Игла ИИ-автоматизации: что будет, когда бизнес разучится работать без людей?

Мы быстро привыкаем к дешёвому машинному интеллекту ^[1]. Но понимаем ли мы, сколько стоит такая зависимость — не только в токенах, но и в людях, инфраструктуре и способности восстановить работу после отказа?

В апреле 2026 года финтех-компания Belo столкнулась с неожиданной проблемой: доступ к Claude был приостановлен более чем для шестидесяти сотрудников. По словам технического руководителя компании, причиной в уведомлении называлось нарушение правил использования, без содержательных подробностей. Для обжалования предлагалась форма. Примерно через пятнадцать часов доступ вернули; блокировку назвали вероятным ложным срабатыванием.

У компании был альтернативный доступ к Gemini, но быстро перейти оказалось непросто из-за накопленной истории, привычных инструментов и интеграций. Это описание случая основано на публичных заявлениях компании и журналистских материалах, а не на независимом расследовании причин блокировки. Источник: Mint, апрель 2026 ^[2].

Пятнадцать часов — немного в масштабе истории технологий. Для компании, чьи рабочие процессы перестали нормально выполняться, это вполне конкретный простой.

Но представим следующий шаг. В организации уже нет прежней группы поддержки, которая способна принять на себя все обращения. Первую линию заменили агентами, часть бухгалтерских операций выполняется автоматически, сотрудники продаж пользуются ИИ-помощниками, а документацию и программный код постоянно обрабатывают кодовые агенты.

Что происходит, если поставщик повышает тариф, ограничивает доступ или новая модель начинает давать менее точные ответы?

Это статья не о том, что ИИ обязательно подорожает или что автоматизация вредна. Это попытка разобраться, что происходит, когда экономия на отдельных задачах постепенно превращается в зависимость целой организации.

---

И если через несколько лет компания решит вернуть работу людям, выяснится, что прежние специалисты уже устроились в другие организации, сменили профессию или не желают возвращаться на прежних условиях.

При следующей волне удешевления ИИ работодателю может снова показаться выгодным сокращение штата — но люди уже будут учитывать риск повторного увольнения.

Цена отказа от автоматизации зависит не только от тарифа модели, но и от того, что произошло с людьми за время её использования.

Как мы пришли к такой экономике

В 2024 году использование передовых языковых моделей уже было дорогостоящим удовольствием, хотя по сравнению с предыдущими поколениями качество стремительно росло.

Сейчас вокруг моделей строятся не только чат-боты. Существуют системы, которые самостоятельно ищут документы, принимают обращения, меняют настройки, пишут и проверяют код, анализируют платежи и составляют отчёты.

Выгода легко объяснима. Программный агент доступен круглосуточно, не уходит в отпуск и может обслуживать дополнительные запросы без пропорционального увеличения штата. Однако число запросов, сложность контекста и стоимость контроля тоже растут.

Чтобы понять масштаб изменений, стоит начать с неприятного для моей гипотезы факта: единица машинного интеллекта исторически дешевела, а не дорожала.

По Stanford AI Index 2025, цена миллиона токенов модели с результатом примерно на уровне GPT-3.5 по MMLU упала с $20 в ноябре 2022 года до $0,07 в октябре 2024-го. Это сравнение моделей сопоставимого результата на одном тесте, а не постоянной цены одной и той же модели. Источник: Stanford HAI ^[3].

Та же тенденция прослеживается в тарифах отдельных семейств. При запуске Claude 3 Opus в марте 2024 года миллион входных токенов стоил $15, выходных — $75. В 2026 году для Claude Opus 5.5 указаны $4 и $20.

Для Sonnet 3.5 в июне 2024 года тариф составлял $3/$15, для Sonnet 5.5 — $2/$10. Сопоставлять их возможности как идентичные нельзя: это разные поколения и разные модели.

Источники: Anthropic — Claude 3 ^[4], Claude 3.5 Sonnet ^[5], Claude Sonnet 5.5 ^[6].

