The Future Of Work

Лаборатория осознанного чтения о будущем образования

Соня Смыслова запускает очень интересную штуку — ридинг-лаб про будущее образования.

Опыто-ориентированная программа (experiential learning) для всех, кто хочет понимать, как обучать, обучаться и исследовать образование в условиях неопределенности и множественных вариантов будущего.

Я участвовал на предыдущей лаборатории, в прошлом году — и это был очень классный опыт. Хоть я и не поспевал за всем объёмом информации.

Искренне рекомендую. Соня даёт уникальный контент и программу. Подробнее можно почитать тут: ttps://t.me/sonyaaboutcam/600

Вдруг вы не видели. Рекламный креатив от The Economist — такой правильный и актуальный для 2026. И, видимо, для следующих 10 лет.

PS. Но сама реклама прошлого года.

Всё с нашей работой будет хорошо

По крайней мере в этом нас пытаются убедить в a16z. Много диаграмм и графиков, как будто бы подтверждающих, что никакой тотальной безработицы по вине AI нас не ждёт — в их очередном хитовом лонгриде «The AI Job Apocalypse Is a Complete Fantasy».

• Нас сбивает с толку «Lump-of-labor fallacy» — идея конечного объёма работы и задач. Но человеческие потребности безграничны: как только автоматизация освобождает время, люди находят новые продуктивные способы его применения.

• Когда стоимость важного когнитивного ресурса будет падать случится «Парадокс Джевонса» — спрос на него не исчезнет, а резко возрастёт. «Дешёвый» интеллект позволит человечеству решать более амбициозные задачи в робототехнике, биотехнологиях и освоении космоса.

• Для большинства профессий AI станет «force-multiplier». Например, спрос на инженеров и продакт-менеджеров продолжает расти. AI позволяет им выполнять больше осмысленной работы.

• Статистика и исследования показывают, что на текущий момент нет значимой связи между внедрением AI и ростом безработицы. Напротив, в отраслях с высоким уровнем использования AI часто наблюдается рост найма и зарплат.

• Большая часть современных рабочих мест не существовала в 1940-х годах. AI уже сейчас создает спрос на новые специальности — от строительства дата-центров до обслуживания сложных роботизированных систем.

Я удивляюсь как классно и с каким обилием цифр можно завернуть абсолютный булшит. И как настойчиво эти люди игнорируют несколько нюансов про последние 80 лет — демографический рост, расширение массового потребления, урбанизацию, высшее образование, женскую эмансипацию, рост среднего класса и появление новых рынков. Да ну как же? Всё самое лучшее было только от технологий и парадокса джевонса! Рост населения на 6 миллиардов человек тут вообще ни при чём!

В комментариях аудио-обзор и пдф с переводом.

→ https://a16z.com/the-ai-job-apocalypse-is-a-complete-fantasy

И еще один полезный документ (и концепт) — от IDEO.

Про связь моделей поведения в компании, корпоративной культуры и финансовых показателей. Связь прямая — культура является предиктором успеха.

IDEO выделяет пять элементов организационного поведения, которые больше всех влияют на результаты:

1. Perspective
Способность предвидеть тренды и кризисы. Руководители и команды в таких организациях умеют системно отслеживать и анализировать сигналы, следить за своей индустрией — но и интересоваться, что происходит в других направлениях и рынках.

2. Ownership
Сотрудники меняют процессы и вовлеченно реагируют на обратную связь от клиентов без необходимости проходить через бюрократию и ждать одобрения сверху.

3. Wavelength
Высокий уровень кросс-функционального взаимодействия. Сотрудники охотно помогают коллегам за пределами своих основных команд, а лидеры ценят людей с нетипичным опытом и точками зрения.

4. Experimentation
Способность быстро превращать идеи в работающие решения. И при этом, готовность инвестировать в идеи, даже если они не обещают прибыли в краткосрочной перспективе.

5. Resonance
Глубокое понимание и интерес к потребностям клиентов. Клиентоцентричность как основа для принятия бизнес-решений и операционной деятельности на всех уровнях.

Четыре типа компаний, в зависимости от сочетания Perspective и Experimentation:

• Drivers
Самые успешные — думают масштабно и действуют быстро.

• Dreamers
Видят горизонт, но не могут довести идеи до реализации.

• Deliverers
Много экспериментируют, но не имеют видения.

• Doers
Просто делают — но ничего нормально не могут.

→ https://www.ideo.com/iq

(пдф в комментариях)

Еле-еле прочитал на HBR лонгрид «The Gen AI Playbook for Organizations» — невыносимо скучный и длинный текст. Но там есть две симпатичных картинки-фреймворка:

1. В каких из 4 типов задач как надо использовать AI

• No Regrets
Низкая стоимость ошибки и большой объем структурированных данных. Здесь не требуется идеальная точность. Ценность заключается в скорости и масштабе.

