AI nie zabiera jeszcze masowo etatów. Najpierw zmienia to, kogo firmy zatrudniają.
W skrócie
Najświeższe dane z USA nie pokazują fali zwolnień w zawodach najbardziej wystawionych na AI. Pokazują jednak wcześniejszy sygnał: słabszy napływ młodych pracowników do ról, których zadania LLM-y już realnie wykonują. Dla e-commerce wniosek nie brzmi „zastąp zespół AI”, tylko „zanim dodasz etat do powtarzalnego procesu cyfrowego, sprawdź, czy proces nie powinien zostać przebudowany”.
Spis treści
- Co naprawdę mierzy Anthropic
- Nie ma jeszcze fali zwolnień
- Pierwszy sygnał pojawia się w rekrutacji
- Nowsze dane Census wzmacniają ten obraz
- Które role są najbardziej wystawione
- Co to oznacza dla e-commerce
- Pięć procesów do sprawdzenia przed kolejnym etatem
- Czego te dane nie dowodzą
1. Co naprawdę mierzy Anthropic
W marcu 2026 Anthropic opublikował analizę amerykańskiego rynku pracy opartą na nowej miarze observed exposure. Łączy ona teoretyczną zdolność LLM do przyspieszenia zadania, rzeczywiste wykorzystanie Claude oraz to, czy użycie ma charakter zawodowy i automatyzujący, a nie tylko wspomagający.
Ekspozycja nie oznacza utraty pracy. Oznacza, że część zadań składających się na daną rolę jest już wykonywana z użyciem AI w sposób, który może wpływać na popyt na pracę.
2. Nie ma jeszcze fali zwolnień
W danych Current Population Survey Anthropic nie znalazł systematycznego wzrostu bezrobocia wśród pracowników najbardziej wystawionych na AI od końca 2022 roku. Różnica względem grup o niskiej lub zerowej obserwowanej ekspozycji była statystycznie nieodróżnialna od zera.
To nie znaczy, że AI nie zmienia rynku pracy. Sugeruje raczej, że pierwsza mierzalna zmiana może pojawiać się gdzie indziej niż w masowych redukcjach zatrudnienia.
3. Pierwszy sygnał pojawia się w rekrutacji
W grupie 22–25 lat Anthropic zaobserwował rozjazd od około 2024 roku. Miesięczna stopa znajdowania nowej pracy w zawodach bez obserwowanej ekspozycji pozostawała w okolicach 2%, podczas gdy wejścia do najbardziej wystawionych zawodów spadły o około 0,5 pkt proc.
Średni szacunek dla okresu po premierze ChatGPT wskazuje na około 14% niższą stopę znajdowania pracy przez osoby w wieku 22–25 lat w najbardziej wystawionych zawodach względem poziomu z 2022 roku. Autorzy podkreślają, że wynik jest zaledwie na granicy istotności statystycznej i nie występuje analogiczny spadek wśród osób powyżej 25 lat.
14% nie oznacza „14% mniej etatów”. To szacunek spadku stopy znajdowania nowej pracy przez młodych pracowników w wysoko eksponowanych zawodach. Tego wskaźnika nie należy zamieniać w ogólny spadek zatrudnienia.
4. Nowsze dane Census wzmacniają ten obraz
We wrześniu 2026 Center for Economic Studies przy U.S. Census Bureau opublikował working paper oparty na danych administracyjnych absolwentów uczelni. W najbardziej wystawionym na AI decylu kierunków studiów prawdopodobieństwo pierwszego zatrudnienia po studiach spadło o 5 pkt proc., a początkowe zarobki za pełny kwartał o 13% po upowszechnieniu generatywnego AI.
Około połowę spadku zarobków autorzy wiążą z niższymi zarobkami w sektorach zatrudniających absolwentów, a pozostałą część ze zmianą struktury zatrudnienia w stronę sektorów o niższych płacach, takich jak gastronomia i retail. Efekt słabnie wraz z oddaleniem od wejścia na rynek pracy, ale pozostaje wyraźny dla najbardziej eksponowanych kierunków.
To nadal nie jest dowód, że AI jest jedyną przyczyną. Jest to jednak niezależny sygnał zgodny z hipotezą, że wpływ generatywnego AI może być widoczny najpierw przy wejściu na rynek pracy.
5. Które role są najbardziej wystawione
W miarze Anthropic na szczycie znalazły się role o pracy cyfrowej, powtarzalnej i możliwej do przekazania modelowi w postaci danych lub tekstu. Computer Programmers mają około 75% pokrycia zadań, wysoko są też Customer Service Representatives, Data Entry Keyers oraz Financial Analysts.
