Почему женщины сталкиваются с более высоким риском высвобождения — и как переработка ролей может открыть новые пути

Отрасль технологий уже много лет беспокоится о нехватке талантов. Не хватает инженеров по ИИ, специалистов по данным и архитекторам ИИ. Компании яростно конкурируют за узкий пул специалистов, и большинство из них — мужчины.

Пока война за таланты ИИ доминирует в заголовках, на другой стороне рынка труда тихо нарастает кризис. Миллионы работников, непропорционально женщины, находятся в работах, которые ИИ уже перестраивает. Им не предоставляется доступ к обучению, инструментам или новым ролям, которые помогли бы им сделать этот переход.

Результатом является двойной кризис. Отрасль не может найти достаточно талантов с навыками ИИ, а женщины остаются самым большим неиспользуемым резервом талантов в рабочей силе. Разрыв между теми, кто теряет работу, и теми, кто получает ее, не случаен. Он следует закономерности, которая появляется в данных о рабочей силе почти во всех крупных экономиках, и если ее не решить, она определит гендерную динамику рабочей силы на следующие decade.

Почему женщины сталкиваются с более высоким риском высвобождения

Основная цифра из Международной организации труда (МОТ) поражает: женские профессии почти в два раза более вероятно будут затронуты генеративным ИИ, чем мужские профессии, — 29% против 16%. На высокорисковом конце разрыв еще шире. Шестнадцать процентов женских ролей попадают в наиболее уязвимые категории автоматизации. Для мужских ролей это число равно 3%.

Отчет МОТ Gen AI, Occupational Segregation and Gender Equality in the World of Work определяет три силы, которые движут этим. Женщины занимают роли, которые наиболее вероятно будут автоматизированы. Они отсутствуют в STEM-областях, которые строят эти инструменты. И модели ИИ часто отражают гендерные предубеждения, уже встроенные в общество.

Это не совпадение. Женщины исторически были сконцентрированы в канцелярских ролях, административной поддержке, вводе данных и обслуживании клиентов. Это именно те функции, которые ИИ лучше всего обрабатывает: рутинные, кодифицированные и высокообъемные. Исследование МОТ охватывает 88% стран, которые она проанализировала, и почти во всех из них женщины сталкиваются с большим воздействием, чем мужчины.

Риск воздействия — это только половина проблемы. Роли, которые ИИ создает, сконцентрированы в технических и стратегических функциях, где женщины исторически были недопредставлены. Согласно исследованию 2024 года Interface EU, во всем мире женщины составляют только 22% рабочей силы ИИ. Отчет Всемирного экономического форума 2025 года о гендерном разрыве показал, что женщины испытывают значительное снижение в первом году карьеры в STEM и остаются недопредставленными в инженерии и руководстве ИИ.

Женщины непропорционально сконцентрированы в ролях, которые заменяются, и недопредставлены в ролях, которые создаются. Это не одна проблема. Это две проблемы, которые усугубляют друг друга.

Третий слой делает ситуацию еще хуже. Отчет Understanding Talent Scarcity: AI and Equity компании Randstad показал разрыв в 42 процентных пункта в навыках ИИ между мужчинами и женщинами, — 71% против 29%. Мужчины более вероятно получают предложения от работодателей о обучении ИИ (35% против 27%) и более вероятно имеют инструменты ИИ на работе (41% против 35%). Университет Калифорнии в Беркли проанализировал 18 исследований, охватывающих 143 000 работников во всем мире, и обнаружил, что женщины примерно на 20% менее вероятно используют инструменты генеративного ИИ профессионально. Этот разрыв сохранялся независимо от уровня образования или дохода страны.

Профессиональная сегрегация поставила женщин в автоматизируемые роли. Недопредставленность в STEM-областях исключила их из ролей, которые ИИ сейчас создает. Разрыв в доступе и обучении препятствует переходу между двумя. Каждый слой усиливает другие.

Переработка ролей: что это действительно значит и почему большинство компаний делают это неправильно

Когда организации говорят о подготовке своей рабочей силы к ИИ, они обычно имеют в виду одно из двух: переподготовку существующих сотрудников на новые инструменты или замену высвобожденных ролей на новые технические позиции. Оба подхода упускают из виду главное.

Переподготовка необходима, но недостаточна. Дать клерку по вводу данных курс по инженерии запросов не создает путь. Это дает ей набор навыков. Что ей нужно, — это пункт назначения: конкретная роль, с определёнными обязанностями, которая существует в организации и в которую она может достоверно перейти.

Замена высвобожденных ролей на технические позиции часто углубляет проблему. Инженеры ИИ, специалисты по данным и специалисты по машинному обучению требуют квалификации и опыта, которыми обладают немногие высвобожденные работники. Они также склонны привлекать кандидатов из того же однородного пула талантов, который уже доминирует в технологическом секторе. Высвобождение затрагивает женщин. Замена ролей не затрагивает.

