У 1811 році в англійському Ноттінгемі ткачі почали трощити в’язальні верстати, які за одну зміну виконували роботу десятків кваліфікованих майстрів. Тодішня автоматизація забирала важку, низькооплачувану фізичну працю: прядіння, ткацтво, вантаження, земляні роботи. А от аналітик у конторі з пером і гросбухом, лікар, який вислуховував пацієнта, юрист, який складав заповіт, — усе це століттями вважалося недоторканною територією людського розуму, куди машина дістатися не може. Цей порядок тримався майже двісті років і розсипався протягом одного покоління.

Великі мовні моделі й генеративні системи першими почали перевершувати середню людину там, де раніше вимагалася освіта й досвід: у написанні коду, у драфтуванні типових юридичних документів, у швидкому аналізі фінансових таблиць, у створенні ілюстрацій і текстів. Удар припав не по вантажниках, а по «білих комірцях» — саме по тих, хто десятиліттями почувався захищеним дипломом і посадою. Професійний ландшафт змінюється не тому, що машина навчилася ходити чи прибирати, а тому, що вона навчилася писати й рахувати.

Парадокс Ганса Морвека: чому сантехнік безпечніший за аудитора

Ще у 1980-х роках робототехнік Ганс Морвек сформулював спостереження, яке згодом назвали його іменем. Комп’ютерам надзвичайно легко даються завдання, що вимагають формальної логіки дорослої освіченої людини: перемогти гросмейстера в шахах, узяти інтеграл, оптимізувати інвестиційний портфель, розв’язати систему рівнянь. І майже не піддаються базові сенсомоторні навички однорічної дитини: триматися на ногах, орієнтуватися в тривимірному просторі, застібати ґудзики, розрізняти в натовпі обличчя знайомих.

Пояснення цього парадоксу лежить в еволюційній глибині. Здатність рухатися, хапати, сприймати глибину й координувати десятки м’язів відточувалася сотні мільйонів років природного добору. Абстрактне мислення — мова, логіка, рахунок, планування — виникло лише десятки тисяч років тому й виявилося напрочуд простим для формалізації в коді. Те, що еволюція вибудовувала найдовше, найважче описати алгоритмом; те, що з’явилося зовсім недавно, навпаки, легко лягає в математичні операції.

Саме тому професії, занурені у фізичний світ, демонструють несподівану стійкість. Сантехнік стикається з непередбачуваною трубою в старому будинку, електрик — з імпровізованим монтажем у підвалі, медсестра — з пацієнтом, який не може словами описати біль. Молодший фінансовий аналітик або копірайтер працює у світі, де завдання стандартизовані й описані словами, а отже, добре лягають під статистичне навчання моделей. У дослідницькому звіті Стенфордського інституту HAI щороку фіксують, як саме розподіляється приріст продуктивності між різними типами завдань — і ці дані послідовно показують, що найбільший ефект від генеративних систем виникає в текстовій, аналітичній та програмній сфері, а не в робототехніці.

За цим розривом стоїть і кількісна межа: щоб навчити модель писати переконливі листи, достатньо текстового корпусу, який людство вже накопичило. Щоб навчити її працювати зі справжньою сантехнікою, потрібні сенсори, приводи й мільйони годин взаємодії з фізичним середовищем, де помилка коштує залитого сусіда. Економіка впровадження різниться на порядки.

Що це означає на практиці

  • Завдання з чіткими правилами та великим корпусом прикладів — під ударом у першу чергу.
  • Завдання, що вимагають дотику, просторового судження й адаптації до хаосу реального світу, — під захистом, принаймні на поточному рівні технологій.
  • Категоричний висновок «людину замінять завжди й скрізь» суперечить спостережуваній динаміці точно так само, як і «роботів нікуди не пустять».

