Заберут ли роботы рабочие профессии? Что на самом деле говорит исследование Anthropic 2026 года (Anthropic, Tesla, Nvidia, Jobbit)

Целое десятилетие общественная дискуссия об автоматизации опиралась на одну-единственную цифру. В 2013 году Карл Бенедикт Фрей и Майкл Осборн (Carl Benedikt Frey и Michael Osborne) из Оксфорда оценили, что 47% занятости в Соединённых Штатах приходится на профессии с высоким риском компьютеризации в течение двух десятилетий, и с тех пор эту цифру повторяет каждая речь о будущем труда. Спустя тринадцать лет роботы, которые должны были опустошить склады и стройплощадки, появились в демонстрациях, на нескольких тысячах заводов и в небольшом числе такси, а люди, которых они должны были заменить, по-прежнему работают, многие из них в дефицитных профессиях, где работодатели не могут закрыть вакансии. Что-то в стандартной истории оказалось неверным, и до недавнего времени никто не измерял, что именно.

30 сентября 2026 года команда экономистов Anthropic опубликовала работу "What work can robots do?" авторов Russell Legate-Yang и Maxim Massenkoff. Насколько можно установить в рамках этого обзора, это первая попытка оценить каждую физическую задачу американской экономики с точки зрения реально существующих роботов, а затем задать вопрос, который цифра 47% никогда не ставила: по какой цене. Ответ меняет дискуссию. Роботы уже способны выполнять около трёх четвертей физических рабочих задач в США, но дешевле человека они лишь для трёх задач из тысячи. При темпах снижения цен на роботов с 1990-х годов, чтобы дойти до десятой части работы, понадобится около сорока лет, а даже агрессивный сценарий относит половину физической работы за пределы 2050 года. Этот разбор внимательно читает статью, сопоставляет её с данными о том, что ИИ уже делает с офисной работой, рассматривает возражения и показывает, что эта закономерность значит для британского мастера, владельца малого бизнеса и такой компании, как Jobbit, которая построена на предпосылке, теперь получившей количественное выражение: передача работы между машинами и людьми является центральным вопросом проектирования ближайших двадцати лет.

Краткое изложение выводов

Во-первых, возможности больше не являются главным ограничением для большинства физической работы. Исследование Anthropic показывает, что роботы могут выполнять 74% физических задач в США, что составляет 34% всех рабочих часов, при этом речь идёт о роботах, которые продавались, внедрялись или демонстрировались, а не воображаемых.

Во-вторых, ограничением является стоимость. Сегодня роботы конкурентоспособны по стоимости по сравнению с работником для 0.3% рабочих задач. Для самой подверженной крупной профессии, упаковщиков, расчётная годовая экономия составляет около $2,500 на работника при затратах на труд около $49,000; для водителей такси робот по-прежнему обходится примерно на $7,000 дороже человека.

В-третьих, разрыв сокращается медленно. С 1990-х годов цены на роботов снижались примерно на 3% в год. При таком темпе пройдёт 40 лет, прежде чем роботы станут конкурентоспособными по стоимости для 10% работы в США. В быстром сценарии статьи, при снижении затрат в четыре раза быстрее и вдвое более быстром улучшении возможностей, роботы становятся дешевле людей для половины физической работы около 2050 года, против 2085 года при историческом тренде, а автоматизация 90% её объёма всё равно занимает 53 года.

В-четвёртых, цифровая работа сталкивается с обратной картиной. Около 50% работы в США подвержено влиянию одних только больших языковых моделей и 81% подвержено влиянию языковых моделей или роботов вместе, а ранние данные рынка труда из платёжных ведомостей показывают, что занятость среди работников от 22 до 25 лет в наиболее подверженных ИИ профессиях примерно на 19% ниже, чем у их менее подверженных ровесников, при этом для опытных работников и экономики в целом сопоставимых изменений пока нет.

В-пятых, люди, наиболее подверженные влиянию роботов, имеют наименьшую подушку безопасности. По сравнению с неподверженными работниками у них на 55 процентных пунктов меньше вероятность иметь диплом, они зарабатывают примерно на $30 в час меньше, а уровень безработицы у них более чем вдвое выше.

