Генеративный ИИ как технологическое изменение со смещением в пользу опытных сотрудников

Эмпирическое исследование Revelio Labs на данных 62 млн резюме: внедрение GenAI сокращает найм джуниоров, создавая долгосрочный риск дефицита талантов.

Генеративный ИИ как технологическое изменение со смещением в пользу опытных сотрудников: данные из резюме и объявлений о вакансиях в США*

Сейед М. Хоссейни† Гай Лихтингер‡

Первая версия: 31 августа 2025 г.

Данная версия: 5 ноября 2025 г.

Аннотация

Мы исследуем, представляет ли собой генеративный ИИ (GenAI) технологическое изменение со смещением в пользу опытных сотрудников (seniority-biased technological change), которое непропорционально сильно затрагивает младших сотрудников по сравнению со старшими. Используя данные резюме в США, охватывающие 62 миллиона работников в 285 000 фирм (2015–2025 гг.), мы отслеживаем занятость на уровне фирм в зависимости от стажа. Внедрение GenAI идентифицируется с помощью текстового анализа, который выявляет объявления о вакансиях «интеграторов GenAI», что сигнализирует об активном внедрении GenAI фирмами. После внедрения занятость младших сотрудников в фирмах-адаптерах резко снижается по сравнению с фирмами, не внедрившими технологию, в то время как занятость старших сотрудников остается практически неизменной. Снижение числа младших сотрудников сосредоточено в профессиях, наиболее подверженных воздействию GenAI, и обусловлено замедлением найма, а не увеличением числа увольнений или повышений.

1 Введение

Влияние генеративного искусственного интеллекта (GenAI) на младших сотрудников (juniors), особенно в высококвалифицированных офисных профессиях («белых воротничков»), привлекает растущее внимание как исследователей, так и СМИ. Во многих таких профессиях работники начинают с нижней ступени карьерной лестницы, выполняя интеллектуально рутинные задачи — рутинные, но когнитивно сложные действия, такие как отладка кода или проверка юридических документов, которые, вероятно, особенно подвержены влиянию недавних достижений в области GenAI. По мере накопления опыта эти работники часто продвигаются по карьерной лестнице на более высокие должности, предполагающие более сложное решение проблем или управленческие обязанности (Becker, 1966; Garicano, 2000; Ide and Talamas, 2025). Если GenAI непропорционально замещает задачи начального уровня, нижние ступени этих карьерных лестниц могут разрушаться (Garicano and Rayo, 2025).¹

Недавние сообщения в СМИ подтверждают эти опасения (например, The New York Times, 2025b; The Wall Street Journal, 2025b). Например, в статье Wall Street Journal за июль 2025 года подчеркивалось резкое падение спроса на младших сотрудников, связанное с внедрением GenAI, на основе мнений крупных работодателей, рекрутеров, аналитиков рынка труда и недавних выпускников (The Wall Street Journal, 2025a). Один из руководителей рекрутинговой фирмы Hirewell отметил, что «клиенты маркетинговых агентств практически перестали запрашивать персонал начального уровня — молодых выпускников, которые когда-то пользовались высоким спросом, но чья работа теперь является “легкой добычей” для ИИ». Этот вопрос также привлек внимание политиков. На пресс-конференции FOMC в сентябре 2025 года председателя Пауэлла спросили о влиянии ИИ на рынок труда, и он отметил: «Вы видите некоторые эффекты… Особое внимание уделяется молодым людям, оканчивающим колледж. Компании могут использовать ИИ больше, чем в прошлом… Трудно сказать, насколько велик этот эффект» (Federal Reserve Board, 2025).

Некоторые наблюдатели связывают недавний рост безработицы среди выпускников колледжей с распространением GenAI (The New York Times, 2025a; The Atlantic, 2025; Forbes, 2025). Другие, однако, ставят под сомнение значимость GenAI в этих процессах, указывая на альтернативные факторы, такие как экономическая неопределенность, сокращение штатов после пандемии COVID и рост офшоринга (например, Financial Times, 2025).

Данная работа направлена на измерение потенциального воздействия GenAI на рынок труда со смещением в пользу опытных сотрудников. В частности, мы задаемся вопросом, влияет ли внедрение GenAI фирмами непропорционально сильно на младшие роли по сравнению с более старшими позициями. Этот подход расширяет классическую литературу о технологических изменениях со смещением в пользу квалификации (skill-biased technological change) (например, Katz and Murphy, 1992; Autor et al., 2003; Acemoglu and Autor, 2011), которая подчеркивает сдвиги в спросе на труд в зависимости от образования или профессиональных групп, на связанное, но отдельное измерение: стаж (seniority).³

Наш анализ опирается на набор данных, объединяющий резюме LinkedIn и данные об объявлениях о вакансиях от Revelio Labs (Revelio Labs, 2025). Набор данных охватывает почти 285 000 американских фирм, более 150 миллионов периодов занятости примерно 62 миллионов уникальных работников в период с 2015 по 2025 год и почти 200 миллионов объявлений о вакансиях. Ключевым преимуществом этих данных является стандартизированная классификация стажа, присваиваемая каждой позиции алгоритмом Revelio, что позволяет нам отслеживать занятость младших и старших сотрудников внутри фирм с течением времени.

Мы идентифицируем внедрение GenAI путем обнаружения объявлений о вакансиях, в которых явно ведется поиск на роли «интеграторов GenAI». Метод следует подходу Hampole et al. (2025) и состоит из двух этапов: сначала помечаются объявления с ключевыми словами, связанными с GenAI, а затем используется большая языковая модель для определения того, отражает ли объявление подлинную позицию интегратора — позицию, предназначенную для внедрения или эксплуатации технологии GenAI в рабочем процессе фирмы. Фирма классифицируется как внедрившая технологию (adopter), если она разместила хотя бы одну такую вакансию, тем самым фиксируя фирмы, которые активно инициировали интеграцию GenAI в свою деятельность.⁴

Согласно этому определению, 10 599 фирм в нашей выборке внедрили GenAI к марту 2025 года. Хотя адаптеры составляют лишь около 3,7 процента из 285 000 фирм в нашей выборке, они в среднем существенно крупнее и на них приходится 17,3 процента от общей занятости (позиций) в нашем наборе данных. Наш анализ показывает, что внедрение GenAI было минимальным и относительно стабильным до 2023 года, но резко ускорилось после этого, с всплеском новых фирм, размещающих вакансии интеграторов после выпуска ChatGPT в конце 2022 года.

Мы начинаем наш анализ со сравнения фирм-адаптеров и фирм, не внедривших технологию, используя метод разности разностей (DiD) для ежеквартального отслеживания занятости младших и старших сотрудников. С 2015 по 2022 год адаптеры и не-адаптеры следовали параллельным трендам в занятости младших сотрудников.

Однако, начиная с первого квартала 2023 года — что совпадает с резким ростом внедрения GenAI — занятость младших сотрудников в фирмах-адаптерах резко сократилась по сравнению с контрольной группой, снизившись примерно на 9 процентов через шесть кварталов. Занятость старших сотрудников, напротив, росла быстрее в фирмах-адаптерах с 2015 года и не показала признаков изменения тренда после 2022 года.

Чтобы напрямую оценить эффекты «смещения в пользу опытных сотрудников», мы используем спецификацию тройной разности, сравнивая изменения в занятости младших и старших сотрудников внутри фирм-адаптеров по сравнению с не-адаптерами. Важно отметить, что эта модель включает фиксированные эффекты «фирма-время», которые поглощают любые шоки или траектории, специфичные для данной фирмы в данный период. Кроме того, мы включаем фиксированные эффекты «отрасль-время-стаж», которые учитывают динамику на уровне секторов, по-разному влияющую на младших и старших сотрудников. Результаты согласуются с оценками DiD: за исключением кратковременного спада в начале 2021 года, коэффициенты остаются стабильными в период с 1 кв. 2018 г. по 4 кв. 2022 г., а затем резко снижаются, начиная с 1 кв. 2023 г., достигая примерно 10-процентного падения через шесть кварталов.

Затем мы исследуем, в каких типах рабочих мест и у каких работников наблюдалось наиболее выраженное снижение. В частности, мы изучаем неоднородность по профессиональной подверженности воздействию GenAI, используя широко применяемую меру подверженности из Eloundou et al. (2024). Результаты показывают, что относительное снижение занятости младших сотрудников в фирмах-адаптерах сосредоточено в ролях с высокой степенью подверженности, в то время как в ролях с низкой степенью подверженности значимых изменений не наблюдается. Таким образом, снижение занятости младших сотрудников после 2022 года среди фирм-адаптеров отражает корректировки в ролях, наиболее уязвимых для GenAI, а не общее сокращение занятости младших сотрудников.

Далее мы изучаем неоднородность по уровню образования. Измеряя качество учебного заведения по престижности альма-матер младших сотрудников, мы обнаруживаем U-образную зависимость в реакции занятости: младшие сотрудники из университетов среднего уровня столкнулись с наибольшим относительным снижением после внедрения GenAI, в то время как выпускники наиболее и наименее престижных учебных заведений столкнулись с меньшим сокращением.

Мы дополняем анализы DiD и тройной разности ступенчатым событийным анализом (staggered event study), который отслеживает динамику занятости вокруг даты внедрения GenAI фирмой, прокси-переменной для которой служит первый период, в котором фирма размещает вакансию интегратора GenAI. Эта модель помогает отличить эффекты внедрения от более широких временных шоков, используя вариации в сроках внедрения в разных фирмах. Однако она чувствительна к ошибкам измерения прокси-переменной времени внедрения — например, если фирмы начинают использовать GenAI до или только через несколько периодов после размещения вакансии интегратора. Оценки не показывают значимых раз-

личий между фирмами-адаптерами и не-адаптерами в течение восьми кварталов, предшествующих внедрению, что согласуется с параллельными пред-трендами. Примерно через два квартала после внедрения занятость младших сотрудников в фирмах-адаптерах начинает снижаться, достигая 8-процентного сокращения через восемь кварталов. Отсутствие значимых пред-трендов дает дополнительную уверенность в том, что это снижение после внедрения вряд ли вызвано сопутствующими шоками.

Затем мы переходим к рассмотрению потенциальных проблем эндогенности. Фирмы-адаптеры и не-адаптеры систематически различаются, что может привести к смещению наших оценок, если эти различия коррелируют с их реакцией на другие шоки, влияющие на занятость, — такие как цикл ужесточения денежно-кредитной политики в 2022–2023 годах или динамика бума и спада в технологическом секторе после COVID. Мы приводим несколько доказательств того, что такие шоки не определяют наши результаты: (i) включение фиксированных эффектов «отрасль-стаж-время», которые поглощают специфические для сектора шоки, не влияет на снижение занятости младших сотрудников; (ii) в оценках событийного анализа не появляется соответствующих трендов до внедрения; (iii) адаптеры и не-адаптеры следовали схожим траекториям во время предыдущих эпизодов ужесточения (2015–2018 гг.); и (iv) более крупные фирмы, которые с большей вероятностью внедряют GenAI, как правило, менее чувствительны к денежно-кредитной политике (Chodorow-Reich, 2014; Gertler and Gilchrist, 1994). Помимо объяснений со стороны спроса на труд, мы также рассматриваем потенциальные каналы со стороны предложения — например, если негативные шоки доступности младшей рабочей силы подтолкнули к внедрению. Однако параллельные пред-тренды не согласуются с этим механизмом. Более того, анализ объявлений о вакансиях — индикатора, более непосредственно отражающего спрос на труд, — показывает, что снижение занятости младших сотрудников совпадает с сокращением числа объявлений, что указывает на сокращение спроса на труд, а не на ограничения предложения труда.

Далее мы исследуем механизмы, лежащие в основе снижения занятости младших сотрудников. Используя наши связанные данные о работодателях и работниках, мы разлагаем динамику рабочей силы на приток (найм), отток (увольнения) и внутренние повышения. Мы обнаружили, что снижение занятости младших сотрудников в фирмах-адаптерах обусловлено прежде всего существенным сокращением найма. Темпы увольнения младших сотрудников в фирмах-адаптерах также снизились по сравнению с не-адаптерами, но сокращение найма было значительно более масштабным, что привело к чистому сокращению младших позиций. Темпы продвижения по службе, напротив, оставались в целом стабильными после начала 2023 года.

