Четыре актора, три времени, методологический слой

Что это. Структурированный анализ перехода старой системы «диплом → начальная позиция → накопление неформального знания → middle/senior (опытные специалисты)» к чему-то новому, ещё не оформившемуся. Совмещены два взгляда: описательный — как меняются четыре института (работодатель, сотрудник, образование, государство), и методологический — какие стратегические и информационные провалы лежат в основе наблюдаемых явлений. Цель — дать рамку для информированного суждения, не заменить его. Уверенных рецептов здесь сознательно нет: слишком много неопределённости в данных, слишком быстро меняются условия, слишком тонко устроены институциональные конфигурации. Читатель, ищущий план «что делать в понедельник утром», будет разочарован. Но рекомендации, построенные на самоуверенном чтении литературы, чаще приводят к дорогостоящим ошибкам в управленческих и государственных решениях, чем к решениям проблемы.

Уровни доказательств. Каждый тезис в Части I маркирован одним из четырёх уровней: A — административные данные и каузальные исследования; B — анализ вакансий, опросы, крупные наблюдательные исследования; C — управленческие исследования, отраслевые кейсы; D — концептуальные рамки и сценарии. Все цифры проверены через фактологическую базу цикла.

Географическая оговорка. Большинство количественных данных — США. Применимость к Европе, России, Азии частична. В разделе о моделях капитализма эта неоднородность специально обсуждается через механизмы, не через страны.

Оговорка о физическом труде. Парадокс текущего технологического сдвига в том, что под первым ударом оказались не физические профессии, а когнитивные задачи белых воротничков: текст, код, анализ, документация, координация, коммуникация. Формула «вкалывают роботы — счастлив человек» временно перевернулась: роботы всё ещё дорого и трудно действуют в физическом мире, тогда как генеративный ИИ быстро удешевляет символический труд. Поэтому здесь говорим прежде всего об интеллектуальном труде; физический труд и роботизация требуют отдельного анализа.

О цикле «Игры в профессию». Эта статья — первая аналитическая (A) в цикле, задающая общую рамку для последующего разбора отдельных параметров. Цикл начинается с короткого манифеста (0 — «Карта в тумане»), параллельно публикуется фактологическая основа (Z — машиночитаемая база с разнесением уровней доказательств). Главная сквозная мысль цикла: ИИ не создал новых явлений на рынке труда, но переактивировал давние институциональные параметры, которые работали тихо. Параметры, у которых раньше был статус технических деталей институционального устройства (читаемость профессиональной траектории за пределами локального контекста, скорость обновления стандартов, разница между краткосрочной и долгосрочной рациональностью государства), стали несущими — и системы, у которых эти параметры были недостроены, обнажают свою недостроенность.

Эта статья даёт каркас: четыре актора (работодатель, сотрудник, образование, государство и институциональные посредники), три времени (как было — как сейчас — варианты развития), методологический слой и сцепленный кризис. Внутри каркаса разобраны два среза: сжатие канала входа в профессию (junior squeeze) и сжатие посреднических ролей (communication compression). Дальнейшие статьи цикла берут отдельные параметры этой рамки и разбирают подробно: статья B — способность системы переводить чужой опыт в локальный статус (provenance translation capacity) на пяти институциональных биографиях. Возможные следующие параметры — регулирование как механизм создания носителя ответственности, размер организации и поглощающая способность, государственный сектор и частный, иммиграционная политика как инструмент управления матрицей выигрышей. Каждая статья цикла работает с теми же четырьмя акторами и тем же теоретико-игровым аппаратом — это не серия отдельных эссе, а слои одной модели.

Часть I. Описательный слой: четыре направления

Направление 1. Работодатель: как нанимали, отбирали, оценивали

1.1. Как было и почему

Корпоративная модель найма, сложившаяся в развитых странах с 1950-х по 2010-е, опиралась на четыре элемента.

Воронка отбора. Диплом — первичный фильтр на уровне резюме. Резюме — вторичная информация о траектории. Собеседование — социальная и техническая верификация. Кумулятивная конструкция: каждый этап снимал часть рисков найма, и точность этапа была вспомогательной по отношению к точности всей цепочки.

Найм когортами. Крупные компании набирали начинающих работников когортами, рассчитывая, что часть из них вырастет до middle-уровня через 3–5 лет. Это было экономически оправдано: работа начинающего была одновременно производственным вкладом и обучающей средой. Зарплата начинающего формально оплачивала результат, но фактически покрывала и обучение — и компания не различала эти два процесса.

Обучение через работу. Неформальное знание (что и в каком контексте делать, как читать ситуацию, какие исключения возможны) передавалось через ученичество: начинающий сидел рядом с опытным коллегой, участвовал в реальных задачах, наблюдал, как принимаются решения. Формально начинающий выполнял работу, фактически обучался.

Метрики и грейды. Стандартизированная сетка позиций обеспечивала легитимность повышений и переходов между компаниями. Грейдовая система делала навыки переносимыми.

Эта архитектура была эффективна при условиях, что (а) рутинная работа была нужна сама по себе, (б) неформальное знание нельзя было передать иначе как через включение в практику, (в) рынок труда был достаточно большой и стабильный, чтобы компании могли позволить себе долгий цикл выращивания кадров.

1.2. Как сейчас (апрель 2026)

Уровень A — административные данные и каузальные исследования:

Сжатие найма начинающих в наиболее затронутых ИИ профессиях в США. Stanford Digital Economy Lab (по данным крупнейшего американского провайдера зарплатных ведомостей): 13–16% относительное снижение занятости работников 22–25 лет в наиболее затронутых ИИ профессиях, в зависимости от версии и спецификации исследования. AI Index 2026: занятость разработчиков ПО 22–25 лет упала почти на 20% с 2024 года. Стэнфорд отдельно уточняет, что после самых строгих контрольных переменных эффект становится статистически значимым с 2024 года; более ранние сдвиги могут быть связаны с другими факторами (постпандемийная коррекция, ужесточение монетарной политики).

Уровень B — вакансии, опросы, наблюдательные исследования:

Снижение числа вакансий для структурированной и повторяемой работы. Гарвардское исследование: −13% после запуска ChatGPT, +20% для аналитических, технических и творческих позиций. WEF / Revelio Labs: −35% вакансий начального уровня за 18 месяцев. Это сигнал о намерениях работодателей, не о реальном найме.

Наём и увольнения работают как разные механизмы. Anthropic (март 2026) не находит систематического роста безработицы у наиболее затронутых работников с конца 2022 года, но видит косвенные признаки замедления найма молодых. Эффект концентрируется в шоке для канала входа, а не в массовых увольнениях.

«Найм по навыкам, не по дипломам» остаётся преимущественно изменением политики на бумаге. Burning Glass Institute / Harvard Project on Workforce: компании убирают формальное требование о наличии диплома, но устойчивое изменение практики найма ограничено — в их формулировке эффект составляет около 1 дополнительного найма без диплома на 700 наймов в компаниях, изменивших политику. Это не «PR», но и не реальная перестройка найма: формулировка вакансий меняется, а источники кандидатов, критерии оценки и стимулы рекрутеров — нет.

Уровень C — управленческие и организационные исследования:

Нейрохалтура (workslop) как описанное явление. HBR (январь 2026, валидированный термин): низкокачественная работа, сгенерированная с помощью ИИ, которая выглядит отполированной, но перекладывает когнитивную работу на получателя. «Массовое явление» пока имеет статус наблюдения из управленческих исследований, не проверенного факта на уровне административных данных.

Социально-культурный долг (cultural debt) как накопление негативных культурных последствий внедрения ИИ. Deloitte 2026 Global Human Capital Trends: 42% работников говорят, что их организации редко оценивают влияние ИИ на людей; 80% руководителей и работников обеспокоены тем, что коллеги используют ИИ, чтобы казаться продуктивнее. Это валидированная управленческая концепция.

Расщепление поведения работодателей по горизонту планирования. IBM объявила, что утроит наём начинающих в США в 2026 году, формулируя новые роли через анализ, решение проблем и ответственное использование ИИ. Salesforce демонстрирует волатильность стратегии: в 2025 Бениофф заявлял о замораживании инженерного найма на фоне роста производительности от ИИ, в апреле 2026 объявлен наём 1000 выпускников и стажёров на волне ИИ-инициатив. Это не «режут начинающих или нет» — это разные горизонты планирования и разные ставки в одной игре. Крупные регулируемые компании с долгой историей (банки, фармацевтика, государственные подрядчики, IBM-класс) играют как длинные игроки: канал подготовки senior через 7–10 лет — самостоятельная инвестиция. SaaS-стартапы под квартальным давлением венчура и публичные компании с акцентом на ближайший отчёт играют как короткие игроки: senior сейчас или с рынка, а не выращенные. Это та же структура, что в Части II.7 при расщеплении государства на короткое и длинное — разные функции полезности, не разные ценности.