Na drugim końcu 30% pracowników ma w tej konkretnej miarze zerowe pokrycie. Wśród przykładów są kucharze, mechanicy motocyklowi, ratownicy, barmani i osoby zmywające naczynia. Nie oznacza to, że te zawody są „bezpieczne od AI”. Oznacza tylko, że ich zadania pojawiały się zbyt rzadko w danych o użyciu Claude, aby przekroczyć próg obserwowanego pokrycia.
| Wzorzec pracy | Ekspozycja na LLM | Przykład w e-commerce |
|---|---|---|
| Tekst + reguły + dane wejściowe | Wysoka | opisy produktów, klasyfikacja, pierwsza odpowiedź CS |
| Analiza wielu źródeł cyfrowych | Rosnąca | raporty, alerty, monitoring kanałów |
| Ocena z kontekstem biznesowym | Częściowa | decyzje cenowe, wyjątki operacyjne, priorytety |
| Praca fizyczna i terenowa | Niska w tej miarze | magazyn, pakowanie, serwis fizyczny |
6. Co to oznacza dla e-commerce
W e-commerce wiele procesów jest cyfrowych, powtarzalnych, opartych na regułach i wykonywanych na dużej liczbie podobnych rekordów. Dlatego praktyczne pytanie nie brzmi: „ile osób zastąpi AI?”. Lepsze pytanie brzmi: których zadań nie powinniśmy już skalować przez dokładanie kolejnych godzin pracy?
To różnica między redukcją zespołu a zmianą architektury operacyjnej. AI może przejąć przygotowanie, klasyfikację, monitoring i pierwszą wersję odpowiedzi, podczas gdy człowiek zachowuje kontrolę nad wyjątkami, decyzjami i odpowiedzialnością.
7. Pięć procesów do sprawdzenia przed kolejnym etatem
- Produkcja listingów. Generowanie i adaptacja opisów, atrybutów oraz treści kanałowych z jednego źródła danych.
- Wzbogacanie danych produktowych. Klasyfikacja, mapowanie kategorii, wykrywanie braków i normalizacja danych przed publikacją.
- Pierwsza linia Customer Service. Klasyfikacja zgłoszeń, zebranie kontekstu zamówienia i przygotowanie odpowiedzi do akceptacji.
- Monitoring kanałów. Wykrywanie błędów feedów, zmian statusów, odchyleń i wyjątków zamiast ręcznego sprawdzania paneli.
- Reporting i przygotowanie decyzji. Zbieranie danych, komentarz do odchyleń i przygotowanie materiału, na którym operator podejmuje decyzję.
W każdym z tych przypadków celem nie powinno być „AI zamiast człowieka”. Celem jest usunięcie ręcznej pracy, która nie wymaga ludzkiej odpowiedzialności, doświadczenia ani oceny sytuacji.
8. Czego te dane nie dowodzą
Badanie Anthropic dotyczy rynku pracy w USA i wykorzystuje dane o użyciu Claude. Nie jest więc bezpośrednim pomiarem rynku polskiego ani europejskiego i nie obejmuje całego wykorzystania AI. Observed exposure mierzy pokrycie zadań, a nie prawdopodobieństwo likwidacji stanowiska.
Badanie Census dotyczy absolwentów amerykańskich uczelni i ma status working paper. Należy je traktować jako bieżący wynik badawczy, a nie ostateczny konsensus naukowy.
Najbardziej użyteczny sygnał dla operatora e-commerce jest prostszy: zanim zatrudnisz kolejną osobę do procesu, który rośnie liniowo wraz z liczbą SKU, kanałów lub ticketów, sprawdź, czy problemem nie jest sam projekt procesu.
AI Automation w Pleroma Commerce
Projektujemy automatyzacje wokół realnych procesów e-commerce: danych produktowych, marketplace'ów, Customer Service, monitoringu i raportowania. Najpierw mapujemy wyjątki i odpowiedzialność, dopiero potem automatyzujemy.
Źródła
- Anthropic, Labor market impacts of AI: A new measure and early evidence, 5 marca 2026.
- U.S. Census Bureau, Center for Economic Studies, Graduating into Disruption: Labor Market Outcomes for AI-Exposed College Majors, wrzesień 2026.
- Anthropic, What 81,000 people told us about AI economics, 22 kwietnia 2026.