В-шестых, оставшиеся барьеры конкретны и измеримы. Около 70% физических задач сдерживаются недостатком возможностей, примерно половина из них из-за манипуляции и ловкости рук; 14% заблокированы действующим регулированием и 25% человеческими предпочтениями. Это задачи, где человек будет нужен десятилетиями и где данных для обучения машин пока не существует.

Кейс: почему это исследование является подходящей лабораторией

Прогнозы автоматизации обычно терпели неудачу одним из двух способов. Исследования на уровне профессий, такие как работа Фрея и Осборна, рассматривали целые профессии как автоматизируемые единицы, что и дало цифру 47%; когда Мелани Арнц, Терри Грегори и Ульрих Цирн из ОЭСР (Melanie Arntz, Terry Gregory и Ulrich Zierahn) повторили расчёт в 2016 году на уровне задач, учитывая состав работы внутри каждой профессии в 21 стране, доля автоматизируемых рабочих мест упала до 9%. Опросы экспертов, в свою очередь, спрашивали специалистов, что смогут делать машины, а это ставка на технологии, которые могут так и не выйти на рынок.

Статья Anthropic избегает обеих ловушек по замыслу. Она исходит из примерно 19,000 описаний задач для около 900 профессий в O*NET, профессиональной базе данных Министерства труда США (Department of Labor), и из данных Бюро статистики труда (Bureau of Labor Statistics) о занятости и заработной плате. Модель Claude оценивает каждую задачу по физическому, когнитивному и межличностному содержанию, оставляются только физические задачи, которые нельзя автоматизировать обычным программным обеспечением, а затем в сети ищутся конкретные роботы, которые доказуемо выполняли каждую задачу, причём в качестве подтверждения требуются коммерческое внедрение, продажи или значительная демонстрация. Каждая задача помещается на четырёхуровневую шкалу контроля среды: E0, ни один робот не может её выполнить; E1, робот может выполнить её в специально построенной среде, например на заводской линии; E2, в структурированном человеческом объекте, например на складе; E3, в неструктурированной среде, например на городской дороге. Большинство развёрнутых роботов живёт в инженерно подготовленных пространствах, поэтому авторы считают этот уровень хорошей мерой ближайшего риска.

Стоимость моделируется, а не предполагается. Для каждой подверженной задачи модель оценивает годовую стоимость указанного робота, включая покупку и установку, обслуживание, программное обеспечение, энергию, надзор, страхование и вывод из эксплуатации, с распределением постоянных затрат по годам по расчётной стоимости капитала, и сравнивает её с полной компенсацией работника, масштабированной на долю его времени, затрачиваемую на эту задачу. Задача считается конкурентоспособной по стоимости, только когда годовая стоимость робота ниже заменяемого им труда. Затем авторы проверяют весь аппарат в обратном направлении: оценивая задачи по роботам, существовавшим в 1977 году и в последующие десятилетия, они показывают, что профессии, более подверженные роботам своего времени, впоследствии теряли больше заработной платы и занятости, а именно это и должна делать мера подверженности, чтобы чего-то стоить.

Исследование американское. Это то несовершенство, которое читателю следует держать в уме. Британские зарплаты, цены на энергию, регулирование и состав профессий отличаются, и никто пока не применял этот метод к данным Великобритании. Но ставки здесь, пожалуй, даже выше. Июньский прогноз Construction Industry Training Board за 2026 год говорит, что отрасли в среднем нужно 41,200 дополнительных работников в год с 2026 по 2030 год, более 206,000 в сумме, чтобы поспевать за спросом, при этом 40% нынешней рабочей силы старше 45 лет, а после Brexit потеряно более 200,000 работников из ЕС. Публикация Department for Education Occupations in Demand за декабрь 2025 года насчитывает 10.9 миллиона человек, 32.9% рабочей силы, в 125 профессиях с повышенным спросом и называет электриков и электромонтёров (201,000 рабочих мест) и техников и механиков по транспортным средствам (183,000) среди крупнейших квалифицированных рабочих профессий в этом списке. Если бы роботы собирались заменить рабочие профессии, нехватка кадров была бы временной проблемой. Приведённые ниже данные говорят, что это не так.

