Азартная игра ИИ на $1 триллион: Пузырь или Революция?

Колоссальный вопрос теперь доминирует в технологическом ландшафте: является ли беспрецедентная волна инвестиций, хлынувшая в искусственный интеллект, устойчивой революцией или спекулятивным пузырем, которому суждено лопнуть? На кону стоят триллионы долларов, формирующие будущее отраслей и экономик по всему миру. Этот центральный конфликт подпитывает интенсивные дебаты в залах заседаний и академических кругах.

Масштаб развертывания капитала ошеломляет. Гиперскейлеры, такие как Microsoft, Meta, Google и Amazon, только с января по август 2024 года вложили в центры обработки данных ИИ в общей сложности $125 миллиардов. Общие расходы на оборудование и инфраструктуру центров обработки данных достигли $290 миллиардов в этом году, при этом почти $200 миллиардов приходится на этих облачных гигантов. Прогнозы предсказывают, что мировой рынок серверов для центров обработки данных вырастет в пять раз с $204 миллиардов в 2024 году до поразительных $987 миллиардов к 2030 году.

Противоречивые мнения витают в этом финансовом водовороте. Оптимисты провозглашают ИИ неизбежной, преобразующей силой, создающей долговечные активы и беспрецедентную эффективность, подобно ранним дням интернета или расширению железных дорог. Пессимисты, однако, предупреждают о переоценке и чрезмерном использовании заемных средств, проводя параллели с крахом доткомов или даже печально известной тюльпаноманией, где внутренняя стоимость была мимолетной.

Инсайдеры отрасли, такие как David Shapiro, подчеркивают исторический масштаб этого строительства. С поправкой на инфляцию и в процентном отношении к ВВП, текущее расширение центров обработки данных представляет собой второй по величине мегапроект в истории, уступающий только Плану Маршалла после Второй мировой войны. Важно отметить, что, в отличие от тех государственных инициатив, это монументальное предприятие почти полностью финансируется частным образом, что является уникальной характеристикой, которая еще больше усложняет традиционные экономические модели.

Ответ на вопрос, создает ли эта инвестиция долгосрочную ценность или просто раздувает временное увлечение, определит следующее десятилетие. Он будет диктовать траекторию технологических инноваций, изменять глобальную динамику власти и фундаментально преобразовывать все — от рынков труда до научных открытий. Разгадка этой азартной игры на триллион долларов имеет первостепенное значение для понимания будущего мира.

Беспрецедентное развитие инфраструктуры ИИ представляет собой второй по величине мегапроект в истории, как утверждает специалист по коммуникациям в сфере ИИ David Shapiro. С поправкой на инфляцию и в процентном отношении к ВВП это масштабное предприятие уступает по своим масштабам только Плану Маршалла после Второй мировой войны. Нынешняя волна инвестиций, преимущественно в центры обработки данных, затмевает большинство других амбициозных национальных проектов.

Этот современный левиафан проводит прямые параллели с несколькими преобразующими государственными инициативами, которые изменили Америку. К ним относятся: - Манхэттенский проект, в рамках которого была разработана атомная бомба, стоивший примерно от 0,18% до 0,4% ВВП США с 1942 по 1946 год. - Программа «Аполлон», достигшая пика в 0,4% ВВП США в 1967 году для высадки человека на Луну. - Система межштатных автомагистралей, обширная сеть дорог, модернизировавшая транспорт по всей стране.

Фундаментальное отличие выделяет расширение ИИ среди этих исторических прецедентов. В отличие от Marshall Plan, Apollo или Interstate Highway System, которые спонсировались и управлялись государством, текущее развитие AI почти полностью финансируется частным капиталом. Это первый случай для проекта такого монументального масштаба, когда технологические гиганты коллективно инвестируют сотни миллиардов.

Этот приток частного капитала по своей сути вызывает пристальное внимание, часто отсутствующее в государственных проектах. Когда правительства выделяют огромные суммы на такие проекты, как Hoover Dam или космическая гонка, дискурс сосредоточен на общественной пользе и распределении ресурсов, а не на спекулятивных пузырях. Частные инвестиции, однако, немедленно вызывают вопросы о рентабельности инвестиций и потенциальном чрезмерном использовании заемных средств, подпитывая нарратив «AI bubble».