Уровень D — концептуальные рамки и сценарии:

Долгосрочный дефицит senior через 7–10 лет. Если ИИ забирает задачи, на которых начинающие исторически входили в профессию, и компании сокращают наём начинающих, через 5–10 лет внутренне выращенных middle и senior станет меньше. Это правдоподобный сценарий, но не предсказание: компании могут компенсировать через middle-уровень с поддержкой ИИ, импорт талантов или новые формы ученичества. Эмпирически проверится только в 2030-х.

1.3. Варианты развития

На горизонте 3–7 лет видны три сценария — не взаимоисключающие, скорее всего реализуется их комбинация по индустриям.

Сценарий A — каналы входа, перестроенные вокруг ИИ. Часть компаний (IBM, Intuit, банки, здравоохранение, госсектор) переосмысливает позиции начального уровня как контролируемую работу с ИИ, обработку исключений, удержание контекста заказчика, погружение в предметную область, а не дешёвую рутину. Начинающий с первого дня работает в режиме контроля ИИ и носителя контекста. Жизнеспособен в индустриях с долгим циклом окупаемости сотрудника и регулируемыми стандартами качества.

Сценарий B — только senior + агенты. Часть компаний, особенно технологических стартапов с венчурным финансированием и SaaS, продолжает минимизировать наём начинающих. Команда становится 3–5 senior + флот ИИ-агентов. Выигрывает на горизонте 1–3 года через сокращение издержек, но создаёт стратегическую зависимость от внешнего рынка senior. Если другие компании одновременно идут по сценарию A, устойчиво; если все идут по B — приходим к описанному в 1.2 сценарному дефициту senior.

Сценарий C — гибрид с разделением по индустриям. Наиболее вероятный исход. В индустриях с долгой окупаемостью и регуляторной нагрузкой выживает наём начинающих через сценарий A. В быстрорастущем SaaS — сценарий B. В дизайне и творческих профессиях разделение по «гантельной» логике: верхушка с накопленным портфолио и сетью выигрывает; средний слой либо во фриланс, либо уходит из профессии.

Сдвиг в инструментах найма. Сигнал смещается от диплома и резюме к провенансу — длинной верифицируемой публичной траектории. Это может работать в IT и смежной интеллектуальной работе, но не всегда: сотрудники не каждый день делают что-то законченное и публично демонстрируемое — часть результатов под соглашением о неразглашении или ограниченным внутренним доступом. На медицину, право, госслужбу, производство механика переносится плохо — для них аналоги другие (см. направление 2).

1.4. Сжатие коммуникаций (communication compression)

Описание выше идёт по двум осям: индустрия (IT, канцелярия, творческие, инженерия) и грейд (junior / middle / senior). Но есть третья, ортогональная ось — функция работника внутри организации. Часть позиций производит предметный результат — код, чертёж, диагноз, договор. Другая часть переводит контекст между специалистами и доменами: project-менеджеры, бизнес-аналитики, account-менеджеры, продуктовые менеджеры, технические писатели, координаторы, тимлиды без предметной экспертизы, HR-партнёры. Их основная функция — собрать статус у трёх инженеров и пересказать директору; превратить техническую спецификацию в версию для нетехнического заказчика; разложить чужой договор или партитуру на риски; объяснить новому сотруднику архитектуру чужого проекта.

ИИ систематически удешевляет именно эту функцию. Microsoft Research (2025), анализ ~200 тыс. анонимизированных Copilot-разговоров: самые частые рабочие задачи, для которых используется ИИ — сбор информации (information gathering) и написание текстов (writing); самые частые действия ИИ — предоставление информации, написание текстов, советы, обучение. Удар приходится не столько по «джун написал код», сколько по слою «объяснил, перевёл, структурировал, пересказал». OpenAI / UPenn (Eloundou et al., 2023) показывают, что задач-эффект распространяется на все уровни заработка, не концентрируясь в низкооплачиваемом сегменте.

Это эффект, ортогональный возрасту. Senior project-менеджер с 15-летним опытом «смазки» между бизнесом и инженерией оказывается под тем же давлением, что и middle, если его экспертиза — преимущественно в переводе, а не в принятии решений под ответственностью. У него нет «профессии под профессией», к которой можно отступить. То же с условным менеджментом в медицине, образовании, госсекторе — там, где должность построена на координации между специалистами, а не на лицензированной предметной работе.

Уровень B — данные:

Bloomberry (анализ 180 млн вакансий, 2025): высшее руководство (senior leadership) −1,7%, среднее звено −5,7%, специалисты-исполнители (individual contributors, IC) −9% при базе рынка −8%. Live Data Technologies / WSJ: число менеджеров −6,1% между маем 2022 и маем 2025; руководители высшего звена −4,6%. Gusto (зарплатные данные малого и среднего бизнеса): найм менеджеров к концу 2024 был на 40% ниже января 2022, тогда как у специалистов-исполнителей — лишь на 11%; число IC на менеджера выросло на 44% в компаниях 100–499 сотрудников. Bloomberg + Live Data: среднее управленческое звено составило более 30% всех увольнений белых воротничков в 2023–2024.

Важная оговорка — на уровне профессий коллапса нет. BLS прогнозирует рост занятости project management specialists (+6%), management analysts (+9%), HR specialists (+6%) до 2034. Но внутри тех же профессий под давление попадают чистые «переводчики»: technical writers (+1%), interpreters / translators (+2%) — близко к нулю и медленнее среднего по рынку. Корректное прочтение — не бинарная бифуркация на «исчезающих» и «выживающих», а градация по типу посреднической функции.

Соседний механизм — сжатие труда внимания. Рядом со сжатием коммуникаций находится сжатие труда внимания (attentional labor) — задач, где ценность человека была в усидчивости, аккуратной проверке, документации, сверке, контроле качества, корректуре и доведении артефакта до чистого состояния. Эти роли не были коммуникационными, но часто служили входом в профессию и убежищем для людей, сильных в индивидуальной концентрации, а не в социальной коммуникации. ИИ атакует этот слой через удешевление проверки, суммаризации, оформления и первичной валидации. Это другой край того же эффекта: коммуникационное посредничество и труд внимания — два соседних слоя, где ИИ воспроизводит ядро функции, а не её обрамление.

Уровень D — контр-механизм. Инфляция коммуникаций (communication inflation: Gans, NBER 2024). Снижение стоимости коммуникации может не уменьшить её, а увеличить: больше автогенерированных отчётов, выжимок, последующих писем, дашбордов. Тогда сжатие посредников частично компенсируется новым спросом — на фильтрацию шума, валидацию ИИ-выводов, арбитраж доверия. Этот контр-эффект объясняет, почему компании после агрессивного сокращения middle через 12–18 месяцев обнаруживают, что часть работы посредников была не «процедурой», а переводом смысла, и нигде не воспроизводится.

Уровень D — парадокс ИИ-ответственности. Сжатие коммуникаций создаёт не возврат ответственности к производителю, а новый тип безличной ответственности. «Так предложил агент», «модель оценила риск как низкий», «процесс согласовал» — это новые формы старого «мне в ТЗ так написали». ИИ усиливает диффузию ответственности, не ослабляет её. Поэтому верхние два слоя посреднической матрицы (носители прав на решение и политическое/доверенное посредничество) сжимаются медленнее: их функция — не передать информацию, а быть лицом, на котором останавливается распределение ответственности. ИИ эту функцию не воспроизводит технически.

Связь со сцепленным кризисом: если посредник не переходит в роль валидатора, на стыках копится нейрохалтура (отчёты выглядят связно, но не отражают реальность), что подпитывает социально-культурный долг — обращаемся к этому в части III.

Направление 2. Сотрудник: как приходили в профессию, демонстрировали скилл, развивались

2.1. Как было и почему

Стандартная траектория от 1980-х до 2020-х выглядела линейно.

Вход. Диплом плюс первая работа, обычно через стажировку, рекомендацию или университетский набор. Это было узкое место, но прозрачное — понятно, что нужно делать.

Развитие квалификации. Через рутину. Начинающий выполнял задачи, которые были одновременно производством и обучением. Неформальное знание накапливалось незаметно, через сотни мелких циклов «сделал → получил отклик → понял почему».

Демонстрация компетенции. Резюме и рекомендации. Резюме было компактным сигналом о траектории, но точнее — сочетанием простых деклараций и проверяемых фактов (история работы, дипломы, сертификаты). Рекомендации внутри сети добавляли качественную верификацию.

Лояльность и переходы. Раньше — одна компания на десятилетия. Позже (с 1990-х) — переходы каждые 3–5 лет, что само по себе стало сигналом востребованности.

2.2. Как сейчас (апрель 2026)

Уровень B:

Вход стал значительно труднее, особенно для тех, у кого нет связей. Данные LinkedIn: 44% поколения Z называют главным барьером отсутствие правильной сети. Это означает, что социальный капитал стал важнее, чем был раньше. Это, кстати, ломает социальную мобильность: универсальные сигналы (диплом, сертификат) работали как пропуск для тех, у кого нет связей, — а с ростом веса репутации в сетях барьер для аутсайдеров повышается.

