В конце сентября 2026 года экономисты Роберт Фэйрли и Джейн Ву из мюнхенского исследовательского института CESifo опубликовали рабочую статью «The Early Impacts of AI on Employment Among Recent College Graduates». Главный вывод авторов сформулирован без оговорок: «There is no evidence of any significant, widespread displacement or reduction in hiring of recent college graduates in absolute or relative levels», то есть доказательств значительного и массового вытеснения или сокращения найма недавних выпускников вузов нет ни в абсолютных, ни в относительных показателях (Ars Technica).
Это противоречит более раннему исследованию Стэнфордского университета, которое фиксировало отставание занятости на начальных позициях в профессиях, затронутых ИИ. Один и тот же рынок, два противоположных вывода.
Обе работы остаются рабочими статьями (working papers), а не финальными рецензируемыми публикациями. Окончательным ответом на вопрос, заменяет ли ИИ выпускников, ни одна из них не служит: у каждой свои данные, период наблюдения и определение изучаемой группы.
Что именно утверждает исследование CESifo
Рабочая статья «The Early Impacts of AI on Employment Among Recent College Graduates» проверяет гипотезу, которая держалась в новостях весь 2026 год: ИИ вытесняет выпускников с начальных позиций быстрее всех остальных групп работников. На агрегированных данных гипотеза не подтверждается, а авторы отдельно оговаривают, что не нашли ни массового, ни значимого сокращения найма недавних выпускников.
Почему авторы смотрели именно на выпускников
Фэйрли и Ву объяснили выбор фокуса так: изменения спроса на труд могут сначала проявляться через сокращение найма. Компании редко увольняют опытных сотрудников, которых долго нанимали и обучали: это дороже, дольше и рискованнее для команды. Отказаться от открытия новой вакансии проще. Если ИИ действительно снижает потребность в людях на простых ролях, первым это почувствует тот, кто ищет первую работу.
Второй аргумент авторов: когда ИИ становится достаточно хорош, чтобы выполнять «relatively standardized tasks», то есть относительно стандартизированные задачи в начальных офисных профессиях, фирмы могут сокращать найм на простые роли вместо увольнения опытных долгосрочных сотрудников. Речь идёт о перестройке входа в профессию, а не о массовых увольнениях середины карьеры.
Какие данные использовали Фэйрли и Ву
Помимо статистики занятости, авторы ссылаются на три группы индикаторов: недавний резкий рост числа фирм, «заменяющих большое количество задач сотрудников с помощью ИИ», по данным опроса Census; рост расходов на ИИ в расчёте на одного работника; рост использования токенов ChatGPT Enterprise за последние 12 месяцев (Ars Technica).
Эти показатели говорят о росте использования ИИ, а не о прямой причинно-следственной связи с наймом. Рост расходов на токены и числа компаний, заменяющих задачи, спокойно уживается с ростом найма выпускников, если ИИ расширяет объём работы, а не только сокращает её. Конкретных цифр по числу ненайденных из-за ИИ позиций авторы не приводят.
Что нашло Стэнфордское исследование и почему выводы другие
Стэнфордское исследование, о котором писали месяцем ранее, зафиксировало отставание занятости на начальных позициях в профессиях, затронутых ИИ. Динамика занятости в «AI-impacted occupations» оказалась хуже, чем в остальных сферах, и именно этот результат стал главным аргументом тезиса о вытеснении джунов. CESifo приходит к противоположному выводу (Ars Technica).
Разница в предмете исследования: Стэнфорд смотрел на занятость внутри профессий, которые заранее отнесли к затронутым ИИ, а CESifo смотрели на найм недавних выпускников в целом, без деления отраслей на «затронутые» и «незатронутые». Это разные вопросы. Профессия может терять занятость, при этом найм выпускников по стране в целом остаётся стабильным: потери одной группы перекрываются спросом в другой.
Методологические различия: выборка, период, определение «затронутых ИИ» профессий
Расхождение объясняется несколькими настройками, которые исследователи задают вручную.
- Разные метрики. Стэнфорд измерял уровень занятости, CESifo измеряли найм выпускников. Вакансия и занятость реагируют на изменения спроса с разной скоростью.
- Разное определение «AI-impacted occupations». Список профессий в этой категории задают авторы работы, и сдвиг границ меняет результат.
- Разные периоды наблюдения. Исследование с более ранним окном видит менее зрелый этап внедрения ИИ.
- Разный уровень агрегации. Найм выпускников по стране и занятость в конкретной профессии в конкретных штатах могут двигаться в противоположные стороны.
