AI a rynek pracy 2026 — Zagrożenie ze strony sztucznej inteligencji dla rynku pracy jest jak dotąd niewidoczne w danych o bezrobociu — ale pierwsze sygnały ostrzegawcze dotyczące młodszych pracowników już się pojawiły. Raport Anthropic „Labor market impacts of AI: A new measure and early evidence” (marzec 2026) wprowadza nową miarę rzeczywistej ekspozycji na AI — observed exposure — łączącą teoretyczne możliwości modeli językowych z danymi o faktycznym użyciu narzędzia Claude w środowiskach zawodowych. Wyniki są niejednoznaczne: żadnego wzrostu bezrobocia wśród najbardziej narażonych zawodów, ale statystycznie mierzalne spowolnienie zatrudniania pracowników w wieku 22–25 lat właśnie w tych rolach. Dla decydentów zarządzających zasobami ludzkimi i planujących wdrożenia AI to nie sygnał uspokojenia, lecz punkt startowy do monitorowania.
- Rzeczywista ekspozycja AI jest ułamkiem możliwości teoretycznych: w zawodach komputerowo-matematycznych potencjał wynosi 94%, faktyczne pokrycie — 33% (Anthropic, 2026).
- Brak wzrostu bezrobocia wśród najbardziej narażonych grup od końca 2022 r. (dane CPS, Anthropic, 2026).
- Spowolnienie przyjmowania do pracy pracowników 22–25 lat w zawodach wysokiego ryzyka: szacowany spadek wskaźnika znajdowania pracy o 14% (Anthropic, 2026).
- Pracownicy najbardziej narażeni są częściej kobietami, lepiej wykształconymi i lepiej opłacanymi — to odwrócenie klasycznego wzorca automatyzacji.
- Sektor technologiczny, finanse i obsługa klienta mają najwyższe rzeczywiste wskaźniki ekspozycji; budownictwo, rolnictwo i gastronomia — najniższe.
Czym jest „observed exposure” i dlaczego dotychczasowe miary zawodziły
Większość dotychczasowych analiz opierała się wyłącznie na ocenach teoretycznych — czy dany model językowy mógłby potencjalnie przyspieszyć zadanie dwukrotnie lub bardziej. Raport Anthropic pokazuje, że ta miara jest niewystarczająca: koreluje słabo z prognozami zatrudnienia BLS, podczas gdy nowa miara observed exposure wykazuje istotną ujemną zależność.
Observed exposure (dosłownie: zaobserwowana ekspozycja) to wskaźnik łączący trzy źródła danych: bazę zadań zawodowych O*NET (~800 zawodów), dane o faktycznym użyciu Claude z Anthropic Economic Index oraz teoretyczną ocenę zdolności modeli językowych autorstwa Eloundou i współpracowników (2023). Zadanie zawodowe jest „pokryte” przez AI, gdy spełnia trzy warunki: jest teoretycznie wykonalne przez model językowy, faktycznie pojawia się w ruchu Claude związanym z pracą zawodową, i odbywa się w sposób automatyzujący (nie tylko wspomagający).
Dlaczego to rozróżnienie ma znaczenie praktyczne? Automatyzacja eliminuje udział człowieka w zadaniu; wspomaganie (augmentacja) jedynie przyspiesza jego wykonanie. Raport przypisuje automatyzacji pełną wagę, augmentacji — połowę. Dla działu HR planującego redukcję etatów to fundamentalna różnica.
Historia poprzednich prognoz skłania do ostrożności. Znana analiza „podatności na offshoringu” z 2009 roku (Blinder et al.) wskazała około jedną czwartą amerykańskich miejsc pracy jako zagrożoną. Dekadę później większość tych kategorii zawodowych wykazywała zdrowy wzrost zatrudnienia. Rządowe prognozy BLS są kierunkowo poprawne, ale mają niewielką wartość predykcyjną ponad zwykłą ekstrapolację trendów. Badania nad robotyzacją przemysłową przynoszą sprzeczne wnioski co do skali utraty miejsc pracy.
