The article provides a comprehensive analysis of the impact of artificial intelligence (AI) and big data (BD) technologies on key parameters of the labor market and labor productivity. The dual nature of this impact is investigated: on the one hand, the potential of these technologies as a driver of growth in total factor productivity through process optimization, predictive analytics and the creation of new products is considered. On the other hand, the risks associated with the transformation of the occupational structure of employment, the increase in job polarization and the emergence of new requirements for workers' competencies are analyzed in detail. The theoretical basis of the research is the concepts of directed technical change, task-based theories and labor polarization. Based on the synthesis of modern empirical research and theoretical approaches, a conclusion is made about the nonlinear and multidirectional nature of the impact of AI and BD; the critical role of institutional factors, including the education system, retraining policies and regulatory measures, in shaping the ultimate socio-economic consequences of technological diffusion is emphasized.

Keywords: artificial intelligence, big data, labor productivity, labor market, technological unemployment, job polarization, complementarity, labor substitution.

Введение

Современный этап технологического развития, характеризуемый конвергенцией и стремительной диффузией технологий искусственного интеллекта и платформ для работы с большими данными, представляет собой качественно новый вызов для экономической теории и практики. В отличие от предыдущих волн автоматизации, ориентированных преимущественно на рутинный физический и когнитивный труд, ИИ и БД обладают потенциалом к трансформации широкого спектра нерутинных задач, включая аналитические, творческие и управленческие. Это актуализирует вопрос о долгосрочном воздействии данных технологий на производительность труда, которая является фундаментальным источником экономического роста, и на структуру рынка труда, определяющую благосостояние общества. Целью данной статьи является систематизация и углубление понимания механизмов влияния ИИ и БД на производительность труда и рынок труда, а также выявление ключевых факторов, способных смягчить негативные и усилить позитивные последствия данного влияния. Для достижения цели поставлены задачи: проанализировать каналы воздействия ИИ и БД на производительность; исследовать эффекты трансформации спроса на труд и профессиональной структуры; оценить роль институциональных адаптаций.

Теоретические основы анализа влияния технологий на труд

Теоретический анализ опирается на эволюцию подходов к изучению взаимосвязи технологий и труда. Классические модели роста, рассматривавшие технический прогресс как экзогенный нейтральный фактор, уступили место теориям направленного технического изменения. В рамках данного подхода технология развивается не изолированно, а в ответ на рыночные стимулы и относительную дефицитность факторов производства. Концепция, развитая Д. Асемоглу [1, с. 10], позволяет рассматривать ИИ как технологию, потенциально направленную на замещение как рутинного, так и нерутинного когнитивного труда. Более детализированным инструментом является теория задач, которая рассматривает рабочее место не как монолитную единицу, а как набор дискретных задач. Технологии ИИ и аналитики БД воздействуют на рынок труда, замещая одни задачи и создавая спрос на другие, комплементарные машинам. Это приводит к перераспределению трудовых функций внутри профессий и между ними. Дополняет картину теория поляризации труда, объясняющая, почему на предыдущем этапе цифровизации происходил рост спроса на высоко- и низкоквалифицированные профессии при сокращении спроса на профессии средней квалификации [4, с. 260]. Вопрос о том, продолжит ли распространение ИИ эту тенденцию или создаст новую динамику, остается открытым и требует эмпирической верификации.

Каналы влияния ИИ и больших данных на производительность труда

Влияние ИИ и БД на производительность труда реализуется через несколько взаимосвязанных каналов. Первый канал — прямая автоматизация рутинных и структурированных когнитивных задач. Алгоритмы машинного обучения способны анализировать документы, классифицировать изображения, обрабатывать стандартные запросы, что высвобождает человеческие ресурсы для решения более сложных проблем. Второй, более значимый канал — синергетическое дополнение человеческих способностей. Системы на основе ИИ выступают как инструменты предиктивной аналитики и поддержки принятия решений, усиливая когнитивные возможности специалистов в области медицины, финансов, научных исследований и управления. Третий канал связан с фундаментальной оптимизацией бизнес-процессов и цепочек создания стоимости за счет анализа больших массивов данных в реальном времени. Это позволяет минимизировать логистические издержки, прогнозировать спрос, персонализировать производство и услуги, реализуя принципы Индустрии 4.0. Четвертый канал — инновационный, заключающийся в генерации новых продуктов, услуг и бизнес-моделей, которые были невозможны без обработки эксабайтов данных и сложных алгоритмов. Однако эмпирические измерения совокупного влияния на макроэкономическую производительность пока демонстрируют «парадокс производительности»: значительные инвестиции в ИИ не всегда приводят к быстрому росту показателя ВВП на час труда [7, с. 35]. Это объясняется лагами внедрения, необходимостью сопутствующих инвестиций в перестройку организаций, а также тем, что часть выгод проявляется в форме нематериальных активов, качества или разнообразия, плохо улавливаемых традиционной статистикой.

