Думай задачами, не професіями: кого AI замінить першим

Уявіть, що одного дня ваше ім’я в робочому чаті перестають писати без скісної риски. Саме це сталося з Олівією Ліпкін — 25-річною копірайтеркою із Сан-Франциско. Спершу завдання в Slack адресували просто «Olivia». Потім — «Olivia/ChatGPT». Згодом риску перестали ставити: лишилося «ChatGPT». У квітні 2023-го її звільнили без жодного пояснення. Причину вона дізналася постфактум, прокрутивши історію чату: менеджери між собою прикидали, що платити боту дешевше, ніж писати їй (Futurism).

Ліпкін не була поганою копірайтеркою. Її помилка була тоншою: вона думала, що продає професію. А купували в неї — набір задач. І в ту мить, коли всі ці задачі вмістилися в чужий промпт, її ім’я й стало тим промптом.

Тримайте в голові інше число, з зовсім іншої епохи. У 2013-му двоє оксфордських дослідників, Карл Фрей і Майкл Осборн, порахували, що 47% робочих місць у США перебувають під загрозою комп’ютеризації протягом двох десятиліть (Frey & Osborne, 2013). Цифра облетіла світ, лягла в сотні презентацій про «кінець роботи» і досі живе у виступах коучів. Через десять років прогноз зістарівся не просто погано — він зістарівся рівно навпаки. Страхові андеррайтери, яких Фрей і Осборн поставили серед найвищих ризиків автоматизації, до 2021-го наростили зайнятість на 16,4%; рекреаційні терапевти, записані в найбезпечніші, втратили 8,9% (переоцінка ITIF, 2022). Те, що мало вмерти першим, виросло; те, що мало пережити всіх, скоротилося. Компас, що показує точно на південь, коли тобі треба на північ, не зламаний — він просто міряє не те. А міряли Фрей з Осборном цілі професії, іменники. Рівень професії — це саме той рівень, на якому неможливо нічого передбачити, бо професія не автоматизується; автоматизуються її окремі задачі, а те, що лишилось, перетасовується у щось нове.

Ця сцена — не про звільнену копірайтерку і не про «прийшов AI, забрав хліб». Вона про механізм, який ми навмисне ховаємо за зручним словом. Ми кажемо «AI замінює професії», бо професія — це посада, штатна одиниця, рядок у структурі, за який відповідає хтось інший. Насправді ж автоматизація відкушує задачі — дрібні, конкретні, по одній. І той, хто плутає одне з іншим, систематично дивиться не туди: боїться не тих ризиків, готує не ті навички, захищає не ті позиції. Я розберу це через три оптики — економіста, менеджера і фрілансера — і доведу одну неприємну тезу: виживе не той, у кого «безпечна» професія, а той, хто розкладає свою роботу на задачі швидше за свого начальника.

Назвемо це прямо: task-based displacement

У дослідників автоматизації є для цього точний апарат. Дарон Аджемоглу і Паскуаль Рестрепо ще до хвилі генеративного AI описали технологію не як «замінник людей», а як силу, що працює на рівні задач: капітал автоматизує суцільний відрізок задач у виробництві, витісняючи людину там, де вона тепер не потрібна (displacement effect), і повертаючи її туди, де виникають нові задачі з людською перевагою (reinstatement effect) (Acemoglu & Restrepo, 2019). Назвемо цю рамку її ім’ям — task-based displacement, витіснення на рівні задач. Не професія тоне чи спливає цілком; тоне і спливає її начинка.

Звідси й розрив у прогнозах, який варто запам’ятати назавжди. Коли OECD перерахувала ту саму небезпеку не по професіях, а по задачах усередині професій, замість оксфордських 47% вийшло 9% у середньому по країнах (OECD, 2016). Причина проста і відрізвлююча: професії, які списали в «приречені», майже завжди містять чималу частку задач, які важко автоматизувати. Бухгалтер — це не лише зведення цифр; це ще й сидіння навпроти переляканого власника бізнесу, який не хоче чути правду про свій баланс. Алгоритм забирає перше і не торкається другого.

