ChatGPT, Gemini и Claude разнесли оценки исчезновения профессий из‑за ИИ, а ученые сомневаются в их достоверности

Ключевая идея исследования

Экономисты из Северо‑Западного университета и Американского университета выяснили, что три крупнейших языковых ИИ‑модели (ChatGPT‑5, Gemini 2.5 и Claude 4.5) дают разную оценку тому, какие профессии находятся в зоне риска автоматизации. Это ставит под вопрос надёжность «индексов подверженности ИИ» – числовых показателей, которые используют политики и работодатели при планировании будущего рынка труда.

1. Как проводилось исследование

2. Результаты

* Разногласия
- Claude ставил бухгалтера в топ, Gemini – значительно ниже.
- Оценки рекламных менеджеров и топ‑менеджеров тоже различались.
- ChatGPT и Gemini совпали почти в 75 % случаев, но разошлись примерно в четверти.

* Влияние «пользователей ИИ»
Финансовые аналитики активно работают с нейросетями, создавая данные, на которых обучаются будущие модели. Это смещает оценки и делает профессии, уже тесно связанные с ИИ, более уязвимыми в глазах моделей.

3. Как строятся индексы подверженности

1. Вручную – эксперты оценивают влияние ИИ на конкретные задачи.
2. Опросы пользователей – собирают мнения тех, кто уже применяет платформу.
3. Самые большие языковые модели (LLM) – генерируют оценки автоматически.

*Проблемы:*
- Вручную подвержены субъективности.
- Опросы ограничиваются одной платформой и не отражают весь рынок.

Тем не менее такие индексы широко применяются в аналитических отчетах, консалтинге и политике.

4. Что значит это для практики

* Надёжность оценок – пока неизвестно, точнее ли LLM дают прогнозы по сравнению с экспертными методами.
* Риск принятия решений на основе одного показателя – авторы предупреждают, что политики и работодатели могут ошибочно полагаться на однозначные цифры.

5. Рекомендации исследователей

1. Использовать несколько ИИ‑моделей одновременно, а не одну.
2. Явно указывать уровень неопределённости в результатах.
3. Подтверждать выводы опросами реальных пользователей, чтобы понять, как ИИ действительно внедряется и какие задачи выполняет.

> «Лично я бы не полагалась на один показатель для решения вопросов смены работы или выбора специальности», – отмечает Мишель Инь.

Вывод:
Текущие индексы подверженности ИИ нуждаются в более критическом подходе. Сочетание множественных моделей и эмпирических данных поможет сделать прогнозы надёжнее и избежать неверных решений, основанных на односторонних оценках.