The Future Of Work

Модели AI-first организаций В мае была особенно заметная волна текстов про agentic organizations — стратегии, модели, инструменты. И чтобы мы не пропустили чего-то важного и полезного, собрал пять самых интересных и концептуальных материалов: 1. After Automation Главный хит месяца — огромный лонгрид от Дэна Шиппера, основателя Every. Про то как AI повысит ценность «человеческой» экспертизы и способности адаптировать технологии под уникальный организационный контекст. 2. An Operating Model for the Age of AI Bain прогнозируют, что под влиянием AI компании будут приходить к моделям управления, в которых главное — это качество суждений и владение результатами (вместо «org charts» будут «accountability charts»). 3. The AI assembly line: Strategic imperatives for CEOs Как AI поможет создать интеллектуальный конвейер по принципу конвейера Форда, давая возможность масштабировать лучший когнитивный ресурс и справляться с огромным ростом сложности — без найма новых сотрудников. 4. Rewiring software delivery for the agentic era Процессы разработки и создания продукта превратятся в модель 24-часового спринта, где днём люди фокусируются на дизайне и проверке решений, а ночью AI всё это будет анализировать и производить (тем более электричество же ночью дешевле). 5. Rethinking early-career talent in the agentic organization Чтобы AI не мешал молодым специалистам набираться опыта и продвигаться по карьере, компаниям надо перепроектировать логику карьерных треков и вкладываться в программы наставничества. Если попробовать выделить общие принципы во всех этих моделях, то звучать это будет примерно так: • Переход от процессной культуры и исполнения к суждению и «оркестрации» • Необходимость менять операционную модель • Гибридная модель работы с AI, где человек находится в начале и в конце процесса производства • Инвестиции в инфраструктуру управления знаниями и контекстом • Критичность переосмысления первых стартовых шагов в карьере В комментариях аудио-саммари со всеми этими идеями.

10 способов оправдаться почему вы дали неправильный прогноз Филипп Тетлок в своей книге «Expert Political Judgment» когда-то классно расписал топ экспертных belief system defenses, которые они используют когда их прогнозы не сбываются: 1. Challenging the conditions of hypothesis testing defense — Вы неправильно верифицируете мой прогноз 2. Close-call counterfactual defense (I was almost right) — Я же почти угадал 3. Exogenous-shock defense — Все бы случилось, как я предсказывал, но вмешалось непредвиденное внешнее событие 4. I made the right mistake defense — Даже если прогноз оказался неверным, в тот момент это был самый разумный вывод 5. Just-off-on-timing defense — Я прав, но ошибся только в сроках 6. The low-productivity outcome just happened to happen defense — Реализовался очень маловероятный сценарий 7. Playing-a-different-game defense — На самом деле я и не прогнозировал, а всего лишь высказал мнение 8. Politics is hopelessly cloudlike defense — Ваша модель проверки примитивна, всё гораздо сложнее 9. Really not incorrigibly closed-minded defense — Нужно больше данных, оснований менять прогноз пока недостаточно 10. Wrong questions defense — Вы изначально задавали неправильные вопросы и оценивали не то, что нужно Отсюда можно попробовать вывести базовые правила качественного экспертного прогноза (в том числе когда мы говорим про рынок труда, hr-тренды и будущее работы): 1. Заранее определять правила проверки прогноза 2. И критерии успеха и неуспеха 3. Список условий и внешних факторов, способные обнулить прогноз 4. Прозрачна логика прогноза и исходные допущения 5. Конкретный временной период 6. Прогноз должен быть выражен через вероятности 7. Явный критерий является прогноз прогнозом, или ни к чему не обязывающим мнением 8. Есть условия пересмотра прогноза 9. Чётко сформулирован вопрос, на который отвечает прогноз

Наконец-то добрался почитать гайд про мета-навыки, который сделала Аня Бичевская. И вам рекомендую — очень интересно и концептуально. Целиком пдф можно скачать тут. А так как я в целом поклонник Аниного творчества, то не постесняюсь напомнить, что второго июня у нее стартует лаборатория развития эмоционального интеллекта.