В совокупности эти результаты указывают на то, что внедрение GenAI связано с сокращением занятости младших сотрудников. Однако относительно ранние и выраженные эффекты, проявившиеся вскоре после выпуска ChatGPT, могут показаться неожиданными, поскольку последствия автоматизации обычно

материализуются более постепенно. Такая закономерность предполагает, что снижение может отражать не немедленную автоматизацию задач, а скорее упреждающие корректировки со стороны фирм: быстрое распространение GenAI могло изменить ожидания фирм, заставив их сократить найм на роли, которые, по их прогнозам, будут автоматизированы в ближайшем будущем. Фирмы могут счесть такие превентивные корректировки привлекательными, если они рассматривают сокращение найма как менее затратное мероприятие, чем будущие увольнения. Мы представляем простую динамическую модель, иллюстрирующую этот механизм, в которой ожидания будущей автоматизации в сочетании с издержками на корректировку рабочей силы могут привести к тому, что фирмы сократят найм уже сегодня (Дополнительное приложение A.1). Этот механизм подтверждается нашими выводами о том, что замедление найма, а не рост увольнений, является драйвером снижения числа младших сотрудников. Одним из потенциальных следствий такой интерпретации является то, что если фирмы переоценивают краткосрочные возможности автоматизации с помощью GenAI, результирующее снижение занятости младших сотрудников может в конечном итоге оказаться временным.

Несколько дополнительных закономерностей подтверждают эту интерпретацию, ориентированную на будущее: (i) резкое ускорение внедрения GenAI в начале 2023 года, указывающее на то, что фирмы быстро отреагировали на выпуск ChatGPT; (ii) снижение занятости младших сотрудников, которое начинается лишь вскоре после этого; (iii) резкий рост упоминаний «ИИ» в отчетах о доходах фирм с 4 кв. 2022 г., указывающий на то, что фирмы уже знали о разработках в области GenAI и реагировали на них; и (iv) анекдотические свидетельства того, что несколько известных американских компаний публично скорректировали свою практику найма и рабочие процессы в начале 2023 года, прямо объясняя эти изменения внедрением или ожидаемым воздействием GenAI. Однако, хотя эти закономерности согласуются с упреждающими корректировками, наши данные не позволяют нам проверить этот канал напрямую.

Наконец, стоит отметить, что наше определение внедрения фиксирует преднамеренную интеграцию GenAI в рабочие процессы фирмы, но не учитывает «тихое» внедрение, такое как использование инструментов GenAI сотрудниками без интеграции на уровне фирмы. Таким образом, наше определение можно считать консервативным: оно с большей вероятностью ошибочно классифицирует адаптеров как не-адаптеров (ложноотрицательные результаты), чем наоборот (ложноположительные результаты). Такая ошибочная классификация путем отнесения подвергшихся воздействию фирм к контрольной группе, вероятно, ослабит расчетные эффекты в сторону нуля. В то же время тихое внедрение может иметь иные последствия для динамики занятости, чем преднамеренное внедрение на уровне фирмы, которое мы фиксируем. Дополнительная оговорка заключается в том, что, как и в случае любого эмпирического анализа, основанного на кросс-секционной вариации, наши результаты не обязательно обобщаются на экономику в целом без дополнительных допущений из-за «проблемы отсутствующего пересечения» (missing intercept problem) (см. Acemoglu and Restrepo, 2020; Wolf, 2023; Moll and Hanney, 2025).

Остальная часть статьи организована следующим образом. В Разделе 2 представлен обзор соответствующей литературы. В Разделе 3 описываются данные и дескриптивные закономерности. В Разделе 4 представлена наша эмпирическая стратегия и основные выводы. Раздел 5 подводит итоги.

2 Связанная литература

Наше исследование относится к трем основным направлениям литературы: (i) технологические изменения со смещением в пользу квалификации, (ii) внедрение технологий ИИ на уровне фирм и (iii) появляющиеся данные о влиянии генеративного ИИ на рынок труда.

Технологические изменения со смещением в пользу квалификации: Классическая литература о технологических изменениях со смещением в пользу квалификации (SBTC) показывает, что компьютеры и автоматизация исторически вытесняли работников, занятых рутинными, поддающимися кодификации задачами, дополняя при этом более сложные задачи. Autor et al. (2003) задокументировали, как компьютеризация снизила спрос на рутинную когнитивную и ручную работу, что привело к поляризации рабочих мест. Acemoglu and Autor (2011) подчеркнули, что технологии заменили задачи средней квалификации, одновременно повысив спрос на высококвалифицированную рабочую силу, а Autor and Dorn (2013) показали, что это сопровождалось ростом низкоквалифицированных рабочих мест в сфере услуг. Совсем недавно Acemoglu and Restrepo (2022) подсчитали, что автоматизация объясняет значительную долю растущего неравенства в заработной плате в США с 1980 года. В то время как эта литература фокусируется на различиях между уровнями образования или профессиями, наша работа расширяет анализ на стаж внутри фирм. Мы задаемся вопросом, является ли GenAI технологическим изменением со «смещением в пользу опытных сотрудников», непропорционально затрагивающим младших сотрудников, которые обычно выполняют более простые и рутинные задачи даже в высококвалифицированных областях.[5]

Данные о внедрении ИИ на уровне фирм: Связанное направление работы — наиболее близкое к нашему эмпирическому подходу — исследует последствия внедрения ИИ на уровне фирм. Babina et al. (2024) конструируют меру инвестиций в ИИ на уровне фирм, объединяя данные онлайн-резюме из Cognism с объявлениями Burning Glass. Их результаты показывают, что для американских фирм в

2010-х годах фирмы, внедряющие ИИ, растут быстрее по объему продаж, занятости и инновациям, а их рабочая сила становится более образованной и технологически ориентированной. Acemoglu et al. (2022) аналогичным образом используют объявления Burning Glass за 2010–2018 годы для идентификации предприятий, подверженных воздействию ИИ, на основе задач и навыков в вакансиях. Они обнаружили, что подверженность связана с более низким наймом на уровне предприятия, но совокупные эффекты на уровне профессий/отраслей слишком малы, чтобы их можно было обнаружить за этот период. Совсем недавно Hampole et al. (2025) использовали аналогичные данные и методы NLP для разработки показателей внедрения ИИ на уровне фирм и подверженности на уровне задач, которым мы в своем анализе следуем. Они делают вывод о внедрении на основе текста резюме, используя большую языковую модель для извлечения внутренних приложений ИИ и сопоставления их с задачами O*NET с помощью векторных представлений предложений (sentence embeddings), тем самым идентифицируя задачи, подверженные воздействию ИИ. Они обнаружили, что в период с 2010 по 2023 год более высокая подверженность соответствует более низкому спросу на труд, но рост производительности фирм компенсирует потерю рабочих мест за счет расширения занятости в других местах, что приводит к незначительным чистым изменениям в общей численности персонала.[6]

Эти исследования подчеркивают, что внедрение технологий ИИ до 2023 года часто влекло за собой внутреннее перераспределение, а не совокупную потерю рабочих мест. Напротив, наша работа предоставляет данные по США о последствиях внедрения на уровне фирм в первые годы широкого распространения генеративного ИИ (2023–2025 гг.). Сосредоточив внимание не только на общем спросе на труд, но и на составе сотрудников по стажу внутри фирмы, мы приводим доказательства того, что фирмы, внедряющие GenAI, сокращают занятость младших сотрудников, оставляя занятость старших сотрудников неизменной.

Влияние генеративного ИИ на рынок труда: Наконец, быстрорастущая эмпирическая литература исследует влияние GenAI на рынок труда. Экспериментальные исследования обычно показывают, что GenAI дополняет менее опытных работников, повышая их производительность. Например, Noy and Zhang (2023) показывают, что доступ к ChatGPT существенно сокращает время выполнения задач и улучшает качество результатов, причем особенно большие преимущества получают работники с более низкими способностями. Brynjolfsson et al. (2025b) аналогичным образом обнаружили, что помощь GenAI в поддержке клиентов повысила производительность в среднем примерно на 14 процентов, причем наибольший прирост наблюдался у новичков. Dell’Acqua et al. (2023) сообщают о сопоставимых улучшениях в консалтинговых

рабочих процессах. Более того, Cui et al. (2025) обнаружили особенно высокий прирост производительности и темпы внедрения среди менее опытных разработчиков программного обеспечения. Соответствующие данные полевых экспериментов в Dell’Acqua et al. (2025) показывают, что добавление «второго пилота» (copilot) на базе GenAI меняет командную работу и разделение экспертных знаний, перекладывая рутинную когнитивную работу на инструмент и переориентируя человеческие усилия на задачи более высокого уровня. Эти выводы согласуются с мнением о том, что GenAI может выступать в качестве «уравнителя», сокращая разрыв в производительности между менее и более опытными работниками (Autor, 2024).

Вторая волна исследований использует крупномасштабные данные рынка труда для отслеживания динамики занятости в разных профессиях в зависимости от подверженности воздействию GenAI. Наиболее близко к нашей работе исследование Brynjolfsson et al. (2025a), которое показывает, что с момента дебюта GenAI в конце 2022 года занятость молодых работников начального уровня (в возрасте 22–25 лет) в профессиях, наиболее подверженных воздействию ИИ, упала примерно на 13 процентов по сравнению с трендом, в то время как у более опытных работников в этих профессиях наблюдалась стабильная или растущая занятость. Simon (2025) документирует, что количество объявлений о вакансиях начального уровня сократилось более чем на 35 процентов с января 2023 года, причем наиболее резкое падение произошло в ролях с высокой степенью подверженности: увеличение подверженности на 10 пунктов предсказывает 11-процентное снижение спроса на начальный уровень, в то время как спрос на старшие роли в тех же профессиях растет на 7 процентов. Dominski and Lee (2025) связывают показатели профессиональной подверженности с данными CPS и, используя модель первых разностей, показывают, что более высокая подверженность GenAI связана с сокращением занятости. Напротив, Chandar (2025) и Murray et al. (2025) не находят систематических различий в структуре занятости между более и менее подверженными воздействию профессиями в данных CPS. Eckhardt and Goldschlag (2025) сравнивают структуру безработицы, используя пять показателей подверженности, и обнаруживают статистически значимые различия только для двух из них, причем даже эти эффекты относительно малы.

Наш вклад в эту литературу заключается в том, чтобы выйти за рамки индексов подверженности на уровне профессий и предоставить широкомасштабные доказательства, используя более прямой показатель внедрения на уровне фирм, идентифицируемый через объявления о вакансиях на конкретные роли «интеграторов GenAI». Более того, в отличие от показателей, основанных на подверженности, наш показатель внедрения меняется во времени, что позволяет нам использовать вариации в сроках внедрения с помощью модели событийного анализа.

3 Данные и дескриптивные закономерности

3.1 Источник данных и выборка

Нашим основным источником данных является подробный набор данных резюме на базе LinkedIn, предоставленный Revelio Labs через WRDS. Этот набор данных содержит сопоставленную информацию о работодателях и работниках, полученную из онлайн-профилей частных лиц. Для каждого работника мы видим все перечисленные позиции занятости, включая названия должностей, даты начала и окончания работы, а также фирму-работодателя.

Ключевой особенностью набора данных является переменная стандартизированного уровня стажа (seniority level) для каждой позиции, сконструированная Revelio с использованием ансамблевого моделирования на основе нескольких источников информации. Эта мера объединяет информацию о (i) текущей работе сотрудника (название должности, фирма и отрасль), (ii) его трудовой истории (стаж и предыдущий уровень должности) и (iii) его возрасте. Эти три входных параметра дают отдельные оценки, которые усредняются и затем классифицируются по семи стандартизированным уровням стажа: Entry Level (начальный уровень), Junior Level (младший уровень), Associate Level (уровень специалиста), Manager Level (уровень менеджера), Director Level (уровень директора), Executive Level (уровень руководителя) и Senior Executive Level (уровень высшего руководства). В последующем анализе мы группируем позиции в две широкие категории: младшие (Entry и Junior) и старшие (Associate и выше).⁷ В Дополнительном приложении A.2 представлены более подробные сведения и валидация переменной стажа. Оно показывает, что распределение ключевых слов в названиях должностей тесно согласуется с ожидаемыми различиями в стаже и остается стабильным до и после распространения GenAI, подтверждая, что эта мера надежно фиксирует иерархию позиций с течением времени.

Мы объединяем данные резюме работников с базой данных объявлений о вакансиях Revelio, которая отслеживает рекрутинговую активность фирм с сентября 2021 года. Каждое объявление содержит идентификатор фирмы, дату размещения и необработанный текст описания вакансии. Мы используем эти необработанные описания для построения нашего показателя внедрения GenAI на уровне фирмы, как описано в Разделе 3.3.

Кроме того, хотя это и не является основной целью статьи, мы также включаем показатели профессиональной подверженности воздействию GenAI из Eloundou et al. (2024), объединенные с нашими данными на уровне позиций через коды O*NET SOC. Мы полагаемся на бета-показатель подверженности на базе GPT-4 (как, например, в Brynjolfsson et al., 2025a) и классифицируем все позиции по трем категориям: низкая подверженность (0–25-й процентиль), средняя подверженность (25–75-й процентиль)

и высокая подверженность (75–100-й процентиль).