Номинальные стандартные тарифы API без скидок на кэш, пакетную обработку, внешние инструменты и дополнительные условия. Снижение цены токена само по себе не равно снижению полной стоимости задачи.

Конкуренция тоже существует. Например, по состоянию на начало ноября 2026 года официальный тариф DeepSeek V4 Pro вне пиковых часов составляет $0,66 за миллион некэшированных входных токенов и $1,98 за миллион выходных. В пиковые часы цены удваиваются.

Для Claude Sonnet 5.5 номинальные значения — $2 и $10. При условных 10 млн некэшированных входных и 1 млн выходных токенов получаются $8,58 и $30 соответственно.

Это не доказательство, что DeepSeek выполнит ту же работу за меньшие деньги: потребление токенов, качество результата, необходимость переделок и время исполнения могут различаться.

Источники: DeepSeek ^[7], Anthropic ^[6].

Почему китайские модели не обязаны оставаться дешёвыми

Можно возразить: даже если американские поставщики поднимут цены, у бизнеса останутся сравнительно недорогие китайские модели.

Сейчас они действительно создают сильное ценовое давление. Однако из этого не следует, что их тарифы закреплены навсегда.

В условиях конкуренции поставщик может сознательно устанавливать привлекательную цену ради распространения модели, загрузки своей инфраструктуры и привлечения разработчиков. Позднее, по мере роста спроса и затрат, он может пересмотреть скидки и условия обслуживания.

Может произойти и обратное: снижение себестоимости и усиление конкуренции позволят продолжить удешевление.

У DeepSeek уже был конкретный пример изменения политики. При выпуске V3.1 компания объявила, что с 5 сентября 2025 года начнут действовать новые тарифы, а прежние скидки за использование в непиковые часы будут прекращены.

Это не означает постоянного роста: в актуальном прайс-листе DeepSeek вновь есть различия между пиковыми и непиковыми периодами, а условия могут изменяться.

Источники: официальное объявление DeepSeek о V3.1 ^[8], действующие тарифы и оговорка об изменении цен ^[7].

Объяснять всю разницу только низким качеством тоже неверно. Китайские модели неодинаковы: некоторые существенно отстают от лидеров в конкретных испытаниях, другие приближаются к ним в программировании и агентных задачах.

Аналитический центр CSIS летом 2026 года отдельно отметил быстрое сокращение этого разрыва. Для покупателя важен результат на собственных задачах, а не страна разработки. CSIS, What to Know About Chinese AI Models, 2 июля 2026 ^[9].

Авторская схема, а не прогноз: давление конкурентов и повышение эффективности могут снижать цены, а затраты на инфраструктуру и изменение спроса — подталкивать к пересмотру тарифов, квот или скидок.

Главная неопределённость для бизнеса — не выбор «дорогих американских» или «дешёвых китайских» моделей раз и навсегда, а способность пересчитывать экономику и менять используемые модели без остановки процессов.

При этом замена может отличаться по качеству, скорости, требованиям к данным и затратам на проверку. Одинаковая цена миллиона токенов не гарантирует одинаковую стоимость решённой задачи.

Отсюда важное разделение: стоимость токена, стоимость успешного действия агента и полная стоимость бизнес-процесса — три разных показателя.

Почему задача может дорожать, даже если токен дешевеет

Обычный чат с моделью и автономный агент потребляют ресурсы по-разному.

Агенту нужно читать файлы, получать результаты инструментов, хранить контекст, вызывать вспомогательные операции, перепроверять изменения и иногда несколько раз возвращаться к одной ошибке ^[10].

При этом инициатор может видеть всего одну выполненную задачу, а оплачивать — длинную последовательность действий.

Иллюстративный расчёт, не прогноз. Если единица токенов стала в четыре раза дешевле, но для выполнения одной работы требуется в восемь раз больше токенов, её токенная стоимость увеличится вдвое. В реальности требуется также учитывать кэширование, инструменты, время и качество.

