ИИ и узкая специализация: что исследования 2025-2026 говорят о командах

Сложные задачи бизнес привык закрывать специализацией. Человека долго учат, затем сужают: финансист становится финансистом в недропользовании, кадровик рекрутером или специалистом по расчёту зарплаты. Научить одного человека всему было слишком дорого.

С приходом ИИ эта логика под вопросом. Если знание соседней области доступно за минуту, нужны ли компании отдельные юрист, бухгалтер, финансист и кадровик? Или хватит трёх-четырёх человек широкого профиля?

Мы разобрали исследования 2023-2026 годов и сверили ключевые цифры по первоисточникам. Короткий ответ: границы между профессиями размываются, а глубокая экспертиза дорожает и переезжает из исполнения в проверку.

В июле 2026 года OpenAI опубликовала отчёт Work at the Frontier. Исследователи изучили более 800 тыс. рабочих сообщений пользователей ChatGPT в США и сопоставили каждое с профессией автора.

В небольших компаниях пересечений больше. Объяснение авторов простое: там задачу берёт тот, кто к ней ближе, потому что передать её некому. Разница скромная и видна у обычных пользователей, у самых активных она пропадает.

Второе свидетельство дал эксперимент в Procter & Gamble (Dell'Acqua и соавторы, 2025). В нём участвовали 776 специалистов из разработки и коммерческого блока. Один сотрудник с ИИ выдал качество на уровне команды из двух человек, работавшей без ИИ, и потратил на 16,4% меньше времени. Интереснее другое. Без ИИ инженеры предлагали технические решения, коммерсанты коммерческие. С ИИ решения стали сбалансированными независимо от профиля автора.

В эксперименте с 758 консультантами BCG участники с результатами ниже среднего прибавили 43% качества, участники выше среднего 17%. В исследовании службы поддержки на 5 172 сотрудниках средняя производительность выросла на 15%, у новичков заметно сильнее. Оба замера сделаны на чат-ассистентах 2021-2023 годов.

Есть важная оговорка. Chen и Bao (2026) дали 164 студентам-юристам экзамен в трёх вариантах: без ИИ, с ИИ и с ИИ после короткого обучения. Без обучения сильные студенты от инструмента отказались, остальные писали короче и допускали больше неточностей. После десятиминутного инструктажа картина перевернулась: ИИ использовали 41% обученных против 26% необученных, балл у обученных выше на 0,27 пункта. Выравнивание даёт связка «доступ плюс обучение».

Слой координации в крупных компаниях становится тоньше. Часть решений прямо связана с ИИ, часть идёт параллельно.

При этом та же McKinsey описывает в команде будущего три роли. Генералист широкого профиля оркестрирует агентов. Глубокий эксперт перестраивает процессы, разбирает исключения и отвечает за качество. Исполнитель на передовой работает с клиентом, усиленный ИИ. Генералист в этой схеме один из трёх.

Несколько исследований показывают границу.

В том же эксперименте BCG (2023 год, модель GPT-4) была задача за пределами тогдашних возможностей ИИ. На ней консультанты с ИИ на 19 процентных пунктов реже приходили к верному ответу, чем коллеги без него: правдоподобный текст убеждал. Граница возможностей с тех пор сдвинулась, механизм остался.

METR в первой половине 2025 года замерила работу 16 опытных разработчиков на 246 задачах в больших кодовых базах. С инструментами того времени они тратили на 19% больше времени, а свою скорость оценивали как выросшую на 20%. Повторный замер на агентах конца 2025 года показал уже ускорение на 4-20%. Разрыв между ощущением и замером остался: в опросах 2026 года разработчики называют прирост в 1,6-4 раза. Качество тоже требует глаз эксперта: по данным METR на конец 2025 года, из решений ИИ, прошедших автоматические тесты, на реальном код-ревью приняли бы около половины.