Наконец, чтобы зафиксировать уровень образования, мы конструируем показатель качества учебного заведения на уровне позиции. Для каждой позиции мы присваиваем учебное заведение, в котором работник учился в последний раз, при условии, что обучение закончилось не позднее чем через год после начала работы. Если такой записи нет, мы используем первое записанное учебное заведение, при условии, что обучение в нем началось до даты начала работы. Каждому учебному заведению затем присваивается рейтинг качества по пятибалльной шкале на базе GPT-4, созданный с использованием модели OpenAI GPT-4o-mini (полный текст промпта см. в Дополнительном приложении A.4.2). Оценка 1 соответствует Лиге плюща и другим мировым элитным учебным заведениям; 2 — высокоуважаемым международным университетам; 3 — сильным национальным или региональным школам; 4 — учебным заведениям более низкого уровня, но стандартным; и 5 — минимально селективным или неаккредитованным учебным заведениям.[8]

Наша итоговая выборка объединяет все позиции в США в наборе данных Revelio Labs с объявлениями о вакансиях на уровне фирм. Результирующий набор данных охватывает 284 974 фирмы, которые были успешно сопоставлены как с данными о позициях сотрудников, так и с объявлениями о вакансиях, и которые активно нанимали персонал в период с января 2021 года по март 2025 года.⁹ Для этих фирм мы наблюдаем 156 765 776 позиций, датируемых начиная с 2015 года, и 198 773 384 объявления о вакансиях с 2021 года, все с пригодными для использования необработанными текстовыми описаниями.¹⁰

3.2 Динамика рабочей силы по стажу

Мы строим ежемесячную панель на уровне фирм. Для каждой пары «фирма-месяц» мы рассчитываем количество сотрудников, которые занимали позицию в фирме, начавшуюся до и закончившуюся после этого месяца, фиксируя размер рабочей силы фирмы в этот период. Мы повторяем этот расчет отдельно для каждой категории стажа, что позволяет нам отслеживать состав рабочей силы с течением времени. Кроме того, мы идентифицируем ежемесячные притоки и оттоки по стажу. Для каждой пары «фирма-месяц» мы определяем новых сотрудников как работников, которые начали новую позицию в фирме в этом месяце, до этого работая в другой фирме или для которых это первая наблюдаемая работа. Увольнения определяются как работники, чья позиция в фирме закончилась

в этом месяце и которые либо перешли в другую фирму, либо не имели последующей указанной позиции. Наконец, мы определяем повышения как работников, которые начинают новую позицию в фирме после того, как ранее занимали роль с более низким уровнем стажа в той же фирме.[11]

На Рисунке 1 представлен агрегированный временной ряд средней занятости младших и старших сотрудников в фирмах. В период с 2015 по 2022 год занятость в обеих группах росла одинаковыми темпами, за исключением временного снижения занятости младших сотрудников в период COVID. Однако, начиная с середины 2022 года, намечается явное расхождение: занятость старших сотрудников продолжает неуклонно расти, в то время как занятость младших сотрудников выходит на плато, а затем, к середине 2023 года, начинает падать. Это расхождение согласуется с выводами Brynjolfsson et al. (2025a), которые задокументировали сопоставимую закономерность в данных о заработной плате в США по возрасту работников. Соответствие между их результатами и нашими обеспечивает внешнюю валидацию закономерностей, наблюдаемых в нашем наборе данных на базе LinkedIn. В соответствии с этими выводами Дополнительное приложение A.3 показывает, что уровень безработицы среди недавних выпускников колледжей вырос, даже несмотря на то, что общая безработица оставалась в значительной степени стабильной.

3.3 Внедрение GenAI

3.3.1 Вакансии интеграторов GenAI

Мы идентифицируем внедрение GenAI путем обнаружения объявлений о вакансиях, в которых явно ведется поиск работников для внедрения или интеграции технологий GenAI в рабочие процессы фирмы. Вдохновленные подходом Hampole et al. (2025), мы действуем в два этапа. Сначала мы составляем список ключевых слов, связанных с GenAI, и помечаем все объявления, содержащие хотя бы одно из них. $^{12}$ Из 198,8 млн объявлений 603 152 (0,30 процента) содержат хотя бы одно ключевое слово. Во-вторых, мы применяем классификатор на базе большой языковой модели (LLM) к этому подмножеству, чтобы выявить подлинные объявления «интеграторов GenAI» — вакансии, отражающие активную попытку нанять работников, которым поручено внедрение

Рисунок 1: Логарифм средней занятости младших и старших сотрудников в фирмах выборки Примечания: На этом рисунке показано процентное изменение среднего числа работников младшего и старшего звена в фирмах нашей выборки с течением времени. Значения нормализованы к нулю в январе 2015 года. «Младшие» (Junior) относятся к уровням Entry и Junior, а «Старшие» (Senior) — к уровню Associate и выше (подробности см. в Разделе 3.1).

или реализация GenAI в рабочих процессах фирмы — в отличие от общих упоминаний GenAI в объявлениях о вакансиях. (В Дополнительном приложении A.4.1 приведен точный текст использованного промпта). Этот процесс дает 131 845 объявлений, 0,066 процента от всего корпуса, классифицированных как роли интеграторов GenAI. В Дополнительном приложении A.5 представлен графический обзор процедуры, а в Дополнительном приложении A.6 приведены иллюстративные примеры объявлений, классифицированных как интеграторы и не-интеграторы.[13]

3.3.2 Фирмы, внедрившие GenAI

Мы определяем фирму как внедрившую GenAI (adopter), если она разместила хотя бы одну вакансию интегратора GenAI. По этому критерию 10 599 фирм квалифицируются как адаптеры. Хотя они составляют лишь 3,72 процента от 284 974 фирм в нашей выборке, адаптеры непропорционально велики (см.

дескриптивную статистику ниже) и на них приходится 17,3 процента занятости (позиций) в нашем наборе данных.

На Рисунке 2 показаны сроки внедрения GenAI, определяемые как дата размещения каждой фирмой своей первой вакансии интегратора GenAI. До 2023 года внедрение было минимальным и стабильным, примерно 30 новых адаптеров в месяц. Начиная с начала 2023 года — вскоре после запуска ChatGPT — число новых адаптеров резко возросло, достигнув пика в 456 в августе 2023 года. Затем внедрение стабилизировалось на уровне около 400 фирм в месяц до конца 2024 года, после чего снова ускорилось в начале 2025 года, достигнув 574 новых фирм в марте. К концу периода выборки совокупное число адаптеров превысило 10 000.

(a) Поток Рисунок 2: Количество адаптеров с течением времени Примечания: Панель (a) показывает ежемесячное количество фирм, размещающих свою первую вакансию интегратора GenAI, а панель (b) сообщает о совокупном итоге за период с сентября 2021 года по март 2025 года.

(b) Кумулятивно

В Таблице 1 представлены дескриптивные статистические данные для всей выборки, адаптеров и не-адаптеров. Выделяются несколько систематических различий. Фирмы-адаптеры намного крупнее, в среднем более 500 сотрудников (медиана: 82) по сравнению с примерно 100 (медиана: 33) у не-адаптеров. Их рабочая сила более ориентирована на старших сотрудников: младшие составляют лишь 42 процента занятых по сравнению с 55 процентами в фирмах, не внедривших технологию. В соответствии с этой закономерностью адаптеры демонстрируют существенно более высокие объемы найма и увольнений, при этом меньшая доля приходится на младшие позиции. Как и ожидалось, адаптеры также нанимают значительно большую долю работников в профессиях с высокой степенью подверженности воздействию. Кроме того, работники в фирмах-адаптерах с большей вероятностью являются выпускниками более качественных учебных заведений.

В то время как не-адаптеры широко распределены по секторам, адаптеры GenAI сильно сконцентрированы в сфере профессиональных услуг (28 процентов) и информации (24 процента). Географически штаб-квартиры адаптеров непропорционально часто расположены в Калифорнии, при этом они чуть менее представлены в Техасе по сравнению с не-адаптерами (Дополнительное приложение A.7 содержит более подробную информацию о секторальном и географическом распределении адаптеров и не-адаптеров).

В совокупности статистические данные характеризуют адаптеров GenAI как более крупные фирмы, ориентированные на старших сотрудников, с более активным наймом из профессий, подверженных воздействию ИИ, и элитных учебных заведений, а также с большим присутствием в технологически интенсивных секторах и штатах.

4 Результаты

4.1 Динамика занятости по внедрению и стажу

Дескриптивные временные тренды: Мы начинаем со сравнения эволюции занятости младших и старших сотрудников с течением времени в фирмах, внедривших GenAI, и в фирмах, не внедривших его. На Рисунке 3a показана средняя занятость младших сотрудников в двух группах. С 2018 года до конца 2022 года занятость младших сотрудников в фирмах-адаптерах и не-адаптерах следовала почти параллельным траекториям. Однако, начиная с конца 2022 года, тренды резко разошлись: занятость младших сотрудников в фирмах-адаптерах начала заметно снижаться, в то время как занятость в фирмах, не внедривших технологию, оставалась относительно стабильной. Напротив, Рисунок 3b показывает, что с 2018 года занятость старших сотрудников в фирмах-адаптерах и не-адаптерах росла одинаковыми темпами — за исключением кратковременного ускорения в фирмах-адаптерах в 2021 году — без видимого изменения тренда около 2023 года.¹⁴

Разность разностей: Чтобы представить эти дескриптивные закономерности в более формальной структуре, мы оцениваем спецификацию разности разностей (DiD), сравнивая занятость в фирмах-адаптерах и не-адаптерах. В частности, мы оцениваем следующую спецификацию

Таблица 1: Дескриптивная статистика: все фирмы, адаптеры GenAI и не-адаптеры

Примечания: В таблице приведены средние значения (если не указано иное) основных переменных по наблюдениям «фирма-квартал» с 1 кв. 2015 г. по 1 кв. 2025 г. отдельно для всей выборки, адаптеров GenAI и не-адаптеров. Стандартные отклонения (для небинарных переменных) указаны в скобках. Панель A сообщает о составе рабочей силы, таком как найм и увольнения, образование работников и подверженность автоматизации. Панель B сообщает о распределении по отраслям и штатам штаб-квартир.

отдельно для младших и старших работников:

$ \log \left(\text {E m p l o y m e n t} _ {i t}\right) = \alpha + \sum_ {j = 2 0 1 5 Q 2} ^ {2 0 2 5 Q 1} \beta_ {j} \mathbf {1} {t = j } \times \operatorname {A d o p t} _ {i} + \delta_ {t} + \operatorname {A d o p t} _ {i} + \varepsilon_ {i t}, \tag {1} $

где зависимая переменная $\log (\text{Employment}{it})$ обозначает логарифм занятости младших (или старших) работников в фирме $i$ в квартале $t$.¹⁵ Член $\mathbf{1}{t = j}$ является индикаторной функцией, которая равна единице, если $t = j$, и нулю в противном случае, так что коэффициенты $\beta{j}$ фиксируют дифференциальную эволюцию занятости для адаптеров по сравнению с не-адаптерами в каждом периоде $j$. Переменная $\text{Adopt}_i$ — это фиктивная переменная, равная единице для фирм, внедривших GenAI.¹⁶ Фиксированные эффекты времени $\delta_t$ поглощают агрегированные шоки, общие для всех фирм, в то время как $\text{Adopt}i$ контролирует инвариантные во времени различия между адаптерами и не-адаптерами. Ошибка $\varepsilon{it}$ фиксирует ненаблюдаемые идиосинкразические детерминанты занятости.

На Рисунке 3c представлены расчетные коэффициенты $\beta_{j}$. Для младших работников коэффициенты плоские и неотличимы от нуля до 4 кв. 2022 г., что согласуется с параллельными пред-трендами. Начиная с 1 кв. 2023 г., они резко становятся отрицательными, указывая на то, что занятость младших сотрудников в фирмах-адаптерах упала примерно на 9 процентов относительно контрольной группы через шесть кварталов после распространения GenAI. Напротив, коэффициенты для старших работников демонстрируют устойчивую восходящую траекторию на протяжении всей выборки, что позволяет предположить, что фирмы-адаптеры расширяли занятость старших сотрудников сильнее, чем не-адаптеры, в течение последнего десятилетия.