Именно на этот риск указала Gartner в июне 2026 года. Аналитическая компания прогнозирует, что к 2028 году затраты на инструменты ИИ-программирования могут превысить среднюю зарплату разработчика; среди причин названы растущее потребление токенов, переход к оплате фактического использования и недостаточный контроль автономных рабочих процессов.

Это прогноз, а не подтверждённый результат и не утверждение о каждом конкретном разработчике. Gartner, 24 июня 2026 года ^[12].

Отдельная проблема — подписки. Пользователь видит фиксированные $20, $100 или $200 в месяц и привыкает мыслить не стоимостью каждого действия, а доступным объёмом работы. Но лимиты могут меняться.

В июле 2025 года Anthropic объявила о недельных квотах Claude Pro и Max с конца августа, сославшись, в том числе, на непрерывное использование кодовых агентов отдельными клиентами. По оценке компании, новые ограничения должны были затронуть менее 5% подписчиков.

А в мае 2026 года Anthropic, наоборот, объявила об удвоении пятиичасовых лимитов для ряда планов благодаря расширению вычислительных мощностей.

Источники: объявление 2025 года ^[13], объявление 2026 года ^[14].

Это существенно меняет постановку вопроса. Нельзя достоверно сказать, что подписки будут только урезать, а токены — только дорожать.

Но нельзя и строить многолетнюю экономику бизнеса исходя из того, что сегодняшние квоты и скидки гарантированы навсегда.

По одной лишь розничной цене подписки нельзя определить прибыль или убыток поставщика: публичной себестоимости обслуживания каждого клиента у нас нет.

Инфраструктура: кто оплачивает рост вычислений?

Даже если цена токена снижается, количество дата-центров и нагрузка на энергосистему растут.

Международное энергетическое агентство оценило мировое электропотребление всех дата-центров за 2024 год примерно в 415 ТВт·ч. В базовом сценарии к 2030 году показатель достигает 945 ТВт·ч.

ИИ — главный фактор прогнозируемого роста, но расчёт охватывает и другие виды цифровых нагрузок. IEA, Energy and AI ^[15].

Оценка 2024 года и прогноз IEA на 2030 год — не две уже наблюдённые точки. Прогноз зависит от темпов внедрения ИИ, энергоэффективности оборудования и ограничений инфраструктуры.

В октябре 2026 года Reuters сообщало о серьёзной коррекции Nasdaq на фоне сомнений в быстрой окупаемости инвестиций технологических гигантов в ИИ.

Это свидетельствует о переоценке ожиданий инвесторов, но не доказывает, что «пузырь уже лопнул» или что все ИИ-компании убыточны. Reuters, 30 октября 2026 года ^[16].

Получается противоречие: компании-разработчики моделей вкладывают огромные средства в инфраструктуру, а пользователи рассчитывают на дальнейшее повышение качества при доступной цене.

Как долго удастся поддерживать обе тенденции одновременно — открытый экономический вопрос.

Но ведь существуют модели с открытыми весами

Это главный аргумент против идеи полной зависимости от нескольких поставщиков, и его нельзя игнорировать.

Китайские модели конкурируют по цене и возможностям; Mistral, Meta и другие разработчики предлагают модели с доступными весами.

29 октября 2026 года Mistral опубликовала веса Mistral Large 4 (Le Chonk): триллион параметров в общей архитектуре и примерно 52 млрд активных на один запрос.

Модель можно размещать самостоятельно, но лицензия предусматривает дополнительные условия для бизнеса, предоставляющего её как самостоятельный сервис. Mistral, выпуск открытых весов ^[17].

Это реальная альтернатива блокировке облачного аккаунта. Но наличие весов не означает, что компания может завтра запустить сопоставимую по качеству и скорости систему на обычном офисном сервере.

Нужны ускорители, память ^[18], электропитание, охлаждение, администрирование и специалисты. Кроме того, открытая модель должна действительно справляться с конкретными задачами бизнеса.

