Австралия не нашла массового обвала занятости из-за ИИ, но уязвимые профессии растут медленнее: возможности нейросетей и…

Если ты открыл эту статью, ожидая заголовок про то, как роботы уже забрали миллион рабочих мест, то короткий ответ разочарует: свежий государственный отчёт такого не нашёл. Правительство Австралии 8 июля 2026 года опубликовало исследование «AI and Employment in Australia», и его главный вывод скучный, но важный. Признаков широкого переворота на рынке труда, который уже можно было бы уверенно связать с ИИ, авторы не обнаружили. Это официальная позиция Департамента занятости и трудовых отношений Австралии (DEWR, отчёт от 2026-07-08).

При этом одну вещь отчёт всё-таки увидел: занятость в профессиях, сильнее подверженных ИИ, росла медленнее, чем в менее подверженных. И вот здесь начинается самое интересное, потому что эту фразу очень легко превратить в то, чем она не является.

Причём тут возможности нейросетей и искусственного интеллекта

Главное: запрос про возможности нейросетей и искусственного интеллекта обычно подразумевает «что эти модели умеют». Австралийский отчёт отвечает на смежный, но другой вопрос: превращаются ли эти умения в реальное вытеснение людей с работы прямо сейчас. Ответ на 2026-07-08 - нет, не в масштабе, который видно в статистике.

Разница принципиальная. Возможности модели - это её потолок в лаборатории и в демо. Экспозиция профессии - это оценка того, какая доля задач специалиста в принципе поддаётся автоматизации такими возможностями. А фактическая занятость - это то, что реально произошло с числом рабочих мест. Отчёт DEWR соединяет второе и третье, но честно предупреждает, что связь между ними наблюдательная, а не доказанная.

Дальше в статье я покажу, как этот же ход мысли собрать руками: взять список профессий, оценить их подверженность через языковую модель и сравнить с динамикой занятости. Это рабочий способ не верить заголовкам на слово. Кстати, если у тебя нет удобного доступа к нескольким моделям сразу, чтобы прогнать такую оценку через разные семейства и сверить результаты, через provod.ai это делается из России без VPN и зарубежных карт.

Что именно опубликовали 8 июля

Главное: это не прогноз увольнений, а первый снимок повторяемой системы мониторинга.

Разложим по фактам из отчёта DEWR (2026-07-08):

1. Отчёт называется «AI and Employment in Australia», издатель - Министерство занятости и трудовых отношений.
2. Он объединяет данные Australian Bureau of Statistics и Jobs and Skills Australia с оценками профессиональной подверженности ИИ.
3. Авторы не нашли признаков широкого переворота на рынке труда, который уже можно уверенно приписать ИИ.
4. Занятость в сильнее подверженных профессиях росла медленнее, чем в менее подверженных, но причинная связь не доказана.
5. Правительство прямо называет результаты предварительными и не выдаёт их за прогноз будущих сокращений.
6. Методика задумана как повторяемая система, которую обновляют по мере накопления данных.

Последний пункт - самый недооценённый. Ценность не в одной цифре за один квартал, а в том, что теперь есть рамка, к которой можно возвращаться. Если через год подверженные профессии начнут терять места быстрее, эта же методика это поймает. Если разрыв исчезнет, тоже поймает.

Разделяем, кто что сказал

Чтобы не смешивать уровни доверия, держи три полки отдельно.

• Заявление регулятора (DEWR, 2026-07-08): широкого шока занятости из-за ИИ пока не видно; подверженные профессии растут медленнее; выводы предварительные.
• Сигнал обсуждения: публикация 8 июля спорит с популярным нарративом о немедленной замене работников. Это реакция и контекст, а не отдельное доказательство. То, что тема обсуждается, ничего не говорит о качестве самих данных.
• Моя интерпретация: «медленнее растёт» и «сокращается» - разные состояния, и путать их не стоит. Об этом ниже.

Почему «растёт медленнее» это не «падает»

Главное: более медленный рост занятости в подверженных профессиях совместим с тем, что мест всё равно становится больше, просто прибавка скромнее.

Представь две группы профессий. В первой (низкая подверженность) занятость выросла условно на 6 процентов за период. Во второй (высокая подверженность) - на 2 процента. Вторая группа отстаёт, но всё ещё в плюсе. Заголовок «ИИ тормозит найм» технически возможен, а заголовок «ИИ уничтожил профессию» из тех же данных не следует.

И даже разрыв в темпах не обязательно про ИИ. DEWR прямо оставляет предостережение: наблюдаемая связь не доказывает, что именно ИИ замедлил рост занятости. У более медленного роста бывают банальные причины: демография, экспорт сырья, ставки, отраслевые циклы, насыщение спроса. Подверженность ИИ здесь - один из подозреваемых, а не пойманный за руку виновник.

Отсюда практический вывод для тебя как читателя: когда встречаешь пересказ этого отчёта в духе «ИИ начал забирать работу», проверяй, о чём речь - о темпах роста или об абсолютном сокращении, и есть ли вообще заявление о причинности. В оригинале причинности нет.