Трансформация рынка труда: эффекты замещения, создания и поляризации

Воздействие ИИ и БД на рынок труда носит структурный и неоднородный характер. Эффект замещения ведет к сокращению спроса на профессии, чьи ключевые задачи поддаются алгоритмизации [2, с. 45]. В зоне риска оказываются не только административные должности, но и часть профессий в сфере аналитики, юриспруденции и даже программирования, связанных с написанием стандартного кода. В то же время возникает эффект создания новых рабочих мест. Он проявляется в прямом спросе на специалистов по данным, машинному обучению и этике ИИ; в косвенном спросе на профессии в отраслях, расширяющихся благодаря новым технологиям; и в стимулировании спроса на задачи, где сохраняется сравнительное преимущество человека. К последним относятся профессии, требующие эмпирического интеллекта, сложной межличностной коммуникации, креативности в широком смысле, а также выполнение неквалифицированного физического труда в неструктурированной среде, автоматизация которого экономически нецелесообразна. Наблюдаемая динамика позволяет предположить, что поляризация труда может смениться его «потолкообразованием», когда основной рост спроса концентрируется на самом верхнем сегменте квалификационного спектра, тогда как спрос на многие профессии среднего уровня продолжит снижаться. Это чревато углублением неравенства по доходам и усилением социальной напряженности [1, с. 18]. Критическим становится вопрос о скорости трансформации: если технологические изменения происходят быстрее, чем трудоспособное население способно адаптироваться через переобучение и смену профессий, неизбежен рост структурной безработицы.

Институциональные и политические импликации

Выводы исследования указывают на то, что конечные социально-экономические последствия внедрения ИИ и БД будут определяться не столько технологическими параметрами, сколько адаптацией институтов. Система образования требует переориентации с передачи узкопрофессиональных знаний, подверженных быстрому моральному устареванию, на развитие мета-компетенций: критического мышления, способности к обучению на протяжении всей жизни, цифровой и эмоциональной грамотности. Крайне необходима эффективная система непрерывного образования и переквалификации взрослого населения, предполагающая партнерство государства, бизнеса и образовательных учреждений [8, с. 512]. Актуальной становится дискуссия о формах социальной поддержки в переходный период, включая модели гибкой занятости и возможность введения базового гарантированного дохода. Регуляторная политика должна быть направлена на формирование этических и правовых рамок использования ИИ, обеспечивающих прозрачность алгоритмов, защиту персональных данных и недопущение дискриминации [6, с. 185]. Важным направлением является стимулирование инвестиций в технологии, комплементарные человеческому труду, а также поддержка предпринимательства и инноваций, создающих новые сферы занятости. Только комплексный подход, учитывающий взаимосвязь технологических, экономических и социальных факторов, позволит реализовать потенциал ИИ и больших данных для устойчивого роста производительности и благосостояния при минимизации издержек адаптации на рынке труда.

Заключение

Проведенный анализ позволяет констатировать, что влияние искусственного интеллекта и больших данных на производительность труда и рынок труда является глубоким, многогранным и неоднозначным. С технологической точки зрения, данные инновации обладают беспрецедентным потенциалом для роста общей факторной производительности через механизмы оптимизации, дополнения человеческого интеллекта и создания новых рынков. Однако на пути реализации этого потенциала стоят существенные вызовы, связанные с трансформацией рынка труда. Риски структурного несоответствия спроса и предложения рабочей силы, углубления поляризации и роста неравенства требуют активной и скоординированной политики. Ключевым выводом является утверждение о том, что технологическая траектория не предопределена; она формируется под воздействием институциональных решений в сфере образования, социальной защиты, регулирования и стимулирования инноваций. Будущие исследования должны быть сосредоточены на долгосрочных эконометрических оценках воздействия ИИ на производительность с учетом отраслевой специфики, а также на сравнительном анализе эффективности различных политических мер по адаптации рабочей силы в разных институциональных средах. Успешное управление переходом к экономике, основанной на данных и алгоритмах, станет критическим фактором конкурентоспособности и социальной стабильности в XXI веке.

Литература:

1. Асемоглу Д., Рестрепо П. Искусственный интеллект, автоматизация и работа // Вопросы экономики. — 2020. — № 8. — С. 5–23.
2. Автоматизация, занятость и производительность: обзор литературы / под ред. К. А. Хоменко. — М.: Изд-во НИУ ВШЭ, 2021. — 156 с.
3. Брызгалин А. И., Соколов Д. В. Большие данные и машинное обучение как фактор изменения структуры занятости // Экономика и математические методы. — 2022. — Т. 58, № 1. — С. 34–47.
4. Frey, C.B., Osborne, M. A. The future of employment: How susceptible are jobs to computerisation? // Technological Forecasting and Social Change. — 2017. — Vol. 114. — P. 254–280.
5. Acemoglu, D., Restrepo, P. The Race Between Man and Machine: Implications of Technology for Growth, Factor Shares, and Employment // American Economic Review. — 2018. — Vol. 108, No. 6. — P. 1488–1542.
6. Agrawal, A., Gans, J., Goldfarb, A. Prediction Machines: The Simple Economics of Artificial Intelligence. — Boston: Harvard Business Review Press, 2018. — 272 p.
7. Brynjolfsson, E., Rock, D., Syverson, C. Artificial Intelligence and the Modern Productivity Paradox: A Clash of Expectations and Statistics // The Economics of Artificial Intelligence: An Agenda. — Chicago: University of Chicago Press, 2018. — P. 23–57.
8. The Economics of Artificial Intelligence: An Agenda / eds. by A. Agrawal, J. Gans, A. Goldfarb. — Chicago: University of Chicago Press, 2019. — 680 p.