Выбор не бинарный. Можно использовать закрытую подписку, оплачиваемый API другого поставщика, размещённую самостоятельно открытую модель или сочетание нескольких вариантов.

Экономическая независимость появляется не от одного слова «открытая», а от проверенной возможности продолжить работу по приемлемой стоимости.

Сокращения: экономию получает компания, переход оплачивают люди

Автоматизация давно вышла за пределы написания кода. Она меняет техподдержку, продажи, обработку документов, подбор сотрудников, аналитику и часть управленческой работы.

По подсчётам Challenger, Gray & Christmas, за январь–сентябрь 2026 года работодатели США назвали ИИ причиной примерно 120 тысяч объявленных сокращений, около 21% от общего количества за этот период.

Это заявленные работодателями причины, а не доказательство, что каждое рабочее место реально замещено агентом. Мотивы сокращений могут быть смешанными. Challenger, отчёт за сентябрь 2026 года ^[19].

Накопленный итог с января по соответствующий месяц, а не количество новых сокращений только за этот месяц. Источник — отчёты Challenger за июль, август и сентябрь 2026 года.

Однако экономию бывает видно невооружённым глазом. В отчётности Klarna для американского регулятора указано, что в 2025 году ИИ-помощник обрабатывал 80% чатов клиентской поддержки.

Компания оценила экономию за год примерно в $59 млн, а объём выполняемой работы — как эквивалент более 850 штатных операторов.

Это расчётный эквивалент нагрузки, а не сообщение об увольнении 850 конкретных сотрудников. Klarna также сообщает, что сохраняет возможность общения с человеком.

Все оценки качества и экономии приведены самой компанией. Klarna, годовая отчётность за 2025 год ^[20].

С одной стороны, это мощный аргумент в пользу автоматизации: рутинная работа действительно может становиться дешевле и быстрее.

С другой — вопрос, сколько обученных операторов останется способными обработать поток обращений без ИИ, уже не выглядит надуманным.

Куда уходят сокращённые сотрудники? Часть находит другую работу, часть переучивается, часть покидает отрасль.

Если спустя несколько лет компания захочет восстановить человеческие процессы, ей может не хватить доступных компетенций, а возвращение людей потребует найма, адаптации и более высоких затрат.

Это пока сценарий риска, а не универсальный итог всех автоматизаций.

Волны удешевления ИИ: почему сотрудники не останутся в резерве

Предположим, что компания сократила часть сотрудников после внедрения агентов.

Несколько лет автоматизация обходится дешевле человеческого труда. Затем растёт цена использования моделей, увеличивается число запросов или выясняется, что сложные обращения требуют большего участия людей.

Компания решает восстановить часть команды.

Но уволенные специалисты не находятся в режиме ожидания. Одни перешли к конкурентам, другие переучились, открыли собственный бизнес или нашли работу с более предсказуемыми условиями.

У кого-то устарели навыки работы с прежней инфраструктурой, а внутренние знания организации со временем перестали передаваться.

Новым сотрудникам предстоит осваивать и те процессы, которые прежде выполняли опытные коллеги, и последствия нескольких лет автоматизации.

Даже если бывший сотрудник готов вернуться, он вправе задать неприятный вопрос: почему компания не уволит его ещё раз после выхода следующей, более дешёвой модели?

Возвращение на прежнюю зарплату и с прежними гарантиями уже не выглядит очевидным.

В опросе SHL, опубликованном в октябре 2026 года ^[21], 51% респондентов хотели бы существенного повышения зарплаты для возвращения после замены ИИ, а 42% — гарантий сохранения занятости.

Это ответы участников опроса, а не измерение фактических зарплат всех вернувшихся работников.

Появляется вероятность повторного цикла.

Когда стоимость ИИ снижается, компания снова рассматривает сокращения. Когда ИИ дорожает или перестаёт справляться, предприятие снова пытается нанять людей.