Альтернативные траектории растут. 21% поколения Z создают подработки или собственные бизнесы. Число людей, добавивших в профиль LinkedIn слово «основатель», в США выросло на 69% год к году и почти утроилось с 2022 года. Это не нейтральный выбор — это адаптация к плохому рынку входа. Но успешные основатели чаще уже хорошо встроены и обеспечены — барьер сместился, не исчез.

Резюме не обесценилось, а стало менее информативным. ИИ удешевляет производство деклараций, но не верификацию документов. Резюме продолжает работать как пропуск через системы автоматического отбора (ATS), но требует дополнительных сигналов. Точнее: ИИ разрушил повествовательный слой (сопроводительное письмо, самоописание, отполированное резюме, шаблонное портфолио), но не задел проверяемый слой (дипломы, история работы, реальные рекомендации).

Уровень C:

Разрыв в уровне владения ИИ психологически измерим. Исследование BCG / HBR (около 1500 штатных сотрудников), Psychology Today, исследование PMC о работе с ИИ. Активные пользователи ИИ чаще описывают «шумное мышление», «странную нетерпеливость». Автор наблюдает этот феномен в собственной команде: активные пользователи ИИ и не использующие его коллеги работают фактически в разных операционных режимах.

Уровень D:

Часть фрустрации активных пользователей ИИ — это сбой калибровки, а не объективный разрыв в производительности. Перенастройка ожиданий на скорость ИИ заставляет нормальную человеческую работу казаться неэффективностью. Эта концепция теоретически обоснована (Hohenstein 2023, «просачивание командного режима»), но эмпирически плохо отделена от реальных разрывов в производительности.

Производительность новичков с ИИ ≠ обучение новичков. Brynjolfsson, Li, Raymond (2023) показывают +14% общей производительности и +34% у новичков в клиентской поддержке. Но производительность и обучение — это разные процессы. Возможно, новичок чаще копирует ответы ИИ, чем усваивает паттерны. Эмпирического разделения этих эффектов нет; долгосрочные исследования впереди.

Долгосрочные эффекты раннего использования ИИ на формирование квалификации. Возможны два противоположных сценария: ИИ как ускоритель (Microsoft Work Trend Index — 83% руководителей считают, что ИИ позволит ранним сотрудникам брать сложную работу раньше) или ИИ как зависимость (когнитивное делегирование и потеря способности работать без ИИ). Стоит заметить, что подобный сдвиг — не уникальный феномен ИИ-эпохи: множество профессий уже его проходили. Сегодня сложно найти инженера, работающего с кульманом, или бухгалтера на счётах. Вопрос не в том, происходит ли делегирование, а в том, какие компетенции остаются у человека и где проходит граница ответственности. Какой из сценариев реализуется именно с ИИ — без эмпирических подтверждений как минимум до 2030 года.

2.3. Варианты развития

Три стратегии для сотрудника, не взаимоисключающие.

Стратегия A — раннее освоение ИИ и переход к управлению. Главный навык — управление ИИ-агентами, проверка их результатов, оркестрация рабочих процессов. Подходит для людей в технических индустриях. Риск: через 3–5 лет владение ИИ станет базовой грамотностью, как Excel в 2000-х, и перестанет быть отличительным признаком.

Стратегия B — глубина в области, устойчивой к ИИ. Сферы, где ИИ пока плохо работает: высокая неопределённость, сложные человеческие переговоры, физическое присутствие, регулируемые виды работы (медицина, право, аудит, психотерапия), узкая экспертиза с длинной обратной связью. Защищает от прямой замены, но требует терпения. Риск: предсказывать устойчивые к ИИ области на 10 лет вперёд сложно.

Стратегия C — гибрид плюс сообщество. Комбинация плюс фокус на построении сообщества и социального капитала. Активное участие в профессиональных сообществах, вклад в открытые проекты, выступления, наставничество. Создаёт антихрупкость через идентичность и сеть, не зависящие от конкретной технологии. Риск: требует экстравертный профиль и публичность.

Сквозной принцип всех трёх — длинная публичная линия, оставляющая верифицируемый след.

Что не работает. Чистая стратегия «получу ещё один диплом или сертификат» без других элементов. ИИ обесценивает экзаменационные сигналы быстрее, чем образовательная индустрия выпускает новые. Один сертификат без сети, провенанса и идентичности — это сигнал, который рынок дисконтирует.

Публичное портфолио вместо резюме. В разных профессиях оно выглядит по-разному. Для IT и смежных областей — GitHub, открытые проекты, технические доклады, блог. Для медицины — часы контролируемой практики, опубликованные клинические случаи, сертификации с регулярным обновлением, признание коллег. Для права — опубликованные дела, прецедентная работа, ссылки в судебных решениях, рекомендации. Для производства — реализованные проекты, сертификации с обновлением, рецензированная работа. Для творческих — портфолио клиентских работ с подтверждением. Общая логика — затратный, верифицируемый, накапливаемый во времени след работы.

Регрессивный фактор. Все три стратегии требуют разных форм стартового капитала: A — раннего доступа к технологиям и времени на эксперименты; B — финансовой подушки на долгий цикл; C — социальной уверенности и навыков самопрезентации. Без этих ресурсов человек оказывается в худшей позиции, чем был в эпоху корпоративной лестницы — потому что та лестница хотя бы предоставляла формально равно-доступный первый шаг.

Направление 3. Высшее и профессиональное образование

3.1. Как было и почему

Образовательная система выполняла одновременно несколько функций — и это её делало живучей и противоречивой.

Передача знания. Лекция как единица доступа к информации. Учебник, библиотека, профессор как носители знания, физически локализованного в институтах.

Сертификация компетенции. Экзамен как фильтр. Диплом как пропуск. Bar exam (право заниматься юридической практикой), USMLE (медицинская лицензия в США), CFA (финансовый аналитик), AWS (сертификации Amazon Web Services) — иерархия экзаменов, верифицирующих уровни.

Социализация и сеть. Университет как место формирования социальных связей, культурного капитала, профессиональной идентичности.

Отсроченный вход на рынок труда. Школа и университет держат молодёжь вне рынка до 18–22 лет.

Воспроизводство среднего класса. Диплом как условие попадания в средний класс. Это сделало образование политически нечувствительным к реформе — средний класс защищает канал воспроизводства.

Эта многофункциональная система работала, потому что разные функции поддерживали друг друга. Демонтаж одной функции не разрушал систему — остальные продолжали работать.

3.2. Как сейчас (апрель 2026)

Уровень A:

Обесценена университетская монополия на учебные материалы, объяснения и доступ к знанию. Отчёт Coursera за первый квартал 2026 года: 205 млн зарегистрированных пользователей. С 2002 (MIT OpenCourseWare) по 2026 год (ИИ-репетиторы 24/7) доступ к материалам исторически беспрецедентен.

Уровень B:

Завершаемость массовых открытых курсов 5–15%, и завершают преимущественно те, у кого уже было высшее образование. Регистрация ≠ завершение ≠ карьерный результат. Это, среди прочего, показывает, в чём была реальная суть высшего образования — не столько в конкретных профессиональных знаниях, сколько в навыке учиться самостоятельно и доводить до конца. Массовые открытые онлайн-курсы (MOOC) обнажают этот навык как уже имеющийся или отсутствующий, но не формируют его.

Не обесценены выстраивание программы обучения, структурированная оценка, обучение со сверстниками, контролируемая практика, формирование идентичности, сеть. Это разные функции образования, и они страдают по-разному. Корректно: обесценен доступ к учебным материалам, а структурированное обучение — нет.

Уровень C:

Производительность языковых моделей на письменных экзаменах подрывает доверие к ним как к сигналу индивидуальной компетенции. OpenAI заявляла, что GPT-4 проходит модельный экзамен на адвоката (Uniform Bar Exam, единый экзамен на право заниматься юридической практикой в США, в учебных условиях без реального присутствия) около 90-го перцентиля; методология оспорена в работе Martínez (2024) в журнале Artificial Intelligence and Law. Точнее: ИИ разрушает домашние задания и стандартные письменные экзамены как сигналы — там, где для ИИ нет барьера. Не отменяет проектные, проктируемые, устные, практические и контролируемые формы оценки — там разница в стоимости для ИИ остаётся высокой.

Профессиональные сертификации (AWS, OSCP — Offensive Security Certified Professional, CISSP — Certified Information Systems Security Professional, медицинские лицензии) пока держатся, потому что привязаны к конкретным инструментам, регулярно обновляются, валидированы вендорами с экономическим интересом в репутации.

Уровень D:

Сеть и селекция топ-университетов теоретически должны дорожать. Логика: если ИИ снижает дефицитность знания и базовых когнитивных операций, относительная ценность того, что ИИ не воспроизводит — селекция, круг сверстников, институциональная репутация, родословная наставничества — должна расти. Это теоретически ожидаемый эффект, не эмпирический факт. Прямые данные по премии за высшее образование и за элитные институты в 2020–2026 годах требуют отдельной проверки.