Как собрать свою проверку экспозиции профессий

Главное: тебе не нужен доступ к австралийским микроданным, чтобы повторить логику отчёта на своём списке профессий. Нужен список задач по профессии, модель для оценки подверженности и любой источник динамики занятости.

Логика в трёх шагах:

1. Берёшь профессию и раскладываешь её на 5-15 типовых задач.
2. Для каждой задачи спрашиваешь модель, какая доля работы реально автоматизируется текущими возможностями нейросетей и искусственного интеллекта, и почему.
3. Агрегируешь оценки в один индекс подверженности по профессии и только потом сопоставляешь с реальной динамикой рабочих мест.

Важно: третий шаг - это сопоставление, а не вывод о причине. Ты воспроизводишь ровно ту осторожность, что заложена в отчёте DEWR.

Вот компактный промпт-каркас для второго шага. Модель просят вернуть строгий JSON, чтобы результат можно было агрегировать программно.

Ты оцениваешь автоматизируемость задач.
Профессия: {PROFESSION}
Задача: {TASK}
Оцени долю задачи (0.0-1.0), которую сегодня можно
надёжно выполнить языковой моделью без участия человека.
Учитывай проверяемость результата и цену ошибки.
Верни только JSON: {"share": число, "reason": "1 предложение"}

Держи оценку скучной и повторяемой. Не проси модель «предсказать увольнения» - это выход за пределы того, что она может обосновать, и ровно та ошибка, от которой предостерегает DEWR.

Как подключить модель по API без боли

Главное: для такой задачи подойдёт любой провайдер с OpenAI- или Anthropic-совместимым API. Меняешь ключ и base_url, остальной код не трогаешь.

Минимальный пример на Python с OpenAI SDK. Секреты не хардкодим, читаем из переменных окружения.

import os
import json
from openai import OpenAI

client = OpenAI(
    api_key=os.environ["PROVOD_API_KEY"],   # ключ в окружении, не в коде
    base_url="https://api.provod.ai/v1",     # совместимый base_url
)

def exposure(profession: str, task: str) -> dict:
    prompt = (
        f"Профессия: {profession}\nЗадача: {task}\n"
        "Верни только JSON: "
        '{"share": число 0.0-1.0, "reason": "1 предложение"}'
    )
    resp = client.chat.completions.create(
        model="claude-haiku-4-5-20251001",   # дешёвая модель для черновой оценки
        messages=[{"role": "user", "content": prompt}],
        temperature=0,
    )
    return json.loads(resp.choices[0].message.content)

print(exposure("бухгалтер", "сверка первичных документов"))

Пара честных предупреждений по коду. temperature=0 снижает разброс, но не убирает его полностью, поэтому гоняй каждую задачу 3-5 раз и бери медиану. И оборачивай json.loads в try/except: модели иногда добавляют пояснение вокруг JSON, и парсер падает. Ниже в разделе про ошибки покажу, как это ловить.

Если хочется вместо OpenAI SDK использовать Anthropic SDK, меняется только клиент и имя поля ответа, а сама идея с подстановкой ключа и base_url та же.

Какую модель и по какой цене выбирать

Главное: для массовой черновой оценки экспозиции бери самую дешёвую вменяемую модель, а на спорных профессиях перепроверяй более сильной. Прогонять весь список через топовую модель дорого и почти не улучшает агрегат.

Ориентируйся не на «самую умную» модель, а на роль в пайплайне. Вот рабочая таблица решений.

Задача в пайплайне	Что важно	Разумный выбор
Черновая оценка сотен задач	цена за токен, скорость	лёгкая модель (например, Haiku 4.5)
Перепроверка спорных профессий	качество рассуждения	флагман (Opus 4.8 или сопоставимый)
Кросс-проверка на смещение	другое семейство модели	GPT, Gemini, DeepSeek или Qwen
Массовая пакетная обработка	стабильный JSON, дешевизна	лёгкая модель + строгий формат ответа

Отдельный практический момент - смещение. Одна модель может систематически завышать автоматизируемость «офисных» задач и занижать «ручные». Поэтому кросс-проверка через другое семейство - не роскошь, а способ поймать этот перекос.

Здесь возникает честная логистическая проблема для читателя из России: половина сильных моделей недоступна напрямую по карте и без VPN, а держать пять договоров с разными зарубежными провайдерами неудобно. provod.ai собирает Claude, GPT, Gemini, DeepSeek и Qwen в одном чате и за одним совместимым API, с оплатой российской картой, через СБП или по счёту, и с закрывающими документами. Для задачи «прогнать один и тот же промпт через разные семейства и сверить» это ровно тот случай, когда единая точка входа экономит время. Важно: конкретные цены и лимиты уточняй на сайте, в этой статье я их не привожу, потому что они меняются.

