Теория концептуального труда

Тут вот человек придумал теорию, которая раскрывает почему некоторым из нас иногда так сложно объяснить как мы работаем. В первую очередь это про экспертную и креативную работу.

Концептуальный труд — это работа, которая переопределяет себя прямо в процессе выполнения. В отличие от структурированной деятельности, где вы следуете четкой инструкции, здесь вам приходится одновременно выполнять задачу — и перепридумывать, в чем именно она заключается.

We work according to our ideas about work and labor.
Who we are is part of how we work.
An individual’s idea of work is their reality of work.

Для понимания этого процесса мы создаем ментальные модели нашей работы. Они состоят их трех элементов:

1. actors (кто делает)
2. work (что делает)
3. context (обстоятельства, нарратив и убеждения)

В неконцептуальном труде эти элементы стабильны. А в концепутальном — нет.

Экспертность возникает когда человек умеет эффективно действовать в условиях этих изменений. Когда эксперт управляет циклом, в котором каждое новое действие меняет наше понимание задачи.

Главное значение имеет не то, как работа выглядит со стороны, а какую «историю» о своей работе выстраивает сам человек. Индивидуальная ментальная модель является для специалиста его реальностью работы.

Так как концептуальный труд часто выглядит странным или непродуктивным, его важным элементом становится необходимость постоянно объяснять окружающим, почему выбраны именно такие подходы и инструменты. Как постоянный внутренний и внешний диалог о смысле происходящего.

Models embody beliefs.
We follow the conventional narrative if we believe that our model has as least one static component.
The conventional narrative is the default narrative of work.
We have to do conceptual labor because the conventional narrative fails us all the time.

→ https://www.conceptuallabor.com

В LinkedIn посчитали сколько и каких рабочих мест, связанных с AI, возникло в США в период с 2023 по 2025 годы.

Интересно, что Head of AI в три раза больше, чем AI Engineer.

Женский мозг — это возможность на триллион долларов

Хороший важный текст в TIME про экономические последствия недостаточного внимания к женскому нейро-здоровью.

• Женщины живут дольше мужчин, но на 25% больше времени находятся в состоянии плохого здоровья.

• Почти две трети американцев, страдающих болезнью Альцгеймера — женщины. Но женщины также чаще берут на себя бесплатный уход за больными Альцгеймером и деменцией родственниками. Находясь при этом в расцвете трудоспособного возраста.

• Деменция обходится США в 781 миллиард долларов в год, включая 232 миллиарда на долгосрочное медицинское обслуживание и 233 миллиарда на неоплачиваемый труд по уходу за больными. Этот труд по уходу составляет 6,8 миллиарда часов, которые никак не отражаются в ВВП, но истощают семейные сбережения и тормозят карьеру.

• Только 6% частных инвестиций в здравоохранение Соединенных Штатов ориентированы на женщин, и большая их часть — на репродуктивном здоровье и лечении рака. В то время как проблемы мозга остаются хронически недофинансированными.

• Решение этих проблем может принести мировой экономике 1 триллион долларов в год.

В комментариях короткий аудио-обзор и пдф с переводом. Если не загружается — ссылка на пост в ВК.

→ https://time.com/article/2026/04/09/womens-brains-are-a-1-trillion-opportunity

Продуктивные люди не создают продуктивные компании

Основатель Hebbia George Sivulka (ещё в марте) написал в твиттере любопытный лонгрид про то, что инвестиции в рост индивидуальной продуктивности через AI на самом деле не помогают повышать продуктивность организаций — а даже и мешают.

Чтобы решить эту проблему нам нужно направить усилия не в «Individual AI», а в «Institutional AI».

В чём их отличия?

1. Индивидуальное использование AI создаёт скорее беспорядок, где каждый сотрудник работает в своем стиле. Институциональный AI создает слой координации, четко определяя роли агентов и правила их взаимодействия.

2. Индивидуальный AI способствует росту низкокачественной коммуникации и контента. Задача институционального AI находить реально ценные сигналы — с помощью контролируемых и проверяемых процессов.

3. Популярные модели часто настроены соглашаться с пользователем, что создает «эхо-камеры». Институциональный AI должен уметь говорить нет, выступать в роли критика, аудитора и обеспечивать соблюдение стандартов.

4. ChatGPT и Claude ориентированы на широкое использование, но реальную экономическую выгоду приносят узкоспециализированные инструменты, созданные под конкретные задачи и вертикали.

5. Индивидуальный AI нацелен на сокращение затрат и времени. Институциональный AI должен быть направлен на масштабирование и достижение конкретных бизнес-целей.

6. Просто дать инструмент недостаточно. Необходимо перестроить процессы компании и управлять изменениями внутри организации, чтобы модель «человек + AI» работала максимально эффективно.

7. Индивидуальный AI ограничен способностью человека задавать вопросы. Институциональный AI должен действовать проактивно: самостоятельно анализировать данные, выявлять риски и возможности, о которых человек даже не подумал спросить.

В комментариях аудио-обзор и пдф с переводом.

→ https://x.com/gsivulka/status/2031797989908627849

Нам нужны ваши кейсы!

Друзья, наша команда продолжает этот непростой путь популяризации навыкоцентричности. И сейчас мы собираем разные классные кейсы, как прогрессивные компании переходят к skills-based подходу.