Под давлением — те средние университеты, чья ценность сводится к лекционному содержанию и слабому диплому. Региональные университеты с локальными сетями, лицензируемыми профессиями и миграционным сигналом сохраняют функции, не сводимые к учебной программе: дипломы продолжают работать как требование для виз и нострификации, как условие профессиональных лицензий и как фильтр в регулируемых отраслях.

Сертификация на основе провенанса как замена части дипломов. Технически возможно (блокчейн-сертификаты, репутационные системы открытых проектов), институционально не оформлено. Возможно появится на горизонте 5–10 лет, но требует фигур-гарантов с репутацией — тех, кто готов взять на себя ответственность за доверие к новой системе.

3.3. Варианты развития

Три направления, не альтернативные — реализуются параллельно для разных слоёв.

Направление A — модель студии и обучение через проекты. Маленькие группы, длинные проекты, наставник-практик, реальные клиенты. ИИ интегрирован как инструмент, обучение строится вокруг суждения, ответственности и реальных результатов. Минусы: дорого, не масштабируется, требует доступа к практикующим экспертам. По сути работает как элитный уровень — для уже отобранной команды или узкого круга, а не как массовый институт.

Направление B — микросертификации и накопительные квалификации (stackable credentials). Разделение диплома на маленькие валидированные модули, складывающиеся в более крупную квалификацию. Coursera Specializations, Google Career Certificates — уже существуют. В принципе, эта логика давно отработана в профессиональном образовании: вендорские треки Microsoft (MCP → MCSA → MCSE) или Cisco (CCNA → CCNP → CCIE) работали по тому же принципу задолго до нынешних разговоров о микросертификатах. Ключевой вопрос — кто валидирует так, чтобы работодатель доверял. Без сильного гаранта рискует деградировать в шум.

Направление C — ускоренные программы со спонсорством работодателя. Совмещение интенсивного обучения с гарантированным первым трудоустройством. Часть стоимости платит работодатель в обмен на обязательство работать N лет. В советской и российской традиции это известно как целевое обучение: предприятие оплачивает обучение в обмен на отработку. Сейчас аналогичную логику возрождают западные программы ученичества (apprenticeship) и корпоративные академии. Похоже также на медицинскую резидентуру или старую модель армейского обучения.

Что почти наверняка останется. Топовые университеты — потому что их функция давно сместилась с передачи знания на селекцию и сеть, а это ИИ не воспроизводит.

Что под вопросом. Средние университеты, чья ценность сводится к лекционному содержанию. Возможные сценарии: консолидация, специализация (институты, привязанные к индустриям), государственная поддержка как социальная политика.

Направление 4. Государство и институциональные посредники

Включает не только государство, но и профессиональные ассоциации, отраслевые палаты, профсоюзы, сертифицирующие органы — всех, кто по структуре игры (см. часть II) может выступать координатором.

4.1. Как было и почему

Государство и институциональные посредники выполняли в старой системе четыре функции.

Финансирование массового образования. Государство несло основные затраты на школьное и значительную часть на высшее образование. В Европе — почти полностью; в США — через закон о пособиях ветеранам (GI Bill), федеральные стипендии, государственные университеты.

Лицензирование профессий. Адвокатские, медицинские, инженерные ассоциации валидировали профессиональные стандарты. Это работало как репутационный механизм с реальным принуждением: лишение лицензии означало конец профессиональной карьеры.

Регулирование труда. Минимальные зарплаты, рабочее время, антидискриминационные законы, профсоюзы. Создавало институциональный пол для условий труда.

Поддержка университетов как социальной инфраструктуры. Финансирование исследований, поддержка региональных университетов, иммиграционная политика для талантов.

В системах с сильным институциональным участием к этому добавлялась совместная ответственность за подготовку кадров. Здесь важно не объединять в одну категорию все координированные экономики, а различать механизмы.

— Германия / Швейцария / Австрия: система двойного обучения — совместное производство навыков с участием компаний, профессиональных школ, федерального уровня, земель, палат и законодательно регулируемых профессиональных стандартов.

— Япония: внутренние рынки труда с традицией пожизненного найма; обучение, специфичное для фирмы (не общее); долгий горизонт занятости делает фирменные инвестиции в обучение рациональными даже без внешнего мандата.

— Скандинавские страны (особенно Дания): модель flexicurity — коллективные переговоры, активная политика на рынке труда, сильная инфраструктура переподготовки, сильное социальное государство как страховка от мобильности.

— США / Великобритания: подбор через рынок, более слабая отраслевая координация; канал входа исторически работал через культуру когортного найма в крупных компаниях, без формальных институциональных механизмов.

Это четыре разных решения одной структурной проблемы (см. часть II про модели капитализма), а не единый универсальный институциональный рецепт.

4.2. Как сейчас (апрель 2026)

Уровень B:

Институциональный ответ на вызванные ИИ сдвиги в труде начинает оформляться, но пока преимущественно в реактивном режиме.

Регулирование ИИ как самостоятельной технологии. EU AI Act (2024) — первый крупный правовой каркас. U.S. Copyright Office Part 3 (2025) о данных для обучения генеративных моделей. Соглашение SAG-AFTRA (2025) с требованиями согласия и раскрытия по поводу цифровых копий актёров.

Транзитные фонды и филантропические ответы. Стратегия Rockefeller Foundation на 100 млн долларов для качественных рабочих мест в депрессивных регионах, включая индустрии с внедрением ИИ. CIPD (Великобритания): 17% работодателей ожидают сокращения штата из-за ИИ в ближайшие 12 месяцев.

Уровень C:

Профессиональные ассоциации в творческих индустриях двигаются быстрее. ISM (Великобритания), Association of Photographers, SAG-AFTRA — выступают как координаторы реакции на ИИ. Это работает в индустриях с сильной профессиональной идентичностью и существующими коллективными организациями.

Уровень D:

Государства с разной институциональной конфигурацией по-разному приспособлены к структурному переходу. Это структурное предсказание из литературы о моделях капитализма (Hall, Soskice 2001), но эмпирические результаты на 2020–2026 годы пока преимущественно качественные. Германия и Швейцария лучше приспособлены через традицию двойного обучения; Япония — через внутренние рынки труда; скандинавские страны — через инфраструктуру переподготовки; США и Великобритания уязвимее, потому что нет институциональных механизмов, преодолевающих стимулы отдельных фирм к недоинвестированию.

Возможные новые формы лицензирования работы с участием ИИ, аудиторские следы, обязательства по обучению. Сейчас обсуждаются, не реализованы.

4.3. Варианты развития

Три сценария, различающихся по масштабу институционального вмешательства.

Консервативный сценарий. Государство субсидирует старые институты без структурной реформы. Работает как защитная политика — замедляет распад, не решает сцепленный кризис. Политически наиболее вероятный путь в большинстве стран. В Парето-логике (II.8): преимущественно доминируемый — короткое государство экономит, длинное теряет, реализуется через инерцию.

Адаптивный сценарий. Государство и институциональные посредники финансируют новые формы: ученичество в перестроенном виде, сертификационная инфраструктура, транзитные фонды, переносимые счета на обучение. Это не «налог на ИИ» (методологически слабая идея), а механизмы финансирования обучения: сбор на ученичество, фонд обучения на базе платёжной ведомости, налоговые кредиты за верифицированное ученичество, отраслевая сертификационная инфраструктура. Логика — механизмы финансирования воспроизводства канала подготовки. В Парето-логике: около-Парето — есть фискальная цена для короткого государства, но компенсируется в длинном; требует институционального дизайна и активного поддержания.

Радикальный сценарий. Новые формы лицензирования работы человек-плюс-ИИ, обязательные аудиторские следы для решений найма, принимаемых с помощью ИИ, обязательства работодателей по обучению, закреплённые на отраслевом уровне. Похоже на то, как регулировались химическая и финансовая индустрии в XX веке. Политически сложнее. В Парето-логике: потенциально Парето-улучшающий в длинном горизонте, но политически дорогой и зависимый от наличия сильной коалиции акторов с длинным окном.

Что определит выбор сценария. Не идеология, а структура существующих институтов. Это подводит к одному из важнейших наблюдений статьи — про невозможность механического переноса институциональных конфигураций, к которому мы вернёмся в части III.

Часть II. Методологический слой: стратегические и информационные провалы

Мета-оговорка. Модели ниже являются эскизами механизмов, не оцениваемыми формальными моделями. Они показывают где частная рациональность расходится с коллективной устойчивостью, где старые сигналы перестают разделять типы кандидатов, где команды теряют координационное равновесие, и какие институции могут изменить структуру выигрышей. Из них не следуют конкретные политические выводы — это требует отдельной работы (механизм-дизайн, политическая теория, эмпирика). Теория игр здесь — аналитическая линза, дисциплинирующая интуицию, не авторитет.

II.1. Формирование квалификации как проблема инвестиций в обучение и проблема шантажа

Дилемма заключённого — частный случай при определённых параметрах, но не универсальная модель этой ситуации.

Проблема шантажа (hold-up problem: Williamson, Hart): один игрок инвестирует в специфичный или переносимый актив, другой может затем извлечь выгоду через ренегоциацию или дезертирство. В контексте труда: компания инвестирует в обучение работника, работник может уйти к конкуренту, забрав переносимый навык. Это центральный сюжет экономики обучения.