Ни один из этих факторов не делает одно исследование правильным, а другое ошибочным. Экономические работы на живых данных почти всегда чувствительны к этим четырём настройкам, и оба текста остаются препринтами.
Что происходит на рынке труда прямо сейчас: цифры и примеры
Агрегированная статистика по всем выпускникам не отменяет того, что в отдельных профессиях перестройка уже идёт. Самый наглядный пример в русскоязычном сегменте: тексты. По данным аналитиков hh.ru, с начала 2026 года копирайтеры и редакторы разместили более 213 000 резюме, тогда как компании опубликовали лишь около 5 000 вакансий; в августе на одну вакансию приходилось более 80 соискателей (Известия). Пропорция 40 к 1 по резюме и вакансиям означает, что большинство откликов заведомо остаётся без ответа.
Динамика вакансий идёт вниз: в 2026 году число вакансий для копирайтеров в маркетинге сократилось на 30%, в медиасфере на 23%. По разным оценкам, спрос на специалистов по работе с текстами упал на 20-30%, а часть их задач взяли на себя маркетологи и SMM-специалисты с нейросетями (Известия).
Есть и второй слой данных. По информации нейросетевого маркетплейса Chad, доля активных пользователей ИИ среди копирайтеров снизилась с 7% до 2% с начала года: часть тех, кто ещё год назад подрабатывал текстами, из профессии вышла. Директор по развитию Newstaff Роман Адаменко связывает сокращение вакансий в маркетинге и медиасфере с внедрением ИИ, а директор по развитию Avito Work Роман Губанов отмечает, что созданием текстов сегодня чаще занимаются специалисты по сложному контенту.
Почему тексты стали первым полигоном для замены джуниоров
Текстовые задачи хорошо ложатся на LLM: они относительно стандартизированы, легко дробятся на шаги, а качество результата проверяется быстро. Компаниям больше не нужен большой штат для создания простых текстов, потому что один интеллектуальный копирайтер в паре с нейросетью способен выполнять задачи нескольких человек. Отсюда и перекос на рынке: спрос перераспределяется в пользу тех, кто закрывает больший объём.
Полного исчезновения профессии это не означает. Меняются требования: вместо «написать 20 текстов» в вакансии появляется «настроить пайплайн генерации, вычитать и отвечать за фактологию». Навык работы с моделью становится частью базовой квалификации, а не бонусом к ней.
Какие профессии и задачи наиболее уязвимы для ИИ
Если отбросить отраслевые ярлыки, уязвимость определяется структурой задач, а не названием должности.
- Высокий риск: относительно стандартизированные тексты (описания товаров, новостные заметки, базовые лендинги), простая аналитика по готовым шаблонам, рутинная обработка документов, первичная поддержка по типовым вопросам.
- Средний риск: задачи, где ИИ ускоряет работу, но результат нужно проверять и дорабатывать вручную. Это код по чёткому ТЗ, отчёты, черновики договоров.
- Низкий риск: физический труд в нестандартной среде, сложные переговоры, работа с высокой ценой ошибки, задачи с длинным контекстом и личной ответственностью за решение.
Аргумент CESifo про «relatively standardized tasks» в начальных офисных профессиях описывает именно первую группу. Начальные позиции в маркетинге, медиа и копирайтинге попадают в зону риска первыми, потому что их задачи проще всего разбить на шаги и передать модели.
Эффект неоднороден даже внутри одной профессии. По разбору вайбкодинга, ИИ-ассистенты ускоряют сборку MVP примерно на 56%, но на сложных задачах замедляют опытных разработчиков на 19% и повышают дублирование кода: где ИИ-ассистенты помогают, а где мешают. Однозначного «ИИ забирает джунов» из таких данных не выводится.
Что это значит для выпускников 2026 года
Есть основания полагать, что соискатели, выпускающиеся в 2026 году, могут быть более подвержены вытеснению ИИ, чем те, кто выпустился годом или двумя ранее. Причина в моменте: компании, которые уже сократили часть простых задач, нанимают меньше джунов, а те, кто только внедряет модели, ещё не перестроили процессы. Выпускник попадает в середину этого перехода.
Практический вывод из обеих работ не в том, что «ИИ всё отменил» или «волноваться не о чем». Найм на входе стал селективнее, и главным критерием становится умение работать с ИИ на уровне инструмента.
Как использовать ИИ, чтобы не попасть под сокращение
- Освоить LLM-инструменты своей профессии, а не абстрактный «промптинг»: генерация и вычитка текстов, разбор таблиц, подготовка черновиков кода, поиск по внутренней базе знаний.
