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

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

Пока война за таланты ИИ доминирует в заголовках, на другой стороне рынка труда тихо нарастает кризис. Миллионы работников, в основном женщины, находятся в профессиях, которые ИИ уже меняет. Они не получают такого же доступа к обучению, инструментам или новым ролям, которые помогли бы им сделать этот переход.

Результатом является двойной кризис. Индустрия не может найти достаточно талантов с навыками ИИ, а женщины остаются самым большим неиспользованным 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 рынке труда 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 перемещения

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

Отчет МОТ, Gen AI, Occupational Segregation and Gender Equality in the World of Work, выявляет три силы, которые движут этим процессом. 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 обрабатывает лучше: 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 создает ИИ, 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 о гендерном разрыве 2025 года показал, что женщины испытывают значительное снижение в первом году карьеры в STEM и остаются недопредставленными в инженерии и лидерстве 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%). UC Berkeley 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 сейчас создает ИИ. Разрыв в доступе и обучении мешает переходу между ними. 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 перемещенных ролей на новые технические позиции. Оба подхода упускают из виду главное.

Переподготовка необходима, но недостаточна. Дать курс по инженерии подсказок сотруднику, который работает с вводом данных, не создает путь. Это дает ему набор навыков. Что ему нужно, — это пункт назначения: конкретная роль с определенными обязанностями, которая существует в организации и в которую он может перейти.

Замена перемещенных ролей на технические позиции часто усугубляет проблему. Инженеры ИИ, специалисты по данным и специалисты по машинному обучению требуют квалификации и опыта, которых у большинства перемещенных работников нет. Они также, как правило, привлекают кандидатов из того же однородного пула талантов, который уже доминирует в технологической отрасли. Перемещение затрагивает женщин. Замененные роли — нет.

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 является реляционной, контекстной и этической. 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.

Новые роли, которые появляются на этом пересечении, носят разные названия в зависимости от сектора: координатор внедрения ИИ, руководитель технологических изменений, специалист по связям между человеком и ИИ, офицер цифровой этики, специалист по управлению изменениями. Что они имеют общего, — это необходимость людей, которые могут работать на пересечении технологий и человеческой сложности.

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

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

Это проблема талантов, а не только проблема равенства

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

Женщины являются самым большим неиспользованным резервом талантов в профессиональной рабочей силе. Навыки, встроенные в роли, подверженные риску, включая управление отношениями, координацию операций, этические рассуждения 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 может фактически сделать человек. Он открывает роли людям, чьи способности 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 конкретный опыт, который организации нуждаются больше всего в среде, дополненной ИИ.

Как выглядит ситуация, когда организации делают все правильно

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

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

Лидирующие организации переходят от расплывчатых обещаний повышения квалификации к созданию путей, которые видны, конкретны и осуществимы. Вместо общей надежды на будущие возможности они предоставляют четкую линию от текущей роли к определенной будущей роли, с шагами, сроками и поддерживающими структурами. Они проектируют обучение для всей рабочей силы, а не для среднего сотрудника. Программы, которые проводятся после рабочего дня или требуют самообучения, будут систематически исключать людей с обязанностями по уходу. Включающий дизайн означает модульный, расписанный, доступный во время рабочего дня, с психологической безопасностью для экспериментов и ошибок 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, имеют тенденцию сохраняться в течение лет.

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