Двухигровая опорная модель

Одна компания, один потенциальный работник.

При определённых параметрах (высокая мобильность, низкая стоимость поиска новой работы, небольшое сжатие зарплат) это структура социальной дилеммы, похожей на дилемму заключённого: равновесие «оба отказываются» хуже для обоих, чем кооперативное.

Но дилемма заключённого не является универсальной моделью этой ситуации. У работника нет автоматической доминирующей стратегии «уйти»: решение остаться или уйти зависит от множества факторов — зарплаты, статуса, опционов, команды, визы, карьерных перспектив, репутации в индустрии. У компании тоже есть инструменты удержания: вестинг, повышения, премии, внутренние рынки труда. При других параметрах игра может иметь кооперативное равновесие даже без внешней координации.

Это уже частично объясняет реальное явление: почему на высокомобильных рынках труда начинающие меняют компании каждые 2–3 года, и почему работодатели систематически недоинвестируют в обучение. Не потому, что одна сторона «плохая» — структура игры при этих параметрах толкает к взаимному отказу. При других параметрах структура другая.

Повторяющаяся игра и кооперация

Если та же игра повторяется, ситуация меняется. Axelrod (1984) показал, что стратегия «око за око» и её варианты могут стабилизировать кооперацию в повторяющихся структурах, похожих на дилемму заключённого.

На рынке труда повторяющаяся игра работает через:

— Долгую лояльность одной компании. Япония XX века, IBM до 1990-х. Компания и работник играют долго, дезертирство имеет высокую цену.

— Репутационные механизмы внутри индустрии. Малое профессиональное сообщество (швейцарские часовщики, немецкий инженерный Mittelstand).

— Культурные нормы профессиональной чести.

Масштабирование до индустрии

Теперь не два игрока, а 1000 компаний и 100 000 работников. Каждое дезертирство теперь причиняет ущерб не одному партнёру, а всем остальным n-1 участникам.

При переходе от двух игроков к многим у дезертирства растут стимулы быстрее, чем у кооперации. Проблема разматывания (Олсон, 1965): достаточно одной крупной компании, которая решит «мы сэкономим и наймём готовых senior у конкурентов» — и кооперативное равновесие дестабилизируется.

Точная формулировка: канал подготовки начинающих — это отраслевое квазиобщественное благо / положительная экстерналия, связанная с инвестированием в переносимый человеческий капитал. Это не чистое общественное благо (обученный работник не неконкурентен и не полностью неисключаем; пока работает в фирме, компания частично присваивает ценность), но утечка на рынок возникает при отчуждении.

Это сюжет Беккера («Human Capital», 1964): фирмы недоинвестируют в общее обучение, потому что работник может уйти и забрать навык.

Acemoglu-Pischke и пределы Беккера

Acemoglu и Pischke (1998, 1999, «Why Do Firms Train?», «Beyond Becker») показали, что модель Беккера применима только в определённых условиях: совершенно конкурентные рынки труда, высокая мобильность, отсутствие сжатия зарплат и трений.

В реальности условия часто другие. При несовершенных рынках труда, сжатии зарплат, внутренних рынках труда, фрикциях поиска и долгом горизонте занятости фирменные инвестиции в общее обучение могут быть равновесными — то есть не требовать внешнего мандата.

Поэтому корректная формулировка:

Недоинвестирование в переносимые навыки — базовое предсказание для конкурентных рынков труда и высокого риска переманивания; при несовершенных рынках труда и координированных институтах фирменные инвестиции в обучение тоже могут быть равновесием.

Это критически важно. Германия, Япония, Швейцария — не «исключения из теории игр». Они — другая институциональная параметризация той же модели. Их параметры (палаты с принудительной силой, сжатие зарплат через коллективные переговоры, внутренние рынки труда с долгим горизонтом) делают кооперацию равновесной. США и Великобритания с дерегулированным рынком работают в параметрах, где предсказание Беккера (недоинвестирование) ближе к реальности.

Что меняет ИИ

Раньше структура была сбалансирована тем, что работа начинающего была дешёвым производственным вкладом. Компания получала непосредственную пользу от начинающего и одновременно субсидировала канал подготовки.

ИИ снижает относительную ценность части традиционного производственного вклада начинающих (шаблонный код, черновики, отладка, первичная сортировка обращений) и тем самым делает обучающий компонент более заметным и менее автоматически субсидируемым производственной ценностью. Это не «начинающие больше не нужны как производственная сила» — они могут оставаться производственным вкладом в перестроенной форме (контроль качества, проверка ИИ, удержание контекста заказчика, внутренние инструменты). Но баланс между производством и обучением сместился.

Это объясняет наблюдаемый разрыв в поведении IBM (большая, регулируемая, с долгой историей — кооператор повторяющейся игры с параметрами, поддерживающими равновесие обучения) и типичного SaaS-стартапа (короткий горизонт, высокая мобильность, параметры базовой модели Беккера). Не разные ценности — разные позиции в одной игре с разными параметрами.

II.2. Наём как информационная проблема

Сигнальная игра по Спенсу

Работник посылает сигнал (по Майклу Спенсу, нобелевская премия 2001) работодателю. Работодатель платит премию за сигнал. Сигнал работает, если он дороже для слабого кандидата, чем для сильного — равновесие разделения.

Диплом MIT работает не потому, что MIT учит уникальному, а потому что слабые кандидаты не могут его получить — это затратный сигнал. То же с многолетним послужным списком в открытых проектах, с опубликованными делами в праве, с часами контролируемой практики в медицине.

Резюме само по себе не было сильным затратным сигналом. Резюме — это сочетание простых деклараций и проверяемых фактов. Простые декларации: сопроводительное письмо, самоописание, отполированное повествование. Проверяемые факты: дипломы, история работы, реальные рекомендации.

ИИ меняет структуру стоимости сигналов. ИИ удешевляет производство деклараций, но не удешевляет производство верифицируемых документов. Простые декларации становятся ещё дешевле — равновесие смешения на повествовательном слое. Проверяемый слой (дипломы, контролируемая практика, признание коллег) сохраняется.

Это объясняет наблюдаемое смещение рынка: от резюме к длинным образцам работы; от сопроводительных писем к живому кодированию и практической оценке; от шаблонного портфолио к верифицированному провенансу с признанием опытных коллег.

Рынок «лимонов» Акерлофа как гипотеза

Если работодатель не может различить хороших начинающих от плохих, рациональная стратегия — платить среднюю цену. При средней цене хорошие начинающие уходят. Остаются плохие. Рынок лимонов Джорджа Акерлофа (1970, нобелевская премия 2001 совместно со Спенсом и Стиглицем).

Возможный механизм: лучшие начинающие всё чаще обходят стандартный наём через сети, путь основателя, прямой контакт с конкретными senior. Менеджеры по найму видят в среднем худший пул, рационально снижают ожидания, что вытесняет ещё больше хороших кандидатов.

Это правдоподобная гипотеза, но не верифицированный механизм. Корректно маркировать как гипотезу о неблагоприятном отборе типа рынка лимонов, требующую проверки через данные о пулах кандидатов, ставках предложений, источниках найма.

II.3. Разрыв в уровне владения ИИ как координационная проблема

Команда — это координационная игра. Если все используют ИИ на уровне X, и нормы команды на уровне X, всё работает. Если двое используют ИИ на уровне X+3, а остальные на X, равновесие разрушено — ожидания рассинхронизированы.

Координационная игра — базовый аппарат, не полное описание явления. К нему нужно добавить:

— Статусный конфликт. Активные пользователи ИИ часто оказываются в статусной позиции «я понимаю будущее», коллеги без ИИ — «я отстаю».

— Различие в толерантности к риску. Активные пользователи готовы к вероятностным результатам, не использующие ИИ работают в детерминированном мышлении.

— Конфликт метрик качества. Что считать «хорошим» результатом — нормативный конфликт.

— Эрозия доверия. Нейрохалтура разрушает доверие.

— Управленческая неопределённость. Менеджеры часто не задают чётких норм.

— Взаимозависимость задач. Когда результат одного — вход для другого, рассинхронизация бьёт по всей цепочке.

— Сжатие коммуникаций. ИИ удешевляет перевод контекста между специалистами, и часть передач между людьми перестаёт происходить — они склеиваются в одной голове плюс агент. Это снимает часть координационной нагрузки, но одновременно убирает посредников, которые раньше валидировали смыслы на стыках. Если посредник не переходит в роль валидатора ИИ-выводов, рассинхронизация и нейрохалтура накапливаются быстрее — и это разрушает доверие, не ослабляет его. Это превращает координационную проблему II.3 из «двое работают на разных уровнях X и X+3» в «двое работают через ИИ-посредника, которого никто не контролирует» — другая структура задачи, требующая другого равновесия.

Координационная игра объясняет базовую механику, но реальная сложность требует организационной социологии поверх неё.

