Meta и Klarna отступают от AI-first: почему автоматизация всё ещё нуждается в людях

ИИ меняет состав команд, но истории Meta и Klarna показывают: заменить автоматизацией целые функции куда труднее, чем передать алгоритмам отдельные операции. Meta остановила подготовку второй волны реструктуризации Project OT после первого сокращения штата. Klarna, в свою очередь, снова начала нанимать специалистов поддержки после того, как модель обслуживания с приоритетом ИИ дала менее качественный результат. 218

Главный вывод здесь не идеологический, а практический: ИИ способен масштабно выполнять структурированные и повторяемые задачи. Но компаниям по-прежнему нужны люди, чтобы разбираться с неоднозначностью, проверять результаты, решать исключительные случаи и отвечать за клиентский опыт.

Meta: идея маленьких команд столкнулась с реальной сложностью работы

По данным Reuters, Project OT — сокращение от Organization Transformation, «трансформация организации» — задумывался в Meta как двухэтапная реструктуризация. Первая волна прошла в мае 2026 года и затронула примерно 10% сотрудников. Однако подготовка следующей волны, намеченной на ноябрь, была прекращена. Meta подтвердила существование Project OT, назвав его годовой программой сокращения расходов, пересмотра структуры команд и перевода сотрудников на приоритетные направления. 2

Смысл этой истории не сводится к обычной оптимизации расходов. План предполагал, что значительно меньшие группы сотрудников будут работать при поддержке ИИ-агентов. Но большой объём сгенерированного кода, черновиков или выполненных микрозадач ещё не означает надёжную поставку продукта.

В сложных рабочих процессах кто-то должен ставить цели, связывать работу разных систем, тестировать результат, замечать ошибки и брать ответственность, когда что-то идёт не так. Это остаётся человеческой работой.

Meta не отказалась ни от инвестиций в ИИ, ни от использования ИИ в работе. Изменилось другое: уверенность в том, что возможности агентов позволяют провести ещё одно масштабное сокращение по первоначальному графику. 2

Klarna: большой объём автоматизации не гарантирует хороший сервис

У Klarna — шведской финтех-компании, известной сервисами оплаты покупок — аналогичная проблема проявилась в клиентской поддержке. Её ИИ-ассистент обрабатывал значительную часть стандартных диалогов: вопросы о платежах, возвратах денег и возврате товаров. Однако позднее компания отказалась от подхода, при котором сервис строится почти исключительно вокруг ИИ, и возобновила наём сотрудников поддержки. 1720

Как сообщалось, гендиректор Klarna Себастьян Семятковский признал, что компания слишком сильно сократила человеческий ресурс. ИИ оказался полезен, но хуже справлялся со сложными, неоднозначными и эмоционально чувствительными обращениями — там, где требуются расследование обстоятельств, право на усмотрение и эмпатия. Поэтому Klarna начала восстанавливать человеческую поддержку параллельно с автоматизацией. 1819

Для клиентского сервиса это принципиально. Система может мгновенно закрывать типовые запросы, но подрывать доверие, если клиент со спорным платежом, нестандартной ситуацией или серьёзной проблемой не может быстро попасть к компетентному человеку. Автоматизация приносит пользу только тогда, когда в процесс заранее встроены понятная эскалация и человеческая ответственность.

Рабочая модель: ИИ как усилитель команды, а не замена каждой роли

Оба примера указывают на более устойчивую модель работы:

• Автоматизировать предсказуемое. ИИ особенно полезен там, где входные данные стандартизированы, результат легко проверить, а ошибки недорого исправить.
• Оставлять людей в точках принятия решений. Человек необходим, когда нужно учитывать контекст из разных систем, выбирать между компромиссами, применять суждение, нести ответственность или выстраивать отношения.
• Проектировать передачу сложных случаев человеку. В поддержке и других чувствительных процессах не должно быть тупика в виде бесконечного диалога с ботом: нужен быстрый переход к квалифицированному специалисту.
• Оценивать итог, а не только активность. Больше сгенерированного кода, более быстрый первый ответ или высокий поток обработанных обращений — неполные показатели, если падают качество, безопасность, доля реально решённых проблем и доверие клиентов.

Это не означает, что рынок труда останется прежним. Скорее изменения будут происходить через перестройку команд, новые требования к навыкам и сокращение числа ролей, полностью занятых рутинными операциями, а не через мгновенное исчезновение человеческого труда.

Наём смещается в сторону технических компетенций

Данные по технологическому рынку труда согласуются с такой картиной. SignalFire сообщает, что наём в крупных технологических компаниях был на 25% ниже базового уровня 2019 года. При этом наём инженеров-программистов сократился меньше — на 11%, а их доля в общем найме выросла с 46% в 2019 году до 55%. 49

Эти цифры не доказывают, что все сдвиги вызваны именно ИИ: на рынок также влияют деловой цикл и коррекция штатов после пандемийного периода. Но они показывают, что более компактным организациям по-прежнему нужны технические специалисты. Меняется скорее структура спроса: растёт ценность людей, способных создавать, внедрять, оценивать, защищать и контролировать всё более автоматизированные системы.

Самый заметный риск — для стартовой ступени карьеры

Исследователи Stanford Digital Economy Lab не нашли признаков массового вытеснения работников в масштабах всей экономики в административных данных по зарплатам до июня 2026 года. Однако занятость среди работников 22–25 лет в профессиях с высокой подверженностью ИИ оказалась на 19% ниже уровня, которого она достигла бы, если бы росла тем же темпом, что и занятость их менее подверженных ИИ сверстников. У опытных работников сопоставимого разрыва не обнаружено, а корректировка происходила в основном через снижение найма, а не через рост увольнений. 35

Важно правильно читать эти 19%. Это не число рабочих мест, которые ИИ напрямую уничтожил, а относительное «отставание от темпа» менее подверженной автоматизации группы. Но результат всё равно указывает на серьёзную проблему: если ИИ выполняет часть типовой начальной работы, компании могут реже открывать позиции, на которых молодые специалисты получают опыт для перехода на следующий карьерный уровень.

Чему Meta и Klarna учат другие компании

Вопрос уже не в том, использовать ли ИИ, а в том, где он способен улучшить процесс, не лишив его человеческих качеств, от которых зависит надёжность.

Решение Meta остановить вторую волну и возвращение Klarna к найму в поддержку показывают: автоматизацию стоит проверять по конечному результату — успешному выпуску продуктов, точности решений, фактическому разрешению обращений, доверию клиентов и приемлемой стоимости исправления ошибок.

Там, где ИИ работает хорошо, он увеличивает возможности небольшой команды. Но там, где высоки неопределённость или цена ошибки, наиболее разумной моделью обычно оказывается связка «человек + ИИ», а не попытка полностью убрать человека из процесса.