Шапиро утверждает, что эти частные инвестиции создают долговечные, долгосрочные капитальные активы, подобно тому, как это делали железные дороги или интернет-инфраструктура в свое время. Центры обработки данных, например, не эфемерны; это физические структуры, рассчитанные на десятилетия эксплуатации, постоянно растущие в цене и формирующие основу для будущих достижений в области AI, независимо от краткосрочных рыночных колебаний.

Отклонение развития AI как простого спекулятивного пузыря неверно понимает фундаментальную природу инвестиций. В отличие от исторических спекулятивных ажиотажей, таких как голландская тюльпаномания 17 века, где активы не имели внутренней стоимости и быстро обесценивались, сегодняшние расходы на AI создают долговечную, осязаемую инфраструктуру, рассчитанную на десятилетия использования. Это не мимолетное увлечение; это огромные капитальные затраты на физические активы.

Огромные суммы вкладываются в строительство специализированных центров обработки данных, а не в эфемерные причуды. Эти объекты представляют собой существенные активы недвижимости, построенные с надежной инфраструктурой, такой как тройные резервные системы электропитания. Центры обработки данных рассчитаны на срок службы более 50 лет, со временем увеличивая свою стоимость, подобно обычной недвижимости. Это долгосрочное физическое присутствие принципиально отличает инвестиции в AI от чисто спекулятивных предприятий.

Критики часто упускают из виду нюансы жизненных циклов GPU, утверждая, что эти мощные процессоры становятся «бесполезными» через два года. Эта точка зрения не учитывает концепцию капитальных затрат (CapEx). Хотя появляются новые GPU, старые модели не перестают функционировать и не теряют всей своей стоимости. Компании могут перепродать их, возместив часть своих затрат, или амортизировать расходы для получения налоговых льгот.

GPU окупаются за счет вычислительных циклов в течение своего основного операционного окна, а их остаточная балансовая стоимость или потенциал перепродажи дополнительно компенсируют первоначальные затраты. Это критическое различие для отраслевых операторов, знакомых с CapEx в сравнении с OpEx, нюанс, который часто упускается в более широких дискуссиях, в том числе некоторыми техническими писателями, такими как Cal Newport: Author of Deep Work, Study Hacks Blog.

Текущие инвестиции в AI генерируют реальные финансовые артефакты — физические активы, которые продолжают приносить пользу и ценность долгое время после их первоначального развертывания. Это создание долговечных активов, от специализированной недвижимости до амортизируемого оборудования, прочно закрепляет развитие AI в сфере разработки мегапроектов, а не спекулятивного излишества. Это долгосрочная игра на инфраструктуру, а не мимолетная ставка.

Лихорадочные инвестиции и заоблачные оценки неизбежно вызывают сравнения с крахом dot-com конца 1990-х годов. Тогда, как и сейчас, менталитет «построй это, и они придут» подпитывал спекулятивное безумие, подталкивая зарождающиеся интернет-компании к астрономическим рыночным капитализациям, прежде чем многие из них рухнули. Параллели поразительны: быстрое развертывание капитала, непроверенные бизнес-модели и повсеместная вера в смену парадигмы.

Однако критическое различие отделяет нынешний бум AI от предыдущих спекулятивных маний. Даже после того, как пузырь dot-com лопнул около 2000 года, заложенная физическая инфраструктура — километры оптоволоконного кабеля, новые data centers и сетевое оборудование — не исчезла. Этот базовый фундамент стал незаменимым, обеспечивая последующие два десятилетия технологической эволюции.

Эта устойчивая инфраструктура способствовала появлению Web 2.0, стриминговых сервисов и гигантов электронной коммерции, доминирующих в современном цифровом ландшафте. Период с 2003 по 2012 год, хотя и не отличался прежним ажиотажем, тем не менее, принес огромную производительность и инновации, используя те самые активы, которые были созданы во время предполагаемого «переинвестирования».

Сегодня огромные капитальные затраты AI, особенно на data centers и передовые вычислительные мощности, отражают создание долговечных активов. Такие компании, как Microsoft, Meta, Google и Amazon, совместно вкладывают около $125 миллиардов в AI data centers только в 2024 году. Эти инвестиции создают физическую инфраструктуру, рассчитанную на десятилетия эксплуатации, а не на мимолетное программное обеспечение.