Настоящая переработка ролей начинается с другого вопроса. Не какие работы может выполнять ИИ, а как выглядит человеческий вклад в мире, где ИИ обрабатывает рутинные задачи?

Ответ в том, что человеческая работа — это реляционная, контекстная и этическая работа. Это навигация по неопределенности. Построение доверия с клиентами и коллегами. Принятие решений в ситуациях без шаблона. Понимание того, что на самом деле нужно заинтересованному лицу, а не только того, что оно заявило, что хочет.

Новые роли, которые возникают на этом пересечении, носят разные названия в зависимости от сектора: координатор внедрения ИИ, руководитель технологического внедрения, человеко-ИИ-интерфейс, офицер цифровой этики, специалист по управлению изменениями. Что они имеют общего, — это необходимость людей, которые могут работать там, где технологии и человеческая сложность пересекаются.

Эти роли требуют суждения, коммуникации и глубокого понимания того, как работают организации. Они, в других словах, являются прямой эволюцией навыков, которые женщины в сегодняшних ролях, подверженных риску, уже много лет строили.

Компании, которые это делают правильно, картографируют навыки, встроенные в роли, подверженные риску, не название работы, а фактические возможности, которые человек имеет, и определяют, какие из этих возможностей соответствуют ролям, которые ИИ создает.

Это проблема талантов, а не только проблема равенства

Нехватка талантов ИИ реальна и становится хуже. Роли, создаваемые принятием ИИ, требуют сочетания технической грамотности и человеческого суждения, которое действительно редко. Компании яростно конкурируют за узкий пул людей.

Женщины — это самый большой неиспользуемый резерв талантов в профессиональной рабочей силе. Навыки, встроенные в роли, подверженные риску, включая управление отношениями, координацию операций, этическое рассуждение и коммуникацию с заинтересованными сторонами, — это именно то, что новые роли эпохи ИИ требуют. Связь между этими двумя фактами должна быть очевидной.

Навыки-ориентированный подбор персонала — это механизм, который делает эту связь возможной. Вместо фильтрации по квалификации и линейным карьерным путям он оценивает, что кто-то может фактически сделать. Он открывает роли для людей, чьи возможности развились через годы в административных и сервисных функциях, именно те роли, которые ИИ сейчас автоматизирует. Когда он спроектирован хорошо, он не только расширяет пул талантов, но и выявляет конкретные виды опыта, которые организации больше всего нуждаются в среде, дополненной ИИ.

Как выглядит ситуация, когда организации делают все правильно

Нет единой модели. Но организации, которые делают значительный прогресс, имеют узнаваемый набор поведений.

Они начинают с навыка, а не с названия работы. До того, как какая-либо роль будет автоматизирована, они картографируют, что человек в этой роли может фактически сделать, и они картографируют это против возможностей, которые организация будет нуждаться в будущем. Вопрос не в том, может ли работа быть автоматизирована. Это в том, что знает человек, выполняющий эту работу, и где это знание вписывается в то, что строится.

Лидирующие организации переходят от расплывчатых обещаний переподготовки к созданию путей, которые являются видимыми, конкретными и действенными. Вместо общей надежды на будущие возможности они предоставляют четкую линию от текущей роли к определенной будущей роли, с шагами, сроками и поддерживающими структурами, изложенными. Они проектируют обучение для всей рабочей силы, а не для среднего сотрудника. Программы, которые проводятся после работы или требуют самообучения, будут систематически исключать людей с обязанностями по уходу. Включающий дизайн означает модульный, расписанный, доступный в рабочее время, с психологической безопасностью, чтобы экспериментировать и терпеть неудачу без влияния на оценку производительности.

Этот подход соответствует фундаментальному сдвигу в рабочей силе: Randstad Workmonitor 2026 подтверждает, что традиционная «карьерная лестница» терпит неудачу, и 72% работодателей теперь согласны с тем, что линейные карьерные пути устарели. В ответ таланты смягчают риск, строя «портфельные карьеры». Эта новая модель отдает приоритет разнообразию, индивидуальной инициативе и безопасности через разнообразный опыт, а не долгосрочному пребыванию в одной роли.

Следующие 24 месяца будут иметь значение в течение долгого времени

Переходы рабочей силы не легко обратимы. Паттерны, которые формируются сейчас, склонны сохраняться в течение лет.

Организации, которые действуют намеренно, могут использовать этот момент, чтобы построить более способную и более разнообразную рабочую силу, чем они имеют сегодня. Те, кто рассматривает трансформацию ИИ как технический проект с человеческим постскриптом, скорее всего, выйдут из него с более узким пулом талантов и более сложной проблемой найма.