Одна теория, разные параметры

Назначение. Это статья C цикла «Игры в профессию». В первой — «Четыре актора, три времени» — собрана общая рамка: работодатель, сотрудник, образование и государство действуют с разными горизонтами, а ИИ меняет цену входа в профессию, качество сигналов и стимулы к обучению. Здесь та же рамка применяется к четырём институциональным конфигурациям — США, России, Китаю и ОАЭ. Вопрос не в том, «где ИИ сильнее», а в том, какие параметры делают одну и ту же игру разной: мобильность работников, сжатие зарплат, сила посредников, горизонт работодателя, роль государства и качество международных сигналов.

США — опорный случай рыночного недоинвестирования. Россия — сегментированный рынок с якорными работодателями и сильным государством. Китай — государственно-промышленная машина возврата зарубежного провенанса. ОАЭ — малая страна-хаб, импортирующая готовый человеческий капитал.

Базовая идея. В первой статье показано, что одни и те же механики (дилемма заключённого, проблема удержания инвестиций (hold-up problem), сигнальная теория Спенса, рынок лимонов Акерлофа, провалы координации, общественные блага при многих участниках) дают разные равновесия при разных параметрах рынка — мобильности, силе сжатия зарплат, наличии институциональных посредников, горизонте работодателя, качестве сигналов. Германия не «исключение из теории игр», а другая параметризация той же модели. Эта статья применяет ту же логику к четырём конфигурациям, лежащим на разных точках параметрического пространства.

Что и почему сравнивается. США взяты как опорная точка — большинство данных там о них. Россия — страна с принципиально иной конфигурацией: высокая концентрация работодателей, сильная роль государства, слабые независимые профессиональные организации, специфическая структура мобильности. Китай — государственно-промышленная машина возврата: программы привлечения исследователей, сильная абсорбция таланта, но высокий риск искажения публикационного провенанса. ОАЭ — малая страна-хаб, явно построенная вокруг привлечения мобильного человеческого капитала; именно она показывает, что межстрановой арбитраж кадров — самостоятельная игра, а не побочный эффект.

Индия, Сингапур, Япония и европейские страны остаются за пределами этой статьи: Индия — модель массового экспорта кадров и услуг, Сингапур — координированный глобальный центр, Япония — внутренние рынки труда. Каждая требует отдельного разбора; попытка покрыть всё сразу размыла бы фокус на четырёх конфигурациях, которые сами по себе содержательно богаты.

Эпистемический регистр. Статья опирается на материалы предыдущих обзоров (Stanford Digital Economy Lab, Anthropic Economic Index, Harvard Project on Workforce, ВШЭ ИСИЭЗ, hh.ru, Минцифры, рейтинги IB, результаты IMO/IOI, государственные стратегии ОАЭ). По многим пунктам — особенно по РФ — эмпирическая база тоньше, чем по США. Где это так, говорю прямо. Статья не претендует на полное эмпирическое исследование российского или эмиратского рынка; здесь общая теория применяется к доступным данным и формулирует проверяемые гипотезы и контр-гипотезы. Сводная таблица статуса доказательств приведена в части IV.

Часть I. Параметрический сдвиг

В первой статье показано, что недоинвестирование в переносимые навыки — базовое предсказание для конкурентных рынков труда и высокого риска переманивания; при несовершенных рынках и координированных институтах фирменные инвестиции в обучение могут быть равновесными. Чтобы понять, как одна и та же игра по-разному проигрывается в США, России, Китае и ОАЭ, нужно сначала зафиксировать параметры.

Семь параметров, в которых различаются США, Россия, Китай и ОАЭ

Эта таблица — не описательное упражнение, а карта того, где будут разные равновесия. Механизмы из первой статьи те же, но параметры рынка другие.

Что это означает для базовой игры

Когда параметры в четырёх странах различаются настолько сильно, тезис «ИИ разрушает начальный уровень» теряет универсальный смысл. Он превращается в условный: при каких параметрах ИИ разрушает начальный уровень больнее всего, а при каких смягчается институциональной конфигурацией.

Грубая формула:

США. Высокая мобильность × низкое сжатие зарплат × слабые посредники × короткий горизонт у части работодателей = классическая ситуация классической Беккеровской модели. ИИ ускоряет уже существующее равновесие недоинвестирования.

РФ. Бимодальный горизонт × сильная роль государства × слабые посредники × асимметричная мобильность = не недоинвестирование на уровне рынка, а расслоение на сегменты с разными равновесиями.

Китай. Высокая внешняя мобильность × очень высокая роль государства × сильные государственно-промышленные посредники × длинный горизонт у госиндустрии = не недоинвестирование и не чистый импорт, а машина возврата: зарубежный человеческий капитал конвертируется в локальную продуктивность, но та же система создаёт давление на провенанс, потому что ИИ удешевляет производство сигналов, которыми она измеряет успех.

ОАЭ. Высокая внешняя мобильность × очень короткий горизонт × почти полное отсутствие посредников для сегмента с преобладанием иностранных специалистов × массивное государственное участие = модель, в которой обучение исходно не ожидается от работодателя в сегменте иностранных специалистов; страна импортирует уже обученных. Параллельно существует отдельная государственно-координируемая программа для граждан ОАЭ (Emiratisation), играющая по другой логике.

Это четыре разные игры с одной и той же базовой механикой.

Четыре режима

Прежде чем разбирать игры по отдельности, полезно зафиксировать общий тип режима, в котором каждая страна находится. Это компактная карта, к которой можно возвращаться при чтении дальнейших разделов.

США — режим рыночного недоинвестирования. Главный механизм: высокая мобильность плюс краткосрочные стимулы плюс слабая отраслевая координация делают сокращение набора начинающих рациональным для каждой отдельной фирмы. ИИ усиливает уже существующее равновесие. Сильная сторона: рынок труда быстро находит новые конфигурации. Слабая сторона: канал подготовки хрупок, и его деградация может быть необратимой на горизонте 7–10 лет.

РФ — режим расслоения вокруг якорных компаний и государства. Главный механизм: бимодальный горизонт работодателей и сильная роль государства создают не общее равновесие, а три разных равновесия в трёх сегментах рынка. Крупные якорные компании могут стабилизировать обучение, малые становятся донорами, госсектор работает по логике квази-внутреннего рынка. Сильная сторона: потенциально мощные координаторы (государство, якорные компании). Слабая сторона: слабость независимых профессиональных посредников и риск того, что координация сверху произведёт имитацию контроля вместо реального равновесия обучения.

ОАЭ — режим импортированного таланта. Главный механизм: страна систематически импортирует сформированный человеческий капитал, минуя локальную фазу обучения для большинства специалистов. Сильная сторона: скорость, гибкость, способность быстро собрать высококвалифицированные команды. Слабая сторона: зависимость от устойчивости импортного канала и риск формирования слоя иностранных специалистов без локального умножения.

Часть II. Семь игр в новых параметрах

II.1. Формирование квалификации и проблема удержания инвестиций

В первой статье эта игра разворачивается так: фирма инвестирует в обучение → работник получает переносимый навык → конкурент может переманить → фирма недоинвестирует. ИИ ухудшает равновесие, потому что часть производственной ценности начинающего съедают ИИ-инструменты, обучающий компонент становится виднее, и краткосрочные фирмы рационально уходят в модель «старший специалист + агенты».