David Shapiro, AI-коммуникатор, подчеркивает, что эти data centers являются капитальными активами, которые сохраняют свою ценность более 50 лет, подобно недвижимости. Даже если некоторые AI-стартапы потерпят неудачу, базовая вычислительная мощность, сетевое оборудование и специализированные объекты останутся. Они станут основополагающим фундаментом для следующей волны инноваций, будь то новые AI-парадигмы или совершенно непредвиденные технологические достижения.

Эта инфраструктура гарантирует, что даже рыночная коррекция оставит после себя надежную, высокопроизводительную вычислительную основу. Подобно тому, как интернет-инфраструктура пережила многие жертвы dot-com, сегодняшнее развитие AI гарантирует долговечное наследие беспрецедентной compute capacity, готовой к будущим революциям.

Не все разделяют безудержный оптимизм относительно преобразующей силы AI. Технический писатель Cal Newport, видный сторонник deep work и focused productivity, выдвигает значительный «медвежий» аргумент против преобладающего ажиотажа вокруг AI. Он предостерегает, что обещанная революция может не произойти так быстро или глубоко, как предполагают ее сторонники, оспаривая нарратив неизбежного, быстрого прогресса.

Основная озабоченность Newport сосредоточена на потенциале AI ухудшать, а не улучшать подлинный когнитивный результат. Он утверждает, что чрезмерная зависимость от инструментов AI рискует способствовать metacognitive laziness, когда люди делегируют критическое мышление и решение сложных проблем алгоритмам. Эта зависимость может снизить человеческую способность к deep work, препятствуя тем самым инновациям и проницательности, которые AI, как утверждается, ускоряет.

Первоначальный рост производительности от AI, по мнению Newport, может оказаться поверхностным или даже иллюзорным в долгосрочной перспективе. Хотя AI может автоматизировать рутинные задачи, эти выгоды могут быть нивелированы новыми неэффективностями. Пользователи тратят значительное время на prompt engineering, проверку сгенерированного AI вывода на точность и управление возросшей информационной перегрузкой, которую может создавать AI. Эти скрытые издержки часто остаются неизмеренными.

Эта точка зрения предполагает, что ИИ может стать еще одним источником цифрового отвлечения и поверхностного вовлечения, а не катализатором глубокого прогресса. Подобно тому, как электронная почта и социальные сети обещали эффективность, но часто фрагментировали внимание, инструменты AI, при неправильном использовании, могут еще больше подорвать нашу способность концентрироваться на ценных, продолжительных интеллектуальных усилиях.

Ньюпорт советует проявлять здоровый скептицизм по отношению к экстремальной риторике, окружающей немедленное влияние AI. Он утверждает, что окончательные выводы о долгосрочных социальных и экономических последствиях AI остаются преждевременными. Вместо того чтобы слепо принимать каждый новый инструмент, он выступает за критическую оценку того, как AI действительно дополняет человеческий интеллект и способствует значимому прогрессу, а не просто автоматизирует существующие процессы.

В конечном итоге, Ньюпорт призывает к осторожности, предполагая, что истинная мера ценности AI проявится в результате тщательной, обдуманной интеграции, которая ставит во главу угла глубокое человеческое участие и критическое мышление. Нынешняя лихорадка, по его мнению, рискует принять автоматизацию за дополнение, что потенциально может привести к широкому разочарованию, если революционные обещания не материализуются в ожидаемые сроки.

Дэвид Шапиро утверждает, что многие академические оценки реального воздействия AI страдают от критического недостатка практического отраслевого опыта. Этот разрыв часто приводит к анализам, которые, будучи теоретически обоснованными, упускают нюансы того, как профессионалы на самом деле интегрируют инструменты AI в свои рабочие процессы. Получающиеся в результате академические статьи и публичные дискуссии часто рисуют картину, далекую от повседневных реалий инженеров и разработчиков, использующих эти технологии.

Рассмотрим широко цитируемое исследование, которое якобы показало, что инструменты AI замедляли работу инженеров. Это исследование, часто освещаемое в заголовках СМИ, представило, казалось бы, убийственное обвинение в отношении немедленных преимуществ AI для производительности. Однако Шапиро указывает на фундаментальный недостаток в его методологии: исследование обычно включало просьбу к опытным инженерам использовать незнакомого AI-помощника в уже знакомой кодовой базе. Участникам, экспертам в своей области, был предоставлен новый инструмент с небольшим предварительным обучением или временем на интеграцию.

