Искусственный интеллект завтрашнего дня не будет соответствовать сегодняшнему миру.

Три года назад работники в Кении попали в международные заголовки новостей из-за условий, в которых они работали, занимаясь разметкой данных для OpenAI . Эти работники проводили свои дни, сортируя разжигание ненависти, сексуальное насилие и изображения насилия — одни из самых тревожных материалов в интернете — за примерно 1,35 доллара в час. Полученные ими метки затем использовались для обучения ChatGPT распознаванию токсичного или запрещенного контента.

В 2023 году большая часть возмущения была сосредоточена — и совершенно справедливо — на условиях труда этих специалистов по разметке данных. Но, если вернуться к этой истории в 2026 году, она приобретает другой мрачный оттенок.

На фоне новой волны опасений по поводу ИИ люди начали бояться, что более широкая категория рабочих мест в сфере ИТ-услуг может полностью исчезнуть. Согласно этой точке зрения, помогая обучать ChatGPT, эти работники, возможно, непреднамеренно способствовали автоматизации именно того вида услуг, которые они выполняли, что сужает путь Кении к процветанию.

Но насколько убедительны доказательства того, что перемещение рабочих мест, связанное с ИИ, уже началось в развивающихся странах? И как нам прогнозировать дальнейшее развитие событий, когда сами работники, фирмы и страны, затронутые ИИ, будут адаптироваться, импровизировать и меняться в ответ на это?

Восхождение по лестнице роста

Исторически сложилось так, что рост промышленного производства был путем выхода стран из бедности. В Японии, Южной Корее, на Тайване и, что наиболее впечатляюще, в Китае, расширение экспортного производства вывело миллионы людей из сельского хозяйства на более высокооплачиваемые рабочие места на заводах. Под давлением международной конкуренции восточноазиатские фирмы быстро приблизились к технологическому рубежу.

Однако, за исключением нескольких ярких примеров, таких как Вьетнам и Бангладеш, развивающимся странам в значительной степени не удалось повторить успех Восточной Азии. В Индии доля обрабатывающей промышленности в ВВП никогда не превышала 20% и даже снизилась с 2010 года. В странах Африки к югу от Сахары обрабатывающая промышленность составляет около 10% ВВП. Новый анализ показывает, что за последние 30 лет производительность обрабатывающей промышленности в беднейших странах упорно оставалась значительно ниже мирового уровня.

На помощь приходят ИТ-услуги.

Появление дешевого широкополосного доступа в интернет по всему миру сделало аутсорсинг услуг в сфере информационных технологий выгодным для западных компаний, позволив им воспользоваться преимуществами более дешевой рабочей силы в развивающихся странах. В 1999 году Индия провела дерегулирование своего телекоммуникационного сектора, ускорив внедрение высокоскоростного интернета и позволив таким новым фирмам, как Infosys и Wipro, стать высокоприбыльными. Так родился новый сектор — в Индии это «аутсорсинг бизнес-процессов» (BPO).

Для стран, испытывающих трудности с запуском экономического роста, аутсорсинг бизнес-процессов казался спасательным кругом. Подобно прежним рабочим местам в экспортной промышленности, экспортные услуги обещали генерировать значительные валютные поступления, а также создавать большое количество высокооплачиваемых рабочих мест. В 2021 году Всемирный банк опубликовал доклад, восхваляющий «перспективы развития, основанного на услугах», подчеркивая их доступность для «инноваций, повышающих производительность труда».

За последние несколько десятилетий такие страны, как Филиппины и Бразилия, развили значительные ИТ-сектора, экспортируя услуги на миллиарды долларов в год и обеспечивая работой около 2 миллионов человек каждая.<sup> ¹ Но в глобальном масштабе явным лидером стала Индия, в секторе ИТ-услуг которой в 2025 году работало 5,8 миллиона человек, а экспорт составил 200 миллиардов долларов:

Страх перед заменой человеческих рабочих мест искусственным интеллектом сейчас повсеместен. В Америке внимание сосредоточено на сокращении рабочих мест начального уровня в сфере разработки программного обеспечения и обслуживания клиентов — тех самых «канарейках в угольной шахте», работе, которую (по крайней мере, в теории) легче всего автоматизировать с помощью программистов-ИИ. Влиятельная статья экономистов Эрика Бринйолфссона, Бхарата Чандара и Рую Чен показала, что среди молодых специалистов (22-25 лет в США) в наиболее подверженных влиянию ИИ секторах наблюдается относительное снижение занятости на 19% с 2022 года.