США. Игра близка к модели почти буквально. Сжатие найма начинающих в данных Stanford по платёжным ведомостям (−13–16% у 22–25 лет в наиболее затронутых ИИ профессиях) хорошо согласуется с этой логикой, хотя прямой каузальный вывод требует более тонкой эконометрики, чем доступна на текущих данных. Раскол между IBM (утроил наём начинающих) и типичным SaaS-стартапом (заморозка) объясняется разной длиной горизонта: IBM играет в повторяющуюся игру, стартап — в одноходовую.

РФ. Игра другая. В РФ работают минимум три рынка одновременно:

— Крупные банки, платформы, телеком, госкорпорации. Длинный горизонт, способны внутренне присвоить часть отдачи от обучения. Здесь обучение начинающих может оставаться равновесным даже в эпоху ИИ — особенно если внедрение ИИ идёт через те же крупные структуры, и они контролируют подбор задач, на которых начинающие учатся.

— Малый и средний IT, диджитал-бизнес, маркетинг, дизайн, креативные индустрии. Высокая мобильность, низкая способность защититься от переманивания. Здесь равновесие хуже американского: малый работодатель не может конкурировать с банками и платформами по зарплатам и проектам, и его рациональная стратегия — не обучать, а нанимать готовых. Это создаёт эффект, в котором малый бизнес перестаёт быть школой профессии.

— Госсектор, оборонка, регулируемые отрасли. Квази-внутренний рынок труда: ограниченная мобильность из-за допусков, специфики, географии. Здесь равновесие обучения сохраняется по той же логике, что в Японии XX века — длинный горизонт делает фирменные инвестиции рациональными.

Российская гипотеза, которую стоит проверить: канал подготовки начинающих не исчезает, а раздваивается. Крупные акторы сохраняют когортный набор; малые перестают быть школой. Это не «сжатие найма начинающих», а донорство кадров: малый бизнес обучает за свой счёт, крупные забирают.

Китай. Здесь у государства и госиндустрии есть третий путь: частично интернализовать отдачу от обучения через программы привлечения и возврата. Большая часть фундаментального обучения нередко происходит за рубежом, а затем зарубежный провенанс «доращивается» внутри страны — через университет, лабораторию и индустриального партнёра. Это снижает классическую проблему удержания инвестиций для верхнего сегмента, но не решает её для массового нижнего входа.

ОАЭ. Базовая институциональная установка для рынка труда с преобладанием иностранных специалистов — импорт уже обученных специалистов на временной основе, не выращивание собственных через классическое обучение, оплаченное работодателем. Локальный канал подготовки существует для граждан ОАЭ через программы Emiratisation и национальные образовательные институты, но он работает в отдельной институциональной логике. Для иностранных специалистов ОАЭ — это не школа профессии, а площадка для уже сформировавшихся.

Из этого следует контр-интуитивный вывод: ОАЭ структурно меньше зависят от шока, описанного в первой статье в сегменте иностранных специалистов, потому что классическая игра обучение, оплаченное работодателем там не является базовой. Но именно поэтому у них уязвимость другого типа — отсутствие в сегменте иностранных специалистов локальной системы, способной заменить импортный канал, если он по каким-то причинам прервётся. Параллельная национальная программа существует, но её масштаб и темп в значительной степени зависят от государственной воли и капитала, не от рыночной динамики.

II.2. Кто оплачивает канал подготовки: общественное благо при многих участниках

В первой статье показано, что на индустриальном уровне канал подготовки начинающих ведёт себя как квази-общественное благо: при отсутствии координации каждый игрок рационально не вкладывается, и канал подготовки разрушается через эффект разматывания.

США. Канал подготовки плохо координируется: нет сильных профессиональных палат, нет общеотраслевого фонда обучения, нет общего сбора на ученичество. Каждая фирма рассуждает: «пусть обучает кто-то другой». Это объясняет, почему американские попытки скопировать немецкую модель регулярно проваливались — параметры рынка не делают её равновесной.

РФ. Здесь логика интереснее. Слабых независимых профессиональных посредников нет, но есть потенциальный координатор другого типа — государство и крупные квазигосударственные заказчики. Если государство и его агенты являются крупнейшими заказчиками цифровизации, ИИ-проектов, инфраструктурных программ и импортозамещения, они могут встроить в правила закупок требования к воспроизводству кадров: квоты на стажёров, оплачиваемые стажировки, цели по переходу с начального на средний уровень, обязательные часы наставничества, совместные кафедры и лаборатории, доказуемая передача компетенций подрядчиком.

Это не немецкая палатная модель. Это другая форма интернализации внешнего эффекта: ученичество, обеспеченное госзакупками. Рабочая гипотеза в том, что в РФ это потенциально более совместимый инструмент, чем сбор на ученичество в британском стиле.

Здесь стоит проговорить, что эта совместимость — условная, и условие тонкое. Государство, играющее координирующую роль, само является игроком в теоретико-игровом смысле — со своими проблемами стимулов. Ведомства оптимизируют отчётность, не результат. Закупочные процедуры минимизируют формальный риск, не качество обучения. Крупные подрядчики профессиональны в производстве формального соответствия. Любой набор показателей подвержен манипулированию. Краткосрочные показатели ведомств конфликтуют с 7–10-летним горизонтом подготовки кадров.

Поэтому корректнее сформулировать так: в РФ проблема не в отсутствии координатора, а в том, что координатор должен отличать реальное накопление компетенции от отчётной активности. Это превращает ученичество, обеспеченное госзакупками, из простой политической идеи в задачу измерения: государственная координация работает только если государство умеет измерять обучение, а не активность.

Эта измерительная задача нетривиальна. Часы наставничества легко отчитать; реальное накопление неявного знания у конкретного начинающего — нет. Доля переходов с начального на средний уровень измерима, но уязвима к манипулированию (компании могут переименовывать роли). Доля «молодых специалистов в проектной команде» формализуема, но не отвечает на вопрос, что эти специалисты реально делают. Любая попытка проверить глубину передачи компетенции упирается в то, что глубина — нелинейный, отложенный, плохо наблюдаемый процесс.

Это не аргумент против координации через госзакупки. Это аргумент за то, что её дизайн требует серьёзной работы — иначе механизм производит имитацию контроля вместо нового равновесия обучения.

Китай. Координатор есть и действует на уровне всей системы: государство строит не отдельный фонд обучения, а целую архитектуру возврата и размещения таланта. Программы вроде Young Thousand Talents работают как переводчик статуса — зарубежная продуктивность превращается в локальную позицию, бюджет и команду. Но чем сильнее вознаграждается измеримый результат, тем дороже становится проверка его качества.

ОАЭ. Координатор есть, и очень мощный. UAE AI Strategy 2031 — это документ, в котором государство явно берёт на себя координационную функцию, выводя ИИ в приоритет вместе с конкретными секторами. Но координирует не подготовку кадров, а привлечение готовых. Это другая игра — не общественное благо при многих участниках, а стратегия привлечения специалистов (ниже).

II.3. Сигналы: диплом, резюме, провенанс

В первой статье показано, что ИИ удешевляет производство деклараций (сопроводительные письма, вычищенные резюме, шаблонные портфолио), но не удешевляет производство верифицируемых сигналов (дипломы, история работы, контролируемая практика, признание коллег). Рынок смещается к затратным верифицируемым сигналам.

США. Этот сдвиг разворачивается напрямую: история коммитов в GitHub, вклады в открытый код, технические доклады с записями, длинные блоги, идентичность в профессиональных сообществах, рекомендации опытных мейнтейнеров. Резюме обесценилось как слой самоописания, но дипломы топ-университетов и история работы в известных компаниях сохраняют силу.