Такой экспериментальный дизайн изначально искажает результаты, заставляя пользователей адаптироваться к новой когнитивной нагрузке при навигации по существующим, хорошо понятным системам. Это сродни просьбе к шеф-повару освоить совершенно новый, сложный кухонный гаджет посреди обслуживания; первоначальное трение неизбежно. Реальные приросты производительности редко проистекают из простого дополнения существующих, оптимизированных задач новым, незнакомым помощником. Исследование упускает из виду крутую кривую обучения, связанную с эффективным освоением любого нового инструмента, особенно такого динамичного, как генеративный AI.

Вместо этого, наиболее значительные ускорения происходят благодаря способности AI значительно сокращать время от нуля до рабочего продукта. Эти инструменты превосходно справляются с запуском проектов, генерацией начального шаблонного кода или исследованием новых решений, которые в противном случае потребовали бы обширных ручных исследований и разработок. AI-помощник может быстро заложить основу для API-конечной точки, набросать базовый UI-компонент или описать сложный алгоритм, позволяя инженерам немедленно сосредоточиться на доработке и продвинутой логике.

Академические исследования часто упускают из виду это решающее преимущество «холодного старта», вместо этого сосредотачиваясь на постепенных улучшениях или препятствиях в устоявшихся, привычных рабочих процессах. Этот узкий фокус создает искаженное представление, порождая сенсационные заголовки, которые искажают фактическую полезность AI. Общественный нарратив затем резко расходится с опытом тех, кто активно интегрирует эти инструменты в промышленность и извлекает из них выгоду. Для получения дополнительной информации о более широких экономических последствиях AI вы можете изучить такие исследования, как How artificial intelligence impacts the US labor market | MIT Sloan. Этот разрыв между академической теорией и практическим применением подпитывает скептицизм, скрывая трансформационный потенциал, который AI уже демонстрирует в бесчисленных командах разработчиков.

Сообщения о необычайном росте производительности часто определяют истинное влияние AI, часто ускользая от традиционных метрик. Опытные пользователи постоянно описывают 10-кратный до 100-кратный прирост, трансформирующий их рабочие процессы и результаты. Это не постепенные улучшения; они представляют собой совершенно новые парадигмы для творческих и аналитических задач.

Ученые и традиционные экономисты часто отвергают эти случаи как «выбросы», утверждая, что такие экстремальные повышения эффективности не являются статистически репрезентативными для более широкого внедрения. Они утверждают, что несколько исключительных пользователей не определяют общую полезность технологии или ее экономический вклад. Эта точка зрения отдает приоритет агрегированным данным над индивидуальным, преобразующим опытом.

Тем не менее, этот академический скептицизм упускает из виду фундаментальный принцип, сформулированный основателем Amazon Джеффом Безосом: «Когда анекдот не согласуется с данными, выбирайте анекдот». Для AI анекдоты от его наиболее интенсивных пользователей предполагают разрушительную силу, намного превосходящую то, что могут зафиксировать текущие агрегированные данные, намекая на его истинный, неизмеренный потенциал.

David Shapiro, философ AI и оператор индустрии, подчеркивает это расхождение. Он критикует академические анализы за частое отсутствие реального отраслевого опыта, что приводит к слепому пятну в отношении практического применения AI. Shapiro указывает на то, как ветераны индустрии интуитивно понимают нюансы, которые упускают академические работы.

Shapiro предлагает личную иллюстрацию трансформационной способности AI. Он описывает ведение параллельных исследовательских бесед, используя AI для одновременного изучения нескольких направлений запроса. Это не просто более быстрое выполнение существующей работы; это позволяет создавать совершенно новые, высокоэффективные рабочие процессы, ранее невозможные для одного человека.

Такая параллельная обработка генерирует идеи и ускоряет циклы разработки с беспрецедентной скоростью. Эти качественные изменения в возможностях, хотя и трудно поддающиеся количественной оценке традиционными средствами, являются именно тем, что движет феноменом пользователя 100x. Они переопределяют то, что может выполнить один человек, бросая вызов самим рамкам, используемым для измерения производительности и ценности в цифровую эпоху.

Расхождение между статистическими средними и индивидуальным опытом опытных пользователей подчеркивает критическую проблему в оценке экономического следа AI. Технология не просто автоматизирует задачи; она фундаментально изменяет характер работы для тех, кто ею овладевает, создавая ценность, которую текущие модели с трудом поддаются количественной оценке.

