Статья Tyna Eloundou, Sam Manning, Pamela Mishkin и Daniel Rock сначала вышла 17 марта 2023 года как препринт, а 21 июня 2024 года появилась в сокращённой журнальной версии в Science. Это важно уточнить сразу: в новостных пересказах её часто читали как прогноз безработицы, хотя сама работа измеряла не увольнения и не фактическое внедрение ИИ, а техническую подверженность рабочих задач возможностям тогдашних больших языковых моделей.
Именно поэтому ключевой термин здесь — exposure. В логике статьи задача считается «затронутой», если доступ к LLM или к софту поверх LLM способен сократить время её выполнения как минимум вдвое при сопоставимом качестве. Это заметно уже не то же самое, что «профессия исчезнет».
Коротко
- Работа оценивает не занятость напрямую, а долю задач в профессиях, которые LLM могут заметно ускорить.
- Главные числа статьи: около 80% рабочей силы США работают в профессиях, где затронуто не менее 10% задач; около 19% — в профессиях, где затронуто не менее 50% задач.
- Авторы различают прямое воздействие LLM и воздействие через комплементарный прикладной софт; именно второй канал сильно увеличивает оценку эффекта.
- Статья исторически привязана к возможностям весны 2023 года и не описывает сегодняшние мультимодальные агентные системы автоматически.
- Самая частая ошибка в пересказах — читать exposure как замену работников, хотя в статье этого вывода нет.
Контекст: что за вопрос ставили авторы
Название статьи — игра слов. В экономике general-purpose technologies тоже сокращают как GPT: это технологии широкого назначения, которые могут проникать во многие отрасли и порождать волны комплементарных инноваций. Авторы проверяют гипотезу, что Generative Pre-trained Transformers могут обладать именно такими свойствами.
На момент выхода работы это был нетривиальный тезис. Ранние дискуссии об автоматизации обычно связывали технологический риск с рутинным, физическим или процедурным трудом. «GPTs are GPTs» сдвинула фокус: авторы показали, что текстовые, аналитические и кодовые задачи офисных профессий тоже могут иметь высокую техническую подверженность.
Ещё один важный контекст — исторический срез модели. Полный текст прямо показывает, что в части «прямого доступа» авторы мыслят LLM как интерфейсный инструмент уровня ChatGPT/Playground весны 2023 года, а GPT-4 используют отдельно как классификатор задач. Поэтому статья не должна читаться как точная карта возможностей ИИ на август 2026 года: это аккуратная оценка ранней волны LLM, а не универсальный прогноз на годы вперёд.
Метод: как в статье считали воздействие на работу
Основа метода — данные O*NET по американским профессиям, задачам и Detailed Work Activities. Поверх них авторы накладывают собственную рубрику оценки. В центре рубрики простой вопрос: сможет ли LLM или система на базе LLM сократить время выполнения конкретной задачи минимум наполовину без потери качества.
Далее каждая задача получает один из базовых ярлыков. E0 — заметного эффекта нет. E1 — прямого доступа к LLM уже достаточно. E2 — самой LLM ещё недостаточно, но легко представить прикладной софт поверх модели, который даст такой эффект. В приложении есть и категория для сценариев с изображениями, но основные агрегаты статьи строятся вокруг прямого текста и кода и вокруг программных надстроек над LLM.
Из этих ярлыков авторы собирают три меры. α — нижняя оценка прямого воздействия. β — промежуточная и предпочитаемая авторами мера, где непрямое воздействие через комплементарные инструменты учитывается частично. ζ — верхняя оценка, где прямое и непрямое воздействие суммируются максимально щедро. Практически во всех обсуждениях статьи важнее всего именно β, и именно её обычно имеют в виду, когда говорят про 80% и 19%.
Разметку делали и люди, и GPT-4. Человеческие аннотаторы оценивали задачи и виды деятельности по рубрике; GPT-4 применяли как масштабируемый классификатор ко всем парам «задача-профессия». Авторы отдельно подчёркивают, что ни один из этих источников не является «истиной», а совпадение между ними — это проверка устойчивости подхода, а не доказательство объективности.
