Цель проекта и Исследовательский вопрос
Сформулировать и визуально доказать, как распределяется риск автоматизации профессий к 2030 году — и перевести абстрактный страх перед ИИ в конкретные цифры, паттерны и практические выводы.
Как распределяется риск автоматизации профессий к 2030 году, и какие факторы (зарплата, опыт, образование, AI Exposure) реально предсказывают уязвимость?
01 · Мы видим тенденцию
Рутина уходит первой — и это уже видно в цифрах По 3 000 профессиям в модели Kaggle: 50,7% — Medium risk (частичная автоматизация), 24,7% — High (до 95% у Retail, Security, Construction). Разрыв автоматизации High/Low — 4,7× (83% vs 17,7%). Зарплата и диплом не предсказывают риск — предсказывает повторяемость задач.
02 · Это ведёт к…
Поляризации рынка труда, а не к «массовой безработице» Тенденция ведёт к трёхслойной структуре: 1. High risk — рутинный труд сжимается 2. Medium — половина профессий трансформируется в гибрид «человек + ИИ» 3. Low — растёт спрос на роли с контекстом, эмпатией, творчеством, ответственностью за решения. Исчезают не профессии целиком — исчезают рутинные задачи внутри них
03 · Мир придёт к…
Экономике «человек + ИИ», не «человек vs ИИ» К 2030 году мир придёт к модели, где каждый работник — оператор, редактор или архитектор ИИ-систем. Рутину выполняют алгоритмы; человек задаёт цели, проверяет ошибки, общается с людьми, принимает решения в неопределённости. Новые рабочие места появятся там, где нужны смысл, доверие и ответственность — там, где машина пока слаба.
Плюсы трансформации — для кого и как
Тенденция пугает только если смотреть на неё как на «замену людей»
Если смотреть как на замену рутины — открывается пространство для новых профессий и более человечной
Краткая выжимка для читателя, который хочет понять суть до погружения в графики и методологию.
Ключевой парадокс исследования: доход не коррелирует с риском. Средняя зарплата в Medium risk ($90 451) даже выше, чем в High ($87 359). И «близость к ИИ» (AI Exposure Index ≈ 0,50 для всех категорий) тоже не объясняет уязвимость. Решает тип задач: рутинные, повторяющиеся, физические — Retail, Security, Construction, Truck Driver, Customer Support — составляют ядро High risk
Почему эта тема?
К 2030 году искусственный интеллект меняет рынок труда быстрее, чем успевают адаптироваться образование, HR и государственная политика. Разговоры об «ИИ заберёт все профессии» создают тревогу, но почти не дают опоры: какие роли реально под ударом, где зона частичной автоматизации, а где относительная безопасность.
Мы выбрали тему «ИИ и рынок труда к 2030 году», потому что она одновременно актуальна для широкой аудитории и хорошо ложится на визуализацию данных: здесь есть категории, доли, сравнения и понятная драматургия «тенденция → следствие → что делать читателю».
Главная мысль проекта: ИИ забирает не людей, а рутину. Это меняет правила карьеры, образования и переобучения — и именно это мы показываем через данные.
Почему эти данные?
Источник — открытый датасет Kaggle: AI Impact on Jobs Market in 2030 (Muhammad Waqas), 3 000 записей, 18 признаков на профессию:
категория риска (High / Medium / Low); вероятность автоматизации к 2030; зарплата, опыт, образование; AI Exposure Index и другие параметры.
Польза инфографики для читателя
1. Масштаб без паники — не «все потеряют работу», а структура: ~50,7% Medium, ~24,7% High, ~24,6% Low. 2. Конкретика — видно, какие роли в ядре риска: Retail Worker, Security Guard, Construction Worker, Truck Driver, Customer Support. 3. Практика — ориентиры для выбора карьеры, переобучения и HR-стратегий: куда смотреть детям, как переквалифицироваться за 6–18 месяцев. 4. Data literacy — каждый график построен по схеме причина → данные → вывод; читатель учится не бояться цифр, а читать их как аргумент.