Естественно, внимание начало переключаться на последствия внедрения ИИ для 6,8 миллиардов человек , проживающих в странах с низким и средним уровнем дохода. До сих пор ИИ не оказал существенного влияния, ни положительного, ни отрицательного, на 2,5 миллиарда человек , которые по-прежнему зависят от мелкого фермерства. В обрабатывающей промышленности доказательства влияния также ограничены, хотя, возможно, в ближайшем будущем появятся достижения в области промышленной робототехники, обусловленные ИИ. Наибольшая угроза сокращения рабочих мест, связанных с ИИ, нависла над экспортом услуг.

Канарейки в угольной шахте

Прошло уже четыре года с момента запуска ChatGPT. Операторы могут выполнять большую часть работы по обслуживанию клиентов; более того, корпоративные линии поддержки все чаще заменяются оболочками ChatGPT или Claude. Так насколько автоматизация уже вытесняет экспорт услуг в развивающихся странах?

Мы можем взять за образец недавнее исследование Бринйольфссона и др. в США, посвященное проблеме вытеснения работников, подверженных влиянию ИИ, и посмотреть, как меняется занятость тех, кто, как мы ожидаем, больше всего подвержен этому влиянию: начинающих специалистов в сфере технологий. ²

Пожалуй, лучшие доступные данные из любой развивающейся страны получены из индийского периодического обследования рабочей силы (PLFS), представляющего собой высокочастотный анализ тенденций занятости и заработной платы. ³ Мы можем использовать то, что экономисты называют «тройной разницей», чтобы точно определить влияние ИИ. Во-первых, мы берем занятость молодых работников (15-24 лет) в отраслях, подверженных воздействию ИИ, и вычитаем тенденцию для работников старшего возраста (25-39 лет) в тех же отраслях. Затем мы можем провести такое же сравнение молодых и пожилых работников в отраслях, в значительной степени защищенных от ИИ. Наконец, взяв разницу между этими двумя показателями, мы можем изолировать шок для работы на начальном уровне в отраслях, наиболее подверженных воздействию ИИ.

На приведенной выше диаграмме показана эта тройная разница в занятости, доверительные интервалы отмечены вертикальными полосами. В течение трех лет до запуска ChatGPT разрыв между работниками начального уровня и более опытными работниками в отраслях, наиболее и менее подверженных влиянию ИИ, был незначительным. Но после 2022 года — года запуска ChatGPT — относительная занятость среди самых молодых работников, подверженных влиянию ИИ, внезапно упала на 32%. С тех пор относительная занятость не восстановилась и остается примерно на 20% ниже базового уровня 2022 года в последнем снимке 2025 года.

Следует с осторожностью интерпретировать этот результат. Вполне возможно, что спад отражает структурные факторы, происходившие одновременно с развитием генеративного ИИ. Например, некоторые индийские ИТ-компании нанимали слишком много сотрудников во время пандемии и заморозили набор выпускников в 2023 году.

Отсутствие устойчивого восстановления занятости — на фоне риторики самих компаний, работающих в сфере аутсорсинга бизнес-процессов, о растущем внедрении ИИ — указывает на то, что этот эффект может быть реальным. Кстати, это перекликается с результатами последней редакции работы Бринйольфссона и его соавторов, где 19-процентное сокращение занятости среди молодых работников, подвергшихся воздействию ИИ, не показывает признаков исчезновения.

Но не следует воспринимать это как признак того, что все рабочие места исчезнут. Эти данные получены из одного сектора, в одной стране, среди тех работников, которые, как мы ожидаем, пострадают больше всего. Пока нет (никаких доказательств) общего спада во всех возрастных категориях или секторах, подверженных влиянию ИИ. Даже этот результат статистически едва отличается от нуля.

Как и когда мы сможем сделать более ясные выводы? Возможно, это займет больше времени, чем нам хотелось бы — в большинстве других развивающихся стран данные поступают с гораздо большей задержкой.

Полёт вслепую с момента взлёта

«Господа, вы опоздали на 60 дней. Депрессия закончилась». Герберт Гувер, июнь 1930 ⁴

В 1930 году Великая депрессия ещё далеко не закончилась. Но откуда Гувер мог это знать? Это было до того, как в 1934 году был представлен доклад Кузнеца «Национальный доход», предшественник современных национальных счетов доходов и ВВП. Это было также до того, как появились надёжные ежемесячные статистические данные по безработице, поскольку современное обследование домохозяйств началось только в 1940 году.