Хронология данных, с 2013 по 2026 год

Вывод 1: роботы могут выполнять большую часть физической работы, и почти ничто из этого не окупается

Первая цифра в статье будет цитироваться чаще всего, и её стоит изложить точно. Из всего рабочего времени в США 54% приходится на когнитивную или межличностную работу и 46% на физическую. В физической части 12 процентных пунктов не может выполнить ни один робот, который удалось найти авторам (E0), 23 можно выполнить в специально построенных средах (E1), 10 в структурированных человеческих объектах, таких как склады (E2), и 1 в неструктурированных средах (E3). В совокупности роботы могут выполнять 74% физических задач, то есть 34% всех рабочих часов. Примеры конкретны: автономные такси на городских дорогах, автономные мобильные роботы, перемещающие товар на складах, сварочные ячейки с управлением от ИИ в цехах металлообработки, траншейные экскаваторы, которые роют прямые линии без водителя.

Вторая цифра важнее. Когда модель оценивает стоимость указанного робота для каждой задачи и сравнивает её с трудом, который он заменил бы, роботы оказываются дешевле лишь для 0.3% рабочих задач. Примерно 300,000 американских работников заняты в профессиях, где роботы могли бы выполнить 95% работы; крупнейшая группа, около 560,000 упаковщиков, является самым ясным случаем паритета стоимости: робот оценивается примерно на $2,500 в год дешевле человека, чей труд обходится около $49,000. На другом конце робот-такси, технически самая подверженная профессия в данных с индексом подверженности 2.2 из 3, оценивается примерно на $7,000 в год дороже заменяемого им водителя, ещё до учёта регулирования. Девять из десяти наиболее подверженных профессий приходятся на операторов транспортных средств.

Интерпретация, которую предлагают авторы и которую этот обзор считает наиболее обоснованной, состоит в том, что физическая граница продвинулась намного дальше экономической. За последние 50 лет роботы ежегодно становились способны выполнять около 2% физической работы, которую раньше не могли: в 1977 году они не могли выполнять 62% физических задач, сегодня не могут выполнять 24% тех же самых задач. Возможности росли по сложному проценту. Стоимость за ними не последовала, потому что робот, способный носить коробку, остаётся капитальным активом с обслуживанием, энергией, надзором и страхованием в придачу и конкурирует с работником, которому платят только за отработанные часы.

Вывод 2: сроки измеряются десятилетиями, даже в оптимистичном случае

Самый значимый вклад статьи это сценарный анализ, потому что он превращает «роботы дороги» в даты. Цены на роботов, по данным рядов Bank of Japan и других источников, снижались примерно на 3% в год с 1990-х годов. Если сохранить этот темп, пройдёт около 40 лет, прежде чем роботы станут конкурентоспособными по стоимости для 10% работы в США. Снижение затрат на 20%, около семи лет при историческом темпе, сделало бы роботов конкурентоспособными для физических задач примерно 2.8 миллиона работников; чтобы дойти до 10% всей работы, нужно снижение на 70%.

Быстрый сценарий щедр по замыслу. Затраты с поправкой на качество падают до четырёх раз быстрее, чем в истории, а роботы осваивают новые задачи вдвое быстрее. Даже тогда роботы становятся конкурентоспособными по стоимости для 50% физической работы только около 2050 года, против 2085 года при историческом тренде, а автоматизация 90% физической работы занимает 53 года. Фразу, которую используют авторы, стоит процитировать, потому что она необычно проста для экономической статьи: "Robots would need to sustain record rates of price declines and quality improvements over the coming decades to enable rapid physical automation." (Роботам пришлось бы выдерживать рекордные темпы снижения цен и улучшения качества на протяжении грядущих десятилетий, чтобы сделать возможной быструю физическую автоматизацию.)