В предыдущих разделах подробно описывалось колоссальное развитие инфраструктуры ИИ и его потенциал для достижения беспрецедентного роста производительности. Теперь разговор переходит к самой насущной и острой человеческой проблеме: будущему работы. На фоне многотриллионных инвестиций и грандиозных планов сохраняются опасения по поводу вытеснения рабочих мест, что вызывает пристальное внимание к реальному влиянию ИИ на рынок труда.

Недавние исследования предлагают более тонкую картину, оспаривая широко распространенные опасения по поводу массовой безработицы. С конца 2022 года исследования не выявили систематического роста уровня безработицы среди работников в профессиях, подверженных влиянию ИИ. Несмотря на быстрое распространение инструментов генеративного AI, массовых увольнений, напрямую связанных с автоматизацией AI, не произошло в крупных экономиках. Это говорит о том, что непосредственное влияние сложнее, чем простая игра с нулевой суммой.

Однако более пристальный взгляд выявляет скрытые изменения. Хотя массовое уничтожение рабочих мест по-прежнему отсутствует, данные указывают на заметное замедление найма молодых работников, особенно в возрасте 22-25 лет. Эта когорта, часто входящая в области, наиболее подверженные ранней интеграции AI, сталкивается с сокращением возможностей в таких ролях, как поддержка клиентов и разработка программного обеспечения начального уровня. Компании, использующие AI для первичного отбора и автоматизации базовых задач, могут нанимать меньше новых выпускников для этих конкретных функций.

Эта динамика указывает на период трансформации рабочих мест, а не на их полное уничтожение. AI не просто заменяет существующие роли; он активно создает совершенно новые. Быстро развивающиеся карьерные пути включают: - Prompt engineering - AI ethics specialists - Data annotators - AI-driven platform developers Кроме того, инструменты AI расширяют существующие рабочие места, наделяя работников расширенными возможностями и смещая акцент на более сложные задачи, требующие человеческой креативности, критического мышления и навыков межличностного общения.

В конечном итоге, отчет AI о рынке труда сложен, отражая систему в состоянии изменений. Хотя массовая безработица остается в значительной степени гипотетической, определенные демографические группы и должности начального уровня сталкиваются с реальными проблемами. Продолжающийся переход требует адаптивных навыков и проактивного подхода к переквалификации, подчеркивая роль AI как мощного катализатора эволюции во всех секторах глобальной рабочей силы. Этот период определит, как общества будут управлять неизбежными структурными изменениями, которые вносит AI.

Хотя многотриллионные инвестиции в инфраструктуру AI кажутся абстрактными, их физическое проявление укореняет эту революцию в местных сообществах. Гигантские центры обработки данных, вмещающие тысячи GPUs, вызывают законные, ощутимые опасения: постоянный низкочастотный гул от мощных систем охлаждения, значительное потребление воды для рассеивания тепла и огромная нагрузка на местные электрические сети. Каждое такое сооружение требует огромного количества электроэнергии, часто эквивалентного небольшому городу.

Гиперскейлеры, такие как Microsoft, Meta и Google, развертывают эти энергоемкие комплексы по всему миру, перемещаясь из традиционных технологических центров в пригородные и сельские районы. Эта децентрализация резко увеличивает локализованный спрос на электроэнергию и может потребовать новых линий электропередачи или модернизации подстанций, напрямую затрагивая жителей. Совокупный эффект от десятков новых объектов представляет беспрецедентные вызовы для региональных коммунальных служб и природоохранных органов.

Эти вызовы, хотя и значительны, не являются беспрецедентными в промышленной истории. Сообщества справлялись с размещением и воздействием других крупномасштабных инфраструктурных проектов – от заводов и химических предприятий до аэропортов и автомагистралей – через установленные нормативно-правовые рамки. Нынешнее развитие отражает более ранние промышленные сдвиги, требуя аналогичного тщательного планирования и взаимодействия с сообществом.

Вместо федеральных мораториев, подходящими площадками для управления этими местными воздействиями остаются местные органы власти: зонирующие советы, комиссии по планированию и собрания городских советов. Эти органы обладают полномочиями и местными знаниями для согласования стратегий снижения шума, требований по управлению водными ресурсами и вкладов застройщиков в модернизацию инфраструктуры. Процессы выдачи разрешений и оценки воздействия на окружающую среду предоставляют механизмы для индивидуальных решений.