В прошлую пятницу, 22 мая, был мой последний день в hh. Планы на ближайшие пару месяцев — придумать себе следующий большой карьерный шаг. А параллельно заниматься всякими интересными странными штуками. И первая из таких: теперь The Future Of Work — не только канал, но и база знаний. Большой справочник, который я собирал годами. Подстраивал. Много переделывал. Мне было очень важно найти правильную увлекательную форму для всей этой информации. Что вы там найдете: 1. Исследования и репорты Кажется это самая большая база тренд-репортов в мире по нашей теме. По крайней мере я ничего похожего не находил. И пришлось сделать самому. 2. Большая статистика Глобальные цифры, которые показывают, в целом, куда что идёт, и с какой скоростью. 3. HR-платформы Списки платформ, которые я собирал. Российские и международные. 4. Медиа, блоги и каналы Меня часто спрашивали, на что надо быть подписанным, чтобы получать всю самую актуальную информацию. Теперь собираю все такие источники туда. 5. Инвестиции и M&A Когда-то я делал регулярные обзоры инвестиций в hrtech. А потом перестал. Потому что как будто это было больше интересно мне. Читались такие обзоры очень слабо. Тем не менее, я продолжил собирать эту информацию для себя. 6. Питч-деки И я также публиковал питч-деки стартапов. Теперь они все собраны на одной странице. 7. Фонды и акселераторы Где стартапы, там и фонды. Вдруг вам и это будет интересно посмотреть. 8. Структура HRtech Как мы знаем, индустрия и рынок HR очень неоднородны — много категорий, подкатегорий, ответвлений, аномалий. В какой-то момент я начал собирать разные визуализации на эту тему. Кажется, это может быть полезно для эффективной навигации по этим дебрям. 9. Эксперты Это пока экспериментальный раздел. Я пытаюсь агрегировать самых заметных мировых экспертов. 10. Организации Это список think tanks, которые фокусируются на будущем работы и рынках труда. 11. Книги и статьи Я люблю книги. И много читаю. Конечно же я не мог обойтись без этого раздела. 12. Гайды по форсайту Собирал сюда интересные гайды и фреймворки по форсайту. Идея была в том, чтобы облегчить навигацию по этим растекающимся по всему интернету знаниям. Сделать это более контролируемым и доступным. На сайте будут ещё разделы, ещё больше информации, и несколько аналитических инструментов. Но там могут появиться и ошибки, что-то может не работать, где-то поехать верстка. Я буду очень благодарен, если вы поделитесь такими находками. Сайт был сделан без вайбкодинга, генеративного дизайна и других облегчений — есть вероятность, что я где-то недосмотрел. → the-future-of-work.ru

Если вы хотите изменить мир к лучшему, на какой проблеме следует сосредоточиться? Бенджамин Тодд на днях написал огроменный пост про то, как выбирать проблемы, которым действительно стоит посвятить жизнь. Тут надо сказать, что идеи Тодда когда-то произвели на меня очень большое впечатление. Я считаю, что он выдающийся парень. А «80,000 Hours» — главная книга про карьеру, которую должен прочитать каждый. Итак, алгоритм выбора «самой главной проблемы»: 1. Оцените масштаб проблемы Сколько людей, животных или будущих жизней она затрагивает? Насколько масштабные последствия она создаёт? Как проблема будет влиять на долгосрочное будущее человечества? 2. Насколько она решаема Возможна ли стратегия, которая реально меняет ситуацию? Можно ли показать, что дополнительный доллар, человек, исследователь, идея или организация способны преодолеть барьер и дать заметный результат? 3. Насколько эта проблема недооценена Сколько ресурсов уже направлено на решение этой проблемы? Вокруг неё достаточно внимания, денег, попыток, политической воли? Или, наоборот, масштаб огромный, но людей, которые этим занимаются, почти нет? Нам нужны проблемы с максимальным масштабом, низким визибилити, и в которых мы более-менее представляем, как их можно было бы попробовать решать. Там, где усилие одного человека может иметь непропорционально большой эффект. Это ключевой критерий, определяющий значимость вашей работы. Разница в эффективности между случайным выбором и продуманным может составлять 100 и даже 10 000 раз. Я обратился к chatgpt и claude, чтобы они по этому принципу выдали самые важные проблемы в HR, рынке труда и организациях. И сделал компиляцию из их дип ресерчей. Результат не идеальный, но всё равно любопытный: 1. Проблема реального контроля и прозрачности AI в организациях. Риск не в каком-то одном большом небезопасном кейсе. А в тысячах маленьких решений, которые постепенно становятся непрозрачными для менеджмента. 2. Исчезновение стартовых карьерных позиций. Если вход в профессию закрывается, то через несколько лет ломается и цикл воспроизводства экспертизы. 3. Дефицит операционного таланта и ресурса. Организации часто ограничены не деньгами, а людьми, способными строить процессы, нанимать, управлять проектами, запускать команды. 4. Качество управления и дизайн работы. Плохое управление остаётся одной из самых дорогих проблем в мире. 5. Низкая инклюзивность. На фоне дефицита труда это становится вопросом экономической устойчивости. Какими проблемами не надо заниматься: 1. Выгорание. Потому что это работа с симптомами, а не причинами. И создать значимое изменение в этой области будет очень сложно. 2. Employee experience и engagement. Огромная индустрия, где уже слишком много игроков, инструментов и исследований. А результатов по-прежнему не так много. 3. Удалённая работа. Важная и перспективная тема. Но совсем не обделённая вниманием. 4. Employer branding. Большая индустрия, и важная для каждой отдельной компании. Но для общества принципиальной масштабной ценности не создаёт. Повторюсь, это анализ и выводы chatgpt и claude. Но интересно, что в списке есть и моя «главная проблема». В комментариях пдф с переводом статьи (57 страниц). → https://benjamintodd.substack.com/p/world-problem