Które zawody są naprawdę narażone — dane z marca 2026
Dziesięć zawodów o najwyższej rzeczywistej ekspozycji według raportu Anthropic (marzec 2026):
| Lp. | Zawód (oryg. ang.) | Pokrycie rzeczywiste | Sektor |
|---|---|---|---|
| 1 | Programista komputerowy | ~75% | IT |
| 2 | Przedstawiciel obsługi klienta | wysoki | Usługi |
| 3 | Operator wprowadzania danych | ~67% | Administracja |
| 4 | Analityk finansowy | wysoki | Finanse |
| 5 | Analityk badań rynku / specjalista marketingu | ~64,8% | Marketing |
| 6 | Przedstawiciel handlowy (hurtownie/produkcja) | ~62,8% | Sprzedaż |
| 7 | Pisarz techniczny | wysoki | Komunikacja |
| 8 | Kontroler kredytowy | wysoki | Finanse |
| 9 | Asystent administracyjny | wysoki | Administracja |
| 10 | Specjalista ds. rekrutacji | wysoki | HR |
Na przeciwnym biegunie są zawody z ekspozycją bliską zeru: pracownicy gastronomii, mechanicy motocyklowi, ratownicy wodni, barmani i pracownicy rolni. Potencjał AI jest najniższy w sektorze utrzymania terenu (3,9% teoretycznej ekspozycji), transporcie (12,1%), rolnictwie (15,7%) i budownictwie (16,9%).
Dla sektorów regulowanych (bankowość, ubezpieczenia, fintech) ważna jest obserwacja dotycząca sektora prawnego: reprezentowanie klientów przed sądem pozostaje poza zasięgiem AI — ale zadania back-office prawników, takie jak analiza umów i przygotowywanie dokumentów, mają wysoką ekspozycję teoretyczną, choć rzeczywiste pokrycie jest nadal ograniczone przez wymogi weryfikacji i regulacje.
Kto jest zagrożony — profil demograficzny narażonych pracowników
Wyniki raportu Anthropic przeczą uproszczonemu obrazowi AI jako zagrożenia dla nisko wykształconych pracowników wykonujących powtarzalne prace fizyczne.
Pracownicy w górnym kwartylu ekspozycji są o 16 punktów procentowych częściej kobietami, o 11 punktów procentowych częściej biali i prawie dwa razy bardziej skłonni do bycia Azjatą niż pracownicy z zerową ekspozycją. Zarabiają średnio 47% więcej i mają wyższe wykształcenie: osoby z tytułem magistra lub doktora stanowią 17,4% grupy najbardziej narażonej wobec zaledwie 4,5% w grupie nienarażonej.
To ważna obserwacja dla firm z sektora finansowego i technologicznego: AI uderza przede wszystkim w pracowników, którzy są trudniejsi i drożsi do zastąpienia przez pracownika o niższych kwalifikacjach. Kobiety są nadreprezentowane w narażonych zawodach, co wynika z koncentracji AI w rolach administracyjnych, obsługi klienta i analitycznych — tradycyjnie sfeminizowanych.
Praktyczna implikacja dla działów HR: programy przebranżowienia i wsparcia powinny być adresowane do innej grupy niż ta, którą intuicyjnie wskazują menedżerowie myślący o „automatyzacji taśmy produkcyjnej”.
Brak wzrostu bezrobocia — ale co to naprawdę oznacza
Główny wynik raportu brzmi uspokajająco: badanie nie wykazało systematycznego wzrostu bezrobocia wśród pracowników w najbardziej narażonych zawodach od końca 2022 roku. Analiza porównuje dane CPS (Current Population Survey) dla górnego kwartyla ekspozycji z grupą bez ekspozycji — i nie wykrywa statystycznie istotnej różnicy.
To jednak nie jest pełen obraz. Raport identyfikuje trzy pułapki metodologiczne, które warto znać:
Pułapka 1: Bezrobocie to zły wskaźnik wczesnych sygnałów. Pracownicy wchodzący na rynek pracy bez poprzedniego zawodu nie są klasyfikowani jako bezrobotni w CPS — po prostu nie wchodzą do statystyk. Spowolnienie rekrutacji jest niewidoczne w stopie bezrobocia.
Pułapka 2: Modele O-ring. Ekonomiści Gans i Goldfarb (2025) pokazują, że jeśli praca jest zorganizowana jak łańcuch (każde ogniwo krytyczne), efekty zatrudnieniowe mogą być niewidoczne dopóki AI nie osiągnie bardzo wysokiego pokrycia zadań. Przy 33% pokryciu w IT jesteśmy wciąż daleko od tego progu.
Pułapka 3: Skala detekcji. Scenariusz „Wielkiej Recesji dla pracowników białych kołnierzyków” — czyli podwojenie stopy bezrobocia z 3% do 6% w górnym kwartylu narażenia — byłby już wykrywalny przez ramy analityczne raportu. Jak dotąd tego nie obserwujemy. Ale autorzy wyraźnie zastrzegają, że ramy są zaprojektowane właśnie po to, żeby wykryć ten sygnał, zanim pojawi się masowo.