II.4. Институциональный ответ как механизм-дизайн

Решения проблемы коллективного действия, провалов сигналов и провалов координации не следуют из самих этих проблем. Они требуют отдельного дизайна.

Возможные координаторы, способные изменить структуру выигрышей:

— Государство. Может вводить сборы на обучение, налоговые кредиты, регулируемые стандарты ученичества, сертификационную инфраструктуру.

— Отраслевые ассоциации. В зрелых индустриях с сильной профессиональной идентичностью (медицина, право, инженерия) могут координировать стандарты без государственного мандата.

— Профессиональные палаты. Особенно в континентально-европейской традиции — немецкие торгово-промышленные палаты (Industrie- und Handelskammern).

— Якорные крупные компании. IBM, Salesforce, банки — компании, чей размер и долгий горизонт делают для них рациональным инвестировать в канал подготовки даже без мандата. Они могут стать зерном кооперативного равновесия.

— Крупные платформы. GitHub, Stack Overflow, репозитории открытых проектов создали инфраструктуру де-факто сертификации без формального координатора. Это новый класс акторов с координационной способностью, который не существовал в XX веке.

— Профсоюзы и коллективные переговоры. SAG-AFTRA (2025) — недавний пример успешной координации.

— Сертифицирующие органы. AWS, Cisco, медицинские лицензионные органы.

— Кооперация в повторяющейся игре внутри профессиональных сообществ. Сообщества открытого кода, академические системы рецензирования — самоорганизующиеся репутационные механизмы.

Государство и институциональные посредники — наиболее очевидные межрыночные координаторы, но не единственные. Якорные компании, крупные платформы и профессиональные сообщества тоже могут запускать локальные кооперативные равновесия. В некоторых конфигурациях рынок может не выйти из равновесия недоинвестирования без внешней координации, но конкретный носитель этой координации — открытый эмпирический вопрос, не теоретическая необходимость.

II.5. Динамическая зависимость от пути: гонка на дно или гонка наверх

Это сценарная динамика, не формальная модель.

Гонка на дно. Страна A сокращает канал подготовки, получает краткосрочную экономию. Страна B видит и тоже сокращает. Через 7 лет обе хуже, чем были бы в кооперации.

Гонка наверх. Страна A инвестирует в канал подготовки, развивает пул senior. Страна B видит, что A выигрывает в долгосрочной конкуренции, и тоже инвестирует.

Какая динамика реализуется — зависит от того, что наблюдают игроки. При фокусе на квартальные отчёты — гонка на дно. При фокусе на десятилетние отраслевые результаты — гонка наверх.

Это часть наблюдений из литературы о моделях капитализма. Важно не сводить её к стандартной типологии «координированные против либеральных рыночных экономик», а различать конкретные механизмы.

— Германия / Швейцария: система ученичества, палаты с принудительной силой, профессиональные стандарты, сжатие зарплат — делают кооперацию равновесной для большинства параметров.

— Япония: внутренние рынки труда, традиция пожизненного найма, обучение, специфичное для фирмы (не общее). Это другое решение — не межфирменная кооперация, а внутрифирменный долгий горизонт. Уязвимость другая: при разрушении пожизненного найма (что и происходит с 1990-х) система дестабилизируется иначе, чем германская.

— Скандинавские страны (особенно Дания): модель flexicurity — коллективные переговоры, активная политика на рынке труда, сильное социальное государство. Здесь кооперация поддерживается не через удержание внутри фирмы, а через институциональный буфер при мобильности.

— США / Великобритания: подбор через рынок, более слабая отраслевая координация. Культура когортного найма крупных компаний исторически работала как функциональный заменитель институтов, но эта культура сама под давлением ИИ.

Институциональный дизайн меняет, какая динамика равновесна. Это не оценочное суждение о «лучших культурах» — это структурное наблюдение.

Дополнительное измерение: дифференциальная уязвимость к сжатию коммуникаций (см. 1.4). В координированных экономиках значительная часть посреднических ролей институционализирована через лицензии, профессиональные палаты, отраслевые сертификаты. Это создаёт регуляторный буфер: чистый «переводчик контекста», который в либеральной модели сжимается под давлением ИИ, в координированной модели часто оказывается носителем лицензированной ответственности — и сжимается медленнее. Германия и Япония, по этой логике, должны хуже видеть удар по среднему управленческому звену в среднесрочной перспективе, чем США и Великобритания. Это структурное предсказание, эмпирически пока не проверенное (см. часть IV).

II.6. Поведенческие и зависящие от норм расширения

Сквозная оговорка для всех структур выше.

Стандартная теория предполагает рациональных игроков. Реальные акторы имеют ограниченную рациональность (Simon), имитируют конкурентов (DiMaggio, Powell — институциональный изоморфизм), реагируют на нарративы независимо от реальности (Kahneman, Tversky), действуют по идентичности (Akerlof, Kranton), подчиняются социальным нормам (Bicchieri).

Стандартная теория игр без поведенческих расширений недостаточно предсказательна в реальном мире. Но она остаётся ограничителем — структурные предсказания (недоинвестирование как базовое для конкурентных параметров) сохраняются даже при ограниченной рациональности, просто реализуются медленнее или с искажениями.

II.7. Государство как два игрока: короткое и длинное окно

В описании четырёх акторов государство выступает как один актор. Для большей части анализа этого достаточно. Но в обсуждении вариантов развития (Часть III) и в разборе конкретных институциональных конфигураций (статья B цикла, биографии) выясняется, что одно и то же решение государства может быть рациональным в коротком окне и разрушительным в длинном.

Поэтому методологически полезно расщепить государство на двух игроков с разными функциями полезности:

• Короткое государство — налоги сейчас, кадры сейчас, отсутствие политических шоков, управляемость потоков, фискальная стабильность в текущем бюджетном цикле. Горизонт — выборный цикл, очередной отчёт, текущий состав правительства.
• Длинное государство — воспроизводство компетенций через 10–20 лет, ценность опции возврата уехавших, структурная гибкость, способность отвечать на технологические сдвиги, долгосрочная легитимность. Горизонт — поколение, многолетние программы, институции, которые переживают смену администрации.

В разных странах эти два игрока соотносятся по-разному. В США и Великобритании рядом с публичной политикой есть «глубинное государство» (deep state) — постоянные ведомства, крупные регуляторы, академические сети, — которое исторически держало длинную линию против короткого популизма; публичная политика при этом всё больше становится театром. В континентальной Европе длинное государство встроено в систему профессиональных палат и социального партнёрства; короткое — вынуждено с ним считаться. В России короткое и длинное часто перемешаны: один и тот же орган отвечает и за бюджет квартала, и за стратегию десятилетия, и при конфликте короткое почти всегда побеждает. Это не «плохое государство», а конфигурация, в которой длинное окно структурно слабее.

Эти две функции часто конфликтуют. Закрытие нехватки учителей через рост требований к производительности при том же штате решает задачу короткого государства (бюджет сходится) и одновременно подрывает воспроизводство профессии в горизонте длинного. Административное удержание уехавших (запреты на удалённую работу, налоговые надбавки для нерезидентов) снижает ценность опции возврата и тем самым превращает временный отъезд в окончательный — короткое государство видит «удержали часть оставшихся», длинное теряет диаспору как стратегический ресурс.

Это не парадокс, а структурная особенность: извлекающие равновесия (когда выигрыш одного игрока обеспечивается за счёт других) часто выглядят рационально только в коротком окне государства. Расщепление делает эту структуру видимой и применимо не только к государству — тот же анализ работает для расщепления работодателя по горизонту планирования (см. 1.2: IBM и крупные регулируемые компании играют как длинные игроки, SaaS-стартапы под квартальным давлением — как короткие).

II.8. Парето-фильтр сценариев

Когда у системы есть несколько возможных равновесий (а у каждого актора в Части III есть три варианта развития), теория игр не выбирает между ними однозначно. Это известная проблема выбора равновесия (equilibrium selection: Schelling 1960, Harsanyi-Selten 1988).

Полезный фильтр для чтения сценариев — Парето-логика. Для каждого варианта развития можно спросить: кто выигрывает, кто проигрывает, в каком горизонте. Это даёт классификацию из четырёх групп:

• Парето-улучшение (Pareto-positive): никто не проигрывает, кто-то выигрывает.
• Около-Парето (near-Pareto): есть ограниченный проигрыш одного актора, который можно компенсировать институциональным дизайном.
• Извлекающее (extractive): один-два актора выигрывают за счёт систематического проигрыша других.
• Доминируемое (dominated): большинство проигрывает или долгосрочный ущерб очевиден; обычно реализуется через инерцию, а не через выбор.

Эта классификация — не количественная модель и не прогноз вероятности. Сценарий может быть Парето-улучшающим и не реализоваться (если требует дорогого институционального обновления). Сценарий может быть доминируемым и реализоваться через краткосрочные стимулы или политическую инерцию. Парето-фильтр работает как структурированный способ задавать правильные вопросы к каждому варианту развития, не как средство вычисления оптимума.