Это локализованное политическое участие имеет решающее значение для балансирования технологического прогресса с благополучием сообщества. Прозрачный диалог между технологическими гигантами и жителями гарантирует, что выгоды перевешивают локализованные бремена, напрямую решая проблемы. Для более глубокого понимания того, как эта местная динамика формирует более широкую политику, изучите анализы, такие как How AI Data Centers Are Shaping Politics - Lawfare.

Беспрецедентное развитие AI не поддается легкой категоризации как простого пузыря. Дэвид Шапиро убедительно представляет его как второй по величине мегапроект в истории по проценту ВВП, частное предприятие, затмевающее все, кроме Marshall Plan. В отличие от эфемерных Tulip Mania, эти инвестиции создают долговечные активы: огромные центры обработки данных, передовые GPU и надежную энергетическую инфраструктуру, все спроектировано для долговечности. Только Hyperscalers выделили около $125 миллиардов на центры обработки данных AI в период с января по август 2024 года, создавая физические и цифровые основы, которые будут существовать десятилетиями, подобно трансконтинентальным железным дорогам или изначально избыточно построенным оптоволоконным сетям интернета.

Прирост производительности от этой новой инфраструктуры, несомненно, реален, хотя в настоящее время сконцентрирован. Сообщения об улучшении эффективности в «10-100 раз» регулярно поступают от опытных пользователей, использующих передовые модели и сложные инструменты. Хотя эти достижения еще не повсеместно распространены среди всей рабочей силы, они предвещают значительный сдвиг в операционных возможностях. Одновременно рынок труда адаптируется; широкомасштабный коллапс остается неподтвержденным, при этом роли быстро развиваются, а не просто исчезают. Это указывает на глубокую трансформацию, а не на катастрофическое вытеснение.

Окончательная окупаемость инвестиций для каждой отдельной компании остается спекулятивной неизвестностью. Некоторые фирмы неизбежно потерпят неудачу, их заоблачные оценки окажутся неустойчивыми в долгосрочной перспективе. Тем не менее, формирующаяся сейчас фундаментальная инфраструктура — от огромных серверных ферм до передовых фабрик по производству чипов и критически важной сетевой инфраструктуры — несомненно, станет основой следующей технологической эры. Эти огромные капитальные затраты, которые, по прогнозам, увеличат мировой рынок серверов для центров обработки данных в пять раз до почти 1 триллиона долларов к 2030 году, создают необратимую платформу для инноваций и устойчивого роста во множестве секторов.

Это колоссальное развитие AI представляет собой ставку с высокими рисками на будущее, коллективный прыжок веры в эру продвинутого сотрудничества человека и машины. Это инвестиция, которую мы не можем позволить себе потерять, формирующая не только отрасли и экономики, но и саму ткань того, как мы работаем, учимся и взаимодействуем в глобальных сетях. Физическая и вычислительная основа, заложенная сегодня, определит темп и направление технологического прогресса для будущих поколений, закрепляя роль AI как преобразующей, долговечной силы в обществе.

Является ли текущий бум AI пузырем?

Хотя он имеет характеристики пузыря из-за массивных частных инвестиций, многие эксперты утверждают, что это развитие инфраструктуры, создающее долговечные активы, такие как центры обработки данных, а не чисто спекулятивный пузырь, подобный Tulip Mania.

Как строительство центров обработки данных для AI соотносится с прошлыми проектами?

В процентном отношении к ВВП текущее строительство инфраструктуры AI считается вторым по величине мегапроектом в истории, уступая только Плану Маршалла. В отличие от прошлых проектов, он почти полностью финансируется из частных источников.

Действительно ли AI повысит производительность?

Данные противоречивы. Академические исследования показывают смешанные результаты, иногда даже снижение производительности. Однако опытные пользователи в отрасли и неофициальные данные сообщают о росте производительности в 10-100 раз, что указывает на значительное расхождение между контролируемыми исследованиями и реальным применением.

Как AI влияет на рынок труда прямо сейчас?

Текущие данные не показывают систематического роста безработицы в областях, подверженных влиянию AI. Однако наблюдается заметное замедление найма молодых специалистов на такие должности, как разработка программного обеспечения, при этом также создаются новые рабочие места, связанные с AI.