РФ. Сигнальная инфраструктура устроена иначе. То, что в США сейчас становится дорогим сигналом по умолчанию (длинный публичный послужной список), в РФ работает только для части рынка — преимущественно международно-ориентированной IT-индустрии. Для остальных сегментов работают другие сигналы:

— Олимпиадная и STEM-биография. На IMO 2021 российская команда заняла второе место (5 золотых, 1 серебро). На IOI 2021 — 3 золота, 1 серебро. Это не «прошлое» — это до сих пор живая биографическая валюта, которая открывает входные двери.

— Топовые школы и вузы. Сильная стартовая позиция: Letovo в 2021 году — второе место в Global Top IB Schools, в 2022 — первое; в таблице 2025 года всё ещё первое с 43,2 средними баллами. Это означает, что исчезновение российских команд из части международных рейтингов после 2022 нельзя автоматически читать как падение качества подготовки. Это политическая видимость, не уровень.

— Опыт в якорных компаниях. Сбер, Яндекс, Тинькофф, ВТБ, Газпромнефть, Роснефть — работа в таких компаниях работает как сильный сигнал внутри страны, и частично за её пределами в русскоязычном профессиональном пространстве.

— Узкие профессиональные сети. Внутренние рекомендации, выходцы из конкретных школ или вузов, профильные сообщества — всё это в РФ играет более структурирующую роль, чем в США.

— Хакатоны, проектные школы, корпоративные треки. Меньшая, но растущая роль.

— Допуски и доверие в чувствительных секторах. Это сигнал, не имеющий аналога в открытой американской системе.

Российская версия гипотезы о сигналах: ИИ удешевляет резюме и сертификаты, но в РФ особенно дорожают «тяжёлые» сигналы — олимпиадная траектория, сильный вуз, опыт в якорной компании, рекомендации из узких сетей, доказуемое участие в реальных проектах.

Риск этого пути — усиление закрытости входа. В первой статье это названо биографической регрессивностью: когда сигналы становятся дороже, их легче собрать тем, у кого уже есть стартовый капитал. В РФ этот эффект может быть сильнее, чем в США, потому что:

— Доступ к топ-школам и вузам сильно зависит от семьи, региона, ранней академической подготовки. — Якорные компании нанимают преимущественно из ограниченного пула вузов. — Узкие профессиональные сети по определению трудно проницаемы извне. — Олимпиадная траектория начинается в школе, и её упустить почти невозможно потом.

Это не уникальная российская проблема — то же самое происходит в США с элитными университетами. Но в РФ она проявляется на уровне средней профессии, не только на верхушке.

Китай. Дорогим сигналом становятся статус вернувшегося, участие в программах привлечения, публикационный послужной список и принадлежность к университету или лаборатории. Именно здесь — главная уязвимость: ИИ удешевляет производство тех самых публикационных сигналов, которыми система измеряет качество. По данным Pangram (2025), 26% статей из китайских институций содержат хотя бы один фрагмент, помеченный как сгенерированный ИИ, против 7,4% для США; обзор Frontiers по отзывам статей связывает с Китаем 72,2% первых авторов среди работ, отозванных в связи с использованием ИИ. Это сигнал риска, а не доказательство умысла: ИИ может работать и как переводчик, и как стилистическая шлифовка.

ОАЭ. Сигнальная система в основном импортируется. Фирма-наниматель смотрит на дипломы зарубежных университетов, на работу в известных международных компаниях, на международные сертификации (AWS, CFA, медицинские лицензии). Локальная система сигнализации только формируется и сильно опирается на иностранные стандарты. Это особенность конфигурации центра притяжения талантов: страна не выращивает свою иерархию сигналов, она пользуется чужими.

II.3a. Образование как инфраструктура подготовки кадров

У образования здесь две функции: сигнал и воспроизводство компетенции. ИИ бьёт по ним по-разному: монополия университета на доступ к знанию обесценена, но структурированное обучение, контролируемая практика, обучение у коллег, формирование идентичности, сеть и селекция остаются ценными. Эта развилка по-разному играется в четырёх странах.

США. Университеты остаются глобальным сигналом и магнитом таланта. Но разрыв между университетом и первой работой усиливается, и именно эта точка наиболее чувствительна к описанному в первой статье шоку начального уровня. Когда ИИ забирает часть рутинных задач, на которых выпускник учился превращать общие знания в производственную компетенцию, университет всё хуже конвертирует диплом в первый профессиональный опыт. Топ-университеты держатся за счёт сети и селекции; средние теряют функцию.

РФ. Сильная дотрудовая STEM-инфраструктура: математические школы, олимпиадная система, сильные вузы технического профиля. Это редкий институциональный актив — мало где в мире сохранилась такая глубокая система ранней академической селекции и подготовки. Но её сильная сторона связана с входом в профессию через академическую дверь; вопрос конверсии «школа → олимпиада → вуз → производственная компетенция → средний и старший уровень» — отдельный, и здесь система значительно слабее, чем в фазе ранней подготовки.

Якорные компании частично компенсируют этот разрыв через корпоративные университеты, кафедры и совместные программы (Сбер, Яндекс, ВТБ, ИТМО, Физтех, ВШЭ). Но это работает в основном для выпускников ограниченного пула топовых вузов и не масштабируется на регионы. Для региональных университетов разрыв между академической программой и реальной производственной задачей в эпоху ИИ становится глубже, не мельче — потому что ИИ забирает именно те простые задачи, на которых выпускник раньше учился через первые два-три года работы.

Китай. Университетская и лабораторная инфраструктура — не импортированная витрина, а часть машины возврата: возвращенец становится профессором, руководителем группы, ведущим лаборатории. Исследование Shi, Liu, Wang в Science по Young Thousand Talents показывает, что вернувшиеся публикуют на 27% больше работ и имеют +144% публикаций последним автором по сравнению с зарубежными сверстниками (выборка 339 вернувшихся и 419 контрольных). Это и есть конвертация провенанса в локальную продуктивность — при условии, что качество результата проверяется, а не только подсчитывается.

ОАЭ. Университетская инфраструктура активно строится — NYU Abu Dhabi, Mohamed bin Zayed University of AI, Khalifa University, локальные кампусы Sorbonne и других. Но значительная часть доверия к квалификации высокого уровня импортируется через иностранные дипломы, иностранных преподавателей, репутацию работодателя. Локальный академический сигнал в большинстве дисциплин ещё не достиг уровня, при котором он самостоятельно работает на международном рынке.

Здесь важен темп: ОАЭ строят университетскую систему одновременно с импортом таланта, и часть приехавших становятся профессорами, исследователями, основателями лабораторий. Это потенциально решает способность к усвоению (ниже), если построение будет последовательным. Но это требует десятилетий, и коридор ошибок в построении институциональной репутации значительно меньше, чем в построении комплекса условий для специалистов.

Резюме по образованию: в США главная проблема — разрыв между университетом и первой работой; в РФ главная проблема — конверсия академической подготовки в производственную компетенцию; в ОАЭ главная проблема — построение собственной академической репутации, не сводимой к импорту чужих дипломов.

II.4. Координация: владение ИИ и нормы команд

В первой статье показано, что разрыв в уровне владения ИИ создаёт провал координации внутри команд: ожидания рассинхронизированы, активные пользователи воспринимают коллег как медленных, возникает нейрохалтура (workslop, термин HBR) и эрозия доверия.