Наконец, оценки задач агрегировались на уровень профессий и сопоставлялись с данными BLS по занятости и зарплатам. Это позволяет отвечать не только на вопрос «какие задачи уязвимы», но и на вопрос «где в структуре рынка труда такие задачи сосредоточены».
Результаты: сколько работы затронут LLM по версии статьи
Самые цитируемые результаты статьи сводятся к четырём верхнеуровневым оценкам:
| Показатель | Что это значит | Оценка в статье | Как это читать |
|---|---|---|---|
| Широкий охват | Работники в профессиях, где затронуто не менее 10% задач | около 80% рабочей силы США | Это не «80% профессий исчезнут», а нижний порог заметного охвата задач |
| Высокий охват | Работники в профессиях, где затронуто не менее 50% задач | около 19% | Речь о технической подверженности, а не о замещении людей |
| Прямой эффект LLM | Доля всех рабочих задач, которые LLM могут заметно ускорить без дополнительного софта | около 15% | Это консервативная нижняя граница |
| Эффект с прикладным софтом | Та же доля задач, если учитывать инструменты поверх LLM | 47–56% | Авторы считают комплементарный софт главным усилителем эффекта |
Если перевести эти числа на обычный язык, главный тезис такой: даже когда сама LLM ещё не решает задачу полностью, экосистема инструментов вокруг неё может радикально расширить экономически значимую область применения. В этом и состоит экономический нерв статьи.
По профилю профессий работа тоже идёт против старых интуиций об автоматизации. Авторы пишут, что более высокооплачиваемые профессии в среднем показывают большую подверженность, чем низкооплачиваемые. Среди профессий с высоким воздействием в разных вариантах подсчёта фигурируют переводчики, исследователи опросов, писатели, математики, бухгалтеры и некоторые административные роли.
По навыкам картина тоже показательна. Положительная связь наблюдается для программирования и письма. Отрицательная — для науки и критического мышления. Это не означает, что «наука защищена», а «программирование обречено». Скорее статья фиксирует, что тогдашние LLM особенно хорошо накладывались на задачи преобразования текста, работы с кодом, суммаризации и шаблонного анализа документов.
Интерпретация
Самая полезная мысль статьи — разделение между задачей, профессией и рынком труда. LLM не обязательно «заменяют профессию» целиком. Они сначала меняют стоимость отдельных операций внутри профессии: написание текста, перевод, подготовку черновиков, поиск по документам, составление отчётов, типовой анализ. Уже потом организации решают, что делать с этой новой экономикой времени: ускорять выпуск, перераспределять роли, сокращать штат, поднимать требования к качеству или создавать новые услуги.
Отсюда и логика «GPTs are GPTs». Если технология действует широко, улучшается со временем и тянет за собой комплементарные инновации, её влияние нельзя свести к одной индустрии или одному типу работ. Авторы прямо подводят статью к этой рамке: ценность LLM определяется не только самим чатом, но и множеством систем, в которые модель встраивается.
Наш комментарий
На наш взгляд, именно здесь статья и была недопонята в массовых пересказах. Формула «80% работников затронет ИИ» звучит как алармистский прогноз, но в исходной работе это скорее оценка широты проникновения по задачам при относительно низком пороге охвата. Если у профессии затронуто 10% задач, это уже попадает в те самые 80%, хотя содержательно последствия для бухгалтера, юриста, медсестры и переводчика могут быть совершенно разными.
Не менее важно и то, что авторы сознательно отделяют техническую возможность от фактического внедрения. Последующие исследования производительности в письме и клиентской поддержке действительно показали, что генеративный ИИ может давать измеримый выигрыш в реальной работе, но эффект зависит от организационного контекста, зрелости инструмента и распределения навыков между людьми. То есть «GPTs are GPTs» лучше читать как карту потенциала, а не как готовый прогноз равновесия на рынке труда.
Ограничения и критика
У статьи есть сильные ограничения, и авторы их не скрывают.
- Это США, а не мировой рынок труда. Данные взяты из O*NET и BLS, то есть речь идёт об американской структуре профессий и в основном о формальной занятости.
- Это техническая подверженность, а не внедрение. Работа не говорит, с какой скоростью компании перестроят процессы, кто получит выгоду, а кто потеряет доход.