Здесь доказательства следует отделить от интерпретации. Эти даты не прогнозы; они являются следствиями допущений, единообразно применённых к каждой задаче, которые, как сами авторы говорят, могут не отражать того, как робототехнические компании фактически расставляют приоритеты. Фирма, вкладывающая все усилия в одну высокоценную задачу, скажем, комплектацию заказов на складе, могла бы снизить стоимость этой задачи гораздо быстрее, чем на 3% в год, пока остальная экономика стоит на месте. Сценарии устанавливают форму проблемы, а не её точный календарь: физическая автоматизация это долгий неравномерный процесс, управляемый экономикой аппаратного обеспечения, в отличие от программного обеспечения, где предельные затраты на ещё одну задачу близки к нулю.

Сравнение с прошлой технологией поддерживает это прочтение. Исследование Аджемоглу и Рестрепо 2020 года (Daron Acemoglu и Pascual Restrepo) о промышленных роботах, предыдущем поколении этой технологии, показало, что каждый дополнительный робот на 1,000 работников в период с 1990 по 2007 год снижал отношение занятости к населению в затронутых американских коммутационных зонах на 0.2 процентного пункта, а заработную плату на 0.42%. Реальный, измеримый и медленный эффект: он накапливался на протяжении семнадцати лет в секторах, где роботы уже были всего дешевле, и больше нигде.

Вывод 3: цифровая работа это противоположная история

Та же исследовательская группа измеряет другую границу, и этот контраст составляет суть данного разбора. Более ранняя работа Anthropic о подверженности и собственное сопоставление статьи ставят около 50% работы в США в пределы досягаемости одних лишь больших языковых моделей и 81% в пределы досягаемости языковых моделей или роботов вместе. Картина по профессиям поучительна. Транспорт и перемещение материалов подвержены языковым моделям менее чем на 15%, но примерно на 90% при учёте роботов; офисная и административная поддержка уже сильно подвержена языковым моделям и почти достигает 100% с учётом роботов; персональный уход и услуги находятся примерно на 40% в обоих случаях, потому что эта работа межличностная так, как ни одна из технологий не затрагивает.

У оценок для языковых моделей более длинная родословная. В 2023 году Tyna Eloundou, Sam Manning, Pamela Mishkin и Daniel Rock из OpenAI и University of Pennsylvania обнаружили, что 80% американских работников заняты в профессиях, где не менее 10% задач подвержены языковым моделям, а 19% в профессиях, где подвержено более половины задач, причём наиболее подвержены письмо, программирование и анализ данных, а наименее физическая работа и работа на открытом воздухе. Anthropic Economic Index, сопоставляющий анонимизированные разговоры с Claude с задачами O*NET, показывает, что люди на самом деле делают с этими инструментами: в отчётах 2026 года усиление шло немного впереди автоматизации, 52% к 45%, а использование диверсифицировалось, причём десять самых частых задач снизились с 24% разговоров до 19% между ноябрём 2025 года и февралём 2026 года. Индекс также сообщает, что рост ВВП на душу населения на 1% связан с ростом использования на человека на 0.7%, что напоминает: внедрение следует за богатством.

Стало ли воздействие вытеснением, на этот вопрос осторожно отвечают данные платёжных ведомостей. Erik Brynjolfsson, Bharat Chandar и Ruyu Chen из Stanford Digital Economy Lab, используя записи ADP по более чем 25 миллионам работников США, сообщили в 2025 году, что у начинающих работников в наиболее подверженных ИИ профессиях наблюдалось относительное снижение занятости, а у опытных работников на тех же должностях нет; их августовская редакция 2026 года, с данными до середины года, ставит занятость среди работников от 22 до 25 лет в этих профессиях примерно на 19% ниже того уровня, который был бы, если бы она следовала за менее подверженными ровесниками, причём подстройка идёт через найм, а не через оплату, и сосредоточена там, где ИИ автоматизирует, а не усиливает. В то же время экономисты самой Anthropic Maxim Massenkoff и Peter McCrory, как сообщил Yahoo Finance 1 октября, не находят систематического роста безработицы среди сильно подверженных работников с конца 2022 года, а предупреждение генерального директора Anthropic Dario Amodei о том, что ИИ может убрать половину начальных офисных должностей, по имеющимся данным остаётся предупреждением, а не наблюдением.