США. Здесь координация преимущественно снизу вверх, через эволюцию командных норм. Менеджеры часто не задают чётких правил, потому что сами не уверены, и это усиливает рассинхронизацию.

РФ. В крупных российских организациях есть структурный плюс: координация сверху работает быстрее. Регламенты «как использовать ИИ», ограничения на загрузку данных в облако, правила проверки результата, распределение ответственности — всё это может быть навязано сверху и быстро становится нормой.

Но это создаёт другую проблему. Координация сверху может быстро создать равновесие отчётности, но не обязательно равновесие обучения. Регламент «как использовать ИИ» — это не регламент того, как через работу с ИИ передаётся неформальное знание от старших к начинающим. Может возникнуть «галочная ИИ-трансформация»: инструменты внедрены, отчёты подаются, аудит проходит — но накопления компетенции не происходит.

Здесь данные ВШЭ ИСИЭЗ важны: среди крупных и средних российских организаций — пользователей ИИ — только 15% заявили о снижении численности из-за внедрения ИИ, 63% отрицали влияние на численность, около половины отметили улучшение качества и эффективности процессов. Это похоже на организационную перестройку, не на массовую замену труда. Но также не похоже и на трансформацию системы обучения.

Китай. Координация сильна и идёт сверху, как и в России, но опирается на более глубокую государственно-промышленную интеграцию. Норму «как и где использовать ИИ» способны задавать и государство, и крупные технологические компании. Риск тот же, что и с провенансом: директивная координация хорошо синхронизирует процессы, но не гарантирует, что измеряемый сигнал останется честным.

ОАЭ. Координация ещё более директивна. В стране, где значительная часть внедрения ИИ идёт через крупные госхолдинги, нормы устанавливаются на уровне стратегии и дальше каскадом. Равновесие формального соответствия достигается легко. Равновесие обучения — открытый вопрос той же природы, что и в РФ.

II.5. Распространение ИИ: где удар сильнее

В первой статье показан парадокс производительности 2.0: на уровне макроданных взрывного роста нет, но эффекты на уровне задач и фирм реальны. Распространение асимметрично — концентрируется у крупных организаций.

США. Распространение проходит через множество каналов: технологии, SaaS, консалтинг, медиа, интеллектуальный труд. Шок виден в найме молодых разработчиков, в найме начинающих консультантов, в маркетинге, в производстве части контента. Это создаёт эффект, при котором значительная часть рабочей силы сталкивается с ИИ непосредственно через рынок труда.

РФ. Распространение значительно более концентрированное. Свежие данные ВШЭ ИСИЭЗ: ИИ-решения применяют 4,8% организаций в среднем; у крупных предприятий с численностью более 500 работников — 14,9%; у организаций до 100 человек — 4,1%. Разрыв в 3,6 раза.

Это означает: в РФ ИИ-шок сначала проходит через крупных акторов. И те же крупные акторы — потенциальные координаторы канала подготовки. Это и риск (если они начнут заменять обучение покупкой готовых), и возможность (если они выступят якорем для нового равновесия обучения).

В США многие ИИ-шоки идут через рынок, массовые увольнения, SaaS-эффективность, стартапы. В РФ — через банки, платформы, интеграторов, госзаказ, крупные промышленные и инфраструктурные контуры. Это меняет, где именно возникнет первое заметное равновесие, и кто будет его автором.

Китай. Распространение концентрируется в государственных программах, ведущих университетах и крупных технологических компаниях; именно там ИИ сильнее всего давит на исследовательский и публикационный слой. Удар приходится не столько на нижний производственный вход, сколько на провенанс-слой: качество и проверяемость результата после возврата.

ОАЭ. Распространение идёт через государственные программы и крупных подрядчиков. Стратегия ОАЭ в области ИИ до 2031 года (UAE AI Strategy 2031) явно ставит цели по внедрению ИИ и управлению данными. Это похоже на российскую концентрированную модель, но с двумя отличиями: государство ОАЭ значительно богаче капиталом и менее ограничено санкциями, и оно явно выстраивает себя как глобальный ИИ-хаб, не только локальный.

II.6. Сигнал на рынке труда: сжатие против расслоения

В первой статье показан американский паттерн: сжатие найма начинающих без массовых увольнений; эффект концентрируется в замедлении найма, а не в волне увольнений.

США. Это и наблюдается в данных: платёжные ведомости Stanford, AI Index 2026, WEF/Revelio. Молодые разработчики — главная индикативная группа.

РФ. Картина другая. Не «начальный уровень исчез», а начальный уровень расслоился.

С одной стороны, hh.ru фиксирует рост конкуренции среди белых воротничков: hh.индекс вырос примерно с 3,7 в апреле 2024 до выше 5,9 к маю 2025. Число вакансий для белых воротничков в июне 2025 на 25% ниже год к году. Активных резюме — на 25% больше, новых — на 36% больше. Это объективный рост давления на вход в часть профессий.

С другой стороны, рабочие, логистические, производственные и инфраструктурные роли «без опыта» растут — здесь дефицит кадров, не избыток. То есть начальный уровень не исчезает как явление, а перераспределяется по отраслям.

Российская формулировка: ИИ и автоматизация сжимают часть позиций начального уровня в офисном и цифровом труде, но не уничтожают начальный уровень в целом. Начальный уровень смещается в другие отрасли и другие институциональные формы.

Это структурно отличается от американского нарратива «ИИ разрушает начальный уровень». В РФ ИИ разрушает часть начального уровня в одном сегменте, и одновременно усиливает дефицит на другом конце спектра.

Китай. Здесь сжимается не столько найм начинающих, сколько доверие к исследовательскому и публикационному сигналу. Машина возврата по-прежнему работает, но переводчик начинает перегреваться: он действует, однако его всё чаще приходится перепроверять. Отдельный фон — рекордный выпуск вузов (около 12,7 млн в 2026-м), усиливающий конкуренцию на входе.

ОАЭ. Здесь это вообще другой вопрос. Базовая структура рынка — импорт труда снизу доверху. Начальный уровень в традиционном смысле (молодые местные специалисты) — узкая программа Emiratisation для эмиратских граждан. Для остальных «начальный уровень» — это вход иностранного специалиста на ранней стадии карьеры в Дубай. Это не та же категория.

II.7. Миграция и межстрановой арбитраж кадров

В первой статье этот сюжет затронут вскользь. Здесь он становится центральным, потому что именно через миграцию четыре страны взаимодействуют как игроки одной системы.

США. Остаются крупнейшим магнитом глобальных талантов: университеты, венчурный капитал, передовые лаборатории, английский язык, сетевой эффект. Но внутренние перестройки, вызванные ИИ, делают часть специалистов среднего и старшего уровня мобильнее, чем они были до 2022 года.

РФ. Двойственная переменная. С одной стороны, IT-эмиграция бьёт по слой наставников — даже если возвращается часть людей, важно кто именно возвращается: старшие архитекторы, тимлиды, преподаватели, способные обучать когорты, или более заменимые роли. Минцифры в 2024 году заявляло, что две трети IT-специалистов, уехавших в 2022, вернулись, и общее число IT-кадров выросло на 13% до 857 тыс. в 2023. В том же сообщении упоминался рост спроса на европейские ВНЖ среди IT-специалистов — то есть сигнал неоднозначный.