Тройная разность: Чтобы напрямую оценить эффекты «смещения в пользу опытных сотрудников», связанные с внедрением GenAI, мы оцениваем спецификацию тройной разности, которая сравнивает изменения в занятости младших и старших сотрудников внутри фирм-адаптеров по сравнению с не-адаптерами:

$ \begin{array}{l} \log (\mathrm {E m p l o y m e n t} _ {i s t}) = \alpha + \sum_ {j = 2 0 1 5 Q 2} ^ {2 0 2 5 Q 1} \beta_ {j} \mathbf {1} {t = j } \times \mathrm {A d o p t} _ {i} \times \mathrm {J u n i o r} _ {s} \ + \sum_ {j = 2 0 1 5 Q 2} ^ {2 0 2 5 Q 1} \pi_ {j} \mathbf {1} {t = j } \times \operatorname {A d o p t} _ {i} + \sum_ {j = 2 0 1 5 Q 2} ^ {2 0 2 5 Q 1} \rho_ {j} \mathbf {1} {t = j } \times \operatorname {J u n i o r} _ {s} \ + \kappa \left(\operatorname {A d o p t} _ {i} \times \operatorname {J u n i o r} _ {s}\right) + \gamma_ {i t} + \xi_ {p (i) s t} + \varepsilon_ {i s t}. \tag {2} \ \end{array} $

Здесь $\log (\text{Employment}_{ist})$ обозначает логарифм занятости работников в группе стажа $s \in {\text{junior}, \text{senior}}$ в фирме $i$ в периоде $t$. Индикатор $\mathbf{1}{t = j}$ равен единице в периоде $j$ и нулю в противном случае. $\text{Adopt}_i$ — это фиктивная переменная на уровне фирмы, равная единице для фирм, внедривших GenAI, а $\text{Junior}_s$ — индикатор, равный единице для младших сотрудников и нулю для старших. $p(i)$ обозначает сектор (2 знака NAICS) фирмы $i$.

Коэффициенты $\beta_{j}$ прослеживают профиль событийного времени тройной разности: они фиксируют, как занятость младших сотрудников эволюционирует относительно занятости старших сотрудников внутри той же фирмы и периода, сравнивая адаптеров с не-адаптерами. Фиксированные эффекты «фирма-время» $\gamma_{it}$ поглощают любые шоки или траектории, специфичные для данной фирмы в данный период. Фиксированные эффекты «отрасль-стаж-время» $\xi_{p(i)st}$ контролируют широкие секторальные тренды, которые по-разному влияют на младших и старших сотрудников с течением времени, гарантируя, что наши результаты не продиктованы общеотраслевыми сдвигами в занятости младших и старших сотрудников.

На Рисунке 3d представлены расчетные коэффициенты $\beta_{j}$ из Уравнения 2. Оценка начинается с 1 кв. 2018 г. из-за вычислительных ограничений. Коэффициенты остаются практически плоскими до 4 кв. 2022 г., за исключением кратковременного спада в начале 2021 года. Закономерности, показанные на Панелях 3a и 3b, указывают на то, что это временное снижение, вероятно, отражает кратковременное ускорение занятости старших сотрудников среди фирм-адаптеров в 2021 году, а не сокращение занятости младших сотрудников.

Начиная с 1 кв. 2023 г., коэффициенты резко падают, достигая примерно 10-процентного снижения через шесть кварталов. Этот перелом, совпадающий с быстрым распространением GenAI, дает косвенные доказательства того, что внедрение связано с усилением паттернов смещения в пользу опытных сотрудников, сокращая занятость младших сотрудников относительно старших внутри фирм.¹⁷

Коэффициенты $\beta_{j}$ можно интерпретировать как отражающие дифференциальное влияние GenAI

(a) Средняя занятость — Младшие

(b) Средняя занятость — Старшие

(c) Разность разностей

(d) Тройная разность Рисунок 3: Паттерны занятости по внедрению и стажу

Примечания: Панели (a) и (b) показывают среднее число младших и старших работников соответственно в фирмах-адаптерах по сравнению с не-адаптерами (в процентах изменения относительно декабря 2022 года, сразу после запуска ChatGPT). Панель (c) представляет расчетные коэффициенты DiD $\beta_{j}$ из Уравнения 1, рассчитанные отдельно для младших и старших сотрудников. Панель (d) представляет расчетные коэффициенты тройной разности $\beta_{j}$ из Уравнения 2. Показатель внедрения, используемый в этом анализе, инвариантен во времени; следовательно, рисунки просто сравнивают адаптеров и не-адаптеров. Результаты с использованием изменяющегося во времени показателя внедрения см. в Разделе 4.4. Стандартные ошибки кластеризованы на уровне фирмы.

внедрения на занятость младших сотрудников относительно старших, при условии, что — после учета фиксированных эффектов «фирма-время» и «отрасль-стаж-время» — никакие другие факторы с 2023 года систематически не влияли на младших и старших сотрудников по-разному в фирмах-адаптерах и не-адаптерах. Это может вызывать беспокойство из-за потенциальной эндогенности внедрения GenAI. Близкое сходство в динамике занятости младших сотрудников между адаптерами и не-адаптерами с 2015 по 2022 год помогает снять это беспокойство, подтверждая правдоподобность параллельных пред-трендов. Мы приводим дополнительные аргументы в пользу нашей интерпретации с помощью анализа по профессиональной подверженности (Раздел 4.2) и ступенчатого событийного анализа (Раздел 4.4). В Разделе 4.5 дополнительно обсуждаются возможные силы, которые могли бы оспорить эту интерпретацию, и то, как мы их учитываем.

Сроки снижения занятости младших сотрудников: Раннее и выраженное снижение коэффициентов DiD и тройной разности — начинающееся в 1 кв. 2023 г., вскоре после выпуска GPT-3.5 — может показаться неожиданно резким, учитывая, что эффекты автоматизации обычно разворачиваются более постепенно. Одно из правдоподобных объяснений заключается в том, что быстрое распространение инструментов GenAI в конце 2022 года стало дискретным шоком для ожиданий фирм относительно будущей автоматизации. В ответ фирмы могли провести упреждающую корректировку, сократив найм на младшие роли, которые, по их прогнозам, будут автоматизированы в ближайшем будущем. Такие превентивные корректировки могут быть оптимальными для фирм, если они рассматривают замедление найма как менее затратное, чем будущие увольнения.¹⁸ Дополнительное приложение A.1 формализует этот механизм в простой динамической модели, в которой ожидания будущей автоматизации в сочетании с издержками на корректировку рабочей силы заставляют фирмы сокращать найм уже сегодня.

Можно все же задаться вопросом, были ли фирмы достаточно осведомлены об инструментах GenAI к началу 2023 года, чтобы такие сдвиги в ожиданиях произошли. Однако резкий всплеск внедрения с 1 кв. 2023 г. — как показано на Рисунке 2 и задокументировано в таких исследованиях, как Bick et al. (2024) — предполагает, что поведение фирм изменилось почти сразу после выпуска ChatGPT. В соответствии с этим Рисунок 4 показывает, что упоминания «ИИ» в отчетах о доходах фирм начали резко расти уже в 4 кв. 2022 г., утроившись к 2 кв. 2023 г. Наконец, Дополнительное приложение A.9 обобщает анекдотические свидетельства, указывающие на то, что несколько известных американских компаний публично скорректировали свою практику найма и внутренние рабочие процессы в начале 2023 года, прямо объясняя эти изменения внедрением или ожидаемым воздействием GenAI.

Рисунок 4: Упоминания «ИИ» в отчетах о доходах Примечания: Воспроизведено из Sherwood News (2024) с использованием данных из стенограмм отчетов о доходах FactSet CallStreet FactSet Research Systems Inc. (2025).

4.2 Какие младшие должности сокращаются больше всего среди адаптеров

В предыдущем разделе было показано, что внедрение GenAI связано со снижением занятости младших сотрудников. Теперь мы исследуем, варьируется ли этот эффект в зависимости от типа младших должностей. В частности, мы заново оцениваем спецификацию DiD (Уравнение 1) отдельно для младших позиций с высокой и низкой степенью подверженности воздействию GenAI.¹⁹ На Рисунке 5 представлены результаты. Для профессий с высокой степенью подверженности расчетные коэффициенты постепенно растут с 2015 по 2019 год, а затем остаются в целом стабильными с 2020 до конца 2022 года. Однако, начиная с 4 кв. 2022 г., этот тренд резко меняется на противоположный: занятость младших сотрудников в профессиях с высокой степенью подверженности в фирмах-адаптерах значительно снижается по сравнению с не-адаптерами. Напротив, коэффициенты для младших профессий с низкой степенью подверженности постепенно снижаются в период с 2015 по 2019 год, а затем остаются стабильными до начала 2025 года без заметного перелома в конце 2022 года.

В совокупности эти результаты дают два вывода. Во-первых, снижение занятости младших сотрудников после 2022 года среди фирм-адаптеров сосредоточено в профессиях с высокой степенью подверженности,

Рисунок 5: Оценки DiD для профессий с высокой и низкой степенью подверженности (Младшие) Примечания: На этом рисунке представлены отдельные оценки разности разностей ($\beta_{j}$ из Уравнения 1) для младших сотрудников в профессиях с высокой и низкой степенью подверженности. Подробности о показателе подверженности приведены в Разделе 3.1. Стандартные ошибки кластеризованы на уровне фирмы.

а не отражает общее сокращение занятости младших сотрудников в этих фирмах. Во-вторых, такая модель помогает исключить чисто композиционное объяснение — а именно, что профессии с высокой степенью подверженности сократились во всей экономике после 2023 года, а фирмы-адаптеры просто нанимали большую долю таких сотрудников. Оценивая DiD отдельно по категориям подверженности, мы сравниваем подобное с подобным — занятость младших сотрудников в фирмах-адаптерах и не-адаптерах внутри профессий с одинаковым уровнем подверженности. Таким образом, наблюдаемое после 2022 года снижение в группе с высокой степенью подверженности отражает сокращение внутри аналогично подверженных профессий у адаптеров по сравнению с не-адаптерами.

4.3 Неоднородность по уровню образования

Далее мы исследуем, варьируется ли снижение занятости младших сотрудников в зависимости от уровня образования работников. Мы измеряем уровень образования, используя престижность учебного заведения, которое младшие сотрудники окончили перед началом работы (подробности о переменной качества учебного заведения см. в Разделе 3.1). Затем мы заново оцениваем Уравнение 1 для найма младших сотрудников

отдельно в каждом из пяти уровней качества учебных заведений. Для наглядности представления мы используем единый индикатор после внедрения для кварталов после 1 кв. 2023 г. вместо полного набора временных фиктивных переменных (полный временной ряд приведен в Дополнительном приложении A.11).

Результаты, показанные на Рисунке 6, выявляют U-образную закономерность. Младшие сотрудники из университетов 2-го и 3-го уровней столкнулись с наиболее резким относительным снижением занятости, в то время как выпускники 1-го и 4-го уровней также столкнулись с сокращением, но меньшего масштаба. Младшие сотрудники из университетов 5-го уровня столкнулись с наименьшим снижением, которое статистически не отличается от нуля.

Рисунок 6: Неоднородность по качеству учебного заведения Примечания: Каждый столбец сообщает расчетный коэффициент после повторной оценки Уравнения 1 для найма младших сотрудников отдельно в каждом из пяти уровней качества учебных заведений. Спецификация заменяет временные фиктивные переменные единым индикатором после внедрения для кварталов после 1 кв. 2023 г. Полные результаты событийного анализа приведены в Дополнительном приложении A.11. Оценка начинается с 2018 года, чтобы исключить тренды начала выборки. Стандартные ошибки кластеризованы на уровне фирмы.

Дополнительное приложение A.12 показывает средние прогнозируемые зарплаты $^{20}$ и уровни подверженности воздействию GenAI для младших позиций по уровням качества учебных заведений. Как и ожидалось, существует монотонная положительная связь между зарплатами младших сотрудников и престижностью их альма-матер. Интересно, что подверженность воздействию GenAI также монотонно растет вместе с качеством учебного заведения. Эта закономерность может частично объяснить ослабление снижения от 3-го к 5-му уровню, но

она не помогает объяснить увеличение масштаба эффекта от 1-го к 3-му уровню.

4.4 Ступенчатый событийный анализ занятости младших сотрудников вокруг внедрения

Мы дополняем анализы DiD и тройной разности ступенчатым событийным анализом, который отслеживает динамику занятости младших сотрудников вокруг момента внедрения GenAI, прокси-переменной для которого служит первый период, в котором фирма размещает вакансию интегратора GenAI. Эта модель помогает отличить эффекты внедрения от более широких временных шоков, используя вариации в сроках внедрения в разных фирмах. Однако она чувствительна к ошибкам измерения прокси-переменной внедрения — например, если фирмы начинают использовать GenAI до размещения вакансии интегратора или только через несколько периодов после этого. В частности, мы оцениваем:

$ \log (\text {J u n i o r E m p l o y m e n t} _ {i t}) = \alpha + \sum_ {j = 2} ^ {J} \beta_ {j} (\operatorname {L a g} _ {j}) _ {i t} + \sum_ {k = 1} ^ {K} \gamma_ {k} (\operatorname {L e a d} _ {k}) _ {i t} + \mu_ {i} + \lambda_ {t} + \varepsilon_ {i t}, \tag {3} $

где $\log (\text{JuniorEmployment}{it})$ обозначает логарифм числа младших работников в фирме $i$ в момент времени $t$; $(\text{Lag}j){it}$ — индикатор, равный единице, если текущий период $t$ наступает за $j$ периодов до внедрения; а $(\text{Lead}k){it}$ определяется аналогично для периодов после внедрения. $\mu_i$ и $\lambda_t$ — фиксированные эффекты фирмы и времени, а $\varepsilon{it}$ — ошибка.