Главный паттерн, наблюдаемый при применении этого фильтра: Парето-улучшающие равновесия почти всегда требуют активного поддержания институциональной инфраструктуры — обновления стандартов, расширения процедур признания, цифровизации регуляторных актов, ресурсного подкрепления программ. Извлекающие и доминируемые равновесия часто реализуются через бездействие или краткосрочный выигрыш сильного актора. Это создаёт давление в сторону деградации даже там, где конфигурация изначально сильна: сохранение работающего равновесия в условиях технологического сдвига дороже, чем его распад.

В этой статье Парето-логика применяется точечно — в Части III к ключевым сценариям. Полная Парето-карта пяти институциональных биографий с матрицами для каждой — в статье B цикла.

Часть III. Сквозные наблюдения

III.1. Сцепленный кризис

Все три института (работодатель, сотрудник, образование) в одновременном кризисе, и кризисы взаимосвязаны. Работодатель не нанимает начинающих, потому что ИИ делает их работу и потому что образование готовит их к работе, которой больше нет. Образование теряет смысл, потому что работодатель не платит за его сигнал. Сотрудник не знает, как войти в профессию, потому что традиционный путь сломан с обеих сторон.

Это не три независимых сбоя, а сцепленный кризис: каждый механизм зависит от двух других, поэтому частичная реформа одной стороны быстро упирается в нерешённые проблемы соседних институций. Государство и институциональные посредники — наиболее очевидные межрыночные координаторы, но не единственные: якорные крупные компании, крупные платформы и профессиональные сообщества тоже могут запускать локальные кооперативные равновесия.

Коллапс канала как сквозной механизм. Под одной общей логикой работает и сжатие посредников (1.4), и обесценивание сигналов (II.2), и нейрохалтура (1.4, конец). ИИ удешевляет генерацию любого формализованного сигнала почти до нуля — холодные письма, заявки на работу, сопроводительные тексты, отчёты, портфолио, обзоры литературы, рекомендательные письма. Когда стоимость генерации падает до нуля, сама категория сигнала начинает шуметь и перестаёт работать.

Самый прозрачный пример — холодные письма в продажах. До 2023 года они работали как канал: компании платили за специалистов по холодным продажам (SDR — Sales Development Representative), те писали письма, часть получала ответ. Когда все начали использовать ИИ для первичного контакта, почтовые ящики заполнились однотипным шумом. Открываемость упала. Канал умер — не потому что заменили SDR на ИИ-SDR, а потому что вся категория первичного email-контакта перестала быть сигналом. То же происходит с резюме, академическими работами, заявками на гранты, публикациями в LinkedIn. Это не «ИИ заменяет человека» — это «ИИ убивает сам канал».

Это объясняет, почему вместе с сжатием посредников и обесцениванием стандартных сигналов рынок одновременно движется в две стороны: укрепление сигналов (signal hardening — спрос на тяжёлые верифицируемые сигналы вроде долгого послужного списка, признания опытных коллег, регистров) и поворот к провенансу (provenance turn — длинная публичная траектория с подтверждением). И то, и другое — реакция на коллапс дешёвых каналов. Логика та же, что в Спенсовском разделе II.2: при удешевлении сигнала рынок ищёт сигнал подороже. Просто теперь это происходит не с одним типом дипломов, а одновременно с целой категорией формализованных артефактов работы.

Из этого следует, что некоторые наблюдаемые явления — рост требований к публичным портфолио, переход от резюме к живому коду, обращение к рекомендациям через сеть, повторное укрепление лицензий — это не разрозненные тренды, а одна логика, проявленная в разных местах. И это часть того же сцепленного кризиса: коллапс канала в одной точке системы (резюме как сигнал) усиливает давление на соседние (образование как сертификатор, работодатель как селектор, сотрудник как носитель собственного следа).

III.2. Невозможность механического переноса институциональных конфигураций

Стандартная реакция на наблюдение «Германия лучше справляется через двойное обучение» — это попытка скопировать институции. Эти попытки исторически провалились. США несколько раз пытались внедрить ученичество немецкого образца (1990-е, 2010-е, ряд штатных инициатив). Результат: программы запускаются, через 5–7 лет тихо сворачиваются, остаются как маломасштабные исключения.

Структурно это ожидаемо. Институции не работают сами по себе — они работают, потому что параметры рынка делают их равновесными. Германское двойное обучение работает, потому что:

— Сжатие зарплат через коллективные переговоры делает переманивание менее выгодным. — Палаты имеют принудительную силу и могут наказывать дезертиров. — Долгий стаж занятости делает окупаемость обучения приемлемой для фирмы. — Профессиональные стандарты делают навыки переносимыми между фирмами внутри отрасли, но не размывают их ценность через избыточное предложение. — Социальная норма «обучать молодых — обязанность зрелой фирмы» подкрепляет формальный мандат.

Скопировать только формальную программу ученичества в США, где параметры противоположны (высокая мобильность, слабые палаты, короткий стаж, отсутствие профессионального лицензирования для большинства профессий, культурная установка «человек сам отвечает за своё обучение»), — значит запустить программу, которая структурно нестабильна.

Это объясняет, почему механический перенос политик в институциональном дизайне почти всегда провалится. Из этого следует не «копировать невозможно», а:

— Чтобы немецкая модель заработала в США, нужно изменить параметры, а не только институции. Это значительно сложнее политически и занимает десятилетия.

— Чтобы японская модель внутренних рынков труда работала в США, нужна совместимая корпоративная культура. Без неё попытки пожизненного найма как HR-практики (Lincoln Electric, американский производитель сварочного оборудования с политикой пожизненного найма с 1958 года, — единственный известный устойчивый случай) остаются изолированными курьёзами.

— Скандинавская flexicurity требует общества высокого доверия и крупного государственного бюджета. Без этого «flexicurity» рассыпается на мобильность без защиты.

Это критически важно для обсуждения политик: каждой стране нужно искать свою институциональную конфигурацию, совместимую с её параметрами, а не копировать чужую успешную модель. Это медленнее и труднее, но единственное, что работает.

Россия — отдельный случай. Сочетание высокой роли государства, относительно слабых независимых профессиональных организаций, специфической структуры найма (значительная доля государственного сектора), продолжающейся IT-эмиграции и сильной академической традиции в естественных и точных науках даёт уникальную конфигурацию параметров. Институциональный ответ должен исходить из этих параметров, не из импорта западных моделей. Это требует отдельного исследования, выходящего за рамки этой статьи.

III.3. Регрессивность по биографии

Во всех четырёх направлениях люди с уже сформированным капиталом — социальным, культурным, биографическим — выигрывают. Люди без него теряют единственные ранее доступные каналы. Это структурное предсказание из теории сигналов: когда сигнальное равновесие ломается, разделяющие равновесия восстанавливаются через затратные сигналы, а затратные сигналы по определению дороже для тех, у кого меньше ресурсов.

Это можно эмпирически проверять не через медленные метрики (коэффициент Джини, межпоколенческая мобильность), а через приближённые показатели: доля начальных позиций и стажировок, опора на рекомендации в найме, доля завершения массовых открытых курсов и ускоренных программ по социально-экономическому статусу, доступ к элитным стажировкам, доля выпускников в первом поколении среди занимающих высокостатусные позиции, необходимость публичного портфолио, различия в доступе к ИИ-инструментам и наставничеству.

Без целенаправленной политики переход усугубит неравенство.

III.4. Парадокс производительности 2.0

На уровне макроданных взрывного роста производительности от генеративного ИИ пока не видно (данные BLS, OECD). Это создаёт известный парадокс. Но «взрывного роста нет» не означает «ИИ не работает» — нужно различить пять отдельных уровней.

Производительность на уровне задач — реальный, измеримый эффект на отдельных задачах. Эксперимент Brynjolfsson, Li, Raymond по клиентской поддержке (+14% / +34% у новичков); исследование GitHub Copilot на специфических задачах кодирования; множественные лабораторные эксперименты. Это уровень, на котором выигрыш есть.

Производительность на уровне фирмы может быть значительно слабее производительности на уровне задач, потому что съедается издержками интеграции, нейрохалтурой, координационными издержками, расходами на обучение, организационными нарушениями. Возможно, что фирма имеет +30% производительности на конкретных задачах и +5% общей производительности, потому что остальные задачи не выиграли, а ряд новых задач (проверка ИИ, конструирование запросов, обработка исключений) появился.

Макроэкономическая производительность отстаёт от производительности на уровне фирмы из-за задержек распространения. OECD: только 20,2% фирм используют ИИ в 2025 году. Совокупный эффект — это взвешенное среднее по всем фирмам, и большинство ещё не реализовали даже выигрыша на уровне фирмы.

Нарратив сокращения издержек может использовать ИИ независимо от фактической производительности. «Мы сокращаем 10% штата из-за эффективности ИИ» звучит лучше для инвесторов, чем «мы сокращаем 10% штата из-за высоких процентных ставок и постпандемийного перенайма». Часть нынешних сокращений может быть макроэкономическим сокращением издержек под удобным ИИ-нарративом.