С демографией всё хуже, чем нам может показаться Два интересных текста на Financial Times — про демографический кризис и его последствия. В «Why birth rates are falling everywhere all at once» они анализируют, какие неочевидные драйверы усугубляют проблему: • Если раньше рождаемость падала из-за того, что пары заводили меньше детей, то теперь главная причина в сокращении числа самих пар. В США и других странах с высоким доходом количество детей у матерей остается стабильным, но резко выросла доля женщин, у которых вообще нет детей. • Некоторые исследователи связывают падение рождаемости с массовым распространением смартфонов и интернета. Это привело к сокращению личного общения. Например, в Южной Корее интенсивность личных контактов среди молодежи сократилась вдвое за 20 лет. • Instagram и Tiktok способствуют «cultural leapfrogging» — ожидания женщин от отношений растут быстрее, чем способность их партнеров этим ожиданиям соответствовать. Что в итоге: в 60% из 195 стран уровень рождаемости упал ниже коэффициента воспроизводства (2,1 ребенка на женщину). Эти изменения превышают прогнозы. Опять же, в Южной Корее в 2023 году родилось на 35% меньше детей, чем предсказывали эксперты ООН пять лет назад. А теперь про последствия. Статья «Five ways demographics are transforming the world economy» раскрывает, к чему эта тенденция может нас привести: • Интенсивная работа после 65 лет. И хорошо бы начать инвестировать в «human capital in the second half of life». • Существенное замедление экономического роста. К 2060 году из-за демографии темпы роста благосостояния в Японии упадут на 70%, а в Германии на 80%. • Модели пенсионного и медицинского обеспечения начнут трещать по швам. Это ускорит рост неравенства, так как богатые будут переходить на частную медицину, а менее обеспеченные будут зависеть от деградирующих государственных систем. • Что нам поможет? Надо придумать, как из семьи и рождения детей сделать развлечение — «more fun and less disruptive to careers». И запретить смартфоны. В комментариях переводы обеих статей в пдф. И аудио-саммари.