Честный вывод таков. Первый измеримый эффект нынешней волны ИИ на рынок труда это не робот на складе, а несостоявшийся наём выпускника в офисе. Физическую работу защищает экономика; работу за письменным столом нет.

Вывод 4: кто подвержен и что по-прежнему блокирует остальное

Демографический профиль работы, подверженной роботам, это вывод, который должен определять политику. По сравнению с работниками неподверженных профессий работники сильно подверженных на 20 процентных пунктов реже оказываются женщинами, на 16 пунктов чаще латиноамериканцами, на 55 пунктов реже имеют степень бакалавра, получают примерно на $30 в час меньше и более чем вдвое чаще остаются безработными. Они также гораздо чаще носят тяжести, работают в сильную жару или рядом с опасными веществами. Задачи, которые роботы уже могут выполнять, непропорционально тяжёлые, опасные и низкооплачиваемые, что одновременно является сильнейшим аргументом в пользу их автоматизации и причиной, по которой будет больно, если переход останется неуправляемым.

То, что блокирует остальное, столь же конкретно. Около 70% физических задач, которые роботы пока не могут выполнять, ограничены возможностями, и примерно половина из них манипуляцией и ловкостью рук: окрашивание волос, ручное копание вокруг закопанных труб, возведение строительных лесов, распутывание проводов. На недостатки планирования и рассуждения приходится 8%. Регулирование блокирует 14% физических задач, а человеческие предпочтения 25%, и вместе они охватывают большую часть работы, где робота терпели бы на заводе, но не в спальне или классе. Две профессии из статьи показывают, насколько смешанной бывает картина внутри одной работы: шпаклёвщики гипсокартона получают 1.6 по индексу подверженности, при этом 41% их времени подвержено автономному распылительному роботу и 26% не подвержено, потому что грязная отделочная работа ему не по силам; сортировщики вторсырья получают 1.7, при этом более 75% их времени подвержено захватам с компьютерным зрением на конвейерных лентах и лишь 8% не подвержено.

Резюме авторов это то, что должен запомнить мастер: неподверженная работа "highly interpersonal or requires physical skills that robots today don't have" (в высокой степени межличностная или требует физических навыков, которых у роботов сегодня нет), и "if the past is any guide, taxi drivers and warehouse packers will see changes sooner than nurses and mechanics" (если прошлое что-то подсказывает, водители такси и упаковщики на складах увидят перемены раньше, чем медсёстры и механики).

Механизмы: почему картина выглядит именно так

Четыре механизма объясняют выводы и предсказывают, что будет дальше.

Среды, а не задачи, определяют внедрение. Четырёхуровневая шкала это тихое прозрение статьи. Робот, безупречно сваривающий на заводской линии (E1), бесполезен на пристройке к жилому дому, где каждая балка находится на слегка другом расстоянии от предыдущей. Большая часть физической экономики и почти все рабочие профессии существуют в условиях E3: неструктурированных, импровизированных, рядом с людьми. Роботы покорили E1 и продвигаются в E2; в E3 после пятидесяти лет находится 1% задач.

Экономика аппаратного обеспечения не равна экономике программного. Языковая модель после обучения выполняет следующую задачу с затратами, близкими к нулю, поэтому подверженность в офисной работе стала вытеснением за несколько лет. Робот это обесценивающийся актив, который нужно купить, установить, застраховать, обслуживать, обеспечивать энергией и контролировать на каждом объекте, где он работает. Ежегодное снижение цен на 3% это отпечаток этой разницы, а сценарии статьи показывают, как мало даже четырёхкратное ускорение меняет десятилетие, в котором наступит паритет.

Возможности растут по сложному проценту, но через данные. Роботы получают около 2% физической работы в год, а половина оставшихся задач, требующих ловкости, это именно те, для которых обучающих данных меньше всего. Модель учится писать на письменном интернете; эквивалентного корпуса рук водопроводчика не существует. Прогресс по оставшимся 24% зависит от фиксации реальной работы, в реальных местах, вместе с людьми, которые её выполняют, что по природе медленно и поднимает вопросы согласия и владения, с которыми волна программного обеспечения никогда не сталкивалась.