На Рисунке 7 представлены результаты. Коэффициенты остаются плоскими в период до внедрения, что подтверждает справедливость предположения о параллельных трендах. Примерно через два квартала после внедрения занятость начинает снижаться, достигая 8-процентного сокращения через восемь кварталов. Отсутствие значимых пред-трендов дает дополнительную уверенность в том, что это снижение после внедрения не вызвано сопутствующими шоками.

4.5 Рассмотрение проблем эндогенности

В этом разделе рассматриваются потенциальные проблемы эндогенности, которые могли бы исказить нашу интерпретацию расчетных эффектов внедрения GenAI на занятость младших сотрудников. Мы обсуждаем шоки как со стороны спроса, так и со стороны предложения, которые могут совпадать с распространением GenAI, и объясняем, как наша эмпирическая модель смягчает эти риски.

Рисунок 7: Событийный анализ Примечания: На графике представлены расчетные коэффициенты $\beta_{j}$ из Уравнения 3 с использованием метода Callaway and Sant’Anna (2021) для ступенчатого внедрения. Фирмы с нулевой зарегистрированной занятостью в 1 кв. 2021 г. — за восемь кварталов до распространения GenAI — исключены (2,3 процента фирм). Стандартные ошибки кластеризованы на уровне фирмы.

4.5.1 Сопутствующие шоки спроса на труд

Ключевое опасение заключается в том, что другие одновременные шоки могли непропорционально сильно повлиять на спрос на труд младших работников в фирмах, внедривших GenAI, по сравнению с не-адаптерами. Мы фокусируемся на двух часто обсуждаемых шоках. Первое опасение заключается в том, что адаптеры GenAI могут быть более чувствительны к циклам денежно-кредитной политики и, таким образом, могли сильнее отреагировать на повышение процентных ставок в 2022–2023 годах. Однако несколько доказательств свидетельствуют о том, что этот механизм не определяет наши выводы. Во-первых, если бы шоки денежно-кредитной политики сыграли роль, мы бы ожидали увидеть эффекты в коэффициентах пред-тренда на Рисунке 7, однако их нет. Во-вторых, даже если изменения процентных ставок непропорционально затронули отрасли, где сконцентрированы адаптеры, или оказали более сильное влияние на младшие роли, эта динамика

должна поглощаться фиксированными эффектами «отрасль-стаж-время» в оценках тройной разности в Разделе 4.1. В-третьих, в результатах разности разностей в этом разделе наши пред-тренды охватывают период до 2015 года, включая цикл ужесточения 2015–2018 годов. Как показывает Дополнительное приложение A.13, кредитные и финансовые условия в тот период существенно ужесточились, однако Рисунок 3c не выявляет относительного снижения занятости младших сотрудников среди адаптеров. Наконец, поскольку внедрение положительно коррелирует с размером фирмы (Раздел 3.3.2), а более крупные фирмы, как правило, менее чувствительны к шокам денежно-кредитной политики (см. Chodorow-Reich, 2014; Gertler and Gilchrist, 1994), маловероятно, что дифференциальная подверженность изменениям процентных ставок объясняет наши результаты.

Дополнительным потенциальным искажающим фактором является бум найма в технологическом секторе после COVID (U.S. Bureau of Labor Statistics, 2025). Если за этим бумом последовала коррекция, она могла непропорционально затронуть адаптеров GenAI, которые более широко представлены в секторе «Информация» (Раздел 3.3). Однако эта динамика также, вероятно, поглощается фиксированными эффектами «отрасль-стаж-время». Более того, если бы наши результаты определялись динамикой бума и спада, мы бы ожидали наблюдать относительный рост занятости младших сотрудников среди адаптеров до внедрения GenAI, чего мы не видим (см. Рисунки 3 и 7).

4.5.2 Шоки предложения труда и обратная причинно-следственная связь

Другое опасение связано с обратной причинно-следственной связью — а именно, что фирмы, внедряющие GenAI, непропорционально сильно пострадали от негативных шоков предложения младшей рабочей силы, что и подтолкнуло их к внедрению. Чтобы оценить эту возможность, мы исследуем более прямой показатель спроса на труд: объявления о вакансиях. В частности, мы заново оцениваем Уравнение 1, используя количество объявлений о вакансиях в качестве зависимой переменной вместо занятости. Поскольку данные об объявлениях о вакансиях не включают информацию о стаже, этот анализ фиксирует общий спрос на работников, а не его распределение по стажу. Кроме того, данные об объявлениях о вакансиях начинаются только с 4 кв. 2021 г.

На Рисунке 8 представлены результаты. Начиная с 1 кв. 2023 г., количество объявлений о вакансиях значительно сократилось в фирмах-адаптерах по сравнению с не-адаптерами. Этот вывод дает косвенные доказательства того, что наблюдаемое снижение занятости младших сотрудников отражает сокращение спроса на труд, а не шок, вызванный предложением.

Рисунок 8: DiD — Объявления о вакансиях Примечания: На этом рисунке представлены оценки разности разностей ($\beta_{j}$ из Уравнения 1) для ежеквартального количества объявлений о вакансиях. Оценки нормализованы так, чтобы представлять процентные изменения относительно среднего количества объявлений фирмы до 2022 года. Стандартные ошибки кластеризованы на уровне фирмы.

4.6 Разложение снижения занятости младших сотрудников на потоки

Снижение занятости младших сотрудников в фирмах-адаптерах может происходить по трем каналам: (i) сокращение найма, (ii) увеличение числа увольнений или (iii) увеличение числа повышений на старшие должности. Наши данные резюме на базе LinkedIn можно рассматривать как подробный сопоставленный набор данных о работодателях и работниках, позволяющий нам отслеживать эти потоки работников с течением времени. В частности, мы оцениваем отдельные регрессии DiD следующего вида:

$ y _ {i t} = \alpha + \beta \left(\operatorname {A d o p t} _ {i} \times \operatorname {P o s t} _ {t}\right) + \delta_ {t} + \gamma_ {i} + \xi_ {p t} + \varepsilon_ {i t}, \tag {4} $

где $y_{it}$ обозначает количество новых сотрудников, количество увольнений, вероятность повы-

шения $^{21}$ или чистые изменения числа младших сотрудников в фирме $i$ в квартале $t$. $\gamma_{i}$ обозначает фиксированные эффекты фирмы, $\delta_{t}$ — фиксированные эффекты времени, а $\xi_{pt}$ — фиксированные эффекты «отрасль-время».

В Таблице 2 представлены расчетные значения $\beta$ из Уравнения 4. Результаты показывают, что резкое сокращение занятости младших сотрудников среди адаптеров вызвано замедлением найма, а не увеличением числа уходов или повышений. В частности, коэффициент при $Hiring$ (Найм) подразумевает, что по сравнению с не-адаптерами фирмы, внедрившие GenAI, нанимали в среднем на 5,0 меньше младших работников в квартал после 1 кв. 2023 г. Темпы увольнения младших сотрудников также снизились среди адаптеров, хотя масштаб этого сокращения меньше, чем у найма, что привело к отрицательному эффекту чистого найма.²² Относительное количество повышений младших сотрудников после 1 кв. 2023 г. осталось неизменным. Приложение A.15 исследует секторальную неоднородность в снижении найма младших сотрудников, показывая, что сокращение носит широкомасштабный характер по отраслям и не вызвано непропорционально каким-либо одним сектором.

Таблица 2: Найм, увольнения, повышения и чистое изменение занятости

Примечания: В этой таблице представлены расчетные значения $\beta$ из Уравнения 4. Оценка начинается с 2018 года, чтобы исключить тренды начала выборки. Стандартные ошибки, кластеризованные по фирмам, указаны в скобках. $^{}p < 0.10,^{}p < 0.05,^{}p < 0.01.$

5 Заключение

Данная работа предоставляет ранние крупномасштабные доказательства того, что распространение GenAI с 2023 года связано с эффектами занятости внутри фирм, смещенными в пользу опытных сотрудников. Используя данные резюме и объявлений о вакансиях, связанные с почти 285 000 американских фирм, вместе с прямым показателем внедрения, основанным на вакансиях «интеграторов GenAI», мы документируем, что внедрение GenAI сов-

падает с выраженным снижением занятости младших сотрудников, в то время как занятость старших сотрудников остается неизменной. Оценки разности разностей, тройной разности и ступенчатого событийного анализа последовательно указывают на эту закономерность. Снижение занятости младших сотрудников сосредоточено в профессиях, высоко подверженных воздействию GenAI, при этом в профессиях с низкой подверженностью сопоставимых изменений не наблюдается. Более того, неоднородность по уровню образования выявляет U-образную закономерность в реакции занятости: младшие сотрудники из университетов среднего уровня столкнулись с наибольшим относительным снижением после внедрения GenAI, в то время как выпускники наиболее и наименее престижных учебных заведений столкнулись с меньшим сокращением. Наконец, разложение потоков занятости показывает, что этот эффект проистекает в первую очередь из замедления найма, а не из увеличения числа уходов или повышений.

К этим выводам следует относиться с осторожностью. Фирмы-адаптеры систематически различаются по размеру, составу рабочей силы и отрасли. Хотя наши модели учитывают многие наблюдаемые и ненаблюдаемые различия по факту внедрения, ненаблюдаемые искажающие факторы могут сохраняться. Кроме того, наш показатель внедрения, основанный на объявлениях интеграторов, фиксирует преднамеренное организационное освоение, но может упускать неформальное или «тихое» внедрение внутри фирм. Более того, анализ охватывает относительно короткий период (2023–2025 гг.); долгосрочные корректировки в обучении, распределении задач и внутренних карьерных лестницах могут либо ослабить, либо усилить эти первоначальные эффекты.

Даже с учетом этих оговорок данные свидетельствуют о том, что внедрение GenAI может смещать работу в сторону от задач начального уровня, потенциально сужая нижние ступени внутренних карьерных лестниц. Поскольку работа в начале карьеры играет центральную роль в развитии навыков и росте заработной платы в течение всей жизни, такие сдвиги могут иметь долгосрочные последствия для неравенства и мобильности. Эти паттерны ставят несколько важных вопросов для будущих исследований. Понимание того, сохранятся ли наблюдаемые корректировки и как фирмы и работники адаптируются через обучение, дизайн задач или развитие карьеры, остается открытой и важной областью для дальнейшего изучения.

Список литературы

Acemoglu, D. and Autor, D. (2011). Skills, Tasks and Technologies: Implications for Employment and Earnings. In Handbook of Labor Economics, volume 4, pages 1043-1171. Elsevier.

Acemoglu, D., Autor, D., Hazell, J., and Restrepo, P. (2022). Artificial Intelligence and Jobs: Evidence from Online Vacancies. Journal of Labor Economics, 40(S1):S293-S340.
Acemoglu, D. and Restrepo, P. (2019). Automation and New Tasks: How Technology Displaces and Reinstates Labor. Journal of Economic Perspectives, 33(2):3-30.
Acemoglu, D. and Restrepo, P. (2020). Robots and Jobs: Evidence from U.S. Labor Markets. Journal of Political Economy, 128(6):2188-2244.
Acemoglu, D. and Restrepo, P. (2022). Tasks, Automation, and the Rise in US Wage Inequality. Econometrica, 90(5):1973-2016.
Autor, D. (2024). Applying AI to Rebuild Middle Class Jobs. Technical report, National Bureau of Economic Research.
Autor, D., Levy, F., and Murnane, R. J. (2003). The Skill Content of Recent Technological Change: An Empirical Exploration. The Quarterly Journal of Economics, 118(4):1279-1333.
Autor, D. H. and Dorn, D. (2013). The Growth of Low-Skill Service Jobs and the Polarization of the U.S. Labor Market. American Economic Review, 103(5):1553-1597.
Babina, T., Fedyk, A., He, A., and Hodson, J. (2024). Artificial Intelligence, Firm Growth, and Product Innovation. Journal of Financial Economics, 151:103745.
Becker, G. (1966). Human Capital: A Theoretical and Empirical Analysis, with Special Reference to Education the Residual Factor and Economic Growth Econometric Models of Education.
Bick, A., Blandin, A., and Deming, D. J. (2024). The rapid adoption of generative AI. Technical report, National Bureau of Economic Research.
Brave, Scott A. and Butters, R. Andrew (2012). Diagnosing the Financial System: Financial Conditions and Financial Stress. International Journal of Central Banking, 8(2):191-239.
Brynjolfsson, E., Chandar, B., and Chen, R. (2025a). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Working paper. Latest version available at https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-min/.