Гибкие распределенные команды как новая логика роста Сегодня в Больших Идеях вышла наша с Николаем Долговым статья, где мы осмысляем модель гибких распределенных команд и проектной занятости: как эффективно встраивать крутых экспертных людей на парт-тайм в свои процессы и команды — и так, чтобы все были счастливыми и производительными. Для меня эта тема вовсе не теоретическая. Если вы занимаетесь любым креативным продуктом, контентом или дизайном, то вы хорошо знаете, что качество результата определяется в первую очередь способностями и опытом человека, который этот результат делает. И ваша задача, как продюсера — найти лучшего. Конечно же, на следующем этапе, обеспечить адекватный процесс. Даже в большей степени — погружение в контекст. Что для крупной компании особенно непростая задача. Она непростая ещё и потому, что это не техническая проблема. Её нельзя решить только внедрением платформы или AI-ассистента. Но с опорой на проектную экспертизу и очень хорошее понимание «креативной» специфики. Тем не менее, если мы хотим делать уникальные значимые проекты, то без этого не обойтись. Нужно развивать культуру и инфраструктуру работы с fractional-форматами, распределенными командами, точечным подключением экспертов. Нам надо научиться делать это очень хорошо. И я рад, что у нас с Николаем так классно получилось заколлаборировать и написать этот материал. Знаю, что у коллег из Профессионалы 4.0 накопилось много опыта и экспертизы в работе и управлении распределенными командами и найме внештатных специалистов. И они как раз одни из немногих кто эту культуру и модель продвигают уже много лет. Мне кстати искренне нравится как они рассказывают про это в своём канале Фриланс будущего. Я абсолютно не ради рекламы, а с большим уважением и интересом. → https://big-i.ru/komanda/upravlenie-lyudmi/masshtabirovanie-bez-novykh-stavok-kak-pomenyat-model-nayma

По легенде у HeadHunter сегодня День Рождения — 26 лет. И мы конечно аплодируем и ликуем. Но это ещё и хороший повод напомнить, что ровно через месяц случится HR-Перезагрузка. Знаю с какой щепетильностью и вниманием к деталям идёт подготовка. И без сомнения, как всегда, это будет знаковое событие — не пропустите. → hrperezagruzka.ru

Со мной тут поделились эксклюзивом. Как наши американские коллеги продвигают свои HR-технологии. На автобусах. Это реклама Juicebox. Они делают сорсинг. Но не простой, а со всякими наворотами и AI. В марте подняли инвестиции в 80 миллионов при оценке в 850.

Увидел у Imole Ashogbon в LinkedIn (это такой набирающий популярность канадский linkedin-hr-визионер) симпатичную картинку — очередная визуализация на тему стратегических задач HR. Смотрится неплохо. Вдруг вам будет полезно. Сохраняйте.

На WSJ небольшой текст с новым углом зрения на проблемы AI и работы. Идея в том, что «бытовой» AI, которым мы пользуемся в решении повседневных задач, ускоряет delaborization экспертной работы. И перекладывает её на плечи потребителей. Как это происходит? Допустим, раньше вам надо было лишний раз обратиться к врачу, юристу или консультанту по карьере. Чтобы решить какую-то задачу, которая требовала экспертного знания. То теперь вы пишите в ChatGPT и пытаетесь разобраться самостоятельно. Да, объём работы сократился. Но она не исчезла — вы всё равно тратите на неё какой-то ресурс. А так как вы теперь сам себе юрист и диетолог, то при меньшем объёме увеличивается частота таких кейсов. Это может привести нас к депрофессионализации экспертной работы с одной стороны, и к росту busywork в жизни обычного человека — с другой. В комментариях пдф с переводом. → https://www.nytimes.com/2026/05/11/opinion/ai-jobs-chores-work.html

Мы наконец-то перезапустили блог! Теперь он красивее, удобнее и полезнее. Более того, если вы захотите как-то посотрудничать с нашей редакционной командой, то вот вам инструкция. Нет, это не для рекламы и промоушена ваших продуктов и услуг — а только что-то действительно экспертное и очень классное. → hh.ru/blog

Друзья, хочу деликатно напомнить, что мы тут делаем эпохальное событие. И беспрецедентно-международное. Всё начнется уже в среду. Поэтому спешите зарегистрироваться. → https://chiefstoryofficer.space