Розрив усередині самих країн так само красномовний. За тим самим task-based підрахунком OECD, частка вразливих місць коливалася від 6% у Кореї до 12% в Австрії (OECD, 2016) — удвічі, і не тому, що корейці й австрійці працюють у різних професіях, а тому, що однакові професії там по-різному нарізані на задачі. Сама структура задач усередині посади важить більше за назву посади. Це треба прочитати двічі, бо тут уся суть: ваша вразливість визначається не тим, ким ви працюєте, а тим, з яких задач складається ваш день.

Це не означає «розслабтеся, нічого не буде». Пізніша оцінка тієї ж OECD підняла частку робочих місць із високим ризиком до 27% (OECD, 2023, via CESI). Anthropic, дивлячись не на теорію, а на реальні діалоги з Claude, фіксує ще різкіше: приблизно 49% професій уже мають щонайменше чверть своїх задач, які люди час від часу віддають моделі (Anthropic Economic Index). Зверніть увагу на формулювання — «чверть задач», а не «половина професій». Це і є task-based displacement у дії: не двері, що зачиняються перед професією, а тонка лінія всередині неї, яка з кожним місяцем зсувається.

Сама нарізка задач — не метафора публіциста, а інфраструктура. Урядова база O*NET, на якій будуються майже всі ці прогнози, описує тисячі професій не цілісними «покликаннями», а сумою елементів: понад 19 000 task-формулювань, зведених у понад 2 000 деталізованих видів діяльності (O*NET / Pew методологія). Тобто навіть держава, коли хоче серйозно говорити про працю, давно перестала мислити «професіями» — вона мислить задачами. Дивно, що останніми, хто це засвоює, лишаються самі працівники.

Чому юніори виграють, а сеньйори — ні (і чому це лякає не тих)

Тут починається найцікавіше — і найбільш контрінтуїтивне. Здоровий глузд підказує: розумна машина має передусім підсилити найрозумніших. Дані кажуть протилежне.

Найбільше і найчистіше дослідження на цю тему — про 5 179 операторів підтримки, яким поетапно вмикали AI-помічника. Середній приріст продуктивності — +14% звернень за годину. Але середнє тут бреше. Новачки і низькокваліфіковані додали +34%, а досвідчені й висококваліфіковані — майже нічого (Brynjolfsson, Li & Raymond, QJE 2025). Модель, по суті, виловила найкращі практики сильних операторів і роздала їх слабким. Той самий патерн — у розробці ПЗ: за польовим експериментом у трьох компаніях (зокрема Microsoft та Accenture) джуніори піднімають вихід на 27–39%, сеньйори — на скромні 8–13% (MIT Sloan).

Здавалося б, чудові новини: AI вирівнює гру, підтягує слабких. Але прочитайте ту саму статистику через task-based оптику — і вона перестане заспокоювати.

Чому AI майже нічого не дає сеньйору? Бо сеньйор уже вміє робити ті задачі, які модель робить добре. Його перевага лежала не в задачах, а в досвіді їх розкладання — у тому, щоб подивитися на хаотичний запит клієнта і розчленувати його на десять акуратних кроків. Так от: рівно цю операцію — декомпозицію — генеративний AI не виконує сам. Він блискуче закриває крок, який йому вже сформулювали, і безпорадний, поки крок не сформульовано.

А тепер парадокс, від якого холодніє. Якщо AI підтягує юніора майже до рівня сеньйора на самих задачах, то єдине, що тепер відрізняє сеньйора, — це здатність ставити задачі. Не виконувати — ставити. Той «post-tutorial парадокс», коли після короткого інструктажу новачок раптом майже наздоганяє ветерана, означає не що ветеран не потрібен. Він означає, що ветерана тепер цінують лише за те, що залишилося після віднімання задач: за вміння бачити роботу як набір задач і роздавати їх — людям і машинам — швидше за інших.

Слабкий менеджмент і його улюблене алібі

Тепер про другу, найнезручнішу тезу — і про антагоніста цього тексту. Він не виглядає лиходієм. Він виглядає як втомлений керівник відділу на ім’я, скажімо, Андрій, який щойно з гордістю доповів раді директорів, що «оптимізував» команду контенту.