• Creative Catalyst
Низкая стоимость ошибки, но нужны неявные экспертные знания (оригинальность, вкус, контекст). AI предлагает варианты, но человек фильтрует и выбирает.

• Human-First
Высокая стоимость ошибки и необходимость в неявных знаниях. Человек ведет процесс, а AI помогает в мелочах.

• Quality Control
Высокая стоимость ошибки, но процесс опирается на явные, четко структурированные знания. AI выполняет основную работу, но человек проверяет результат и несет финальную ответственность.

2. Шесть этапов, на которых теряется вся выгода от AI

1. Task efficiency
Компания не определила, какие конкретно задачи AI должен улучшать.

2. Employee adoption
Компания упускает возможности, потому что сотрудники нормально не обучены и теряются.

3. Resource redeployment
AI экономит время, но это время не направляется на более ценные важные задачи.

4. Organizational throughput
Компания не перестраивает процессы так, чтобы системно масштабировать значимые эффекты от AI.

5. Market demand
Клиентам не нужно то, что компания может производить благодаря AI.

6. Competitive retention
Конкуренты используют AI ровно также и с тем же результатом. Поэтому выгода уходит не компании, а рынку: цены снижаются, маржа падает, клиенты получают больше за те же деньги.

→ https://hbr.org/2025/11/the-gen-ai-playbook-for-organizations

В комментариях пдф с переводом.

Какие профессии гарантированно сохранят свою актуальность в будущем?

В подкасте Planet Money позавчера вышел выпуск, посвященный прогнозам востребованности профессий от U.S. Bureau of Labor Statistics — насколько им можно доверять.

Эти прогнозы публикуются с 1946 года. В BLS отталкиваются от анализа общих национальных трендов, таких как старение и изменение численности населения, затем они экстраполируют исторические данные по конкретным отраслям, и корректируют их с учетом новых факторов (технологии, экономика, кризисы, и тд).

Благодаря правильному сочетанию параметрических моделей и экспертной оценки их подход позволяет прогнозировать даже сложные траектории. И эти прогнозы оказываются верными примерно в 70% случаев.

Короче говоря, это надежный источник.

Но самое интересное другое. Maxim Massenkoff, экономист из Anthropic, проанализировал эти прогнозы за 80 лет, и сформулировал любопытные выводы:

• В целом, действительно могут быть такие модели, которые хорошо предсказывают долгосрочные изменения на рынке труда. И давать достаточно точные прогнозы.

• На коротком отрезке простая экстраполяция темпов роста за предыдущее десятилетие работает почти так же хорошо, как и экспертное мнение.

• Экспертные оценки значительно повышают точность в долгосрочных прогнозах.

Какие факторы чаще всего упоминались в прогнозах, и как это влияло на точность:

• Прогнозы, основанные на изменениях в организации труда и бизнесе оказались самыми точными.

• Анализ технологического влияния коррелировал с наименьшей точностью. Эксперты понимали направление изменений, но систематически недооценивали их масштаб. Профессии сокращались на 30 процентов сильнее, чем предсказывали эксперты.

→ https://www.npr.org/transcripts/nx-s1-5815308

Нашел на просторах LinkedIn классную картинку про future-ready организации. Вдруг вам пригодится.

Microsoft вчера опубликовали 2026 Work Trend Index. Без каких-то радикальных инсайтов — но с красивыми диаграммами. Как и всегда.

Ключевые идеи:

• Роль человека в управлении AI смещается в сторону принятия решений, постановки целей и контроля качества. Почти половина взаимодействий с Copilot направлена на аналитику и решение проблем, а не на генерацию контента. В этой модели главными навыками становятся контроль качества результатов AI (50%) и критическое мышление (46%).

• На индивидуальном уровне люди готовы к глубокой интеграции AI, но структуры компаний (метрики, стимулы и правила) продолжают поддерживать традиционные методы работы. Только 19% сотрудников находятся в условиях, где высокая личная экспертиза и интерес поддерживаются организацией, и 26% подтверждают, что у их руководства есть видение и стратегия внедрения AI.

• Успешность трансформации на 67% определяется организационной средой (культурой и поддержкой менеджмента) и на 32% личными усилиями человека.

• Компании-лидеры отличаются тем, что очень серьёзно относятся к накоплению экспертизы и лучше других умеют превращать локальные успехи в «owned Intelligence», который невозможно легко скопировать конкурентам.

В комментариях аудио и сам пдф.

→ https://www.microsoft.com/en-us/worklab/work-trend-index/agents-human-agency-and-the-opportunity-for-every-organization