Windfall Trust на этой неделе выложили исследование, где смоделировали какие фискальные риски и давление на социальные расходы будет создавать labour-displacing AI. На примере стран ОЭСР они показывают, что при росте производительности за счет автоматизации и AI налоговая база государств начнет системно деградировать. Какие у этого предпосылки? • Налоги на труд выше, чем налоги на капитал • Высокооплачиваемые навыки, услуги и ценность будут коммодизироваться и превращаться в consumer surplus • Доходы будут уходить американским технологическим платформам • Одновременно вырастут расходы государств на поддержку уволенных людей При самом негативном сценарии авторы исследования прогнозируют ухудшение фискального баланса на 30% в течении следующих 10 лет. В дополнение к исследованию Windfall Trust сделали симулятор, где можно ставить разные цифры и смотреть на последствия — https://windfalltrust.github.io/ai-shock Какой принципиальный вывод про будущее работы и AI из этого исследования мы можем сделать? Что вероятность когда государства начинают резко вмешиваться в ситуацию и корректировать стимулы и перераспределение рисков — весьма высокая. И скорее всего мы буквально в нескольких шагах от этого будущего. В комментариях пдф и короткий аудио-обзор. → https://windfalltrust.org/publications/mapping-tax-risks-from-labour-displacing-ai

Лаборатория осознанного чтения о будущем образования Друзья, Соня Смыслова запускает очень интересную штуку — ридинг-лаб про будущее образования.

Опыто-ориентированная программа (experiential learning) для всех, кто хочет понимать, как обучать, обучаться и исследовать образование в условиях неопределенности и множественных вариантов будущего.

Я участвовал на предыдущей лаборатории, в прошлом году — и это был очень классный опыт. Хоть я и не поспевал за всем объёмом информации. Искренне рекомендую. Соня даёт уникальный контент и программу. Подробнее можно почитать тут: ttps://t.me/sonyaaboutcam/600

Вдруг вы не видели. Рекламный креатив от The Economist — такой правильный и актуальный для 2026. И, видимо, для следующих 10 лет. PS. Но сама реклама прошлого года.

Всё с нашей работой будет хорошо По крайней мере в этом нас пытаются убедить в a16z. Много диаграмм и графиков, как будто бы подтверждающих, что никакой тотальной безработицы по вине AI нас не ждёт — в их очередном хитовом лонгриде «The AI Job Apocalypse Is a Complete Fantasy». • Нас сбивает с толку «Lump-of-labor fallacy» — идея конечного объёма работы и задач. Но человеческие потребности безграничны: как только автоматизация освобождает время, люди находят новые продуктивные способы его применения. • Когда стоимость важного когнитивного ресурса будет падать случится «Парадокс Джевонса» — спрос на него не исчезнет, а резко возрастёт. «Дешёвый» интеллект позволит человечеству решать более амбициозные задачи в робототехнике, биотехнологиях и освоении космоса. • Для большинства профессий AI станет «force-multiplier». Например, спрос на инженеров и продакт-менеджеров продолжает расти. AI позволяет им выполнять больше осмысленной работы. • Статистика и исследования показывают, что на текущий момент нет значимой связи между внедрением AI и ростом безработицы. Напротив, в отраслях с высоким уровнем использования AI часто наблюдается рост найма и зарплат. • Большая часть современных рабочих мест не существовала в 1940-х годах. AI уже сейчас создает спрос на новые специальности — от строительства дата-центров до обслуживания сложных роботизированных систем. Я удивляюсь как классно и с каким обилием цифр можно завернуть абсолютный булшит. И как настойчиво эти люди игнорируют несколько нюансов про последние 80 лет — демографический рост, расширение массового потребления, урбанизацию, высшее образование, женскую эмансипацию, рост среднего класса и появление новых рынков. Да ну как же? Всё самое лучшее было только от технологий и парадокса джевонса! Рост населения на 6 миллиардов человек тут вообще ни при чём! В комментариях аудио-обзор и пдф с переводом. → https://a16z.com/the-ai-job-apocalypse-is-a-complete-fantasy

И еще один полезный документ (и концепт) — от IDEO. Про связь моделей поведения в компании, корпоративной культуры и финансовых показателей. Связь прямая — культура является предиктором успеха. IDEO выделяет пять элементов организационного поведения, которые больше всех влияют на результаты: 1. Perspective Способность предвидеть тренды и кризисы. Руководители и команды в таких организациях умеют системно отслеживать и анализировать сигналы, следить за своей индустрией — но и интересоваться, что происходит в других направлениях и рынках. 2. Ownership Сотрудники меняют процессы и вовлеченно реагируют на обратную связь от клиентов без необходимости проходить через бюрократию и ждать одобрения сверху. 3. Wavelength Высокий уровень кросс-функционального взаимодействия. Сотрудники охотно помогают коллегам за пределами своих основных команд, а лидеры ценят людей с нетипичным опытом и точками зрения. 4. Experimentation Способность быстро превращать идеи в работающие решения. И при этом, готовность инвестировать в идеи, даже если они не обещают прибыли в краткосрочной перспективе. 5. Resonance Глубокое понимание и интерес к потребностям клиентов. Клиентоцентричность как основа для принятия бизнес-решений и операционной деятельности на всех уровнях. Четыре типа компаний, в зависимости от сочетания Perspective и Experimentation: • Drivers Самые успешные — думают масштабно и действуют быстро. • Dreamers Видят горизонт, но не могут довести идеи до реализации. • Deliverers Много экспериментируют, но не имеют видения. • Doers Просто делают — но ничего нормально не могут. → https://www.ideo.com/iq (пдф в комментариях)