Найгучніший сюжет такого роду: технологічна компанія скоротила команду з понад 60 авторів і редакторів, лишивши одну людину керувати ChatGPT. А потім звільнила і її (Vulcan Post / BBC). Звучить як тріумф автоматизації. Насправді це сповідь про менеджмент. Бо коли 60 людей зводяться до одного промпт-оператора, а потім і він стає зайвим, питання не «який потужний AI», а «що, власне, ці 60 людей робили такого, що один промпт це повторив?»

Відповідь зазвичай ховають. Якщо команду цілком замінює пара промптів — це не означає, що команда була слабкою. Найчастіше це означає протилежне: ніхто з керівників ніколи не спромігся розкласти роботу команди на задачі. Доти, доки робота лишалася туманним «вони там пишуть статті», її не можна було ні виміряти, ні оптимізувати, ні автоматизувати — і вона трималася. Щойно з’явився інструмент, який змусив сформулювати задачі чітко, виявилося, що половина задач була ритуалом, а інша половина — справді ціннісною, але про неї ніхто не думав окремо, бо вона лежала всередині голів людей.

Ось вам незручне дзеркало. Уявіть, що ви — той Андрій. До вас приходить власник і питає рівно одне: «Опиши, що твоя команда робила цього тижня, у вигляді списку конкретних задач». Якщо ви можете це зробити — ви, найімовірніше, нічого не звільнятимете, бо побачите, які задачі живі, а які — ритуал. Якщо ви не можете цього зробити і натомість тягнетеся до слова «оптимізація» — ось він, момент, коли поганий менеджмент перевдягається в технологічний прогрес. Якщо ваша команда «вся» замінюється кількома промптами — це діагноз не команді, а тому, хто роками не міг сказати, чим саме вона займається. AI тут не вбивця. Він — нарешті чесний аудитор поганої постановки задач. Він не знищує цінність — він робить видимою її відсутність.

І це працює в обидва боки. Слід поспішних замін уже видно в даних. Рецензоване дослідження по біржі фрілансу (Hui, Reshef, Zhou) зафіксувало: після виходу ChatGPT кількість замовлень у фрілансерів-авторів і їхній заробіток просіли — у середньому мінус 2% контрактів і мінус 5,2% місячного заробітку в текстомістких професіях (WashU Olin / Organization Science, 2024). Але середнє тут — найбільша пастка тексту. Бо удар лягав не рівномірно, а інверсно: сильніше за всіх просіли не слабкі, а найкращі. За прямою цитатою Сяна Хуея, «на кожен 1% зростання минулих заробітків фрілансер зазнає додаткового падіння можливостей на 0,5% і зменшення доходу на 1,7%»; його ж формулювання, яке варто повісити над столом, — «найбільших втрат зазнають саме топові фрілансери» (phys.org / INFORMS). Це інверсія дарвінізму: у природі виживає найпристосованіший, на AI-ринку — посередність, бо машина закрила рівно ту дельту, за яку колись доплачували профі, і премія за майстерність випарувалася першою. Що й має бентежити більше за будь-який відсоток: машина забирала не «слабких», а цілі типи задач — і найгостріше різала тих, хто роками вибудовував перевагу саме в цих задачах.

А далі почалося відкочування. Найгучніший приклад — шведський фінтех Klarna, який гордо скоротив штат із ~5 500 до ~3 400 і заявив, що AI закриває роботу сотень операторів підтримки. За рік CSAT і NPS поповзли вниз, скарги множилися — і до середини 2025-го компанія тихо повернулася до гібриду «людина + модель», а сам CEO визнав, що скорочення «зайшли задалеко» (CNBC). Klarna — не виняток: за галузевими оцінками, близько 29% компаній, що різали штат заради AI, уже повторно найняли на ті самі позиції (Washington Times). Це і є displacement без reinstatement — витіснення, проведене менеджером, який переплутав скорочення витрат із розумінням роботи.