Гипотеза, которую стоит проверять отдельно: возврат — это не количественный, а качественный показатель. Вернулось ли 65% от общую численность, или 65% от общего числа уехавших — это арифметика. Что важнее: какая доля слоя наставников вернулась, и в каких организациях они закрепились.

С другой стороны, западная турбулентность создаёт окно для селективного возврата и привлечения. Не «все поедут в РФ», а потенциально:

— Российские специалисты, уехавшие после 2022, но не встроившиеся устойчиво за рубежом. — Русскоязычные инженеры и разработчики из СНГ, для которых российский рынок остаётся понятной траекторией. — Специалисты среднего и старшего уровня, которым нужны реальные инженерные задачи, а не только глобальная компенсация. — Преподаватели, олимпиадные тренеры, исследователи.

РФ не может выиграть как универсальный глобальный центр притяжения талантов. Структурные параметры этого не позволяют: визовые ограничения, репутационные риски, ограничения международной коммуникации, слабое глобальное чтение российских сигналов после 2022. Но РФ может выиграть как селективный евразийский / с акцентом на естественные и точные науки / русскоязычный коридор, если будет рассматривать миграцию как инструмент закрытия конкретного институционального дефицита, а не как маркетинговую программу.

Китай. Здесь миграция — это управляемый возврат, а не только отъезд. По данным Министерства образования КНР, в 1978–2024 годах за рубеж уехали учиться 8,88 млн человек, вернулись 6,44 млн; только в 2024-м вернулось 495 тыс. (+19,1% год к году), а после 2012-го — 5,63 млн, то есть 87% накопленного исторического потока. Это самая оформленная в мире машина географического возврата; вопрос не в том, возвращаются ли люди, а в том, конвертируется ли возврат в качество и наставничество.

ОАЭ. Идут по противоположному пути — явная стратегия превращения в глобальный центр притяжения талантов. Стратегия ОАЭ по привлечению и удержанию специалистов (Talent Attraction and Retention Strategy) ставит цель войти в топ-10 стран по глобальной конкурентоспособности за таланты. Стратегия ОАЭ в области ИИ до 2031 года (UAE AI Strategy 2031) — превратить страну в одного из мировых лидеров ИИ к 2031 году. Golden Visa — долгосрочная резиденция на 5 или 10 лет, без необходимости в спонсоре, с правом спонсировать семью. Это работающий комплекс условий для специалистов, и он привлекает.

Ниже это станет отдельной игрой — институциональным арбитражем.

Часть III. Что переносится на российский контекст, а что нет

Эта часть — операционная сводка. Для каждого тезиса первой статьи — оценка переносимости в российский контекст.

Главная сравнительная формула

В США ИИ-шок усиливает уже существующее равновесие недоинвестирования: высокая мобильность, слабая отраслевая координация и краткосрочные стимулы делают сокращение набора начинающих рациональным для отдельной фирмы и опасным для отрасли.

В РФ ИИ-шок проходит через более концентрированную институциональную структуру: крупные работодатели и государство потенциально могут стабилизировать равновесие обучения, но слабость независимых профессиональных посредников, асимметрия между якорными компаниями и малыми компаниями, IT-эмиграция и риск бюрократического формализма создают собственные уязвимости.

Часть IV. Российские гипотезы для проверки

В отличие от первой статьи, где гипотезы формулировались как исследовательская программа, здесь они конкретнее: для каждой указано, какие данные могли бы её подтвердить или опровергнуть. Это важно, потому что без эмпирической операционализации гипотеза превращается в риторику.

Статус доказательств: общая карта

Прежде чем перейти к гипотезам, полезно зафиксировать, какие блоки документа на каком уровне доказательств находятся. Это дисциплинирует чтение: одно дело — данные административной отчётности, другое — структурный аргумент, третье — концептуальная гипотеза.

Эта таблица — не упражнение в самоумалении. Это чёткое разделение того, что уже зафиксировано в данных, и того, что предложено как структурный аргумент или гипотеза. Дальнейшие H1–H11 и CH1–CH4 — преимущественно второй и третий уровень: они логически выведены из параметров и требуют эмпирической проверки. Статья формулирует их именно как гипотезы, а не как утверждения.

Основные гипотезы

H1. Гипотеза расслоения. В РФ канал подготовки начинающих не исчезает, а раздваивается: крупные якорные компании сохраняют когортный набор, малые и средние компании сокращают обучение и становятся донорами кадров.

Что проверить: доли найма начинающих в компаниях разного размера за 2022–2026. Динамика перехода специалистов из малого бизнеса в крупный. Время от первой работы до первого крупного работодателя. Доля компаний с формальными программами стажировок по размеру.

H2. Гипотеза узкого места наставничества. Главное ограничение РФ — не количество начинающих, а количество старших и ведущих специалистов, способных обучать и передавать неформальное знание.

Что проверить: возрастная структура IT-кадров (Минцифры 857 тыс. в 2023 — это общая численность, не структура по уровням). Соотношение старших и начинающих в якорных компаниях. Качественные интервью с тимлидами и техлидами в крупных российских компаниях о том, кто реально обучает начинающих. Доля времени старших, потраченного на наставничество, по самооценке.

H3. Гипотеза координации через госзакупки. Госзакупки и крупнокорпоративные контракты могут стать российским функциональным аналогом сбора на ученичество, если в них встроить проверяемые обязательства по подготовке кадров.

Что проверить: существуют ли уже примеры таких условий в крупных IT-контрактах с госсектором. Можно ли в существующих закупочных процедурах закрепить требования по квотам на стажёров, часам наставничества, переходу с начального на средний уровень. Как это сделано в немецких и скандинавских госзакупках.

H4. Гипотеза ужесточения сигналов. ИИ удешевляет резюме и сертификаты, но усиливает ценность «жёстких» сигналов: олимпиад, топ-вузов, сильных работодателей, рекомендаций, реальных проектов.

Что проверить: динамика премий за олимпиадные и топ-вузовские дипломы в зарплатах 2022–2026. Доля найма через рекомендации в якорных компаниях. Эффект публичного портфолио на собеседования в IT по разным сегментам.

H5. Гипотеза искажения международной видимости. Падение или исчезновение российских участников из международных рейтингов после 2022 не должно автоматически трактоваться как падение качества; нужен дорыночный (до 2022 года) базовый уровень и альтернативные метрики.

Что проверить: результаты на международных олимпиадах до и после 2022 (где участие ещё происходит — IB, отдельные академические турниры). Динамика принятия российских студентов в топ-зарубежные программы (где это ещё возможно). Цитируемость российских публикаций по ИИ. Качественные оценки из практики найма.

H6. Гипотеза концентрации внедрения ИИ. В РФ внедрение ИИ будет более концентрированным у крупных организаций; именно они станут главной ареной перестройки начального уровня и канала подготовки кадров.

Что проверить: данные ВШЭ ИСИЭЗ за 2025–2027 о доле организаций-пользователей ИИ по размеру. Сектор, в котором первое заметное изменение найма начинающих коррелирует с внедрением ИИ. Соотношение внедрения ИИ сверху и низового использования ИИ в РФ против США.

H7. Гипотеза регрессивности. Если новые сигналы становятся дороже — топ-школы, сильные стажировки, публичное портфолио, рекомендации, наставники — люди без стартового капитала будут вытесняться сильнее, чем в старой системе «вуз → первая работа».

Что проверить: первое поколение в семье среди новых наёмных в крупных компаниях. SES-распределение завершения интенсивных программ переподготовки. Доля рекрутеров, использующих репутацию работодателя как первичный фильтр. Долгосрочные траектории выпускников, не имевших доступа к олимпиадному треку.