Целевая аудитория: студенты HSE Design и смежных программ, HR, все, кто планирует карьеру в эпоху ИИ.
Что содержит датасет
Для каждой записи (профессии) указаны: • Job_Title — название профессии (20 уникальных названий с повторениями по другим параметрам) • Average_Salary — средняя зарплата, USD (~$45 000 — $135 000) • Years_Experience — опыт работы, лет (0–30) • Education_Level — уровень образования (High School / Bachelor’s / Master’s / PhD) • AI_Exposure_Index — степень «контакта» профессии с ИИ (0–1) • Tech_Growth_Factor — фактор технологического роста • Automation_Probability_2030 — вероятность автоматизации к 2030 (0–1) — главная метрика • Risk_Category — категория риска: High / Medium / Low — главная группировка • Skill_1 … Skill_10 — оценки 10 навыков (0–1)
Процесс создания: обработка данных, AI-инструменты, пайплайн
Пайплайн (8 этапов)
Постановка задачи Тема: «ИИ и рынок труда к 2030 году». Сформулировали исследовательский вопрос, гипотезы, целевую аудиторию. Определили ключевые метрики: Risk Category, Automation Probability, Salary, AI Exposure Index.
Получение данных Скачали CSV с Kaggle. Проверили структуру: 3000 строк, 18 признаков, 20 уникальных Job Title, отсутствие пропусков в ключевых полях.
Обработка данных (Python + pandas) загрузка CSV, проверка типов; группировка по Risk_Category — count и %; расчёт средних: Automation_Probability_2030, Average_Salary, AI_Exposure_Index по категориям; top-N анализ: 8 профессий с max automation, 6 доминирующих в High risk; расчёт ratio High/Low (4,7×); экспорт insights.json — синхронизация чисел в тексте и на графиках.
Визуализация (matplotlib + Pillow) Скрипт build_longread.py генерирует: графики, bar-графики (распределение рисков, автоматизация, зарплата, топ профессий); круговые и кольцевая диаграммы (risk pie, high risk donut, automation pie); обложку журнала (cover_magazine.png) и фоновые ассеты; единая палитра Labor:
98D8C8 /
F9F871 / #FF96AD; подписи значений на графиках, источник внизу каждого PNG.
AI-инструменты в процессе Cursor + Claude — написание и отладка build_longread.py, HTML/CSS longread, текстовые блоки исследования, структура narrative «причина → график → вывод»; Figma — layout, мокапы (обложка журнала, A4 vert/horiz); AI использовался для ускорения кода и редактуры, все числа верифицированы вручную по исходному CSV.
Дизайн и вёрстка HTML + CSS longread по style guide (Apple-inspired: fog/snow, Inter, radius 28px); editorial-обложка журнала Labor (градиент + типографика); текст — HTML-блоками, графики — отдельными PNG (не встроены в картинки).
Редактура и QA каждый график получил блок «Причина → Вывод» + интерпретацию + рекомендацию для читателя; проверка: числа в тексте = числа на графиках;
Финальная сборка longread для публикации на hsedesign.ru.
Исходные данные и источник
Источник: открытый датасет Kaggle Название: AI Impact in future on jobs market in 2030 Автор: Muhammad Waqas Объём: 3 000 записей (строк), 18 признаков (столбцов) Тип данных: синтетическая модель прогноза влияния ИИ на профессии к 2030 году
К 2030 году искусственный интеллект изменит структуру занятости быстрее, чем успеют адаптироваться образовательные программы и HR-политики. Мы визуализируем, какие профессии попадают в зону высокой автоматизации — и как связаны риск, зарплата, экспозиция к ИИ и тип задач
Исследовательский вопрос: как распределяется риск автоматизации профессий к 2030 году, и какие факторы (зарплата, опыт, образование, AI Exposure) реально предсказывают уязвимость?