Но после каждой такой волны доверие к работодателю может ухудшаться, а восстановление компетенций — усложняться.

Не все специалисты смогут или захотят вернуться; некоторые навыки придётся формировать практически заново.

Здесь нет гарантированного рыночного цикла, который непременно произойдёт в ближайшие годы. Есть зависимость от выбранного пути: решения об увольнении людей обладают долговременными последствиями, которые не отменяются возвращением прежних цен на ИИ.

Цена выхода: почему обратный переход обходится дороже

Для первого расчёта автоматизации сравнить расходы относительно просто: зарплаты, обучение ^[22] и управление персоналом — с тарифами моделей, вычислительной инфраструктурой и контролем качества.

Но если человеческую команду уже распустили, при восстановлении добавляются новые статьи расходов: поиск специалистов, повышенные условия возвращения, обучение, восстановление утраченных знаний, пересборка процессов и потери на переходный период.

Попробуем наглядно показать разницу.

Это условная модель, не прогноз стоимости ИИ.

Пусть содержание прежней команды обходилось в 100 условных единиц ежемесячно. Сначала автоматизация стоит 65, затем благодаря удешевлению достигает 42 единиц ко второму году.

Позднее, из-за выбранного нами сценария роста нагрузки и тарифов, расходы повышаются до 125 единиц к пятому году.

Кажется, на пятом году возвращение людей снова выгоднее: 100 против 125.

Но за эти годы сотрудники разошлись, процессы перестроены, а знания придётся восстанавливать.

Допустим, разовые затраты на полноценное восстановление команды к этому моменту эквивалентны шести прежним месячным бюджетам.

Если распределить эти вложения на первые двенадцать месяцев, стоимость работы восстановленной команды в первый год составит уже 150 единиц ежемесячно.

Авторский условный расчёт, не статистика и не прогноз. Синяя пунктирная линия — прежние регулярные расходы на людей. Зелёная — изменяющаяся стоимость ИИ. Оранжевая — стоимость возвращения команды в первый год с распределением разовых затрат на найм, обучение и восстановление процессов на 12 месяцев. Исходные допущения и значения приведены в CSV.

В этом примере ИИ уже дороже старой команды, но дешевле её восстановления: 125 против 150 единиц.

Разница в 25 единиц — не дополнительная прибыль поставщика ИИ, а временный экономический барьер, который возник у самого предприятия после кадровых решений.

Если сравнивать полные расходы за несколько лет, картина может измениться: единовременное восстановление нельзя бесконечно прибавлять к ежемесячной зарплате.

Поэтому в реальном бизнесе нужно рассчитывать срок окупаемости возврата, стоимость простоя и риски, а не выбирать по одной точке графика.

Причём наш расчёт даже оптимистичен: мы предположили, что компания сумела найти квалифицированных сотрудников, восстановить процессы и получить прежний уровень производительности.

В действительности это может занять дольше, а часть компетенций может оказаться недоступной.

И наоборот: если организация сохраняла ключевых специалистов, документацию, обучение и проверенные резервные процедуры, цена возвращения может быть намного ниже.

Получается парадокс: чтобы не потерять возможность отказаться от ИИ, компании приходится продолжать инвестировать в людей даже тогда, когда автоматизация выгоднее.

Это похоже на резервную инфраструктуру: её наличие стоит денег, но уменьшает риск дорогостоящего восстановления после отказа.

ИИ отбирает резюме. ИИ пишет резюме. Кто выигрывает?

Круг замыкается особенно наглядно в найме.

Работодатели внедряют автоматическую оценку кандидатов, чтобы справиться с потоком резюме. Соискатели начинают использовать ИИ, чтобы составлять резюме, подбирать формулировки и массово откликаться.

В ответ фильтры усложняются. Можно снизить стоимость рассмотрения одного отклика и одновременно повысить сложность всего рынка найма.

Авторская схема взаимной адаптации работодателей и соискателей. Это не измеренная статистика.