Предпочтения и правила это пол, а не отставание. 25% задач, ограниченных предпочтениями, и 14%, ограниченных регулированием, не ждут лучшего робота. Готовность пациента позволить машине поднять себя, правила совета по автономным транспортным средствам и желание клиента говорить с человеком, установившим кухню, меняются в политических и культурных временных масштабах, поэтому авторы рассматривают их отдельно от возможностей и стоимости.

Скептику стоит держать рядом три альтернативных объяснения. Оценки подверженности производит модель, читающая лаконичные описания задач, которые, как отмечают авторы, "omit details that may be easy for humans but hard for robots" (опускают детали, которые могут быть просты для людей, но трудны для роботов), поэтому возможности могут быть завышены на уровне задачи, даже будучи занижены для профессии в целом. Оценки стоимости это приближения рынка с малым числом публичных цен; обзор цен на гуманоидов в августе 2026 года показал, что лишь у 12 из 58 коммерческих гуманоидов вообще была подтверждённая цена. И сценарии предполагают одинаковое снижение для каждой задачи; прорыв в универсальной манипуляции, на который делают ставку Nvidia и Tesla, мог бы, по словам авторов, "leapfrog our scale" (перепрыгнуть нашу шкалу). Даты надёжны по форме и неточны в деталях.

Как отреагировала индустрия

Реакция разделилась по линии, которую проводит статья. В лагере аппаратного обеспечения генеральный директор Nvidia Jensen Huang предсказал "ChatGPT moment" для робототехники на CES в январе 2026 года, а Elon Musk заявил, что гуманоид Tesla Optimus поступит в продажу уже в 2027 году с долгосрочной целевой ценой ниже $20,000 при масштабировании, хотя официальной цены не существует; прогноз Morgan Stanley 2025 года оценивает рынок гуманоидов выше $5 трлн к 2050 году с ускорением внедрения с конца 2030-х годов. Yahoo Finance представил статью Anthropic 2 октября как проекцию, которую эти ставки проверят. Реальность поставок скромнее: Unitree G1 стоит по прайсу $13,500, и компания отгрузила более 5,500 гуманоидов в 2025 году, больше, чем все конкуренты вместе взятые; Digit от Agility, самый распространённый гуманоид на складах США, оценивается выше $250,000 за единицу или около $8,500 в месяц как услуга; Figure, оценённая в $39 млрд, продаёт предприятиям без публичной цены.

Экономисты в основном приняли временную шкалу. Главный экономист Apollo Torsten Sløk, процитированный Yahoo Finance, сказал, что даже при агрессивных прогнозах массовое физическое вытеснение заняло бы десятилетия, сославшись на узкие места в тонкой манипуляции, регулировании и предпочтениях. Более острые споры идут на цифровой стороне, где данные платёжных ведомостей Stanford и собственный анализ безработицы Anthropic указывают в разные стороны относительно того, сколько вытеснения уже произошло, и где OpenAI, Anthropic, Google, Microsoft, Manus и Meta с Muse выпускают агентов, которые просматривают сайты, заполняют формы и выполняют многошаговые офисные задачи, то есть категорию, где подверженность выше всего, а стоимость ниже всего.