- Автоматизировать свою рутину и показывать результат в объёме, который раньше закрывала команда. Один копирайтер с настроенным пайплайном действительно делает больше, чем один без него.
- Учиться ставить задачу модели и проверять результат: формулировать критерии, ловить галлюцинации, отвечать за фактологию.
- Собирать портфолио из реальных проектов, где виден ваш вклад, а не только сгенерированный текст.
- Идти в роли, где ИИ дополняет человека: аналитика, интеграции, поддержка сложных клиентов, продажи, работа с процессами.
Гарантий это не даёт. Данные исследований противоречивы, а результат зависит от отрасли, региона и конкретной команды. Направление усилий понятно: осваивать инструмент, который меняет профессию изнутри. Как это происходит в разработке, разобрано в материале о том, как ИИ переформатировал IT-иерархию: роль исполнителя сужается, роль того, кто управляет моделью и отвечает за результат, растёт.
Что это значит для работодателей и HR
Часть компаний уже заменяет задачи сотрудников моделью: по данным опроса Census, число фирм, сообщающих о замене большого количества задач с помощью ИИ, резко выросло, а расходы на ИИ на одного работника и использование токенов ChatGPT Enterprise увеличились за последние 12 месяцев. Бюджеты на инструменты растут быстрее, чем штат.
Практические шаги для HR и руководителей выглядят так.
- Пересмотреть требования к junior-ролям: вместо «делает N задач» описать, какие задачи закрывает модель, а за что отвечает человек.
- Обучать джунов работе с ИИ в первый месяц, а не через год. Быстрее растут те, кто сразу получает доступ к инструментам и понятные критерии качества.
- Распределять работу между людьми и моделями явно, а не по факту: кто проверяет вывод, кто отвечает за ошибку.
- Не считать экономию на джунах бесплатной. Отказ от найма на начальные позиции через 2-3 года обернётся дефицитом middle-специалистов, которых негде взять: воронка обрывается на входе.
Осторожность нужна и с публичными объяснениями. Часть сокращений в тех-секторе объясняют ИИ, хотя экономика решений сложнее; подробнее об этом в разборе про AI-рейк и сокращения при рекордной выручке.
Ограничения исследований и почему нельзя делать окончательные выводы
Обе работы остаются рабочими статьями, а не финальными рецензируемыми публикациями. Выводы CESifo опираются на данные, которые могут не отражать долгосрочные тенденции, пока ИИ продолжает быстро меняться. Исследование сфокусировано на недавних выпускниках вузов и не охватывает другие категории работников: людей без высшего образования, специалистов со стажем, работников физического труда.
Российские цифры по копирайтингу приходят из отраслевого обзора, где не указаны методология и размер выборки. Это ограничивает проверку приведённых процентов, а сам рынок копирайтинга не репрезентативен для глобального найма выпускников.
Отдельно про причинность. Опрос Census и данные по ChatGPT Enterprise показывают рост использования ИИ внутри компаний. Из этого не следует автоматически, что найм джунов сократился именно из-за ИИ: на рынке труда одновременно действуют ставка, общая конъюнктура и перестройка бизнес-моделей. Чтобы разделить эти эффекты, нужны данные, которых пока нет.
Исследовательская база по теме расширяется. Google расширила AI & Economy Research Program и открыла платформу ATLAS v1.0, но и у этих данных есть ограничения по охвату и методологии.
Итог: что мы знаем и чего не знаем о влиянии ИИ на найм джуниоров
Однозначного ответа нет. CESifo не находит массового сокращения найма выпускников, Стэнфорд фиксирует отставание занятости в профессиях, затронутых ИИ, а рынок текстов показывает реальное падение числа вакансий и рост конкуренции: более 80 соискателей на одну позицию в августе 2026 года.
Что известно точнее: ИИ меняет структуру задач и требования к начальным позициям. Простые, стандартизированные задачи переходят к моделям, а к человеку предъявляют запрос выше: отвечать за качество, работать с инструментом, закрывать больший объём. Это происходит независимо от того, падает общее число вакансий или нет.
Что делать дальше: следить за новыми работами по теме, не строить карьерные решения на одном препринте и вкладываться в навыки, которые ИИ усиливает. Конкретный шаг, который можно сделать на этой неделе: возьмите одну рутинную задачу из своей работы, закройте её с моделью и сравните время и качество с обычным способом. Это даст больше, чем любой прогноз.