В исследовании AI Self-preferencing in Algorithmic Hiring авторы проверяли, предпочитают ли языковые модели резюме, сгенерированные ими самими.

В моделируемых процедурах отбора одинаково квалифицированные кандидаты с резюме от той же модели, что проводила оценку, имели на 23–60% больше шансов попасть в короткий список, чем кандидаты с резюме, написанными человеком.

Это результат конкретного эксперимента, а не средняя вероятность отказа на рынке труда. Xu, Li, Jiang, 2025 ^[23].

В октябре 2026 года широко разошлась история руководителя, который якобы отправил своё резюме на вакансию в собственной команде и получил автоматический отказ за шесть минут.

По его рассказу, фильтр требовал точного слова React.js, тогда как в резюме стояло React.

Независимого подтверждения истории нет, а описанный механизм больше похож на жёсткий поиск ключевого слова, чем на ошибку большой языковой модели.

Тем не менее случай хорошо иллюстрирует риск неконтролируемой автоматической фильтрации. Fast Company, октябрь 2026 года ^[24].

Система может успешно оптимизировать показатель «скорость обработки резюме», не улучшая показатель «найден подходящий специалист».

То же применимо к технической поддержке: высокий процент автоматически закрытых обращений не доказывает, что проблема клиента решена правильно.

Три отказа, которые нельзя сводить к одному

Авторская концептуальная схема, не статистическая оценка.

Первый сценарий — ИИ стал дороже.

Организация всё ещё может работать, но часть ранее выгодных операций начинает съедать маржу. Приходится уменьшать число обращений к модели, выбирать другие модели, менять архитектуру или снова привлекать людей.

Второй — ИИ недоступен.

Причиной может быть технический сбой, ограничение квоты, приостановка аккаунта или нарушение доступа к инфраструктуре.

Эпизод с Belo показал, что даже наличие другой модели у организации не означает мгновенного восстановления привычных процессов.

В репозитории Claude Code есть и другие пользовательские обращения с рассказами о восстановлении организационного аккаунта после блокировки, когда доступ отдельных сотрудников продолжал не работать.

Эти сообщения не позволяют оценить массовость проблемы. GitHub, issue #51588 ^[25].

Третий — ИИ продолжает работать, но ошибается.

Такой отказ может быть менее заметным. В 2024 году канадский трибунал рассмотрел случай с чат-ботом Air Canada, который неверно объяснил условия скидки на перелёт по семейным обстоятельствам.

Ответственность за ошибочное сообщение возложили на авиакомпанию.

Важно: это не судебное признание общей ненадёжности ИИ, а конкретное решение о недостоверной информации потребителю. American Bar Association о деле Moffatt v. Air Canada ^[26].

Самый неприятный аспект третьего сценария — мониторинг сервиса может показывать нормальную доступность.

Агент отвечает быстро, интерфейс работает, число закрытых обращений растёт. А клиенты получают неверные обещания или инструкции.

Смена провайдера также может менять качество: другая модель по-другому трактует требования, не знает прежнего контекста, ошибается в иной категории случаев.

Поэтому настоящий резерв — это не просто сохранённый API-ключ второго поставщика.

Нужны проверенные сценарии переключения, независимая оценка ответов и человеческая ответственность за последствия.

А что если сеньора заменили джуном с агентом?

В программировании эффект автоматизации тоже зависит не только от модели.

Сеньор способен дать подробные требования, указать ограничения и проверить граничные случаи. Менее опытный сотрудник может быстро принять внешне убедительный результат, не заметив архитектурной ошибки.

Это не утверждение, что все джуны работают хуже с ИИ или что сеньоры всегда экономят токены. Это гипотеза, которую можно и нужно проверить экспериментально.

В 2025 году исследователи METR изучили 246 задач опытных разработчиков в знакомых им открытых проектах.

При использовании ИИ-инструментов начала 2025 года участники тратили в среднем на 19% больше времени, хотя ожидали ускорения.