Гипотеза (опровергнута частично): мы ожидали, что высокий риск = низкая зарплата и низкий AI Exposure. Данные показали обратное: зарплаты почти равны, AI Exposure одинаков (~0,50), а решает характер работы — рутина vs когниция
Почему 2030 и почему эти данные 2030 — горизонт, который используют McKinsey, WEF и OECD для прогнозов автоматизации. Kaggle-датасет «AI Impact on Jobs Market in 2030» моделирует этот сценарий: для каждой профессии заданы зарплата, опыт, образование, 10 навыков, AI Exposure и вероятность автоматизации.
Датасет синтетический — это не перепись населения, а модель для обучения и визуализации. В нём всего 20 уникальных названий профессий, но 3 000 строк с вариациями по опыту, зарплате и навыкам. Это важно: мы не утверждаем, что «в мире только 20 профессий», а показываем паттерны внутри модели.
Что такое Risk Category? Автор датасета классифицировал каждую запись по Automation Probability: High (высокая вероятность замены), Medium (частичная), Low (низкая). Это производная переменная — не независимый факт, а результат модели.
Что такое AI Exposure Index? Насколько профессия «контактирует» с ИИ-технологиями (0–1). Парадокс: High risk имеет AI Exposure 0,510, Low — 0,496. Разница 1,4%. «Работать с ИИ» ≠ «быть заменённым ИИ».
Источник, структура, метод обработки
Интерпретация
Распределение не симметрично: «хвост» Low risk — самый короткий. Для политики занятости это значит, что программы переобучения должны ориентироваться не только на «спасение от полной замены», но и на трансформацию Medium-ролей — их больше всего. Для студента: «безопасная» зона — меньше четверти рынка в модели.
Для читателя: если ваша профессия в Medium — готовьтесь к гибридной работе с ИИ-инструментами, а не к исчезновению роли.
Интерпретация
Risk Category — не произвольная метка, а прямое отражение Automation Probability. High risk = в среднем 83% вероятность замены задач Medium = 50% (половина работы может быть автоматизирована) Low = 17,7%.
Градиент монотонный — чем выше категория, тем выше число.
Для читателя: спросите себя: «Какой % моих ежедневных задач — рутина?» Если >50% — вы ближе к Medium/High, независимо от диплома.
Интерпретация
Retail Worker, Security Guard, Construction Worker, Customer Support, Truck Driver — профессии с повторяющимися, предсказуемыми задачами. Все 8 записей в топе имеют 95% automation и категорию High. Пунктир на 83% — среднее High: топовые роли на 12 п. п. выше среднего по категории.
Для читателя: если ваша работа — «стоять, охранять, продавать, возить, отвечать на однотипные запросы» — это зона максимального риска в модели. Навык «уметь пользоваться ChatGPT» не отменяет рутину.
Интерпретация
Разброс средних зарплат опровергает интуицию «автоматизируют только дешёвый труд». В модели высокооплачиваемые Medium-роли (аналитики, менеджеры) тоже в зоне 50% автоматизации.
Для читателя: не выбирайте карьеру только по зарплате. $90k в Medium risk — не «победа над ИИ», а зона частичной трансформации.
Интерпретация
Из 740 записей High risk: Construction Worker — 153 (21%), Security Guard — 152 (21%), Retail Worker — 152 (21%), Truck Driver — 150 (20%), Customer Support — 133 (18%). Суммарно 740 из 740 — топ-6 покрывают 100%, топ-5 — ~70%. High risk в модели = концентрация, а не «размазанность».
Для читателя: политика переобучения и HR-стратегии должны таргетировать эти 5 ролей в первую очередь. Универсальные «курсы по ИИ» без привязки к профессии — слабый инструмент.
Интерпретация
Для читателя: «безопасная» зона Low — не главная часть рынка в модели; планируйте карьеру исходя из Medium как нормы, а не исключения
Интерпретация
Для читателя: даже без привязки к названию профессии — если ваши задачи попадают в Mid/High auto, модель предсказывает трансформацию или замену
Куда идти детям, выпускникам и всем остальным
Главная мысль в действии: если тенденция — автоматизация рутины, а мир придёт к «человек + ИИ», то вот конкретные маршруты — без абстракций.