«Слабкий менеджмент ховає погану постановку задач за словом “фрілансери”» — це не метафора. Це буквальний механізм. Чотирьох фрілансерів простіше списати в рядок бюджету «зовнішні підрядники» і одного дня замінити на «чотири промпти», ніж зізнатися, що ти ніколи не знав, які саме чотири задачі вони закривали і яка з них була незамінною.

Контртиск: а може, це просто чергова паніка?

Тут чесно зупинюся і вдарю по власній тезі — бо інакше це буде проповідь, а не аргумент.

Найсильніше заперечення таке: «Ви описуєте те саме, що описували при кожній хвилі автоматизації. Банкомати мали вбити касирів — кількість касирів зросла. Excel мав убити бухгалтерів — їх стало більше. Можливо, “думай задачами” — просто свіже алібі для тих самих звільнень, які сталися б і без AI, заради квартального звіту».

Заперечення сильне, і частково — справедливе. Банкоматна історія тут — не риторика, а арифметика: з 1980-х до 2010-го в США поставили близько 400 000 банкоматів, і кількість касирів за той самий період не впала, а зросла — приблизно з 500 000 до 600 000 (Bessen, IMF, 2015). Машина з’їла нудну задачу «рахувати купюри», відділення подешевшали, банки відкрили їх більше — а задача касира переїхала вгору по стеку, від «рахувати» до «продати кредит, утримати клієнта, бути обличчям». Касир не помер. Касир переїхав на поверх вище. Аджемоглу й Рестрепо самі підкреслюють: поряд із витісненням історично завжди працював reinstatement — створення нових задач, у яких людина має перевагу, і в попередніх хвилях воно компенсувало витіснення хоч і не повністю, але суттєво (Acemoglu & Restrepo, 2019). Більше того: за свіжими даними Anthropic, підсилення (augmentation) людини моделлю — 52% взаємодій — нині знову обганяє пряму автоматизацію — 45% (Anthropic Economic Index, листопад 2025). Тобто домінуючий режим — не «машина замість тебе», а «машина поруч із тобою». Кореляція між приходом AI і звільненнями — це ще не доказ, що звільнення спричинив саме AI, а не Андрій з квартальним планом.

І є друге заперечення, ще незручніше, бо б’є в саму рамку. Уся ця історія — «віддай задачу машині й переїдь на поверх вище» — мовчки припускає, що поверх вище взагалі існує. Для касира існував. А для 55-річного шахтаря з Дніпропетровщини чи складського пакувальника в Бангладеш «поверх вище» — це клас когнітивної роботи, доступ до якого вимагає освіти, мови, мережі й капіталу, і жодного з цих чотирьох у потрібній кількості він не має (за даними OECD, після 50 років лише мала частка успішно мігрує у принципово нову сферу). Банкомат витіснив задачу касира — і касир переїхав на сусіднє крісло; складський робот витіснив пакувальника — і його «поверх вище» виявився в іншій країні, іншій мові й з іншим дипломом. Це не одна ситуація в різному масштабі — це різні структурні ситуації, і рамка «думай задачами» тут не порада рівних можливостей, а лише опис механіки: вона показує, де саме стоїть стіна. Для одних це відкриває двері, для інших — пояснює, чому двері зачинені й що міняти треба на рівні системи, а не резюме.

Що спростувало б мою тезу? Чесна перевірка така: якби в найближчі роки приріст продуктивності від AI рівномірно розподілявся між усіма рівнями досвіду; якби компанії, що замінили команди промптами, не поверталися по людей; якби цінувалося не вміння декомпозувати роботу, а щось зовсім інше — тоді «думай задачами» було б красивою, але порожньою формулою. Поки що дані тягнуть у протилежний бік: вигода нерівномірна (юніори > сеньйори), частина замін уже відкочується, а різниця між тими, хто росте з AI, і тими, хто застряг, проходить рівно по лінії декомпозиції.