Многие из современных лидеров, особенно в странах с низким и средним уровнем дохода, оказались в положении, схожем с положением Гувера в 1930-х годах — вступая в период экономических преобразований, не видя, как на самом деле меняются их экономики в реальном времени. Индийская программа PLFS — это замечательный пример, которому нет аналогов в других странах, которые могут быть столь же уязвимы к шоку в экспорте ИТ-продукции.

Возьмем, к примеру, Филиппины, еще одну страну со значительным сектором экспорта услуг. Их ежегодный обзор бизнеса и промышленности публикуется более чем через год после изучаемого периода. Это делает его практически бесполезным для анализа высокочастотных изменений рабочей силы в ответ на изменения возможностей ИИ. Возможно, только с выходом Fable 8 мы сможем полностью разобраться во влиянии Fable 5 (и других современных моделей) на рабочую силу ИТ-сектора Филиппин. Просто нет данных для отслеживания в реальном времени. ⁵

В связи с тем, что сейчас внимание и средства направляются на исследования в области экономики ИИ, нас, вероятно, будут засыпать оценками, аналогичными нашим собственным, начиная с аннотаций к свежим рабочим документам, в которых рассказывается о том, как ИИ вытеснил одну категорию работников по сравнению с другой или повысил производительность в одной компании по сравнению с другой.

Поэтому может возникнуть соблазн слишком подробно интерпретировать имеющиеся данные — например, набросать в Твиттере серию постов о грядущем кризисе занятости среди молодых ИТ-специалистов в Индии. Но каждый результат — лишь часть головоломки. Этот результат, как и другие подобные ему, не говорит нам об общих последствиях.

И наконец, остается лишь небольшой вопрос прогнозирования на будущее. Даже если бы мы могли идеально понимать экономику сегодня, простое экстраполирование этих данных на будущее с учетом возможностей моделей завтрашнего дня может привести к крайне ошибочным прогнозам.

Не такие уж и глупые фермеры и демографическая бомба, которой не было.

Многие опасения по поводу экономических последствий ИИ возникают из-за прогнозирования влияния будущих технологий на мир, который в целом похож на сегодняшний. Но подобные экстраполяции имеют долгую и противоречивую историю, поскольку мы, люди, как правило, гораздо более адаптивны, чем нам кажется.

Пожалуй, самое печально известное предсказание в области международного развития содержится в бестселлере Пола Эрлиха 1968 года «Демографическая бомба». Экстраполируя наблюдаемые тенденции роста населения и ограниченный прогресс в производстве продуктов питания, Эрлих был встревожен возможностью перенаселения и массового голода. Наиболее оптимистичный сценарий, представленный в «Демографической бомбе», который требовал «зрелости мировоззрения и поведения в Соединенных Штатах, которая, по-видимому, вряд ли разовьется», предполагал гибель от голода полумиллиарда человек (одной пятой части населения мира). ⁶

Однако прогнозы Эрлиха основывались на статичных экстраполяциях человеческого поведения. Он не смог предвидеть «зеленую революцию», которая значительно повысила урожайность зерновых (особенно в Индии), и демографический переход, в результате которого снизилась рождаемость. Смертность от недоедания и голода фактически уменьшилась. Эрлих сделал ставку против нашей часто недооцениваемой способности к инновациям и адаптации, навязав быстрорастущее население будущему миру, производственные возможности которого менялись слишком медленно.

Действительно, эпизод с проблемой ⁷ года, шок спроса, который дал мощный импульс индийскому сектору экспорта ИТ, является еще одним примером того, как прогнозы не оправдывают себя при адаптации. На этот раз, до полуночи 31 декабря 1999 года, адаптация заключалась в том, что индийские программисты проверяли и модифицировали миллионы строк кода, чтобы предотвратить катастрофу. В итоге апокалиптические прогнозы об одновременном крахе финансовых, государственных и транспортных систем по всему миру так и не сбылись, поскольку мы адаптировались, чтобы этого не произошло.

Экономика климата также усвоила аналогичный урок за последние десятилетия. Ранние модели ущерба сельскому хозяйству от изменения климата часто брали прогнозируемые температуры, пропускали их через уравнения урожайности при разных температурах и прогнозировали ущерб. Как и следовало ожидать, предполагаемый ущерб от изменения климата в этом раннем поколении прогнозов, как правило, был огромным. Но эти модели закладывали в себя критически важное предположение о том, что фермеры не смогут адаптироваться к меняющемуся климату.