Brynolfsson, E., Li, D., and Raymond, L. (2025b). Generative AI at Work. The Quarterly Journal of Economics, page qjae044.
Callaway, B. and Sant’Anna, P. H. C. (2021). Difference-in-Differences with Multiple Time Periods. Journal of Econometrics, 225(2):200-230.
Chandar, B. (2025). Tracking Employment Changes in AI-Exposed Jobs. Available at SSRN 5384519.
Chen, F. and Stratton, J. (2025). Generative AI and Organizational Structure. Unpublished manuscript.
Chodorow-Reich, G. (2014). The Employment Effects of Credit Market Disruptions: Firm-Level Evidence from the 2008-09 Financial Crisis. Quarterly Journal of Economics, 129(1):1-59.
Cui, Z., Demirer, M., Jaffe, S., Musolf, L., Peng, S., and Salz, T. (2025). The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers. Available at SSRN. https://ssrn.com/abstract=4945566 or http://dx.doi.org/10.2139/ssrn.4945566.
Dell’Acqua, F., Ayoubi, C., Lifshitz, H., Sadun, R., Mollick, E., Mollick, L., Han, Y., Goldman, J., Nair, H., Taub, S., et al. (2025). The Cybernetic Teammate: A Field Experiment on Generative AI Reshaping Teamwork and Expertise. Technical report, National Bureau of Economic Research.
Dell’Acqua, F., McFowland III, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., and Lakhani, K. R. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Harvard Business School Technology & Operations Management Unit Working Paper, (24-013).
Deming, D. J. (2023). Why Do Wages Grow Faster for Educated Workers? Technical report, National Bureau of Economic Research.
Dominski, J. and Lee, Y. S. (2025). Advancing AI Capabilities and Evolving Labor Outcomes. arXiv Preprint arXiv:2507.08244.

Eckhardt, S. and Goldschlag, N. (2025). AI and Jobs: The Final Word (Until the Next One). Economic Innovation Group. Accessed 2025-08-30.
Eloundou, T., Manning, S., Mishkin, P., and Rock, D. (2024). GPTs Are GPTs: Labor Market Impact Potential of LLMs. Science, 384(6702):1306-1308.
FactSet Research Systems Inc. (2025). Events and transcripts (callstreet). Earnings-call transcripts and events data (CallStreet).
Federal Reserve Bank of Chicago (2023). National Financial Conditions Index: Frequently Asked Questions. https://www.chicagofed.org/research/data/nfci/about. Accessed October 2025.
Federal Reserve Board (2025). Transcript of Chair Powell’s Press Conference. https:// www.federalreserve.gov/mediacenter/files/FOMCpresconf20250917.pdf. Federal Open Market Committee Press Conference Transcript.
Financial Times (2025). Is AI Killing Graduate Jobs? https://www.ft.com/content/996b6acb7-a079-4f57-a7bd-8317c1fbb728?shareType=nongift. By Clara Murray, Delphine Strauss, John Burn-Murdoch, and Sarah Lim. Published July 24, 2025.
Forbes (2025). As AI Reduces New Grad Hiring, Apprenticeships Will Become Essential. Accessed: 2025-09-25.
Garicano, L. (2000). Hierarchies and the Organization of Knowledge in Production. Journal of Political Economy, 108(5):874-904.
Garicano, L. and Rayo, L. (2025). Training in the Age of AI: A Theory of Apprenticeship Viability. CEPR Discussion Paper DP20634, Centre for Economic Policy Research.
Gertler, M. and Gilchrist, S. (1994). Monetary Policy, Business Cycles, and the Behavior of Small Manufacturing Firms. Quarterly Journal of Economics, 109(2):309-340.
Gilchrist, S. and Zakrajšek, E. (2012). Credit Spreads and Business Cycle Fluctuations. American Economic Review, 102(4):1692-1720.
Guvenen, F., Kaplan, G., Song, J., and Weidner, J. (2022). Lifetime Earnings in the United States over Six Decades. American Economic Journal: Applied Economics, 14(4):446-479.

Hampole, M., Papanikolaou, D., Schmidt, L. D., and Seegmiller, B. (2025). Artificial Intelligence and the Labor Market. Technical report, National Bureau of Economic Research.
Hatzius, J., Hooper, P., Mishkin, F. S., Schoenholtz, K. L., and Watson, M. W. (2010). Financial Conditions Indexes: A Fresh Look after the Financial Crisis. NBER Working Paper No. 16150.
Houston, D. (2023). A message from our CEO. Dropbox Blog. Accessed 2025-10-29.
Humlum, A. and Vestergaard, E. (2025). Large Language Models, Small Labor Market Effects. Technical report, National Bureau of Economic Research.
Ide, E. and Talamas, E. (2025). Artificial Intelligence in the Knowledge Economy. Journal of Political Economy. Forthcoming.
Intelligent (2024). 8 in 10 Companies Plan to Layoff Recent College Grads This Year Due to AI. https://www.intelligent.com/8-in-10-companies-plan-to-layoff-recent-college-grads-this-year-due-to-ai/. Survey of 804 U.S. hiring managers conducted via Pollfish, April 2024.
Katz, L. F. and Murphy, K. M. (1992). Changes in Relative Wages, 1963-1987: Supply and Demand Factors. The Quarterly Journal of Economics, 107(1):35-78.
Medical Design & Development Staff (2023). Nuance, Microsoft Develop AI-Automated Clinical Documentation Application. Accessed 2025-10-30.
Mia Sato (2023). CNET is Doing Big Layoffs Just Weeks After AI-generated Stories Came to Light. Accessed 2025-10-30.
Moll, B. and Hanney, O. (2025). The ‘Missing Intercept’ Problem with Going from Micro to Macro. https://voxdev.org/topic/methods-measurement/missing-intercept-problem-going-micro-macro.VoxDev. Accessed: 2025-09-28.
Morgan Stanley (2023). Morgan Stanley Wealth Management Announces Key Milestone in Innovation Journey with OpenAI. Press Release. Accessed 2025-10-29.
Murray, C., Strauss, D., Burn-Murdoch, J., and Lim, S. (2025). Is AI Killing Graduate Jobs? Financial Times. Accessed via https://www.ft.com/content/99b6acb7-a079-4f57-a7bd8317c1fbbb728.

Noy, S. and Zhang, W. (2023). Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. Science, 381(6654):187-192.
Reuters (2023a). IBM to pause hiring as it plans to replace 7,800 jobs with AI. Reuters. Accessed 2025-10-29.
Reuters (2023b). Meta creates Top-Level Team to Focus on AI. Reuters. Accessed 2025-10-29.
Reuters (2023c). Meta to Cut 10,000 Jobs, Eliminate 5,000 Open Roles in Efficiency Push. Reuters. Accessed 2025-10-29.
Revelio Labs (2025). Revelio Labs Workforce Data. Accessed via Wharton Research Data Services (WRDS).
Sherwood News (2024). Companies are talking about ai considerably less than before. Article discussing trends in AI mentions; cites FactSet CallStreet transcripts.
Simon, L. K. (2025). Is AI Responsible for the Rise in Entry-Level Unemployment? https://www.reveliolabs.com/news/macro/is-ai-responsible-for-the-rise-in-entry-level-unemployment/. Revelio Labs, Macro Section.
The Atlantic (2025). Something Alarming Is Happening to the Job Market. https://www.theatlantic.com/economy/archive/2025/04/job-market-youth/682641/. By Derek Thompson. Published in The Atlantic, April 2025.
The New York Times (2025a). For Some Recent Graduates, the A.I. Job Apocalypse May Already Be Here. https://www.nytimes.com/2025/05/30/technology/ai-jobs-college-graduates.html. By Kevin Roose. Published May 30, 2025. Appeared in print as “Foot in Door? Not with A.I. Doing the Job.”
The New York Times (2025b). LinkedIn Executive: A.I. Is Coming for Entry-Level Jobs. Accessed: 2025-06-20.
The Wall Street Journal (2025a). AI Is Wrecking an Already Fragile Job Market for College Graduates. The Wall Street Journal. Accessed September 25, 2025.

The Wall Street Journal (2025b). The ‘Great Hesitation’ That’s Making It Harder to Get a Tech Job. Accessed: 2025-06-20.
The Wendy’s Company (2023). Wendy’s Taps Google Cloud to Revolutionize the Drive-Thru Experience with Artificial Intelligence. PR Newswire. Accessed 2025-10-29.
TMCnet (2023). Presto and CKE Restaurants Announce Drive-Thru Voice AI Automation Partnership. Press release via TMCnet, accessed 2025-10-30.
U.S. Bureau of Labor Statistics (2025). All Employees, Information [CEU5000000001]. Retrieved from FRED, Federal Reserve Bank of St. Louis. https://fred.stlouisfed.org/series/CEU5000000001.
Wolf, C. K. (2023). The Missing Intercept: A Demand Equivalence Approach. American Economic Review, 113(8):2232–2269.

A. Дополнительное приложение

A.1 Теоретическая база: Автоматизация завтра, сокращение найма сегодня

В этом разделе разрабатывается лаконичная структура, в которой ожидания будущего роста производительности за счет экономии труда подавляют текущий найм, когда издержки на корректировку занятости высоки. Сначала мы представляем двухпериодную модель, которая дает явный «клин увольнения» (firing wedge) в условии найма в периоде 0. Затем мы встраиваем тот же механизм в структуру производства на основе задач в духе Acemoglu and Restrepo (2019).

A.1.1 Базовая двухпериодная модель

Время $t \in {0,1}$. Репрезентативная фирма выбирает уровень занятости $n_t$ в каждом периоде и производит продукцию с вогнутой возрастающей производственной функцией $f(\cdot)$; заработная плата на одного работника $w_t$ экзогенна. Фирма дисконтирует с коэффициентом $\beta \in (0,1]$ и сталкивается с издержками найма на единицу продукции $c_h \geq 0$ в $t = 0$. Сокращение занятости влечет за собой издержки на увольнение $\phi > 0$ на каждого уволенного работника, так что $\Phi = \phi(n_0 - n_1)_+$. Пусть $A_t > 0$ обозначает производительность в периоде $t$. Ожидаемый прогресс в экономии труда в периоде 1 фиксируется более высоким $A_1$, что снижает количество труда, необходимое на единицу продукции.

Цель фирмы:

$ \max _ {n _ {0}, n _ {1}} \Pi = A _ {0} f (n _ {0}) - (w _ {0} + c _ {h}) n _ {0} + \beta \mathbb {E} _ {0} \big [ A _ {1} f (n _ {1}) - w _ {1} n _ {1} - \phi (n _ {0} - n _ {1}) _ {+} \big ]. \qquad (5) $

В периоде 1, при условии $n_0$, условие первого порядка (FOC) приравнивает предельный продукт труда (MPL) к эффективным предельным издержкам:

$ A _ {1} f ^ {\prime} (n _ {1}) = \left{ \begin{array}{l l} w _ {1}, & \mathrm {i f} n _ {1} \geq n _ {0} (\mathrm {n o f i r i n g}), \ w _ {1} - \phi , & \mathrm {i f} n _ {1} < n _ {0} (\mathrm {f i r i n g}). \end{array} \right. $

В периоде 0 решение о найме учитывает, что повышение $n_0$ сегодня может спровоцировать увольнение зав-

тра. FOC имеет вид:

$ A _ {0} f ^ {\prime} \left(n _ {0}\right) = \left{ \begin{array}{l l} w _ {0} + c _ {h}, & \text {i f n o f i r i n g i s e x p e c t e d ,} \ w _ {0} + c _ {h} + \beta \phi , & \text {i f f i r i n g i s a n t i c i p a t e d ,} \end{array} \right. \tag {6} $

таким образом, ожидания увольнений добавляют клин увольнения $\beta \phi$ к эффективным предельным издержкам труда при $t = 0$, снижая оптимальное $n_0$.