Контр-гипотезы

Гипотезы H1–H7 поддерживают основную аналитическую рамку. Для эпистемической дисциплины полезно явно сформулировать те, которые её оспаривают. Это не риторические возражения — это содержательные альтернативы, которые при определённой эмпирике могут оказаться ближе к реальности.

CH1. Иллюзия обучения в крупных компаниях. Крупные российские якорные компании могут сохранять программы стажировок как имидж работодателя, а фактический переход с начального на средний уровень при этом может быть низким. Бимодальное расслоение из H1 может оказаться кажущимся: крупные демонстрируют обучение, малые перестают обучать, а в реальности накопления компетенции не происходит ни там, ни там — просто по разным причинам.

Что проверить: для крупных якорных компаний — реальная доля стажёров, дошедших до среднего уровня через 3–4 года. Доля стажировок, после которых стажёр не получил оффера или ушёл в течение года. Соотношение «формальные программы / реальные траектории».

CH2. ИИ как сжатие, а не замена. ИИ может не разрушать канал подготовки начинающих, а просто повышать базовые ожидания по производительности. Начинающие останутся, но входной стандарт станет выше: то, что раньше делал начинающий в первый год, теперь делает претендент перед первым собеседованием. Это не «исчезновение начального уровня», а смещение порога входа — болезненное для тех, у кого нет ресурсов на самоподготовку, но не структурное разрушение канала подготовки.

Что проверить: динамика требований к кандидатам начального уровня в описаниях вакансий 2022–2026. Растёт ли требуемый объём опыта до первой работы. Меняется ли средний возраст «начинающего» в якорных компаниях. Растёт ли роль проектов до трудоустройства (стажировки, школы, личные проекты) в успешном найме.

Эта контр-гипотеза важна, потому что от неё зависит политическая интерпретация: если CH2 верна, проблема не в исчезновении канала входа, а в распределении ресурсов на дотрудовую подготовку. Это другой политический вызов.

CH3. Разрыв качества обратной миграции. Даже если количественно значимая часть IT-эмигрантов вернулась в РФ, слой наставников мог не вернуться пропорционально. Возврат может быть смещён в пользу более заменимых ролей и против старших специалистов с глобально востребованными навыками. Это превращает позитивный заголовок «две трети вернулись» в скрыто негативный сигнал по структуре.

Что проверить: возрастная и грейдовая структура вернувшихся (в той мере, в какой это поддаётся измерению через косвенные индикаторы — зарплаты, должности, отрасли). Сравнение через интервью с HR в крупных российских IT-компаниях. Динамика численности тимлидов и архитекторов в якорных компаниях в 2022–2026 годах.

CH4. Успех локального умножения в ОАЭ. ОАЭ могут оказаться лучше в локальном умножении, чем предполагает слой иностранных специалистов. Если государство эффективно свяжет Golden Visa, исследовательские лаборатории, университеты и Emiratisation, то приехавшие специалисты могут стать менторами, профессорами, основателями — и способность к усвоению сработает. Тогда «слой иностранных специалистов без локального умножения» окажется не структурным риском, а кратковременным переходным состоянием.

Что проверить: доля иностранных обладателей докторской степени, ведущих локальные исследовательские программы в ОАЭ. Доля основателей с международным опытом, нанимающих и обучающих эмиратцев. Метрики из сравнительной таблицы — ниже.

Каждая из этих контр-гипотез — не возражение ради баланса, а реальная альтернатива. Принципиальная позиция документа: пока эмпирика не позволяет однозначно различить H и CH, обе должны рассматриваться как живые опции. Это и есть та самая эпистемическая дисциплина, которая отличает анализ от адвокатирования.

Часть V. Одна игра, разные игроки

Разговор о России можно вести изолированно — как параметрическую перенастройку американского кейса. Но в реальности США, Россия, Китай и ОАЭ — это игроки одной глобальной игры за человеческий капитал. И вот тут появляется отдельный сюжет, который не сводится к первой статье.

V.1. Третья игра: институциональный арбитраж

В первой статье описаны четыре актора (работодатель, сотрудник, образование, государство) и проблема воспроизводства компетенции внутри одной страны. Но как только мы смотрим на страны как на игроков, появляется новая игра:

Страна или фирма-получатель принимает решение: импортировать готовых специалистов или инвестировать в локальный канал подготовки?

Плохое равновесие выглядит так. Страна привлекает старших специалистов извне → локальные компании меньше выращивают начинающих, потому что есть более дешёвый путь → собственный канал подготовки деградирует → страна становится зависимой от постоянного импорта → если импортный канал по любой причине прерывается, у страны нет внутреннего ресурса.

Хорошее равновесие выглядит иначе. Страна привлекает старших специалистов → они становятся менторами, основателями, руководителями лабораторий → растёт локальный переход с начального на средний уровень → страна усиливает собственный канал подготовки и одновременно остаётся привлекательной для новых старших специалистов.

Главный вопрос здесь не «сколько талантов привлечь», а: превращаются ли привлечённые люди в умножающие узлы внутри локальной системы компетенции?

Это новая игра, которой в первой статье не было. Назовём её игрой на способность к усвоению.

V.2. США: одновременно источник шока и главный конкурент

США в этой игре в особом положении. Они одновременно:

— Источник шока. Массовые увольнения, заморозка найма, сжатие найма начинающих, повышение порога входа — всё это делает карьерные траектории менее предсказуемыми для части людей, в первую очередь для иностранных специалистов с временным статусом.

— Главный абсорбер талантов. Несмотря на турбулентность, лучшие специалисты по-прежнему стремятся в США. Университеты, венчурный капитал, передовые лаборатории, английский язык, сетевой эффект, размер рынка — это устойчивые активы, которые турбулентность не разрушает быстро.

— Источник мобильного капитала. Часть специалистов среднего и старшего уровня, часть основателей, часть исследователей в условиях неопределённости начинают рассматривать альтернативные юрисдикции. Это не «массовый отток», а селективный сдвиг в распределении мобильности.

— Источник стандартов. Американские сигналы компетенции по-прежнему глобально читаемы. Диплом MIT работает в Дубае и в Москве. Докторская степень Стэнфорда читается везде. Это устойчивая инфраструктура, которую другие страны не могут быстро воспроизвести.

Поэтому окно возможностей для РФ и ОАЭ существует, но это окно относительное. Конкурировать приходится не со «слабым Западом», а с очень сильной системой, которая временно стала менее предсказуемой для части людей. Этого достаточно для предельного арбитража, но не для структурного сдвига.

V.3. ОАЭ: наиболее оформленная модель «глобальный центр притяжения талантов»

ОАЭ — наиболее ясный пример страны, явно строящей режим привлечения специалистов.

Стратегия ОАЭ по привлечению и удержанию специалистов (Talent Attraction and Retention Strategy) ставит конкретную цель: войти в топ-10 стран по глобальной конкурентоспособности за таланты, обеспечить специалистов для стратегических секторов (информационно-коммуникационные технологии; передовые технологии и космос; наука и образование; здравоохранение; финансовые услуги; логистика; креативные индустрии; предпринимательство), закрепить имидж страны как места для жизни и работы.

Стратегия ОАЭ в области ИИ до 2031 года (UAE AI Strategy 2031) явно ставит цель превратить страну в одного из мировых лидеров ИИ к 2031 году. Среди направлений — внедрение ИИ государством, управление данными, и «новое поколение регионального таланта».

