевле. Честная арифметика GDPval, экономия от 12% до 39%, а не в девяносто раз, это то число, с которым стоит планировать. Если в компании некому проверить результат, экономия не настоящая; правильный ответ в этом случае: пусть агент выполняет работу, а эксперт-человек её проверяет, и именно за такую схему, как показывают данные фриланса, покупатели уже готовы платить надбавку.

Рассчитывайте на то, что граница неровная и подвижная. Задача, с которой агент не справлялся в январе, к сентябрю может стать рутинной, а обратное неверно. Тестируйте, ведите учёт того, что было проверено и что не сработало, и пересматривайте разделение труда каждый квартал.

Ограничения и открытые вопросы

Большинство крупных массивов данных американские, а данные платформ измеряют опубликованный спрос, а не весь выполненный объём работы. Показатели подверженности влиянию сами выведены из моделей, и результаты отчасти наследуют предположения классификатора. Горизонты наблюдения короткие: два года в Дании, менее четырёх в США, и замечание авторов из Yale о том, что широкие эффекты могут проявляться дольше, вполне обоснованно. Бенчмарки это не работа; задачи GDPval это самодостаточные результаты, а WorkBench это синтетический офис, тогда как реальная работа прерывиста, неоднозначна и политизирована. Возможности моделей меняются достаточно быстро, чтобы любая цифра в этом исследовании была лишь снимком момента, и скорее всего устареют именно цифры о возможностях моделей, а не данные о рынке труда. Наконец, эффект, который важнее всего для следующего десятилетия, а именно то, ухудшает ли истончение канала ученичества предложение опытных специалистов, пока вообще не поддаётся измерению.

Заключение

Заменяют ли ИИ-агенты фрилансеров? Пока что они заменяют задачи, и делают это там, где результат задачи можно произвести и оценить как рутинный. Этого оказалось достаточно, чтобы сжать рынок массового писательства, перевода и работы с изображениями, ослабить надбавку при найме за квалификацию в этих категориях и резко сократить найм на начальном уровне в подверженных влиянию профессиях, при этом оставив заработок и отработанные часы в масштабах целых экономик практически неизменными. Фрилансер, который преуспевает согласно данным, это тот, кто продаёт суждение, ответственность и умение направлять и проверять работу машины; бизнес, который выигрывает, это тот, что учится делегировать рутину и проверять её, а также оставляет человека на всём, что нельзя отменить. Рынок не теряет одну из сторон сделки. Он перестраивается вокруг передачи работы между ними, и данные благоволят тем платформам, которые делают эту передачу простой.

Часто задаваемые вопросы

Заменяют ли ИИ-агенты фрилансеров?

Не как категорию. Лучшие данные за период с 2022 по 2026 год показывают, что ИИ заменяет конкретные задачи, главным образом рутинное писательство, перевод, создание изображений и простое программирование, где число объявлений о работе упало примерно на пятую часть относительно ручной работы в течение нескольких месяцев после выхода ChatGPT. Спрос на сложную работу в тех же категориях вырос и в оплате, и в конкуренции, а национальные данные не показывают вытеснения в масштабах всей экономики. Самые явные проигравшие это работники начального уровня в подверженных влиянию профессиях, а не опытные фрилансеры.

Какие фриланс-работы больше всего затронуты ИИ?

Писательство, перевод, редактирование контента, создание изображений и дизайна, а также рутинное программирование. Исследования Upwork и других платформ обнаруживают, что эти категории теряли объявления, а при найме квалификация значила меньше, а цена больше. Работа, которая физическая, локальная, основана на отношениях или несёт ответственность за результат, пока в основном не затронута.

Дешевле ли использовать ИИ-агента, чем нанимать фрилансера?

Для рутинной, проверяемой работы обычно да, но выгода меньше, чем предполагают громкие сравнения. Оценка GDPval от OpenAI обнаружила, что в сыром виде модели создают профессиональные результаты примерно в девяносто раз быстрее, однако с учётом проверки и исправления человеком экономия падает примерно до значений от 12% до 39%. Если в компании некому проверить результат, реалистичный вариант таков: пусть агент выполняет работу, а эксперт-человек её проверяет.

Какую работу малому бизнесу по-прежнему стоит отдавать человеку?

Всё, что необратимо, эмоционально, физическое или подотчётно: платежи и удаления, расстроенные клиенты, работа на месте и результаты, за которые кто-то должен нести ответственность. Полевой эксперимент в Alibaba в 2026 году показал, что сервисные чаты, которые вёл агент, были быстрее, но получали более низкие оценки, и что вмешательство человека исправляло технические сбои гораздо лучше, чем эмоциональные. Такие платформы, как Jobbit, сочетают агента для цифровых задач с сетью людей именно для этого остатка.

Почему исследования расходятся во мнениях об ИИ и рабочих местах?

По большей части они измеряют разные вещи. Контролируемые эксперименты измеряют, что ИИ способен делать на отдельных задачах, и находят большие выгоды; данные платформ измеряют спрос на конкретные категории задач и находят резкие локальные спады; данные платёжных ведомостей и административная статистика измеряют занятость и заработок в масштабах всей экономики и пока находят мало изменений. Картина складывается воедино, если читать вместе замещение на уровне задач, неравномерное дополнение и медленную совокупную подстройку.