Например:
• как пересобираются профили ролей (от требований к наборам скиллов)
• как внедряется оценка навыков вместо формальных критериев
• как развивается внутренний рынок талантов
• как меняется логика подбора и развития

Истории команд, которые уже прошли этот путь или находятся в процессе: как запускали, где споткнулись, какие решения сработали, а какие — нет.

В первую очередь это пойдёт в наш блог (800 000+ читателей в месяц). Когда понимаем, что есть потенциал для публикации в больших медиа — опубликуем в медиа.

Если у вас есть такой опыт и вы готовы им поделиться — заполните короткую анкету.

(но можно написать и напрямую мне)

На просторах LinkedIn попалась вот эта картинка про риск автоматизации разных ролей в HR. Выглядит занимательно.

→ https://www.linkedin.com/posts/rickweijers_the-strongest-reactions-in-the-ai-in-hr-keynotes-activity-7442104167114006528-fV4o/

Opportunity@Work и Brookings Metro провели большой анализ как в США строится карьерный путь людей без высшего образования (это 70 миллионов американцев) и как на эти траектории повлияет AI.

Они предложили модель трёх типов ролей:

1. Origin (стартовые роли)

Как входные точки на рынок труда. Они обеспечивают доступную работу для начинающих специалистов. Эти роли не требуют высокой квалификации на старте, но позволяют человеку начать погружаться в рабочий контекст и процессы.

2. Gateway (промежуточные роли)

Связующие роли, которые позволяют относительно быстро перейти на следующий уровень. С одной стороны, они помогают понять и прочувствовать молодым специалистам роль навыков, экспертизы и опыта. А с другой — дают обратную связь от рынка через увеличение зарплаты.

3. Destination (целевые профессии)

Высокооплачиваемые роли, которые представляют собой конечную цель восходящей мобильности в рамках одной последовательной карьерной траектории.

Ключевая проблема в том, что AI может заменить не только отдельные роли, а разрушить целые «карьерные цепочки». Через полную автоматизацию origin-ролей и частичную gateway-ролей. Что будет являться фундаментальной угрозой для идеи экономической мобильности.

Полный текст статьи точно можно не читать — они всё классно рассказали в двухминутном ролике (выложил и в вк).

→ https://www.brookings.edu/articles/how-ai-may-reshape-career-pathways-to-better-jobs

Mercer выпустили свой ежегодный флагманский тренд-репорт. Опросили 12 000 руководителей из 16 стран и 16 индустрий.

Выложил в комментариях аудио и текстовый рекап. Поэтому не буду описывать общие моменты. Там в целом полезно, почитайте.

Но мне больше всего показался интересным список — что компании планируют менять в процессах и оргдизайне. При том, что 98% руководителей что-то менять планируют.

(сделал перевод)

59% Упрощение структуры отчётности (например, отказ от матричных структур)
55% Централизация функций управления и принятия решений
49% Внедрение самоорганизующихся команд
44% Сокращение уровней управления (уменьшение иерархии)
44% Перевод вспомогательных функций в общие сервисные центры (Shared Services)
42% Формирование кросс-функциональных agile-команд (flow-to-work)
38% Внедрение гибких моделей занятости с использованием внутренних маркетплейсов талантов
37% Переход к матричной организационной структуре (двойное/множественное подчинение)
36% Переход к клиентско-ориентированной структуре (по сегментам клиентов)
35% Расширение полномочий на местах (децентрализация)
33% Переход к дивизиональной структуре (по продуктам или регионам)
32% Переход к функциональной структуре (по функциям: производство, ИТ, маркетинг)
31% Переход к модульной организационной модели (фокус бизнес-единиц на процессах)
29% Переход к сетевой организационной модели (развитие внутренних и внешних связей)
28% Объединение ИИ-агентов и сотрудников в рамках одной функции

→ https://info.marsh.com/global-talent-trends/2026

Одно из самых обсуждаемых в международном экспертном сообществе исследований апреля — анализ последствий от увольнений под предлогом AI-оптимизации.

Ключевые идеи:

• Компании пытаются заменить людей на AI и сократить расходы. Но уволенные сотрудники — это ещё и потребители. Когда доходы людей сокращаются, это отражается на совокупном спросе, от которого зависят доходы компаний. И возникает парадокс: компании стремятся к росту производительности и прибыли, но последствием этого может стать падение доходов.

• Даже если бы в компаниях осознавали этот риск, остановиться они не могут. Автоматизируя процессы, бизнес получает заметную экономию на издержках, и лишь малую долю последствий от общего падения спроса, которое распределяется на всех участников рынка. В итоге рациональное решение для каждой отдельной компании — автоматизировать как можно больше, что втягивает всех в «гонку к обрыву».

• Сокращение рабочих мест может дестабилизировать рынок настолько сильно, что в деньгах потеряют все — даже AI-first инноваторы.

• Безусловный базовый доход и обучение AI-навыкам не решат проблему. Важно корректировать сам стимул к автоматизации. Более того, появление более производительного AI сделает разрыв ещё драматичнее, так как компании начнут яростнее бороться за выживание, ускоряя рецессию.

• Единственный выход — налог Пигу. Это налог на вредный побочный эффект. То есть если AI создает социальные издержки, можно ввести налог, который заставит компании учитывать и компенсировать эти последствия.

• Доходы от такого налога могли бы направляться на развитие переходных институтов и практик.

В комментариях статья и аудио-обзор.

→ https://www.researchgate.net/publication/402969772_The_AI_Layoff_Trap