Модель Девіда Автора: трансформація завдань, а не зникнення професій

Професор економіки MIT Девід Автор, який три десятиліття вивчає зв’язок між технологіями й зайнятістю, пропонує дивитися не на професії, а на завдання. Кожна спеціальність складається з десятків окремих операцій. Менеджер проєктів не «менеджерить» — він поєднує складання звітів, безліч координаційних дзвінків, перевірку бюджетів, розмову з підлеглим у складний день, ухвалення рішення про ризик. Коли автоматизується частина з цих операцій, професія не зникає — вона перебудовується. Про це свідчать роботи Дослідницького центру економіки MIT, присвячені економіці автоматизації та праці.

Генеративні моделі забирають насамперед монотонну когнітивну рутину: пошук прецедентів у правових базах, транскрибування аудіо, первинне компонування макета, пошук синтаксичних помилок у коді, реферування довгих документів. Ця робота раніше займала години, тепер триває секунди. Вивільнений час може піти на діяльність, яку модель виконувати не вміє.

Доповнення проти заміщення

Ключова економічна механіка має назву ефекту доповнення (augmentation). Коли вартість виконання рутинної частини завдання падає майже до нуля, зростає ринкова цінність нерутинної експертизи: стратегічного вибору, постановки точних запитань, юридичної відповідальності за підсумок, перевірки фактів. Модель може запропонувати десять варіантів тексту договору, але підписує його людина, і саме на ній лежить ризик. Цей принцип в англомовній літературі називають «людина в контурі» (human-in-the-loop).

Заміщення (substitution) відбувається тоді, коли завдання стандартизоване настільки, що перевірка людського рівня не додає цінності. Так зникає низова ланка сервісних послуг: базова корекція тексту, простий переклад, рутинне оформлення документів. Ці зміни концентруються у молодших позиціях, і саме тому вразливість junior-фахівців опиняється в епіцентрі дискусії. За даними Всесвітнього економічного форуму, звіт якого про майбутнє робочих місць аналізує очікування роботодавців у десятках країн, близько чверті працівників світу перебуватимуть у структурно зміненій ролі протягом найближчих років, а найбільший попит матиме не «вміння працювати з ШІ» загалом, а здатність перепроєктувати власні завдання разом з інструментом.

Уроки луддизму: компенсаційні механізми технологічних шоків

Рух луддитів початку XIX століття зображують ірраціональним бунтом проти прогресу. Насправді ткачі руйнували верстати не з ідеологічних міркувань, а тому що їхні зарплати за кілька років упали нижче рівня виживання. Страх був цілком обґрунтованим і раціональним: конкретна навичка, яку людина плекала десятиліттями, знецінилася за один сезон.

Довгострокові наслідки виявилися іншими, ніж прогнозували сучасники. Зниження собівартості продукції вивільнило купівельну спроможність населення, а це викликало зростання попиту в галузях, яких раніше не існувало: залізниці, телеграф, універмаги, масовий друк, страхування. У нових секторах виникли мільйони робочих місць, які неможливо було передбачити у 1820-х.

Проблема перехідного тертя

Макроекономічна компенсація працює, але не миттєво. Дослідження Брукінгського інституту з питань автоматизації та ринку праці показують, що наслідки технологічних зсувів розподіляються нерівномірно: виграють власники технології та фахівці, чиї навички виявилися доповнювальними, втрачають ті, чиї навички були прямо заміщені. Розрив у часі може сягати п’яти-десяти років, і для конкретної людини це не абстрактна статистика, а втрачена професія в сорок років.

Саме тому економісти звертають увагу на інституційну складову: доступність перекваліфікації, гнучкість освітніх програм, спроможність компаній перерозподіляти ролі всередині колективу. Організація економічного співробітництва та розвитку у своїх аналітичних матеріалах про ШІ й ринок праці регулярно наголошує, що масштаб виграшу чи втрат від автоматизації залежить не лише від технології, а й від якості політик, які супроводжують її впровадження.

Специфіка для України: від ІТ-аутсорсингу до оборонних технологій

Українська економіка ввійшла в цю хвилю з власним набором уразливостей. Значна частка експорту послуг десятиліттями трималася на сервісному ІТ-аутсорсингу, де молодші розробники виконували передбачувані завдання за чіткою специфікацією. Генеративні інструменти для написання коду завдають удару саме по цій ланці: типовий CRUD-функціонал, шаблонні тести й рутинне рефакторингове читання коду дедалі частіше виконуються моделями, а замовник починає сумніватися, чи потрібна окрема позиція на ці задачі.