Сравнительная статика в закрытой форме (Кобб-Дуглас). При $f(n) = n^{\alpha}$ и $0 < \alpha < 1$ выбор в периоде 0 в режиме сокращения (ожидаемого увольнения) удовлетворяет условию:

$ n _ {0} ^ {C} = \left(\frac {\alpha A _ {0}}{w _ {0} + c _ {h} + \beta \phi}\right) ^ {\frac {1}{1 - \alpha}}. \tag {7} $

При $t = 1$ выбор в области увольнения решается как:

$ n _ {1} ^ {-} = \left(\frac {\alpha A _ {1}}{w _ {1} - \phi}\right) ^ {\frac {1}{1 - \alpha}} \quad (\text {a s s u m i n g} w _ {1} > \phi). \tag {8} $

Режим сокращения актуален всякий раз, когда:

$ \frac {A _ {1}}{w _ {1} - \phi} \leq \frac {A _ {0}}{w _ {0} + c _ {h} + \beta \phi}. \tag {9} $

Дифференцирование (7) дает:

$ \frac {\partial n _ {0} ^ {C}}{\partial \phi} = - \frac {\beta}{1 - \alpha} \cdot \frac {n _ {0} ^ {C}}{w _ {0} + c _ {h} + \beta \phi} < 0, \tag {10} $

что фиксирует опционную стоимость сдержанности: меньший найм сегодня смягчает ожидаемые издержки на увольнение завтра.

A.1.2 Встраивание механизма в модель на основе задач

Чтобы связать это с каноническими теориями замещения задач, предположим, что производство в каждом периоде требует единичной меры задач $z \in [0,1]$. Задачи $z < I_t$ автоматизированы (выполняются капиталом), а $z \geq I_t$ выполняются трудом; запишем $\Gamma_t \equiv 1 - I_t$ для доли труда в задачах.

Выпуск объединяет задачи, выполняемые капиталом и трудом, с эластичностью CES $\sigma > 1$:

$ Y _ {t} = A _ {t} \left[ \Gamma_ {t} ^ {1 / \sigma} n _ {t} ^ {(\sigma - 1) / \sigma} + (1 - \Gamma_ {t}) ^ {1 / \sigma} \left(A ^ {K} K\right) ^ {(\sigma - 1) / \sigma} \right] ^ {\sigma / (\sigma - 1)}, \tag {11} $

где капитал $K$ фиксирован, а константы поглощены $\Omega_{t}$ ниже для упрощения обозначений. MPL, подразумеваемый (11), равен:

$ \frac {\partial Y _ {t}}{\partial n _ {t}} = A _ {t} \left[ \Gamma_ {t} ^ {1 / \sigma} n _ {t} ^ {(\sigma - 1) / \sigma} + \Omega_ {t} \right] ^ {1 / (\sigma - 1)} \Gamma_ {t} ^ {1 / \sigma} n _ {t} ^ {- 1 / \sigma}. \tag {12} $

Теперь фирма максимизирует (5), заменив $A_{t}f(n_{t})$ на $Y_{t}$. Условия оптимальности принимают точно такую же форму, как и в базовом варианте:

$ \frac {\partial Y _ {1}}{\partial n _ {1}} = \left{ \begin{array}{l l} w _ {1}, & n _ {1} \geq n _ {0}, \ w _ {1} - \phi , & n _ {1} < n _ {0}, \end{array} \right. \quad \frac {\partial Y _ {0}}{\partial n _ {0}} = \left{ \begin{array}{l l} w _ {0} + c _ {h}, & \text {n o f i r i n g e x p e c t e d}, \ w _ {0} + c _ {h} + \beta \phi , & \text {f i r i n g a n t i c i p a t e d}. \end{array} \right. \tag {13} $

Последствия. Текущая автоматизация снижает $\Gamma_0$ и, следовательно, MPL труда, уменьшая $n_0$. Ожидаемая будущая автоматизация (более высокое $I_{1}$ и более низкое $\Gamma_{1}$) делает увольнения более вероятными при $t = 1$. Когда фирма ожидает оказаться в режиме увольнения завтра, условие периода 0 (13) содержит тот же клин увольнения $\beta \phi$, который подавляет текущий найм. Большие издержки на увольнение $\phi$ усиливают этот эффект. Следовательно, в равновесии $n_0^C < n_0^E$ (где $E$ обозначает режим без увольнений), $\partial n_0 / \partial I_0 < 0$ и $\partial n_0 / \partial (\mathbb{E}_0 I_1) < 0$.

В обеих формулировках ключевой силой является межвременная связь, создаваемая выпуклой корректировкой в сторону уменьшения: возможность выплаты $\phi$ завтра повышает эффективные предельные издержки найма на $\beta \phi$ сегодня. Таким образом, ожидания прогресса в экономии труда сокращают текущую занятость еще до того, как автоматизация будет реализована.

A.2 Проверка переменной стажа

Чтобы подтвердить переменную стажа, предоставленную Revelio Labs, мы провели подробный анализ ключевых слов в названиях должностей, связанных с работниками разных уровней стажа. Основная цель этого упражнения двояка: (i) убедиться, что названия, присвоенные младшим и старшим работникам, соответствуют интуитивным ожиданиям, и (ii) изучить, остаются ли эти паттерны стабильными до и после появления генеративного ИИ около 2023 года.

Паттерны стажа. Сначала мы изучаем распределение ключевых слов ролей отдельно для младших и старших работников. Результаты подтверждают, что классификация стажа имеет смысл. В названиях должностей, связанных с младшими работниками, преобладают такие ключевые слова, как assistant (помощник), specialist (специалист), technician (техник) и intern (стажер). Напротив, названия должностей среди старших работников сосредоточены вокруг таких терминов, как manager (менеджер), director (директор) и consultant (консультант), которые обычно используются на руководящих должностях и должностях с высокой ответственностью.

Стабильность во времени. Потенциальное опасение заключается в том, что фирмы могли изменить способ обозначения должностей после 2023 года — например, переименовав младшие роли в «специалистов» или «ассистентов», чтобы они казались более старшими, или наоборот. Чтобы решить эту проблему, мы повторяем анализ частоты ключевых слов отдельно для периодов до 2023 года и после 2023 года. Результаты показывают, что относительная значимость ключевых терминов ролей остается удивительно стабильной во времени внутри каждой группы стажа. Эта стабильность предполагает, что фирмы не проводят систематического переименования должностей в ответ на технологические изменения и что наша мера стажа последовательно отражает фактическую иерархию должностей до и после распространения технологий GenAI.

На Рисунках A.1–A.2 представлено распределение ключевых слов ролей с использованием сгруппированных столбчатых диаграмм, на которых доли до и после 2023 года отображаются рядом. Рисунки A.3a–A.3d дополняют эти данные облаками слов, которые визуально представляют наиболее распространенные названия должностей по стажу и периоду.

Рисунок A.1: Частота ключевых слов ролей — Стаж 1 и 2 (проценты, до и после 2023 г.).

Рисунок A.2: Частота ключевых слов ролей — Стаж 3+ (проценты, до и после 2023 г.).

(a) Стаж 1-2, 2020-2023

(b) Стаж 1-2, 2023-2025

(c) Стаж 3+, 2020-2023

(d) Стаж 3+, 2023-2025 Рисунок A.3: Анализ названий должностей по стажу и периоду — Облако слов

A.3 Безработица среди выпускников колледжей

Рисунок A.4: Уровень безработицы среди недавних выпускников колледжей по сравнению со всеми работниками. Примечания: Источник: Федеральный резервный банк Нью-Йорка, Рынок труда для недавних выпускников колледжей. Красная линия показывает уровень безработицы среди недавних выпускников колледжей США (в возрасте 22–27 лет со степенью бакалавра), а синяя линия показывает уровень безработицы среди всех работников США на ежемесячной основе. С конца 2022 года уровень безработицы среди выпускников колледжей вырос, в то время как общий уровень безработицы среди молодых работников оставался в основном стабильным.

A.4 Промпты API

A.4.1 Промпт: Идентификация объявлений о вакансиях для интеграторов или пользователей ИИ

Мы используем модель 11ama-3.1-8b-instant через Groq API.

SYSTEM_prompt = "", ‘You are a classifier for job postings. Output ONLY compact JSON.

role_type:

• integrator: создает/эксплуатирует LLM-системы (RAG, эмбеддинги/векторные БД, агенты, LangChain/LlamaIndex, дообучение/адаптеры, обслуживание/инференс, оценка/guardrails, интеграция API).
• user: в основном использует инструменты LLM (ChatGPT, Gemini, Copilot и т. д.) без создания систем.
• both: применимы оба варианта.
  none: ни один из вариантов.

Исключения: не является integrator, если занимается только исследованием базовых моделей, общим AI/ML, или занимает должности разработчиков в лабораториях ИИ (например, OpenAI, DeepMind), или занимается разметкой/аннотированием.

department (выберите один):

• Technology
• Operations
• Marketing
• $HR$

Правила:

• Если и integrator $+$ user $\rightarrow$ role_type=“both”
• Аббревиатуры вроде “RAG” $=$ контекст LLM
• Отдавайте предпочтение 1 при появлении сигналов
• Только JSON; никакой прозы

Формат вывода:

{
    "integrator": 0/1,
    "user": 0/1,
    "role_type": "integrator"/"user"/"both"/"none",
    "department": "Technology"/"Operations"/"Marketing"/"HR",
    "confidence": 0.0-1.0
}

1

A.4.2 Промпт: Рейтинг качества учебных заведений

Мы используем модель 4o-mini через OpenAI API.

SYSTEM_prompt = ” ’ ’ ‘Вы — академический эксперт.

Присвойте каждому входному университету единый целочисленный рейтинг по следующей шкале:

$1 = \text{Лига плюща/элитный мировой уровень (например, Гарвард, Стэнфорд, Оксфорд, MIT)}$
$2 = \text{Очень сильный, уважаемый на международном уровне}$
$3 =$ Солидная национальная/региональная репутация
$4 =$ Нижний уровень/менее селективный, но стандартный университет
$5 = \text{Очень слабый} / \text{территория «фабрик дипломов»}$

Возвращайте ТОЛЬКО то, что запрашивается. Никаких комментариев, никакой разметки markdown.

При неуверенности выбирайте ближайший разумный уровень, используя общую глобальную репутацию.

1

USER_prompt_template = "", Оцените следующие ${n}$ учебных заведений по описанной шкале 1-5.

ИНСТРУКЦИИ (Строгие):

• Верните ПРЯМО ${n}$ строк.
• Каждая строка содержит ТОЛЬКО одно целое число от 1 до 5 для соответствующей строки ниже.
• НЕ включайте никакие ключи, маркеры, индексы, пунктуацию или лишний текст.
• НЕ включайте пустые строки.
• ОСТАНОВИТЕ ВЫВОД немедленно после печати ${n}$-й строки.

НАЗВАНИЯ (по одному в строке, по порядку):

{names_block}

1

A.5 Выявление вакансий интеграторов GenAI — графическая иллюстрация

A.6 Примеры вакансий

Первые два блока (зеленые) показывают два наглядных примера вакансий, которые были классифицированы LLM как вакансии «интегратора GenAI». Например, первый пример — это вакансия, которая явно включает обязанность «интегрировать модели ИИ в существующие системы и приложения». Более того, название должности — GenAI Developer Consultant — в точности соответствует нашему понятию интегратора GenAI.

Роль: Generative AI Developer Consultant (IT Services and IT Consulting, Genesis10)

Краткое описание: Мы ищем талантливого и мотивированного инженера-программиста, который присоединится к нашей команде и сосредоточится на разработке инновационных приложений с использованием технологий Generative AI. Вы будете играть ключевую роль в проектировании, создании и развертывании решений, использующих ИИ для трансформации пользовательского опыта.

Обязанности:

• Проектирование и разработка масштабируемых приложений с использованием моделей Generative AI.
  Сотрудничество с кросс-функциональными командами для предоставления решений.
• Интеграция моделей ИИ в существующие системы и приложения.
• Оптимизация и тонкая настройка алгоритмов ИИ для повышения производительности и точности.
• Проведение код-ревью и наставничество младших членов команды.

中

Роль: Junior Product Manager (Computer and Network Security, Aryaka Networks)

Мы ищем высокомотивированного младшего менеджера по продукту с глубоким пониманием проблем безопасности GenAI, практическим опытом в промпт-инжиниринге и, желательно, опытом интеграции с продуктами/услугами по обеспечению безопасности и защиты GenAI. Эта роль включает в себя разработку и документирование сценариев использования и требует как минимум одного года программирования на Python.

Ключевые обязанности:

Сотрудничество с кросс-функциональными командами для решения проблем безопасности GenAI.

• Применение методов промпт-инжиниринга для оптимизации результатов ИИ.
• Интеграция продуктов безопасности и защиты GenAI в рабочие процессы.
• Разработка и поддержка сценариев использования для приложений GenAI.
• Помощь в разработке функций продукта, повышающих безопасность и защиту.

С другой стороны, красные блоки показывают вакансию, которая, несмотря на наличие связанных ключевых слов Gen-

erative AI или Large Language Model, не связана с интеграцией GenAI в рабочие процессы. Например, в первом примере подчеркивается ценность классификатора на базе LLM, который выходит за рамки простого поиска по ключевым словам. Хотя вакансия размещена компанией, занимающейся GenAI, она описывает роль в службе поддержки клиентов, не связанную с интеграцией ИИ в рабочие процессы. Модель правильно классифицирует ее как позицию, не относящуюся к интегратору. Дополнительные примеры см. в Приложении A.6.