Конечно, последствия изменения климата по-прежнему будут значительными. И не все меры адаптации оказываются успешными: в сельском хозяйстве США в долгосрочной перспективе адаптация смягчила максимум половину, но, скорее всего, нисколько , ущерба от изменения климата. Существуют реальные ограничения для адаптации — даже если есть желание адаптироваться, не всегда есть способ это сделать.

Искусственный интеллект может развиваться так же, как и в случае с предыдущими проблемами. Вероятно, будут проигравшие от адаптации. Могут даже существовать пороговые значения, при которых способность к адаптации иссякнет. Но если вы пытаетесь предсказать, как будет выглядеть мир через пять или десять лет, вы можете сильно ошибиться, если пренебрегаете способностью нас, будущих поколений, к адаптации. Искусственный интеллект завтрашнего дня встретится с миром завтрашнего дня, а не с сегодняшним.

Это приводит нас к одному небольшому, но, возможно, конструктивному предложению для экономистов. В течение последних 20 лет причинно-следственная связь — способность четко разделять причину и следствие — была непременным требованием академических экономических исследований. Напротив, прогнозирование было отведено на второстепенную или третьестепенную роль, в сферу деятельности политиков и (ужас!) банкиров.

Такое разделение труда имело смысл, когда мы могли обоснованно ожидать, что мир завтрашнего дня будет похож на мир сегодняшнего. Но если ИИ действительно собирается изменить пути экономического роста, то наиболее полезное, что могут сделать экономисты, — это не измерять вчерашние потрясения всё точнее, а лучше прогнозировать следующие.

Более точные представления о нашем экономическом будущем должны учитывать как возможности машин, так и адаптивность людей. Подобно тому, как человечество не сидело сложа руки, ожидая голода, руководители Infosys не сидят сложа руки, ожидая замены. Возможно, рабочих мест станет меньше, или появятся другие типы рабочих мест, но если они смогут что-то с этим сделать, то отрасль, возникшая в результате адаптации к кризису, попытается адаптироваться снова.

Оливер Ким — экономист, специализирующийся на вопросах развития, работающий научным сотрудником в Глобальном фонде роста Coefficient Giving. ⁸ ведет блог на Substack под названием Global Developments . Оливер Ханни — редактор-корреспондент In Development и главный редактор VoxDev, где он ведет подкаст Ideas in Development.

Если у вас есть комментарии к этой статье или вы хотите принять участие в обсуждении, пожалуйста, отправьте их по электронной почте на адрес letters@indevelopmentmag.com. Ответы будут опубликованы в разделе писем читателей.

1. История OpenAI была относительно необычной, поскольку в ней фигурировали работники из Африки; в 2025 году в кенийском секторе было занято всего 36 000 человек . ↩︎
2. Вполне вероятно, что более опытные специалисты в сфере технологий приобрели как больше «мягких навыков», так и более специализированных технических умений, что затрудняет их замену искусственным интеллектом. ↩︎
3. Методология PLFS была пересмотрена в 2025 году, что затрудняет сравнение данных за прошедший период. Тем не менее, это лучшие имеющиеся у нас данные. ↩︎
4. Точная формулировка неизвестна, но, скорее всего, он сказал что-то подобное . ↩︎
5. В последнее время растет число исследований, посвященных изучению новых форм измерения, например, прогнозирования с использованием машинного обучения, спутниковых данных, данных мобильных телефонов и автоматической классификации. Остается выяснить, смогут ли подобные новые подходы заменить традиционные источники административных и социологических данных. ↩︎
6. Пол Эрлих, «Демографическая бомба» (Sierra Club Ballantine Books), 80. ↩︎
7. Первоначально известная как «проблема 2000-летия», эта проблема затрагивала множество компьютерных программ, которые хранили годы, используя всего две цифры, что вызвало широко распространенные опасения, что системы могут ошибочно принять «00» за 1900 и вызвать массовый сбой 1 января 2000 года. ↩︎
8. Другая команда в рамках Coefficient Giving, команда Effective Giving & Careers, является спонсором In Development. Они не принимали участия в нашем редакционном решении заказать, отредактировать и опубликовать эту статью, и Оливер пишет от своего личного имени. ↩︎