Несоответствие измерений (парадокс Солоу 2.0). Это аналог известного парадокса 1980-х, когда инвестиции в IT были везде, кроме статистики производительности. Современные показатели BLS плохо схватывают качество интеллектуальной работы, а не только её объём. Если ИИ улучшает качество решений, глубину анализа, время до инсайта — но эти измерения не входят в стандартные показатели производительности — тогда реальный выигрыш есть, но не отображается в статистике. Парадокс Солоу в итоге частично рассеялся к концу 1990-х, когда измерения догнали реальность.

Это значит, что финальная интерпретация парадокса производительности 2.0 — открытый вопрос. Возможны разные комбинации этих пяти эффектов, и они дают совершенно разные прогнозы:

— Если доминирует несоответствие измерений — выигрыш реальный, статистика догонит. — Если доминирует нарратив сокращения издержек — ИИ как фрейминг, не как драйвер; при изменении макроэкономического контекста сокращения откатятся. — Если доминируют издержки интеграции на уровне фирмы — выигрыш придёт, но медленнее ожидаемого, и потребует значительной организационной перестройки.

Какой из этих миров реальный — будет видно в данных к 2028–2030 годам. До этого уверенные рецепты преждевременны.

III.5. Самый сильный риск — не быстрый, а медленный

Не «ИИ заменит работу за 2 года» — этого скорее всего не произойдёт. А «за 7–10 лет в индустриях, где сегодня сократили наём начинающих, не из кого будет растить senior». Это бомба замедленного действия. И самое неприятное — она проявится тогда, когда сегодняшние руководители и совет директоров уже уйдут.

Это объясняет, почему никакие индивидуальные действия под краткосрочной системой стимулов не решат проблему. Решение требует акторов с долгим горизонтом — государства, профессиональных ассоциаций, якорных компаний, долгоживущих институций.

III.6. Финальный тезис

К 2026 году сильнее всего доказан не конец профессий, а рассинхронизация трёх старых механизмов: работодатель меньше нуждается в рутинном вкладе начинающих; сотрудник теряет первый безопасный слой накопления неформального знания; образование всё хуже конвертирует диплом в первый профессиональный опыт. Но это не три независимых сбоя, а сцепленный кризис: каждый механизм зависит от двух других, поэтому частичная реформа одной стороны быстро упирается в нерешённые проблемы соседних институций.

ИИ не единственная причина этого сдвига, но он ускоряет его и делает старые сигналы — резюме, диплом, экзамены на дом, стандартные начальные задачи — менее информативными. Главный риск не в немедленной массовой безработице, а в деградации системы воспроизводства профессиональной компетенции. Эту деградацию можно остановить только согласованным действием четырёх акторов одновременно — работодателя, сотрудника, образования и институциональных посредников — потому что любая односторонняя адаптация упирается в нерешённые проблемы соседних институций.

Институциональные решения не универсальны. Каждой стране нужна своя конфигурация, совместимая с её параметрами рынка и социальной структуры. Механический импорт чужих моделей не работает. Это делает задачу значительно сложнее, чем кажется на первый взгляд, и одновременно делает её решаемой — но через медленную, многолетнюю работу, не через быстрые реформы.

III.7. Асимметрия стоимости поддержания

Если применить Парето-логику (см. II.8) к трём вариантам развития каждого актора в Части I, обнаруживается общий паттерн. Хорошие сценарии — те, где работодатель продолжает выращивать начинающих с поддержкой ИИ, образование обновляет программы под валидацию и оркестрацию, государство строит финансирование обучения через разделённые механизмы — почти везде требуют активного институционального обновления. Плохие сценарии — где работодатель ставит на «senior + ИИ-агенты», образование продолжает формальный курс с бесполезным итоговым проектом, государство ограничивается пропагандой переподготовки без бюджета — реализуются через бездействие или краткосрочный выигрыш одного актора.

Это та же асимметрия, что в Парето-фильтре: сохранение работающего равновесия в условиях технологического сдвига дороже, чем его распад. После ИИ ни один из четырёх акторов не может оставаться статичным. Работодатель, который не пересматривает структуру найма, теряет канал подготовки senior. Образование, которое не обновляет программы, теряет конвертацию диплома в работу. Государство, которое не пересматривает регуляторные категории, оставляет сертифицирующие органы со старыми, обесценившимися сигналами. Сотрудник, который не строит верифицируемый провенанс, оказывается в ситуации, где его дипломы и резюме обнулились ИИ-генерацией дешёвых сигналов.

Это создаёт давление в сторону деградации даже там, где конфигурация изначально сильна. И это объясняет, почему политически часто реализуется не оптимальный сценарий, а тот, что соответствует инерции и краткосрочной рациональности отдельного актора.

Часть IV. Открытые вопросы и что подлежит проверке

Эмпирические вопросы. Реальные траектории зарплат тех, кто не потерял работу, но потерял качественный ранний опыт. Скорость восстановления найма начинающих после первоначальной избыточной реакции на ИИ. Каузальные данные по неамериканским рынкам. Данные о численности среднего управленческого звена — преимущественно прогнозы и опросы, не административные данные. Долгосрочные эффекты активного использования ИИ на формирование квалификации у новичков. Эмпирическое подтверждение или опровержение гипотезы лимонов в современном найме. Прямые данные по премии за элитные институты в 2020–2026 годах. Какой из пяти механизмов парадокса производительности 2.0 доминирует.

Гипотезы по сжатию коммуникаций (см. 1.4 и II.5). Бифуркация посреднических ролей: тактические координаторы (статус-агрегаторы, переводчики, маршрутизаторы информации) сжимаются; ответственные оркестраторы (носители решений, бюджета, политического капитала, доверия клиента) сохраняются или дорожают. Что проверить: динамика вакансий координаторов проектов, junior-аналитиков, технических писателей и переводчиков относительно старших стратегических менеджеров и технических продактов; зарплатная премия за предметную экспертизу. Дифференциальный эффект по моделям капитализма: координированные экономики (Германия, Япония, Швейцария) с лицензированным посредничеством должны видеть удар медленнее, чем либеральные рыночные (США, Великобритания). Контр-гипотеза инфляции коммуникаций: снижение стоимости коммуникации может увеличить её объём, тогда сжатие посредников частично компенсируется новым спросом на фильтрацию шума и валидацию ИИ-выводов. Что проверить: число сообщений, документов и митингов после внедрения ИИ; рост ролей редакторов, ревьюеров, инженеров надзора, офисов по управлению ИИ; метрики нейрохалтуры.

Методологические вопросы. Как отделить рост производительности от ИИ от макроэкономического сокращения издержек в данных. Как измерить накопление неформального знания для возможной верификации гипотезы о коллапсе канала подготовки. Какие приближённые показатели регрессивности по биографии подходят для регулярного отслеживания. Как обновить показатели производительности BLS / OECD для современной интеллектуальной работы.

Институциональные вопросы. Какие конкретно механизмы финансирования обучения работают в каких структурных условиях. Как сертифицирующие органы могут восстанавливать верифицируемые сигналы в эпоху удешевлённого ИИ повествовательного слоя. Какова правильная балансировка между мандатом и кооперацией в институциональном ответе. Можно ли создать новые формы ученичества 2.0, совместимые с американским рынком труда, или это требует изменения параметров рынка.

Политический вопрос. Какая институциональная конфигурация совместима с российским контекстом — это требует отдельного анализа, выходящего за рамки данной статьи.

Переход к биографиям

В этой статье мы дали каркас: четыре актора, три времени, методологический слой, сцепленный кризис, Парето-логика и асимметрия стоимости поддержания. Каркас не отвечает на вопрос, какие конкретные институциональные механизмы работают в работающих конфигурациях и каких именно механизмов нет в недостроенных. Этот вопрос разбирается в следующей статье цикла — B. «Четыре актора, пять биографий».

Пять институциональных биографий — ирландский учитель, немецкий инженер, индийский медицинский специалист, китайская морская черепаха, русский айтишник — показывают пять режимов одного параметра (способности системы переводить чужой опыт в локальный статус, provenance translation capacity) и пять конкретных конфигураций институционального переводчика: регистр, защищённый титул с палатами, мостовая программа адаптации, государственная программа возврата с поглощающей способностью индустрии, сетевой децентрализованный переводчик. Парето-матрицы для каждой биографии показывают, какие сценарии под давлением ИИ являются Парето-улучшающими, около-Парето, извлекающими или доминируемыми.

Логика применения та же: общая рамка → конкретный параметр → классификация сценариев. Это первый из нескольких параметров, которые цикл рассчитывает разобрать.

Версия 3.3 · апрель–май 2026 · Сергей Гордейчик. Документ собран на основе рецензированных исследовательских отчётов (Stanford Digital Economy Lab, Harvard Business School, NBER), опросных исследований (OECD, ILO, CIPD, WEF), отраслевых анализов (BCG, Microsoft, Deloitte) и литературы по экономике труда (Becker 1964, Spence 1973, Akerlof 1970, Acemoglu-Pischke 1998–1999, Hall-Soskice 2001). Все цифры проверены через фактологическую базу цикла с разнесением уровней доказательств.