Позиция Jobbit в этом ландшафте это выбор проектирования, а не прогноз, и статья как раз его описывает. ИИ-агент компании выполняет цифровую, проверяемую работу, которую, по данным, дёшево автоматизировать: исследование, документы, сайты, автоматизации, изображения и администрирование, окружающее работу. Когда задаче нужны руки, суждение на месте или тот, кто несёт ответственность, а это, по цифрам статьи, большая часть физической работы на десятилетия, задача переходит к проверенному специалисту-человеку на pro.jobbit.uk, с оплатой, удерживаемой в эскроу, и клиентом, который может наблюдать за агентом и взять управление на себя в любой момент. Jobbit Labs, исследовательское подразделение компании, работает над более медленной проблемой, которую статья выявляет в своём пробеле данных: сбором данных о реальных задачах от людей, выполняющих реальную работу, с согласия, для обучения и проверки моделей мира для физического ИИ. Jobbit не публиковал данные испытаний о результатах этой модели и здесь не утверждает, что они есть; утверждение уже: архитектура из ИИ-агента и сети людей это та, которую поддерживают данные, пока паритет стоимости остаётся в десятилетиях. Практическая сторона этого разделения изложена в 12 Jobs an AI Agent Can Do for Your Business This Week и Should Your Next Hire Be an AI Agent?, данные о фрилансе в Do AI Agents Replace Freelancers?, а сама компания в What Is Jobbit?.

Что бизнесу делать с этими данными

Данные подкрепляют правило делегирования, которое малый бизнес может применить без стратегического консультанта.

Сначала автоматизируйте цифровой слой вокруг физической работы, потому что именно там стоимость и возможности уже встречаются. Сметы, счета, сайт, запросы отзывов, исследование поставщиков и планирование водопроводчика составляют те 50% работы, что подвержены языковым моделям; по собственным цифрам статьи, монтаж, диагностика в сыром шкафу и разговор с домовладельцем никуда не денутся. Маржа в бизнесе рабочей профессии в следующем десятилетии складывается из того, чтобы потратить сэкономленные часы за столом на больше часов на объектах, а не из ожидания робота.

Относитесь к физической автоматизации как к решению о закупке под задачу, а не как к кадровому решению о должности. Модель стоимости из статьи это шаблон: оцените полную годовую стоимость робота против труда на этой одной задаче, в вашем уровне среды, и ожидайте паритета только в условиях E1 и E2, при повторяющейся упаковке, перемещении, сварке и сортировке, ещё долгие годы. Для почти всего, что делается в доме клиента, паритета в календаре нет.

Нанимайте и обучайте для неподверженного ядра. Те 24% физических задач, которые роботы не могут выполнять, и те 25%, которые люди не хотят им доверять, это устойчивая часть рабочей профессии: ловкость рук, суждение в неструктурированных пространствах и человеческие отношения. Разрыв CITB в 206,000 работников к 2030 году говорит, что рынок заплатит за них.

Следите за передачей, а не за заголовком. Полезный вопрос для любой работы: где машина должна остановиться, а человек начать, и эта линия смещается задача за задачей. Бизнес, который записывает её, то есть кто проверяет результат агента, кто подписывает работу на объекте, кто отвечает перед клиентом, получает выгоды без сбоев.

Наконец, читайте ранние сигналы в правильном месте. Статья предлагает отслеживать подверженные профессии, водителей и упаковщиков на складах, на предмет первых признаков физических потрясений, а данные платёжных ведомостей говорят, что цифровые потрясения уже видны в найме выпускников. Планируйте второе сейчас, а первое позже.

Ограничения и открытые вопросы

Исследование американское, основано на оценках модели и статично. Оценки подверженности и стоимости получены от Claude, читающего описания задач и веб-данные о роботах, проверены на истории, но не на полевых испытаниях; экспертная комиссия людей могла бы оценить ловкость иначе. Оценки стоимости опускают трения внедрения, такие как ограничения по заимствованию, а сценарии оставляют в стороне эффекты обратной связи, включая возможность того, что падающие зарплаты в подверженных профессиях ещё сильнее замедлят внедрение. Статья не рассматривает, как ИИ мог бы изменить физическую работу без роботов, например через предиктивное обслуживание, и не моделирует Великобританию, где затраты на энергию, регулирование и структура рабочих профессий отличаются.

У цифровых данных свои пределы. Платёжные данные показывают относительную занятость молодых работников в подверженных профессиях, а не причинность, и авторы Stanford описывают свои выводы как согласующиеся с "no widespread displacement so far" (пока нет массового вытеснения); анализ безработицы Anthropic и анализ найма Stanford могут быть оба верны для разных границ. Данные об использовании одного ассистента это не экономика. А рынок гуманоидов движется достаточно быстро, чтобы любая названная здесь цена была снимком начала октября 2026 года.