Sygnał ostrzegawczy: młodzi pracownicy i spowolnienie rekrutacji
Jedynym statystycznie mierzalnym efektem — choć „zaledwie na granicy istotności statystycznej” według autorów — jest spowolnienie przyjmowania młodych pracowników do zawodów wysokiej ekspozycji.
Wskaźnik znajdowania pracy w zawodach o wysokiej ekspozycji spada o około pół punktu procentowego miesięcznie dla pracowników w wieku 22–25 lat, podczas gdy w zawodach o niskiej ekspozycji pozostaje stabilny na poziomie 2% miesięcznie. Uśredniony szacunek po wydaniu ChatGPT wskazuje na 14-procentowy spadek wskaźnika znajdowania pracy w narażonych zawodach wobec okresu sprzed 2022 roku.
Badanie Brynjolfsona, Chandara i Chen (2025) — niezależne, oparte na danych firmy kadrowej ADP — potwierdza ten kierunek: szacuje 6–16% spadek zatrudnienia wśród pracowników w wieku 22–25 lat w zawodach narażonych na AI, przy czym spadek wynika ze spowolnienia zatrudniania, nie ze wzrostu zwolnień.
Co to oznacza w praktyce? Młodzi pracownicy, którzy nie zostają zatrudnieni, mogą pozostawać na dotychczasowych stanowiskach, podejmować inne prace lub wracać do edukacji. Dla uczelni, firm szkoleniowych i departamentów HR zajmujących się wdrożeniem absolwentów — to sygnał do przeglądu ścieżek kariery w zawodach o wysokiej ekspozycji.
Przepaść między potencjałem a rzeczywistością: dlaczego AI jeszcze nie „przejęła” tych zawodów
Raport Anthropic dokumentuje wyraźną lukę między tym, co AI mogłaby robić, a tym, co faktycznie robi w środowiskach pracy. W zawodach komputerowo-matematycznych modele językowe mogą teoretycznie obsłużyć 94% zadań; rzeczywiste pokrycie przez Claude wynosi 33%. W zawodach biurowych i administracyjnych potencjał sięga 90%, ale faktyczne pokrycie jest wielokrotnie niższe.
Autorzy wskazują kilka mechanizmów hamujących: wymagania integracji oprogramowania (AI musi być wbudowana w istniejące narzędzia i procesy, co trwa), ograniczenia prawne (w finansach i ochronie zdrowia wiele zadań wymaga autoryzacji ludzkiej z powodów regulacyjnych), weryfikacja przez człowieka (nawet gdy AI wykonuje zadanie, nadzór prawny lub compliance wymaga weryfikacji) oraz cykle organizacyjne (decyzje o wdrożeniu AI podejmowane są w tempie korporacyjnym, nie technologicznym).
Korekta wyników produktywności o wskaźnik sukcesu zadań zmniejsza szacowane zyski z 1,8 do około 1,0 punktu procentowego rocznego wzrostu produktywności pracy w ciągu następnej dekady. To istotne zastrzeżenie dla menedżerów, którzy planują zwroty z inwestycji w narzędzia AI na podstawie deklarowanych możliwości modeli.
Prognozy BLS a ekspozycja: słaba, ale realna zależność
Regresja na poziomie zawodów wskazuje, że na każde 10 punktów procentowych wzrostu rzeczywistej ekspozycji prognozy zatrudnienia BLS na lata 2024–2034 są niższe o 0,6 punktu procentowego. Co istotne, ta zależność nie pojawia się przy użyciu wyłącznie miary teoretycznej (Eloundou et al.) — tylko nowa miara observed exposure koreluje z niezależnymi prognozami analityków rynku pracy.
To metodologicznie ważny wynik: dostarcza zewnętrznej walidacji nowej miary i sugeruje, że rynkowi analitycy zatrudnienia już nieświadomie uwzględniają faktyczną adopcję AI w swoich prognozach.
Implikacje dla sektorów regulowanych
Bankowość i fintech. Analitycy finansowi i specjaliści ds. kredytów figurują wysoko w rankingach ekspozycji. Jednak wymogi regulacyjne (DORA w UE, lokalne przepisy KNF) nakładają obowiązkowe zaangażowanie człowieka przy podejmowaniu decyzji kredytowych i ocenie ryzyka — co strukturalnie spowalnia rzeczywiste pokrycie. Spowolnienie zatrudniania absolwentów w tych rolach może być już obserwowalne w rekrutacjach 2025–2026.
Ubezpieczenia. Likwidacja szkód, underwriting prostych produktów i obsługa klienta mają wysoką ekspozycję teoretyczną. Regulacje Solvency II i wymogi dokumentacyjne tworzą podobną barierę jak w bankowości. Jednocześnie back-office administracyjny jest mniej chroniony regulacyjnie.