Водночас виникає новий попит. Найгостріше потрібні фахівці системного рівня — ті, хто проєктує архітектуру, розуміє компроміси між продуктивністю й безпекою, бере на себе відповідальність за рішення. Зростає запит на кібербезпеку, на інтеграторів прикладних AI-рішень, які вміють під’єднати модель до реальних бізнес-процесів, і на інженерів оборонних та автономних систем. Досвід останніх років показав, що саме MilTech-напрям став середовищем, де українські інженери швидко виходять на світовий рівень: безпілотні платформи, системи наведення, засоби радіоелектронної боротьби вимагають поєднання апаратного мислення й програмної гнучкості.

Людські навички майбутнього, що не піддаються кодуванню

Коли генерація тексту, зображень і коду стає масовою послугою, рідкісним ресурсом виявляється здатність відрізнити правдоподібне від правильного. Моделі впевнено формулюють неправдиві твердження, вигадують джерела й посилання, яких не існує. Людина, яка вміє перевіряти першоджерела й бачити, де система підмінює факт аналогією, стає цінною саме через цю пильність.

Метакогніція та критичне мислення

Ідеться не про загальне «вміння думати», а про конкретну звичку: зупинятися й питати, звідки взялося твердження, чи відтворюється воно в незалежному джерелі, які припущення лежать в основі. Дослідження з когнітивної психології послідовно показують, що навіть досвідчені фахівці схильні надмірно довіряти переконливому формулюванню, тому навичка навмисної перевірки потребує тренування, як і будь-яка інша.

Емпатія та соціальний інтелект

Психотерапія, лідерство, переговори, медицина турботи й паліативна допомога, навчання дітей, робота з конфліктами — у цих сферах клієнт платить саме за присутність іншої живої людини. Можна отримати бездоганний текст із порадою, але ніхто не піде на прийом до чат-бота, коли відчуває страх і потребує, щоб хтось розділив його. Це не сентиментальність, а структурна властивість попиту: цінність створюється у взаємодії, а не в результаті.

Етична відповідальність

Алгоритм здатен оптимізувати будь-який показник: швидкість кредитування, точність діагностичної моделі, ефективність логістики. Він не несе відповідальності за те, що обрана метрика дискримінує окрему групу або що заради точності пожертвувано приватністю. Моральний і правовий вибір залишається за людиною — і ця роль не зникає, а лише посилюється в міру зростання автономії систем.

Що стоїть за цифрами

Аналітика Стенфордського інституту HAI фіксує стрімке зростання обсягів обчислень і витрат на навчання моделей, а також нерівномірність їхнього впровадження між галузями. Ця нерівномірність і визначає, де саме виникатимуть нові ролі, а де — скорочення. Той самий масив даних показує, що прогнози «залишитесь без роботи завтра» зазвичай перебільшують швидкість змін, а прогнози «нічого не зміниться» — її применшують. Найімовірніша траєкторія лежить між цими крайнощами: тривала, болісна й нерівномірна перебудова завдань усередині професій.

Парадокс Морвека нікуди не зник. Він просто набув практичного виміру: суспільства, які зуміють організувати перехід — з доступною освітою для дорослих, прозорими правилами відповідальності за алгоритмічні рішення та повагою до праці, яку неможливо оцифрувати, — пройдуть його з меншими втратами. Тим, хто звик міряти кваліфікацію виключно дипломом, доведеться перевчитися міряти її здатністю задавати правильні запитання й перевіряти відповіді.

Пов’язані матеріали та дослідження:

Відмова від відповідальності: Цей матеріал має виключно популярно-просвітницький характер і не є медичною або професійною консультацією. У разі виникнення питань щодо здоров’я завжди звертайтеся до кваліфікованого лікаря.