- Это ранний исторический срез LLM. Полный текст прямо ограничивает исходный сценарий текстовым взаимодействием и подчёркивает, что будущие улучшения возможностей могут изменить картину.
- Разметка субъективна. Люди-аннотаторы не были экспертами по каждой профессии, а GPT-4 сама чувствительна к формулировке рубрики и промпта.
- Средние по профессии скрывают различия внутри профессии. Одна и та же формальная профессия может включать очень разные рабочие процессы в разных организациях.
- Физический и воплощённый труд здесь по определению недооценён. Если задача требует ручной работы, очного взаимодействия или материального действия, рубрика почти автоматически сдвигает её вниз. Для моделей с агентными инструментами и более сильной мультимодальностью граница может со временем поменяться.
Есть и методологическая критика извне. Сильная сторона статьи — прозрачная рубрика. Слабая — то, что любая рубрика быстро стареет, когда меняется сама технология. Именно поэтому цифры из этой работы полезны как фиксированный исторический ориентир, но их нельзя механически переносить на более поздние поколения моделей.
Итог
«GPTs are GPTs» — одна из ключевых ранних работ о рынке труда в эпоху LLM не потому, что она «предсказала будущее», а потому что задала язык разговора: задача, подверженность, комплементарный софт, а не просто «замена человека машиной». Её главный вывод осторожнее, чем принято думать: LLM могут широко затронуть структуру офисной работы, но это ещё не ответ на вопрос о зарплатах, занятости и неравенстве.
Если запомнить одну вещь, то такую: 80% в статье — это не 80% потерянных рабочих мест, а оценка того, насколько далеко возможности LLM могут зайти внутрь профессий, если смотреть на задачи по отдельности.
Источники
- GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models — полный HTML-текст препринта с методом, рубрикой exposure, таблицами и ограничениями.
- GPTs are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models (arXiv abstract) — краткое изложение ключевых оценок и история публикации препринта.
- GPTs are GPTs: An early look at the labor market impact potential of large language models | OpenAI — официальный анонс OpenAI с датой публикации и верхнеуровневыми результатами.
- GPTs are GPTs: Labor market impact potential of LLMs | Science — журнальная версия статьи в Science.
- GPTs are GPTs: Labor market impact potential of LLMs – PubMed — библиографическая карточка журнальной версии с точной датой публикации.
- O*NET 27.2 Data Dictionary — описание базы O*NET, на которой построена разметка профессий и задач.
- Reference Manual (API Version 2.0) – See all occupations — официальный интерфейс O*NET OnLine Services для списка профессий.
- May 2021 National Occupational Employment and Wage Estimates — официальный источник BLS по занятости и зарплатам, используемый как контекст для агрегации результатов.
- Generative AI at Work* — полевое исследование о реальных эффектам генеративного ИИ в клиентской поддержке; полезно, чтобы не путать exposure с внедрением.
- Experimental evidence on the productivity effects of generative artificial intelligence — экспериментальная работа о производительности на задачах письма; полезна для интерпретации возможных эффектов, но не заменяет оценку рынка труда.
FAQ
Эта статья говорит, что ИИ заменит 80% работников?
Нет. В статье около 80% относятся к доле рабочей силы США, занятой в профессиях, где под воздействием оказывается не менее 10% задач. Это оценка охвата задач, а не прогноз увольнений.
Почему 19% — тоже не прогноз массовой безработицы?
Потому что 19% означают профессии, где более половины задач имеют высокую техническую подверженность по рубрике статьи. Между такой подверженностью и реальными кадровыми решениями лежат внедрение, контроль качества, регуляторика, издержки и организационные изменения.
Почему в статье сильнее затронуты офисные и высокооплачиваемые профессии?
Потому что рубрика ранних LLM особенно хорошо совпадает с задачами письма, кода, суммаризации, поиска по документам и подготовкой черновиков. Физические и очные задачи в этой логике получают низкий exposure.
Можно ли переносить эти цифры на более новые модели?
Только очень осторожно. Работа зафиксировала состояние ранней волны LLM и важна как исторический ориентир. Для сегодняшних моделей с более длинным контекстом, мультимодальностью и агентными инструментами границы exposure могут быть другими.