Самый свежий срез даёт отчёт METR за февраль-март 2026 года, подготовленный с участием Anthropic, Google, Meta и OpenAI. Агенты в этих компаниях уже сами пишут сложные правки кода, анализируют данные и находят уязвимости. За людьми остаются приёмка изменений в критичный код, постановка исследовательских задач, решения о найме и бюджете, итоговые суждения о рисках. Вывод авторов: в суждении и надёжности агенты заметно уступают экспертам-людям, особенно там, где результат трудно быстро проверить.

Autor и соавторы (2026) три месяца наблюдали 133 патентных юристов в 11 фирмах США. С ИИ качество работы выросло, у младших сильнее. Затем юристов проверили на работе без ИИ. Собственное суждение укрепилось у старших специалистов, у младших средний результат остался прежним. Опыт усиливается, а навык проверки складывается на той самой рутине, которую теперь берёт на себя ИИ.

Практика это подтверждает. Klarna в феврале 2024 года сообщила, что ИИ-ассистент ведёт две трети чатов поддержки. В мае 2025 года компания вернула людей в сложные обращения ради качества. В опросе Gartner среди 321 руководителя клиентского сервиса о сокращении штата из-за ИИ сообщили 20%.

Найм на начальные позиции меняется первым. Hosseini и Lichtinger изучили 62 млн работников в 285 тыс. фирм США: в компаниях, внедривших генеративный ИИ, занятость младших специалистов через шесть кварталов на 8-10% ниже, чем в остальных. Причина в замедлении найма, занятость старших растёт прежним темпом.

Данные зарплатного оператора ADP показывают ту же картину и уточняют её. По статье Brynjolfsson, Chandar и Chen (обновление августа 2026 года) занятость работников 22-25 лет в профессиях, наиболее открытых для ИИ, на 19% ниже уровня, на котором она была бы при темпе менее затронутых профессий. У опытных работников такого разрыва нет. Падение сосредоточено там, где ИИ замещает задачи человека. Там, где ИИ дополняет работника, занятость держится или растёт. Вторая деталь: молодые теряют позиции в профессиях, где знание записано в правилах и учебниках, а в профессиях, где многое держится на неявном опыте, занятость опытных растёт быстрее. Авторы называют эти наблюдения ранними описательными индикаторами, оценки причинности в статье нет. ОЭСР в обзоре занятости 2026 года смотрит на те же данные осторожнее: по Австралии, Канаде, ЕС и США роль ИИ в трудностях молодых на рынке труда пока ограничена, а часть эффекта может объясняться тем, что открытые для ИИ отрасли первыми сокращают найм при дорогих деньгах.

Для компании здесь есть задача на годы вперёд. Эксперта, который проверяет работу ИИ, нужно вырастить, и обычная рутина для этого теперь доступна меньше. Обучение младших приходится проектировать отдельно.

Для малых фирм профессиональных услуг измерений пока мало. Самый подробный срез даёт отчёт Clio 2026 года по юридическим фирмам США (опрос 1 702 человек). ИИ используют 71% юристов-одиночек и 75% малых фирм. Выручка при этом выросла примерно у трети: у 32% одиночек и 31% малых фирм против 59% в фирмах от 200 сотрудников. Причина в цене: 86% одиночек и 78% малых фирм оставили модель оплаты прежней. Авторы считают на примере: если задача с ИИ занимает час вместо пяти, при почасовой оплате клиент получает скидку 80%. По Казахстану есть оценка Центра развития трудовых ресурсов 2023 года: 29% рабочих функций могут быть автоматизированы с высокой или умеренной вероятностью, 13% выполнимы генеративным ИИ.

Из исследований складываются четыре практических вывода.

Мы используем автоматизацию там, где она проверяема. Банковские выписки казахстанских банков разбирают детерминированные парсеры: одна и та же выписка всегда даёт один и тот же результат. Разнесение по статьям и управленческие отчёты проверяет финансист, который отвечает за цифры перед собственником. Подробнее об этом в статье «AI-бухгалтер в 2026 году».

Если вы думаете, как распределить финансовые задачи между людьми и ИИ в своей компании, начните с диагностики учёта. Бесплатная экспресс-диагностика JB Solutions показывает, в каком состоянии справочники, закрытие месяца и отчётность, и что из этого можно автоматизировать уже сейчас.