Чому саме зараз? Бо до 2018-го автоматизація розкладала на задачі переважно фізичну й рутинно-офісну працю — те, що легко описати інструкцією. З появою генеративних моделей (2022–2026) вперше під task-based розклад потрапила когнітивна, мовна, «творча» праця: написати, підсумувати, накидати код, скласти лист. Pew фіксує, що найвища експозиція до AI — не в робітників, а в людей із вищою освітою й аналітичних професіях; приблизно кожен п’ятий працівник може побачити вплив на половину і більше своїх задач (Pew Research, 2023). Каста, яка десятиліттями спостерігала автоматизацію згори вниз, уперше відчула її на собі. Звідси й температура дискусії — і звідси ж спокуса сховатися за заспокійливе «це професія, її не автоматизуєш».

Як це виглядає на вашому столі

Досить теорії. Візьмемо одну звичайну посаду й розкладемо її так, як це робить — мовчки і безжально — будь-яка автоматизація. Нехай це буде «маркетолог у малому бізнесі».

Задача всередині посади	Хто закриває її краще зараз	Що НЕ влізе в промпт (і лишається людині)
Згенерувати 20 варіантів заголовка	AI (секунди проти години)	Обрати той, що влучає в біль клієнта
Переписати текст у фірмовому тоні	AI з добрим промптом	Знати, який тон узагалі правильний
Зібрати звіт по метриках за тиждень	AI / скрипт	Помітити, що один показник бреше
Вирішити, що ми взагалі рекламуємо	людина	Сформулювати задачу для всіх трьох рядків вище
Заспокоїти власника, що «все під контролем»	людина	Витримати погляд через стіл

Подивіться на праву колонку. Це і є та частина роботи, яку не можна віддати в промпт — бо вона полягає в постановці промптів, а не у їх виконанні. І подивіться на нижні два рядки: вони не діляться між людиною й машиною навпіл, вони цілком людські, бо це задачі про рішення і довіру, а не про продукт.

Тепер чесне запитання до себе. Якщо ви проведете цю вправу зі своєю власною посадою — скільки рядків опиниться в лівому стовпчику, де «AI зараз краще»? І, головне, чи вмієте ви взагалі скласти таку таблицю про себе — чи ваша робота досі живе у вашій голові як суцільне туманне «ну, я ж роблю багато всього»? Бо рівно цей туман і є тим, за що вас звільнять без пояснень, написавши ваше ім’я через скісну риску.

Виживає не той, чию професію «не можна автоматизувати», а той, хто декомпозує власну роботу на задачі швидше, ніж це за нього зробить начальник, конкурент або модель.

Що з цим робити завтра

Без коучингових мантр, три прості ходи.

Перший: складіть таблицю про себе. Той самий п’ятирядковий розклад, що вище, тільки про вашу роботу. Без чесної декомпозиції ви не знаєте, де стоїте, — а отже, не знаєте, що захищати, а що віддавати.

Другий: полюйте на праву колонку, а не на ліву. Інстинкт каже хапатися за задачі, які AI робить добре, — бо їх видно, їх легко показати начальству. Це самогубство навпаки: ви змагаєтеся з машиною на її полі. Цінність переїхала в постановку, рішення і довіру. Туди і вкладайтеся.

Третій, для тих, хто керує: припиніть купувати “професії” і “ставки”. Купуйте закриті задачі. Перш ніж звільнити команду «бо тепер є AI», спробуйте розписати, що саме вона робила. Якщо не зможете — проблема ніколи не була в команді.

Тут є й добра новина, яку легко пропустити за тривогою. Декомпозиція — навичка, а не талант. Той самий експеримент, де новачки додали 34%, показав і це: модель роздала найкращі практики тим, хто їх не мав. Декомпозиції теж можна навчитися — швидше, ніж здається. Просто це треба робити самому, а не чекати, поки хтось розкладе тебе на задачі замість тебе.

---

Олівія так і не дізналася того дня в Slack, у яку саме мить «Olivia» стала «Olivia/ChatGPT», а тоді просто «ChatGPT». Та мить настала не тоді, коли модель навчилася писати краще за неї. Вона настала тоді, коли хтось — уперше за весь час — нарешті спромігся записати, які саме задачі робить Олівія. Скісна риска в її імені була не вироком моделі. Це був почерк менеджера, який щойно вперше в житті розклав чужу роботу на задачі — і не подумав зробити те саме зі своєю.