Еле-еле прочитал на HBR лонгрид «The Gen AI Playbook for Organizations» — невыносимо скучный и длинный текст. Но там есть две симпатичных картинки-фреймворка: 1. В каких из 4 типов задач как надо использовать AI • No Regrets Низкая стоимость ошибки и большой объем структурированных данных. Здесь не требуется идеальная точность. Ценность заключается в скорости и масштабе. • Creative Catalyst Низкая стоимость ошибки, но нужны неявные экспертные знания (оригинальность, вкус, контекст). AI предлагает варианты, но человек фильтрует и выбирает. • Human-First Высокая стоимость ошибки и необходимость в неявных знаниях. Человек ведет процесс, а AI помогает в мелочах. • Quality Control Высокая стоимость ошибки, но процесс опирается на явные, четко структурированные знания. AI выполняет основную работу, но человек проверяет результат и несет финальную ответственность. 2. Шесть этапов, на которых теряется вся выгода от AI 1. Task efficiency Компания не определила, какие конкретно задачи AI должен улучшать. 2. Employee adoption Компания упускает возможности, потому что сотрудники нормально не обучены и теряются. 3. Resource redeployment AI экономит время, но это время не направляется на более ценные важные задачи. 4. Organizational throughput Компания не перестраивает процессы так, чтобы системно масштабировать значимые эффекты от AI. 5. Market demand Клиентам не нужно то, что компания может производить благодаря AI. 6. Competitive retention Конкуренты используют AI ровно также и с тем же результатом. Поэтому выгода уходит не компании, а рынку: цены снижаются, маржа падает, клиенты получают больше за те же деньги. → https://hbr.org/2025/11/the-gen-ai-playbook-for-organizations В комментариях пдф с переводом.

Какие профессии гарантированно сохранят свою актуальность в будущем? В подкасте Planet Money позавчера вышел выпуск, посвященный прогнозам востребованности профессий от U.S. Bureau of Labor Statistics — насколько им можно доверять. Эти прогнозы публикуются с 1946 года. В BLS отталкиваются от анализа общих национальных трендов, таких как старение и изменение численности населения, затем они экстраполируют исторические данные по конкретным отраслям, и корректируют их с учетом новых факторов (технологии, экономика, кризисы, и тд). Благодаря правильному сочетанию параметрических моделей и экспертной оценки их подход позволяет прогнозировать даже сложные траектории. И эти прогнозы оказываются верными примерно в 70% случаев. Короче говоря, это надежный источник. Но самое интересное другое. Maxim Massenkoff, экономист из Anthropic, проанализировал эти прогнозы за 80 лет, и сформулировал любопытные выводы: • В целом, действительно могут быть такие модели, которые хорошо предсказывают долгосрочные изменения на рынке труда. И давать достаточно точные прогнозы. • На коротком отрезке простая экстраполяция темпов роста за предыдущее десятилетие работает почти так же хорошо, как и экспертное мнение. • Экспертные оценки значительно повышают точность в долгосрочных прогнозах. Какие факторы чаще всего упоминались в прогнозах, и как это влияло на точность: • Прогнозы, основанные на изменениях в организации труда и бизнесе оказались самыми точными. • Анализ технологического влияния коррелировал с наименьшей точностью. Эксперты понимали направление изменений, но систематически недооценивали их масштаб. Профессии сокращались на 30 процентов сильнее, чем предсказывали эксперты. → https://www.npr.org/transcripts/nx-s1-5815308