Meta і Klarna відступають від AI-first: чому автоматизації все ще потрібні люди

Meta і Klarna показали, що між автоматизацією частини роботи та заміною цілих команд лежить велика практична прірва. Meta зупинила підготовку до другої хвилі реструктуризації Project OT після першого скорочення персоналу, а Klarna знову почала наймати людей у службу підтримки, коли ставка на AI-first сервіс позначилася на якості обслуговування. 218

Висновок тут радше операційний, ніж ідеологічний: ШІ здатен масштабно обробляти стандартизовані та повторювані завдання. Але компаніям і далі потрібні люди, щоб працювати з неоднозначністю, перевіряти результати, розв’язувати виняткові ситуації та відповідати за досвід клієнта.

Meta: ідея менших команд зіткнулася з реальними процесами

За даними Reuters, Project OT — скорочено від Organization Transformation («трансформація організації») — передбачав реструктуризацію у дві хвилі: перша мала відбутися в травні, друга — в листопаді 2026 року. У травні Meta скоротила приблизно 10% працівників, але згодом скасувала планування листопадніх скорочень. Компанія підтвердила існування Project OT, назвавши його річною ініціативою зі скорочення витрат, перебудови команд і переведення працівників у пріоритетні напрями. 2

Важливо, що йшлося не лише про звичайну оптимізацію витрат. План передбачав значно менші групи працівників, посилені AI-агентами. Однак більше згенерованого коду, чернеток чи виконаних дрібних завдань саме по собі не означає надійного створення продукту.

У складних процесах хтось має визначати цілі, узгоджувати роботу між системами, тестувати результат, помічати збої та брати на себе відповідальність, коли щось не працює. Meta не припинила інвестувати в ШІ, але змінилася впевненість у тому, що можливості агентів уже виправдовують другу масштабну хвилю скорочень за початковим графіком. 2

Klarna: великий обсяг автоматизації не гарантує якісного сервісу

Історія Klarna демонструє ту саму проблему в клієнтській підтримці. Її AI-асистент обробляв значну частину стандартних звернень — зокрема запитання щодо платежів, повернення коштів і товарів. Водночас компанія відійшла від підходу, за якого підтримка мала бути фактично лише автоматизованою, і відновила найм людей. 1720

За повідомленнями про зміну стратегії, генеральний директор Себастіан Сієміатковскі визнав, що Klarna надто різко скоротила людську експертизу. Проблема була не в тому, що ШІ не приносив користі: він гірше давав собі раду зі складними, неоднозначними або емоційно чутливими випадками. У таких ситуаціях працівники додають розслідування обставин, розсудливість і емпатію. Тому Klarna почала відбудовувати людську складову підтримки поряд з автоматизацією. 1819

Для сервісу це принципово. Система може швидко закривати типові питання, але підірвати довіру, якщо клієнт зі спірним платежем, нетиповою ситуацією чи проблемою, що загострюється, не може оперативно звернутися до компетентної людини. Автоматизація працює лише тоді, коли в процесі передбачено зрозумілий шлях ескалації та людську відповідальність.

Стійкіша модель: ШІ як підсилювач, а не заміна кожної ролі

Обидва випадки вказують на більш життєздатну модель роботи.

• Автоматизувати передбачувані завдання. ШІ найкорисніший там, де вхідні дані стандартизовані, результат легко перевірити, а помилку недорого виправити.
• Залишати людей у точках ухвалення рішень. Люди необхідні, коли потрібні контекст із різних систем, компроміси, професійне судження, відповідальність або робота з відносинами.
• Закладати ескалацію в сам процес. У підтримці та інших чутливих процесах потрібна чітка передача справи кваліфікованому фахівцеві, а не замкнене коло автоматичних відповідей.
• Оцінювати результат, а не лише активність. Більше згенерованого коду, швидша перша відповідь чи більший потік оброблених звернень — неповні показники, якщо погіршуються якість, безпека, фактичне розв’язання проблем і довіра клієнтів.

Це не означає, що робочі місця не змінюватимуться. Найімовірніше, зміни відбуватимуться через перебудову команд, нові вимоги до навичок і меншу кількість ролей, зосереджених на рутині, а не через миттєве зникнення людської праці.

Найм зміщується до технічних компетенцій

Дані технологічного ринку праці узгоджуються з цією картиною. SignalFire повідомляє, що найм у великих технологічних компаніях був на 25% нижчим за рівень 2019 року, тоді як найм інженерів-програмістів знизився на 11%. У результаті програмні інженери становили 55% усіх нових наймів у цих компаніях проти 46% у 2019 році. 49

Ці цифри не доводять, що причиною кожної зміни став саме ШІ: на технологічний найм впливають також ділові цикли та післяпандемійне коригування штатів. Проте вони показують, що компактніші організації не перестали потребувати технічних фахівців. Натомість попит зміщується до тих, хто може створювати, впроваджувати, оцінювати, захищати й контролювати дедалі автоматизованіші системи.

Найближчий ризик — звуження стартової кар’єрної сходинки

Дослідники Stanford Digital Economy Lab не знайшли свідчень масового витіснення працівників в економіці загалом у даних адміністративного нарахування зарплат США до червня 2026 року. Проте зайнятість працівників віком 22–25 років у професіях із високою AI-експозицією була на 19% нижчою, ніж була б, якби зростала в темпі їхніх однолітків у менш AI-експонованих професіях. Для досвідчених працівників співставного розриву не зафіксовано; коригування відбувалося переважно через менший найм, а не через більше звільнень. 35

Показник у 19% — це відносне «відставання від темпу», а не кількість робочих місць, які ШІ безпосередньо ліквідував. Проте він вказує на серйозну проблему: коли ШІ бере на себе частину типових стартових завдань, компанії можуть пропонувати менше можливостей для людей здобути досвід, необхідний для переходу на старші позиції.

Чого компаніям варто навчитися у Meta та Klarna

Питання вже не в тому, чи варто використовувати ШІ. Важливіше зрозуміти, де саме він поліпшує процес, не прибираючи людські здібності, від яких залежить надійність.

Скасована друга хвиля Project OT у Meta та повернення Klarna до найму в підтримку свідчать: автоматизацію слід перевіряти за кінцевими результатами — успішністю створення продукту, точністю рішень, часткою розв’язаних звернень, довірою клієнтів і витратами на виправлення помилок.

Там, де ШІ працює добре, він збільшує спроможність меншої команди. Але там, де високі невизначеність або наслідки помилки, найкращою конструкцією зазвичай є модель «людина плюс ШІ», а не модель без людей.