Golden Visa — операционный инструмент. Долгосрочная резиденция 5 или 10 лет, без необходимости в спонсоре, с правом спонсировать семью, с возможностью оставаться вне страны дольше обычного без потери статуса. Категории включают инвесторов, предпринимателей, учёных, выдающихся студентов, обладателей докторской степени, специалистов в приоритетных научных и инженерных областях.

Это не маркетинговая декларация. Это связка из четырёх элементов: стратегия + категории + правовой статус + операционная поддержка. Она работает.

Главный риск ОАЭ — слой иностранных специалистов без локального воспроизводства. Импортируемые старшие специалисты могут работать в международных компаниях, жить в анклаве иностранных специалистов, мало передавать компетенции локальным начинающим. Тогда страна получает запас человеческого капитала без глубокой системы формирования квалификации.

Метрика, которая важнее числа выданных виз Golden Visa:

Это и есть та самая способность к усвоению, которую V.1 поставил как центральный вопрос.

V.4. РФ: модель «селективная STEM/евразийская консолидация»

РФ не может копировать ОАЭ напрямую. Слабее глобальное предложение по мобильности: санкции, визовые ограничения, репутационные риски, меньше международной нейтральности, более сложные условия для глобального класса иностранных специалистов.

Но у РФ есть другая возможная игра, не сводимая к копированию ОАЭ.

Потенциальные группы для привлечения:

— Российские специалисты, уехавшие после 2022, но не встроившиеся устойчиво за рубежом. — Русскоязычные инженеры и разработчики из СНГ. — Специалисты из стран, где российский рынок, язык или образование остаются понятной траекторией. — Специалисты среднего и старшего уровня, которым нужны реальные инженерные задачи, а не только глобальная компенсация. — Преподаватели, олимпиадные тренеры, исследователи, способные усиливать слой наставничества.

Юридическая инфраструктура для высококвалифицированных специалистов уже частично существует. Закон 316-ФЗ закрепил возможность бессрочного ВНЖ для ВКС, проработавшего в РФ не менее двух лет, и членов его семьи.

Но для межстрановой арбитраж кадров юридической возможности недостаточно. Нужен полноценный комплекс условий для специалистов:

И теперь — место для одной оговорки. Стратегия привлечения специалистов чувствительна к операционной среде. Для мобильного специалиста важны не только визовый статус и наличие проектов, но и повседневная совместимость с глобальной профессиональной инфраструктурой: международные платежи, коммуникации, доступ к инструментам, возможность участвовать в международных сетях, предсказуемость цифровой среды. Если эти элементы ухудшаются, они снижают ценность всего комплекс условий для специалистов — даже при наличии сильных проектов и льготного правового статуса.

Это не политическое заявление. Это структурное наблюдение из теории игр: комплекс условий для специалистов — это сложный многокомпонентный сигнал, и одна слабая компонента обесценивает остальные. Разрыв между декларацией «приезжайте, у нас интересные проекты» и операционной средой ловится мобильным специалистом мгновенно — ровно потому, что он мобильный, и у него есть с чем сравнить.

Операционный риск. Если страна одновременно строит инфраструктуру для привлечения таланта и ужесточает условия для всего, что делает мобильного специалиста мобильным — ограничения на международные платежи, нестабильность VPN, фрагментация интернет-инфраструктуры, импорт роуминговых SIM-карт как побочный бизнес — то она работает против собственной стратегии привлечения специалистов. Это не риторическая иллюстрация: каждое из этих ограничений измеримо снижает совместимость страны с мобильным профессиональным контуром, и ни одно из них не компенсируется ростом локальных зарплат или льготным ВНЖ. Мобильный специалист быстро считывает этот разрыв, потому что сравнивает не декларации, а повседневную операционную совместимость.

Поэтому главная возможность РФ — не в количестве, а в закрытии узкого места наставничества. Не «переманить всех», а привлечь людей с высокой мультипликативностью: старший инженер, исследователь, тимлид, основатель, преподаватель, который способен вырастить десятки начинающих за несколько лет. Это меньшая по объёму, но качественно другая программа.

Главный риск РФ зеркален главному риску ОАЭ. Если крупные работодатели начнут использовать межстрановой арбитраж кадров как замену локальному обучению — проще купить или вернуть готового старшего специалиста, чем строить канал подготовки начинающих — РФ повторит ту же проблему недоинвестирования, только в другой институциональной форме. Крупные игроки высасывают рынок, малые перестают обучать, университеты теряют связь с практикой, слой наставников остаётся узким, и вся система воспроизводства компетенции остаётся хрупкой.

V.5. Китай: государственно-промышленная машина возврата

Если ОАЭ показывают предельный случай импорта готового таланта, то Китай — предельный случай противоположной стратегии: не купить специалиста снаружи, а построить машину, которая возвращает и встраивает своих. Это и есть третья игра — институциональный арбитраж — но решённая через возврат, а не через привлечение чужих.

Административный слой сильный. По данным Министерства образования КНР, в 1978–2024 годах за рубеж уехали учиться 8,88 млн человек, 7,43 млн завершили обучение, 6,44 млн вернулись; только в 2024-м вернулось 495 тыс. (+19,1% год к году), а после 2012-го — 5,63 млн, то есть 87% накопленного исторического потока. На уровне высокой науки возврат конвертируется в продуктивность: по исследованию Shi, Liu, Wang в Science, участники Young Thousand Talents после возврата публикуют на 27% больше работ и имеют +144% публикаций последним автором по сравнению с зарубежными сверстниками (339 вернувшихся против 419 контрольных).

Но у этой модели своя уязвимость, которой нет у США и ОАЭ: перегрев провенанса. Чем сильнее система награждает число публикаций, статус вернувшегося и быстрый рост результата, тем дешевле для отдельного исследователя произвести именно те сигналы, которыми измеряется качество, — а ИИ удешевляет это производство ещё больше. По данным Pangram (2025), 26% статей из китайских институций содержат хотя бы один сгенерированный ИИ фрагмент (против 7,4% для США); обзор Frontiers по отзывам статей, связанных с ИИ, связывает с Китаем 72,2% первых авторов отозванных работ и наибольшее общее число отзывов. Оба показателя требуют нормализации по объёму публикаций и не доказывают умысел — ИИ может быть переводчиком или средством стилистической шлифовки, — но как сигнал риска для слоя признания они работают сильно.

Китайский режим, таким образом, не «сильнее» или «слабее» американского — он решает другую задачу. США рискуют недоинвестировать в собственный нижний вход; Китай умеет возвращать и размещать верхний слой, но рискует тем, что переводчик, который он построил, начнёт перегреваться и потребует всё более дорогой проверки.

V.6. Сравнение четырёх моделей

V.7. Гипотезы H8–H11: институциональный арбитраж

H8. Гипотеза межстранового арбитража кадров. Вызванная ИИ турбулентность в западных рынках труда увеличивает мобильность части специалистов среднего и старшего уровня, основателей и исследователей, создавая селективные возможности для не-западных центров притяжения талантов.

Что проверить: динамика международных переездов специалистов из США в третьи страны 2022–2026. Доля мобильных в общем найме. Сравнение с дорыночным (до 2022 года) уровнем.

H9. Гипотеза способности к усвоению. Страны выигрывают от притока талантов только когда могут конвертировать импортированный человеческий капитал в локальное наставничество, формирование фирм, исследовательские лаборатории и переходы с начального на средний уровень.