Роль: Customer Service Representative (HireQuotient)

Краткое описание: HireQuotient — новаторская компания в индустрии разработки программного обеспечения, трансформирующая процессы подбора персонала с помощью Generative AI и Skill Intelligence. Позиция — представитель службы поддержки клиентов среднего уровня… ориентированный на обеспечение высококачественной поддержки и удовлетворенности клиентов…

Обязанности:

• Управление запросами, жалобами и отзывами клиентов через различные каналы, обеспечивая высокий уровень удовлетворенности.
• Предоставление проактивной поддержки через чат, электронную почту и телефон.
• Информированность об обновлениях продуктов и политиках компании для предоставления точной информации.

中

Роль: Senior Security Engineer (Offensive Security, BytePlus)

Краткое описание: Команда создает инфраструктуру, платформы и технологии для защиты пользователей, продуктов и систем. Вы будете вносить вклад в ключевые инициативы по безопасности, разрабатывая масштабируемые и безопасные по своей архитектуре решения.

Обязанности:

• Ответственность за обнаружение рисков и тестирование на проникновение облачных продуктов и инфраструктуры.
• Проведение анализа рисков и моделирование угроз; предоставление систематических решений для бизнес-направлений.
• Исследование передовых технологий, включая cloud-native, микросервисы, zero trust, большие данные и большие языковые модели.
• Поддержка разработки безопасных бизнес-технологий и архитектур.

中

A.7 Отраслевые и географические закономерности внедрения GenAI

Отраслевое распределение компаний, внедривших технологию: Здесь мы приводим более подробные доказательства отраслевого распределения фирм, внедривших GenAI. Рисунок A.5a документирует долю фирм в каждом крупном секторе, внедривших ИИ, в то время как Рисунок A.5b показывает распределение только внедривших компаний, т. е. долю внедривших фирм, принадлежащих к каждому сектору. Эти графики подчеркивают, что внедрение не сосредоточено в одной отрасли, а распределено по информационным технологиям, профессиональным услугам, финансам, производству и другим секторам. Как и ожидалось, уровень внедрения несколько выше в наукоемких и технологичных отраслях, но традиционные сектора, такие как производство и оптовая/розничная торговля, также представлены.

(a) Доля внедривших компаний в каждом секторе
Рисунок A.5: Отраслевое распределение внедривших компаний

Примечания: Панель (a) сообщает о доле внедрения внутри каждого сектора, а Панель (b) сообщает о распределении внедривших фирм по секторам. Сектора: Производство (3), Оптовая/Розничная торговля (4), Информация (51), Финансы и страхование (52), Профессиональные услуги (54), Образование (61) и Здравоохранение и социальная помощь (62).

(b) Распределение внедривших компаний по секторам

География внедривших компаний: Рисунок A.6 показывает более подробную информацию о распределении внедривших компаний по штатам США. Как и ожидалось, внедрение сильно сконцентрировано в Калифорнии, на которую приходится около $26%$ всех внедривших компаний. В пятерку лидеров входят Калифорния, Нью-Йорк, Техас, Массачусетс и Вирджиния — все это технологически развитые регионы. Эта закономерность подчеркивает, что внедрение ИИ не является исключительно феноменом Кремниевой долины, а охватывает несколько крупных технологически ориентированных штатов.

Рисунок A.6: Доля внедривших компаний в США по штатам

A.8 Тройная разность без фиксированных эффектов «Отрасль-Время-Стаж»

Рисунок A.7: Тройная разность (без фиксированных эффектов «Отрасль-Время-Стаж») Примечания: На этом графике показаны результаты того же упражнения, что и на Рисунке 3d, за исключением фиксированных эффектов «отрасль-время-стаж».

A.9 Корректировки рынка труда в связи с GenAI в начале 2023 года — примеры

В этом приложении мы собрали описательные свидетельства начала 2023 года, документирующие, как крупные американские компании начали корректировать свою практику найма и внутренние рабочие процессы, явно связывая эти изменения с внедрением или ожидаемым воздействием генеративного ИИ.

IBM: В мае 2023 года генеральный директор IBM сообщил Bloomberg, что компания «ожидает приостановки найма на должности, поскольку в ближайшие годы около 7800 рабочих мест могут быть заменены искусственным интеллектом» (Reuters, 2023a).

Dropbox: В апреле 2023 года генеральный директор Dropbox объявил, что компания сократит штат на 16 процентов. Согласно его письму, одним из основных объяснений является то, что «эра вычислений с использованием ИИ наконец настала. Мы много лет верили, что ИИ даст нам новые суперспособности и полностью трансформирует интеллектуальный труд» (Houston, 2023).

Meta: В феврале 2023 года Meta создала «продуктовую группу высшего уровня» для «ускорения» работы над генеративным ИИ, а затем объявила о сокращении 10 000 сотрудников и отмене 5 000 открытых вакансий (март 2023 года), подчеркнув при этом поворот в сторону ИИ (Reuters, 2023b,c).

CNET: В марте 2023 года, вскоре после раскрытия информации об использовании статей, созданных ИИ, CNET уволила около 10 процентов своего персонала. Материнская компания Red Ventures сослалась на переориентацию на контент, оптимизированный для поиска, и назначила главного редактора руководителем стратегии ИИ, что сигнализирует о продолжающейся интеграции генеративного ИИ (Mia Sato, 2023).

Nuance и Microsoft: В марте 2023 года Nuance, дочерняя компания Microsoft, запустила DAX Express — инструмент на базе GPT-4, который автоматизирует клиническую документацию на основе взаимодействия с пациентами, стремясь снизить административную нагрузку на врачей и риск их выгорания (Medical Design & Development Staff, 2023).

Morgan Stanley: В марте 2023 года подразделение Wealth Management запустило нового помощника на базе GPT-4. По словам его сопрезидента, технология была призвана помочь «освободить ценное время финансовых консультантов для того, что они умеют лучше всего — обслуживания своих клиентов» (Morgan Stanley, 2023).

Wendy’s: В мае 2023 года Wendy’s в партнерстве с Google Cloud запустила пилотный проект FreshAI — систему генеративного ИИ, автоматизирующую заказы в автокафе (drive-thru) с использованием больших языковых моделей для обработки сложных индивидуальных запросов и повышения точности и скорости (The Wendy’s Company, 2023).

Presto и CKE Restaurants: Аналогичным образом, в мае 2023 года Presto Automation расширила партнерство с CKE Restaurants для развертывания Presto Voice — системы ИИ, автоматизирующей заказы в автокафе в Carl’s Jr. и Hardee’s. После того как пилотные проекты показали рост продаж и эффективности, CKE начала предлагать технологию франчайзи по всей стране (TMCnet, 2023).

A.10 Самые распространенные профессии с высокой и низкой степенью подверженности влиянию по отраслям

Таблица A.1: Самые распространенные профессии с низкой/высокой степенью подверженности влиянию по отраслям (доля всех ролей ONET в отрасли)

A.11 DiD по уровню образования — временные ряды (Младшие специалисты)

Рисунок A.8 показывает оценки из Уравнения 1, рассчитанные отдельно для каждого из пяти уровней качества учебных заведений.
Рисунок A.8: DiD по уровню образования — временные ряды (Младшие специалисты)

Примечания: На этом рисунке представлен график $\beta_{j}$ из Уравнения 1, оцененный отдельно для каждого из пяти уровней качества учебных заведений. Стандартные ошибки кластеризованы на уровне фирмы.

A.12 Прогнозируемая зарплата и подверженность влиянию по уровню образования

Рисунок A.9: Прогнозируемая зарплата по качеству учебного заведения (Младшие специалисты, 2022)

Примечания: Столбцы отражают средние прогнозируемые зарплаты (в долларах США) для младших специалистов, нанятых в 2022 году, по категориям престижности университетов.

Рисунок A.10: Средняя подверженность влиянию по качеству учебного заведения (Младшие специалисты, 2022)

Примечания: Столбцы отражают подверженность влиянию для младших специалистов, нанятых в 2022 году, по категориям престижности университетов. Стандартное отклонение переменных подверженности составляет 0,21.

A.13 Макроэкономические условия

Как обсуждалось в основном тексте, одной из потенциальных угроз нашему аргументу является то, что изменения в макрофинансовой среде могут оказывать различное давление на внедрившие и не внедрившие технологию фирмы. В частности, резкий рост процентных ставок, начавшийся в начале 2022 года, мог ужесточить кредитные и финансовые условия таким образом, что это непропорционально затронуло капиталоемкие или ограниченные в заимствованиях фирмы. Чтобы защититься от этого смешивающего фактора, мы включаем широкий показатель финансовых условий в наши проверки на устойчивость: Индекс национальных финансовых условий ФРБ Чикаго (NFCI) и его скорректированный вариант (ANFCI).

Рисунок A.11: Индекс финансовых условий ФРБ Чикаго

NFCI — это комплексный еженедельный индекс, который объединяет более 100 индикаторов, охватывающих денежные рынки, рынки долгового и акционерного капитала, а также традиционный и теневой банковские секторы.[23] Индекс стандартизирован так, чтобы иметь среднее значение ноль и единичную дисперсию (по выборке, начинающейся в 1971 году), так что положительные значения указывают на более жесткие, чем в среднем, финансовые условия, а отрицательные значения — на более мягкие.

NFCI и его скорректированная версия широко используются для отслеживания финансового стресса, прогнозирования макроэкономической активности и изучения передачи монетарной политики и кредитных шоков (например, Brave, Scott A. and Butters, R. Andrew, 2012; Hatzius et al., 2010; Gilchrist and Zakrajšek, 2012).

Чтобы учесть сдвиги в финансовых условиях с течением времени, мы расширяем наше окно до начала воздействия до 2015 года, которое включает более ранние эпизоды ужесточения кредитного рынка. Рисунок A.11 показывает ежеквартальное среднее значение NFCI за период нашей выборки. Как показано, финансовые условия заметно ужесточились в 2015-2016 годах, в то время как наши оценки демонстрируют плоские предварительные тренды в этот период. С 2022 года, несмотря на резкий рост номинальных процентных ставок, NFCI смягчился, что позволяет предположить, что более высокие ставки политики не обязательно переводятся в более жесткую доступность кредитов.

A.14 DiD для найма и увольнений — временные ряды (Младшие специалисты)
(a) Без сезонной корректировки

(b) С сезонной корректировкой (LOWESS)
Рисунок A.12: DiD для найма и увольнений — временные ряды (Младшие специалисты)

Примечания: На этом рисунке представлен график $\beta_{j}$ из Уравнения $y_{it} = \alpha +\sum_{j = 2015Q2}^{2025Q1}\beta_{j}\mathbf{1}{t = j} \times \mathrm{Adopt}{i} + \delta{t} + \gamma_{i}+$ $\xi_{pt} + \varepsilon_{it}$ , которое соответствует Уравнению 4 в Разделе 4.6, но заменяет единый индикатор после 2023Q1 полным набором квартальных фиктивных переменных. Панель (a) представляет необработанные оценки коэффициентов, а Панель (b) показывает оценки, скорректированные с учетом сезонных колебаний путем сглаживания коэффициентов методом LOWESS (ширина полосы $= 0.5$ ) перед построением графика. На обеих панелях коэффициенты нормализованы к нулю в 2015Q2.

A.15 Снижение найма младших специалистов — неоднородность по секторам

В этом приложении рассматривается неоднородность снижения найма младших специалистов по секторам. Для этого мы заново оцениваем Уравнение 4 для найма младших специалистов отдельно по секторам. Результаты представлены на Рисунке A.13. Во всех секторах у внедривших технологию фирм наблюдается резкое и статистически значимое относительное снижение найма младших специалистов после 2023Q1, в то время как найм старших специалистов остается стабильным или немного увеличивается. Эта закономерность указывает на то, что сокращение найма младших специалистов носит широкомасштабный характер во всех отраслях и не вызвано каким-либо одним сектором, непропорционально сокращающим спрос на младших работников.

Рисунок A.13: Оценочные эффекты внедрения генеративного ИИ на найм по секторам

Примечания: Сектора соответствуют следующим классификациям NAICS: Производство (31-33), Оптовая/розничная торговля (42, 44-45), Информация (51), Финансы и страхование (52), Профессиональные услуги (54), Образование (61) и Здравоохранение и социальная помощь (62). Все коэффициенты нормализованы по среднему количеству наймов в каждом секторе до 2022 года, чтобы учесть различия в базовой текучести кадров в разных отраслях. Стандартные ошибки кластеризованы на уровне фирмы.