Obsługa klienta i BPO. Sektor ten ma najniższe bariery regulacyjne przy jednocześnie bardzo wysokiej ekspozycji (przedstawiciele obsługi klienta to pozycja nr 2 w rankingu Anthropic). Skutki będą tutaj widoczne najszybciej — i prawdopodobnie już są, choć agregaty bezrobocia tego nie pokazują.
Kontrargumenty i ograniczenia raportu
Raport jest metodologicznie staranny, ale sami autorzy wskazują jego ograniczenia:
- Dane dotyczą jednego narzędzia. Raport mierzy wyłącznie użycie Claude. Rzeczywista adopcja AI w miejscu pracy to suma wielu narzędzi (ChatGPT, Gemini, Copilot). Pokrycie przez jeden model to dolna granica faktycznej ekspozycji.
- Miara observed exposure może się dezaktualizować. Parametr zdolności modeli z Eloundou et al. (2023) jest oparty na możliwościach LLM sprzed trzech lat. Modele z 2025–2026 są znacznie silniejsze; teoretyczne pokrycie jest niedoszacowane.
- Efekty pośrednie są niewidoczne. Jeśli firma zastępuje dwóch pracowników jednym wspomaganym przez AI, statystyki zatrudnienia mogą nie wykazać zmiany — pracownik pozostaje zatrudniony, ale intensywność pracy wzrosła.
- Rynek pracy USA ≠ rynek europejski. Elastyczność rynku pracy w USA jest wyraźnie wyższa niż w Polsce czy Niemczech. Skutki dla bezrobocia mogą być w Europie opóźnione z powodu prawa pracy, ale ostateczne efekty na strukturę zatrudnienia — podobne.
- Korelacja między ekspozycją a prognozami BLS jest słaba (0,6 pp na 10 pp). Autorzy sami to podkreślają: zależność jest realna, ale wyjaśnia niewielką część wariancji prognoz.
Podsumowanie: AI a rynek pracy 2026
Raport Anthropic z marca 2026 roku jest pierwszą próbą połączenia danych o rzeczywistym użyciu AI z klasycznymi miarami rynku pracy — i na tle wcześniejszych analiz wyróżnia się metodologiczną ostrożnością. Główny wniosek brzmi: masowe bezrobocie wywołane przez AI nie jest jeszcze widoczne w danych, ale infrastruktura pomiarowa, która pozwoli je wykryć, właśnie powstaje.
Dla decydentów w firmach oznacza to kilka konkretnych kroków. Po pierwsze, śledzenie wskaźnika observed exposure dla własnych stanowisk jest teraz możliwe dzięki publicznym danym Anthropic Economic Index — warto to włączyć do wewnętrznych analiz zasobów ludzkich. Po drugie, spowolnienie rekrutacji młodszych pracowników w zawodach wysokiego ryzyka powinno być traktowane jako sygnał do przeglądu ścieżek onboardingu i szkoleń wejściowych. Po trzecie, luka między potencjałem a adopcją AI — mimo że dziś duża — zwęża się z każdym kolejnym kwartałem. Firmy, które zaczną mapować ekspozycję zadań dziś, będą lepiej przygotowane na moment, gdy czerwona powierzchnia na wykresie Anthropic zacznie doganiać niebieską.
Źródła
- Massenkoff, M. & McCrory, P. (Anthropic), „Labor market impacts of AI: A new measure and early evidence”, marzec 2026, https://www.anthropic.com/research/labor-market-impacts
- Appel, R. et al. (Anthropic), „Anthropic Economic Index report: economic primitives”, 2026, https://www.anthropic.com/research/anthropic-economic-index-january-2026-report
- Brynjolfsson, E., Chandar, B. & Chen, R., „Canaries in the coal mine? Six facts about the recent employment effects of artificial intelligence”, Digital Economy, 2025
- Eloundou, T. et al. (OpenAI), „GPTs are GPTs: An early look at the labor market impact potential of large language models”, arXiv:2303.10130, 2023
- Gans, J.S. & Goldfarb, A., „O-Ring Automation”, NBER Working Paper No. 34639, grudzień 2025
- Gimbel, M. et al. (Budget Lab, Yale), „Evaluating the Impact of AI on the Labor Market”, październik 2025, https://budgetlab.yale.edu
- Hampole, M. et al. (NBER), „Artificial intelligence and the labor market”, 2025
- US Bureau of Labor Statistics, Employment Projections 2024–2034, 2025, https://data.bls.gov/projections/occupationProj
- Autor, D. & Thompson, N., „Expertise”, NBER Working Paper w33941, 2025