Частые ошибки и как автоматизировать прогон в n8n

Главное: три поломки съедают 90 процентов времени - невалидный JSON, дубли профессий и молчаливое смешивание темпов роста с сокращением. Первые две чинятся кодом, третья - дисциплиной.

Список типовых failure modes:

• Модель вернула текст вокруг JSON. Не полагайся на «чистый» ответ. Извлекай JSON регуляркой или включай режим строгого JSON, если провайдер его поддерживает, и всегда лови исключение.
• Разброс между прогонами. При temperature=0 он меньше, но есть. Медиана из нескольких прогонов надёжнее одного ответа.
• Дубли и разные названия одной профессии. «Бухгалтер» и «специалист по учёту» склеиваются в один индекс, если не нормализовать справочник заранее.
• Подмена смысла. Самая дорогая ошибка не в коде. Ты считаешь темпы роста, а в выводе пишешь «профессия исчезает». Это ровно то, чего отчёт DEWR избегает намеренно.

Безопасный разбор ответа:

import re, json

def parse_json(text: str) -> dict | None:
    match = re.search(r"\{.*\}", text, re.DOTALL)
    if not match:
        return None
    try:
        return json.loads(match.group(0))
    except json.JSONDecodeError:
        return None   # логируем и повторяем прогон

Если запускаешь это регулярно, удобно повесить прогон на n8n. Схема простая: триггер по расписанию, нода чтения списка профессий, HTTP Request к совместимому API, нода валидации JSON, запись в таблицу. Здесь стоит трезво обозначить границу: n8n и подобные платформы автоматизации provod.ai не заменяет. provod.ai даёт доступ к моделям через совместимый API, а оркестрацию, расписания и хранение ты по-прежнему строишь на своей платформе. Одно дополняет другое, а не подменяет.

Чего этот отчёт и этот подход не решают

Будь честен с тем, что остаётся за рамками.

• Отчёт не предсказывает будущее. DEWR прямо называет выводы предварительными. Это снимок, а не прогноз масштаба сокращений.
• Он не доказывает причинность. Более медленный рост подверженных профессий может объясняться причинами, не связанными с ИИ.
• Он про Австралию. Переносить выводы на российский рынок труда напрямую нельзя: другая структура занятости, другое проникновение инструментов.
• Твоя самодельная оценка экспозиции - это оценка возможностей, а не факта увольнений. Модель отвечает, что технически автоматизируемо, а не что реально произойдёт с наймом. Это два разных вопроса, и второй решается только данными во времени.
• Инструментальные ограничения. provod.ai не заменяет GigaChat, приватную или on-prem инфраструктуру, функции, доступные только по подписке у самого вендора, и работу по внедрению. Если тебе нужен российский суверенный контур или фичи конкретного вендора, это отдельная задача.

Отдельно про частый вопрос: даёт ли provod.ai доступ к GigaChat. Нет. Честная роль сервиса в этом сюжете другая - это доступ к зарубежным моделям через совместимый API, когда тебе нужно сравнить или маршрутизировать оценку между семействами. GigaChat к этому набору не относится.

Как относиться к таким новостям дальше

Соблазн любой такой публикации - вырвать одну строчку и сделать из неё пророчество. Отчёт Австралии полезен именно тем, что сопротивляется этому. Он говорит: массового обвала пока не видно, разрыв в темпах есть, причина не доказана, следим дальше. Три из этих четырёх утверждений - про осторожность.

Практичная позиция для тебя выглядит так. Возможности нейросетей и искусственного интеллекта растут быстро, и оценивать их полезно самому, прогоняя задачи через несколько моделей. Но переход от «модель это умеет» к «людей уволят» - длинная цепочка, и первое звено этой цепочки австралийский мониторинг на 2026-07-08 ещё не подтвердил в масштабе. Держи возможности и последствия на разных полках, и большинство пугающих заголовков разберётся само.

Хочешь прогнать свою оценку экспозиции через несколько моделей сразу и сверить результаты - открой доступ к Claude, GPT, Gemini, DeepSeek и Qwen за одним API на provod.ai.

Источники

• Australian Department of Employment and Workplace Relations. «AI and Employment in Australia», анонс от 2026-07-08: https://www.dewr.gov.au/workplace-relations/announcements/ai-and-employment-australia-report
• Australian Department of Employment and Workplace Relations. «AI and Employment in Australia», PDF-отчёт от 2026-07-08: https://www.dewr.gov.au/download/17666/ai-and-employment-australia/43205/ai-and-employment-australia/pdf

---

provod.ai — Russian LLM API aggregator. One OpenAI-compatible endpoint to all flagship models: OpenAI (GPT-5.6, GPT-5.5), Anthropic (Claude Opus 4.8, Sonnet 4.6), Google (Gemini 3.1 Pro, 3.5 Flash), DeepSeek V4 Pro, Qwen 3.6 Plus. Provider prices at the CBR rate, no token markup. Pay in rubles to a Russian legal entity with full closing documents.

Try: provod.ai · model catalog · docs