Открытые вопросы это те, которые решат следующее десятилетие: станет ли универсальная манипуляция улучшаться быстрее 2% в год, когда роботы будут учиться на реальной работе, а не на инженерных демонстрациях; сдвинутся ли пороги регулирования и предпочтений; и, как выражаются авторы, как изменится сама работа, "perhaps becoming more social and interpersonal as robots and AI advance" (возможно, становясь более социальной и межличностной по мере развития роботов и ИИ).

Заключение

Заберут ли роботы рабочие профессии? Не так, как предполагала цифра 47%, и не по графику, вокруг которого работающему мастеру нужно строить планы. Исследование Anthropic показывает, что роботы уже могут выполнять большинство физических задач и могут позволить себе почти ни одну из них; что экономика сходится на несколько процентов в год; и что даже мир рекордного прогресса роботов оставляет половину физической работы в руках людей после 2050 года. Измеримое сегодня потрясение находится в цифровой работе, где подверженность выше всего, стоимость ниже всего, а первых выпускников уже не хватает в платёжных ведомостях. Для британской рабочей профессии или малого бизнеса данные указывают на одну стратегию: автоматизировать стол, беречь руки и осознанно выбирать, где одно передаёт работу другому. Эта передача и есть то место, где работает Jobbit, а статья это самое ясное на сегодня объяснение, почему разрыв, в котором он построен, останется надолго.

Часто задаваемые вопросы

Заменят ли роботы рабочих физического труда?

Не в ближайшие десятилетия, согласно исследованию Anthropic за сентябрь 2026 года. Роботы уже могут выполнять около 74% физических задач в Соединённых Штатах, но дешевле работника лишь для 0.3% из них, а при историческом снижении цен на роботов на 3% в год потребуется около 40 лет, чтобы достичь паритета стоимости для 10% работы. Даже агрессивный сценарий относит половину физической работы за пределы 2050 года.

Какие профессии наиболее подвержены роботам?

Операторы транспортных средств и упаковщики на складах. Водители такси возглавляют индекс подверженности с 2.2 из 3, девять из десяти наиболее подверженных профессий это водители, а упаковщики являются самым ясным случаем, где робот уже немного дешевле человека. Медсёстры, механики и большинство квалифицированных рабочих профессий находятся на другом конце, потому что их работа требует ловкости рук, суждения в неструктурированных пространствах или человеческого контакта.

Забирает ли ИИ офисные должности быстрее, чем роботы физические?

Ранние данные говорят, что да, на начальном уровне. Анализ Stanford платёжных записей более чем 25 миллионов работников показывает, что занятость работников от 22 до 25 лет в наиболее подверженных ИИ профессиях примерно на 19% ниже, чем у менее подверженных ровесников, без сопоставимых изменений для опытных работников, тогда как экономисты Anthropic не находят систематического роста безработицы среди подверженных работников в целом. Цифровые задачи почти ничего не стоит автоматизировать, когда модель уже существует; физические задачи требуют аппаратного обеспечения, которое по-прежнему дорого.

Что мастеру делать с автоматизацией?

Автоматизировать офисную сторону бизнеса, где ИИ уже дёшев и способен, и вкладываться в навыки, с которыми роботы не могут сравниться: ловкость рук, диагностика в неструктурированных пространствах и отношения с клиентом. Одному лишь британскому строительному сектору, по данным CITB, к 2030 году нужно более 206,000 дополнительных работников, так что человеческая часть рабочей профессии находится в дефиците, а не в избытке.

Для какого разрыва построен Jobbit?

Передача между автоматизированной цифровой работой и физической работой людей. ИИ-агент Jobbit выполняет исследование, документы, сайты и администрирование, которые, по данным, дёшево автоматизировать, а работу, требующую рук, выезда на объект или ответственности, передаёт проверенному специалисту на pro.jobbit.uk, с оплатой, удерживаемой в эскроу. Jobbit Labs работает над данными о реальных задачах, которые исследование определяет как недостающий ингредиент для физического ИИ.