В феврале 2026 года авторы отдельно пояснили, что более новые агенты, вероятно, полезнее, а повторный эксперимент столкнулся с сильным смещением выборки: часть разработчиков не желала работать без ИИ.

Поэтому результат 2025 года нельзя механически переносить на все модели и все задачи 2026 года.

Источники: METR, 2025 ^[27], METR, 2026 ^[28].

Для бизнеса вопрос следует ставить иначе: сколько стоит принятое, проверенное и сопровождаемое изменение, а не сколько строк кода сгенерировал агент.

Если менее квалифицированный сотрудник получает меньшую зарплату, но тратит больше токенов и дольше не замечает ошибок, ожидаемая экономия может исчезнуть.

Но для типовых хорошо определённых задач результат может быть противоположным.

Без сопоставимых экспериментов здесь нельзя честно рисовать единственную кривую «ИИ против человека».

Промышленная революция уже ставила похожие вопросы

В начале XIX века английские рабочие уничтожали станки, связывая механизацию с ухудшением заработка и условий труда.

Луддитов часто изображают просто противниками прогресса, хотя их конфликт ^[29] был также конфликтом вокруг распределения выгод и издержек технологического перехода.

Исследование Дарона Аджемоглу и Саймона Джонсона, опубликованное в 2024 году, разбирает положение ручных ткачей в эпоху механизации.

Выпуск тканей рос, но реальные заработки ткачей упали примерно до четверти прежнего максимума.

Новые рабочие места возникали, однако этого долго не хватало для компенсации потерь именно этой группы работников.

Источники: Acemoglu и Johnson, NBER, 2024 ^[30], разбор MIT, 2026 ^[31].

Другой пример — автоматизация телефонной коммутации в США между 1920 и 1940 годами.

Исследование Feigenbaum и Gross показывает, что новые поколения женщин находили работу в других профессиях, и их общая занятость не обрушилась.

Но уже работавшие телефонистки оказались в более тяжёлом положении: спустя годы они чаще имели менее оплачиваемую работу или выпадали из занятости. Feigenbaum, Gross, Quarterly Journal of Economics, 2024 ^[32].

История не доказывает, что ИИ неизбежно вызовет такую же безработицу.

Она предупреждает о другом: рост общей производительности и благополучие людей, потерявших конкретную профессию, — не одно и то же.

Обещание будущих новых рабочих мест не отвечает автоматически на вопрос о судьбе нынешнего работника.

Есть и обратная сторона. Вокруг унаследованных технологий порой сохраняется спрос на редкие знания.

Пример COBOL показателен: код критически важных систем живёт десятилетиями, а квалифицированных специалистов становится меньше.

При этом неверно говорить, что ИИ «вообще не знает COBOL» — IBM уже предлагает watsonx Code Assistant for Z для анализа и модернизации таких систем.

Вопрос не только в знании языка, но и в восстановлении бизнес-правил, зависимостей и причин старых архитектурных решений. IBM Research, 2025 ^[33].

Именно здесь появляется самая тревожная аналогия с современными системами, созданными агентами.

Исходный код можно сохранить. Но кто через десять лет вспомнит неочевидные требования, границы ответственности и причины компромиссов, если над системой почти всё время работали агенты, а люди лишь утверждали результаты?

Где проходит граница разумной автоматизации?

Я не думаю, что правильный ответ — отказаться от агентных систем или сохранять прежнюю численность штата любой ценой.

Автоматизация действительно способна делать бизнес эффективнее.

Klarna — пример ощутимой экономии, открытые модели — пример альтернативы монополии, а обновляющиеся модели могут со временем становиться одновременно лучше и дешевле.

Но решение об автоматизации нельзя принимать только по сравнению стоимости рабочего места с ценой подписки.

В реальном расчёте должны присутствовать качество результата, стоимость проверки и исправления ошибок, расходы на инфраструктуру, длительное сопровождение, вероятность отказов и стоимость возвращения к человеческому процессу.

