Теоретические модели влияния искусственного интеллекта на рынок труда долгое время опирались на пределы возможностей моделей. Они оценивали, какие профессиональные задачи алгоритм способен решить гипотетически, вместо анализа реальной автоматизации на практике. Традиционные методы оценки уязвимости профессий ориентировались на рутинный труд или замеряли разовые диалоговые запросы. Это создало огромную аналитическую слепую зону между теоретическим потенциалом ИИ и его практической интеграцией в рабочие процессы. По мере перехода генеративных систем от пассивных чат-ботов к автономным агентным архитектурам для решения многоэтапных задач, оценка трансформации труда требует анализа реального структурированного делегирования.
Оценка делегирования через рабочие процессы
Чтобы преодолеть разрыв между теоретическим риском автоматизации и реальной передачей задач алгоритмам, исследователи KAIST Хёнчжэ Ли, Джихян Чон и Лану Ким ввели концепцию делегированной подверженности (delegated exposure). В отличие от сырой телеметрии чат-ботов, фиксирующей лишь реактивные промпты, конфигурации агентов требуют от разработчиков и специалистов заранее явно определять цели, инструменты и логику исполнения. Как доказала команда KAIST, этот показатель фиксирует реальный факт передачи задачи автономному коду через ее формализацию в постоянный рабочий процесс.
Для измерения динамики исследователи создали индекс внедрения агентов (Agentic Adoption Index, AAI), сопоставляющий стандартные профессиональные задачи с реальными агентными сценариями. Методология включает анализ примерно 53 000 спецификаций навыков агентов из маркетплейса Manus Skills и оценку их семантического сходства с 18 000 описаний задач из базы данных O*NET. Сравнивая эти соответствия по классификаторам профессий, индекс четко отделяет осознанную системную алгоритмизацию процессов от простых экспериментов в чатах.
Структурные сдвиги в реальном делегировании задач
Эмпирические данные анализа 53 000 спецификаций агентов показывают, что реальное делегирование задач кардинально отличается от классических прогнозов. Ранние экономические модели предсказывали сокращения преимущественно в рутинном механическом труде, однако автономные агенты берут на себя сложные когнитивные операции. Кроме того, индекс AAI гораздо сильнее коррелирует с техническим потолком возможностей моделей, чем с частотой использования диалоговых промптов. Это вскрывает глубокий разрыв между тем, что пользователи пишут в окне чата, и тем, что инженеры внедряют в автономные конвейеры.
«AAI достигает пика чуть ниже верхнего сегмента распределения зарплат и на уровне специалистов со степенью бакалавра, снижаясь на обоих полюсах спектра».
Исследование выявило четкое распределение по уровню доходов и образования: интенсивность делегирования максимальна в сегментах со средним и высоким доходом, а также на позициях, требующих диплома бакалавра. При этом показатель резко падает среди самых высокооплачиваемых специалистов с высшими научными степенями. Хотя доступность технологий объясняет большую часть различий на рынке труда, она не дает ответа, почему возникает дефицит делегирования на самой вершине экспертного стека.
Разрыв между теоретическими возможностями и операционным внедрением доказывает, что технологическая осуществимость сама по себе не гарантирует автоматизацию в бизнесе. Плато во внедрении среди элитных специалистов указывает на структурные операционные барьеры: рабочие процессы топ-менеджеров и узких экспертов сопротивляются жесткой алгоритмизации, а опытные кадры препятствуют формализации своих задач. Хотя датасет опирается на публичные конфигурации из Manus Skills Marketplace и отражает действия разработчиков открытых платформ, стратегический вывод для технических лидеров очевиден: закрытие разрыва в автоматизации требует не ожидания более мощных базовых моделей, а устранения неоднозначности в процессах и формализации логики там, где сейчас решения принимаются на усмотрение человека.