Что проверить: для ОАЭ и РФ — доля приехавших, обучающих локальных. Доля основателей с международным опытом, нанимающих локально. Долгосрочное удержание.

H10. Гипотеза провала слоя иностранных специалистов. Стратегии привлечения талантов проваливаются, когда импортированные специалисты остаются социально и профессионально отделены от локальной системы формирования квалификации.

Что проверить: социометрия профессиональных связей в крупных компаниях, нанимающих международных специалистов. Доля спикеров на локальных профессиональных мероприятиях из числа иностранных специалистов. Перенос навыков через смену работы внутри страны.

H11. Гипотеза эффекта умножения через наставничество. Для стран с сильной базой в естественных и точных науках, но ограниченной глобальной мобильностью, наиболее ценная цель миграционной политики — не индивидуально продуктивный специалист, а специалист, способный обучать когорты, вести команды и институционализировать неформальное знание.

Что проверить: сравнение долгосрочного эффекта от привлечения 100 индивидуальных специалистов и от привлечения 10 фигур-наставников. Эта гипотеза наиболее трудная для прямой проверки — требует долгосрочного исследования на 5–10 лет.

Часть VI. Открытые вопросы и ограничения

Что недоказано

Большая часть гипотез H1–H11 опирается на правдоподобные структурные аргументы, не на завершённую эмпирику. Это сознательная позиция: лучше явно обозначить открытые вопросы, чем создавать видимость доказанных утверждений. Особенно это касается российского блока, где административных данных уровня платёжные ведомости Stanford просто нет.

Что нельзя утверждать сильнее текущей базы

Дисциплина чтения требует явно отделить то, что подтверждено, от того, что остаётся структурной гипотезой. Семь ограничений, которые нельзя нарушать даже ради связности:

1. Нельзя утверждать, что ОАЭ уже доказали успешное локальное воспроизводство ИИ-компетенции. Доказан продукт привлечения талантов, не доказан полный перенос в локальную систему.
2. Нельзя утверждать, что российские IT-эмигранты массово вернулись в структуре, полезной для слоя наставников. Надёжнее: есть оценки 80–100 тыс. IT-эмиграции; OutRush фиксирует около 8% вернувшихся в 2023–2024 и 5% планирующих; оценка РАНХиГС около 10% проходит только через вторичные источники.
3. Нельзя использовать 850 тыс. в реестре контролируемых лиц как IT-индикатор. Это миграционный контроль иностранцев с прекращёнными основаниями пребывания, а не показатель IT-рынка.
4. Нельзя писать, что «Софтлайн» — чистое доказательство прямого ИИ-замещения. Это кейс эффективности и перераспределения в эпоху ИИ: ИИ назван одним из факторов наряду с интеграцией после слияний и оценкой эффективности.
5. Нельзя писать, что Сбер сократил 20% всех сотрудников без подтверждения в годовой отчётности. Сильный факт — публичная формулировка кейса об ИИ как инструменте выявления неэффективности и спор об управленческой ответственности, а не точная численность.
6. Нельзя читать китайские публикации, помеченные ИИ-детекторами, как прямое доказательство обмана. Это может быть перевод, стилистическая шлифовка или эффект неанглоязычного письма. Сигнал риска есть, намерение не доказано.
7. Нельзя использовать старую цифру Stanford HAI «до 72% в маркетинге». Текущая рекомендованная формулировка — до 50% в маркетинге; 72% убрать.

Что требует данных

Для серьёзной эмпирической работы по РФ необходимы:

— Возрастная структура IT-кадров и динамика 2020–2026. — Соотношение начинающих и старших в якорных компаниях по сегментам. — Реальная доля обязательства по подготовке кадров в крупных IT-контрактах с госсектором. — Источники найма в якорных компаниях по каналам (вуз, рекомендация, открытая воронка). — Долгосрочные эффекты IT-эмиграции на слой наставников. — Качественные интервью с тимлидами и техлидами в крупных российских компаниях о реальной механике обучения.

Часть из этого собирается ВШЭ ИСИЭЗ, hh.ru, Минцифры. Часть требует целевого исследования.

Чего сознательно не делается

Эта статья не разбирает Индию, Сингапур, Японию и ЕС в целом. Каждая из этих систем требует отдельной работы. Поверхностное включение их в текст создало бы иллюзию полноты и размыло бы фокус на четырёх конфигурациях, которые сами по себе содержательно богаты.

Эта статья также не превращается в политическую рекомендацию. В нескольких местах есть нормативные оговорки — там, где из анализа естественно следует операционное следствие. Но программу действий строить — это другая задача и другой жанр.

Главный вопрос для следующей итерации

Если первая статья поставила вопрос «как остановить деградацию системы воспроизводства компетенции», эта статья ставит более узкий, но более операциональный вопрос:

Сумеют ли в России государство, крупные работодатели и университеты превратить переход к ИИ в новое равновесие обучения — а не в систему, где крупные игроки просто покупают готовых старших специалистов и высасывают рынок?

Структурный ответ из теории: это возможно, если процедуры закупок встроят верифицируемые обязательства по подготовке кадров, если крупные якорные компании примут на себя обязательства по переходу с начального на средний уровень, и если межстрановой арбитраж кадров будет привязан к эффекту умножения через наставничество. Не теоретически невозможно. Но и не автоматически. Главное препятствие — не идеологическое, а измерительное: координатор должен научиться отличать накопление компетенции от отчётной активности. Без этого никакая политическая идея не работает.

Финальная формула

США демонстрируют, что даже самая сильная система привлечения и удержания талантов может недоинвестировать в канал подготовки, если рынок вознаграждает краткосрочную эффективность.

ОАЭ демонстрируют, что специалистов можно быстро привлечь, если страна умеет упаковать правовой статус, капитал, инфраструктуру и стратегический спрос в единый комплекс условий для специалистов. Открытый вопрос ОАЭ — насколько эта скорость превратится в локальное умножение, а не в слой иностранных специалистов.

РФ демонстрирует третью задачу: не столько привлечь глобальных специалистов любой ценой, сколько превратить сильную базу в естественных и точных науках, якорных работодателей и государственный спрос в устойчивое равновесие обучения. Открытый вопрос РФ — справится ли координатор с измерительной задачей, и не разрушит ли свои собственные операционные опоры.

Это не четыре уровня успеха. Это четыре разные структурные задачи на 7–10 лет, и у каждой страны свой набор сильных и слабых сторон. Главный сравнительный вопрос — не «кто победит», а какая система быстрее научится решать проблему воспроизводства компетенции в эпоху, когда ИИ меняет цену каждой её компоненты. Возможно, что все четыре научатся, но разными способами; возможно, что не научится никто; возможно, что одни решат хорошо именно ту задачу, которая для них главная, а другие провалятся именно на ней. Эмпирический ответ будет виден не раньше 2030 года, и сегодняшние уверенные рецепты преждевременны для всех четырёх систем.

Статья написана как продолжение рамки «Четыре актора, три времени». Она опирается на открытые данные и фактчек цикла; по России, Китаю и ОАЭ эмпирическая база неоднородна, поэтому часть выводов сформулирована как проверяемые гипотезы. Тексты и машиночитаемые материалы цикла доступны на GitHub.

Приложение. Рабочая карта факт-якорей

Все числовые утверждения статьи привязаны к узлам фактологической базы (factcheck.json / profgames_ai_signals.jsonl). Карта приведена для проверяемости и переноса между статьями цикла.