Допустим, организация экономит на первой линии техподдержки.

Сколько стоит один корректно разрешённый запрос? Как часто агент передаёт действительно сложные случаи человеку? Могут ли сотрудники принять поток обращений при отключении сервиса?

Проверял ли кто-то, как поведёт себя другая модель с той же базой знаний? И сколько времени потребуется на восстановление опыта ^[34] людей, которых перестали привлекать к таким задачам?

Возможно, лучший результат даст не «максимум автоматизации», а максимум измеримой пользы при сохранении управляемости: рутинные операции делают агенты, критические решения проверяются, знания хранятся независимо от модели, резервные процессы действительно испытаны на практике.

Тогда компания сможет менять соотношение человеческой и машинной работы без разрушения собственной деятельности.

Но если всё построено на сегодняшней дешевизне ИИ и на предположении, что выбранный агент всегда будет доступен и достаточно хорош, организация может незаметно накопить долг другого рода — экономический, кадровый и управленческий.

Главный вопрос не только в том, насколько выгодно перейти на ИИ сегодня. Он в том, сколько будет стоить вернуть людей через пять лет — и захотят ли они возвращаться после очередной волны автоматизации.

Вопрос к читателям: если завтра расходы на ваши ИИ-системы вырастут в пять раз или основной поставщик пропадёт на неделю, какие процессы продолжат работать? Кто будет отвечать за результат и останутся ли люди, способные выполнять критические задачи без агентов?

---

Источники и методологические оговорки

Ниже приведены основные первичные источники и проверяемые публикации; ссылки также стоят непосредственно в тех абзацах, к которым относятся.

Данные тарифов и условий доступа относятся к состоянию на 4 ноября 2026 года. Цены в долларах указаны в публичных тарифах, без налогов и индивидуальных соглашений.

• Stanford HAI — AI Index 2025 ^[3] — историческая стоимость моделей сопоставимого уровня.

• Anthropic — Claude 3 (2024) ^[4], Claude 3.5 Sonnet (2024) ^[5], Claude Sonnet 5.5 (2026) ^[6] — официальные цены моделей.

• DeepSeek — Models & Pricing ^[7] — текущие тарифы с разделением пиковых и непиковых часов.

• Gartner, 24 июня 2026 ^[12] — прогноз расходов на ИИ-программирование.

• IEA — Energy and AI ^[15] — оценка и прогноз энергопотребления дата-центров.

• Challenger, Gray & Christmas, сентябрь 2026 ^[19] — заявленные работодателями причины сокращений.

• Klarna, отчёт за 2025 год, SEC ^[20] — собственные оценки автоматизации поддержки.

• Belo, свидетельства и пересказ Mint ^[2]; обращения в Claude Code ^[25] — пользовательские сообщения об ограничениях доступа.

• Mistral — открытые веса Mistral Large 4 ^[17] — технические и лицензионные условия альтернативы.

• Xu, Li, Jiang — AI Self-preferencing in Algorithmic Hiring ^[23] — экспериментальный эффект при оценке резюме.

• METR, 2025 ^[27] и METR, обновление 2026 ^[28] — границы измерения производительности разработчиков.

• American Bar Association — Moffatt v. Air Canada ^[26] — разбор решения трибунала.

• Acemoglu, Johnson, NBER ^[30] и Feigenbaum, Gross, QJE ^[32] — историческая экономика автоматизации.

• IBM Research — COBOL и ИИ ^[33] — современные технологии анализа унаследованных систем.

• SHL / Business Wire, октябрь 2026 ^[21] — условия, на которых сотрудники готовы вернуться после замены ИИ.

Методологическое примечание. Графики с историческими показателями построены по указанным источникам. Концептуальные схемы обозначены отдельно. Рисунок 7 — авторский сценарный расчёт, а не реальные показатели определённой организации или прогноз рынка. Все цены и характеристики моделей необходимо повторно проверить непосредственно перед публикацией.