Разговор об ИИ и рабочих местах обычно сводится к вопросу, заменит ли так или иная технология человека или нет. Но не всё так просто: рабочее место в типографии состоит из множества операций. Одни хорошо описываются правилами, измеряются и сравнительно легко автоматизируются. Другие требуют понимания контекста, опыта работы с нестандартными ситуациями и способности специалиста связывать несколько факторов и принимать решения исходя из этого.

Кадровый эффект автоматизации нужно учитывать именно на этом уровне — по операциям и компетенциям, которые остаются после их передачи системе. В отдельном материале «ПринтИнсайдер» уже разбирал кейс Bonnier News. ИИ-вёрстка и автоматизированный препресс участвуют в выпуске более 50 газет в Швеции и Финляндии, а совокупная ручная нагрузка сократилась примерно вдвое. Изменения затронули и штат: на первом этапе десять сотрудников были уволены, 15 перешли на другие должности. При этом появилась должность принт-планнеров: они задают приоритеты, исправляют проблемные элементы, с которыми не справился ИИ, и проверяют результат перед передачей номера дальше по процессу. Более 9500 полос в месяц уже собираются автоматически.

История Bonnier показывает, что автоматизация способна уменьшать потребность в ручном труде. Примеры из промышленности позволяют посмотреть на следующую стадию: что происходит с оставшейся человеческой работой после того, как стандартные операции — больше не забота людей.

За последние три года Ford привлёк около 350 опытных инженеров и технических специалистов. Внутри компании их называют gray beards — «седобородыми». Среди них есть как бывшие сотрудники Ford, так и специалисты поставщиков. Они помогают обучать младших инженеров и дорабатывать ИИ-инструменты, которые не дали ожидаемого результата при решении проблем качества.

В Ford признают, что компания в какой-то момент начала всё сильнее полагалаться на автоматизированные системы контроля, даже возникло ощущение, что достаточно загрузить в ИИ требования к конструкции и система сама поможет обеспечить высокий уровень качества. Но не получилось. Опытные специалисты теперь ищут потенциальные точки отказа ещё до поступления деталей на производство, участвуют в инженерных проверках, передают знания молодым сотрудникам и корректируют сами ИИ-инструменты.

С внедрением ИИ изменилась роль человеческого опыта: он оказался необходимым материалом для дальнейшего совершенствования автоматизации. Для типографии это тоже может иметь значение: «умная» камера может зарегистрировать отклонение плотности, цвета или геометрии, алгоритм — сравнить изображение с эталоном. Но производственная задача редко заканчивается фиксацией отклонения и отбраковкой. Для предотвращения проблем в будущем необходимо определить причину брака, понять, допустим ли результат для конкретного заказа, и выбрать корректирующее действие с учётом машины, материалов и предыдущих операций.

Ближе к полиграфии пример немецкой Jaco Dr. Jaeniche — европейского лидера в производстве упаковок для шипучих таблеток и поставщика первичной упаковки для фармацевтической и пищевой промышленности. Компания выпускает более 300 млн запечатанных изделий в год.

До нового проекта на восьми из девяти печатных машин изображение контролировали вручную выборочным методом. На девятой уже стояла автоматическая камера. Проблемой оказалась её высокая чувствительность: система принимала технологически обусловленные отклонения за дефекты и генерировала лишние срабатывания и ложный брак. Полностью автоматический контроль оставался невозможным, требовалось наблюдение человеком.

Совместно с AI Innovation Center для Jaco разработали систему обнаружения аномалий. Она должна отличать настоящий дефект печати от ошибки системы контроля. Модель обучили на 50 бездефектных эталонных изображениях и испытали на шести различных печатных изображениях. Среднее количество ложных срабатываний снизилось на 85,7%.

Автоматизация контроля в первом варианте не устранила работу человека — она создала новый участок работы, связанный с оценкой ошибок самой системы. Более совершенная модель должна уменьшить число таких вмешательств и позволить одному специалисту контролировать больше оборудования. Именно увеличение количества машин на одного сотрудника должно стать одним из ожидаемых эффектов проекта на фоне дефицита квалифицированного персонала.

Измерение отклонения и технологическое решение по этому отклонению — две разные операции. И первая автоматизируется значительно легче второй.

Более выраженный кадровый эффект показывает пилот на вьетнамском предприятии Hanoi Industry Trading Investment Joint Stock Company — HITI. Проект проводился в рамках программы Международной организации труда Productivity Ecosystems for Decent Work.

На производстве внедрили AI Vision — систему машинного зрения с ИИ для контроля механических сетчатых деталей. Время проверки сократилось с 20 до пяти секунд, а точность выросла с 95% при проверке только человеком до 99% при совместной работе человека и ИИ.

Команду контроля качества из десяти человек реорганизовали в группу из трёх опытных технических супервайзеров. Остальные семь сотрудников прошли переобучение и были переведены на более квалифицированные работы. Международная организация труда (МОТ), в рамках программы которой реализовывался пилот, приводит этот случай как пример изменения структуры занятости при внедрении ИИ: система забрала значительную часть рутинного контроля, а человеческий труд сместился к надзору, обратной связи и задачам с более высокой добавленной стоимостью.

Потребность в людях на конкретной операции действительно сократилась почти втрое, но кадровый эффект предприятия оказался другим: численность не уменьшилась на семь человек, изменились функции этих сотрудников.

Автоматическая проверка файлов, управление цветом, машинное зрение или оптимизация производственного плана уменьшают время рутинных действий. Освободившийся ресурс может потребоваться для наладки, исключений, обслуживания оборудования, сложных заказов или координации между участками. Доля автоматизированных операций сама по себе не показывает, насколько можно сократить штат.

К современной дискуссии об ИИ полезно добавить более старый кейс классической промышленной автоматизации. В начале 2010-х Toyota создала на японских предприятиях около сотни участков, где снова увеличили долю ручного труда. Один из наиболее известных примеров связан с изготовлением коленчатых валов на заводе Honsha. Сотрудники вновь стали выполнять вручную операции, уже переданные автоматике. Почему это произошло?

Задачей было восстановить глубокое понимание технологического процесса специалистами и использовать его для следующего цикла улучшений. В одном из процессов изменения позволили примерно на 10% сократить связанные с материалом потери и на 96% уменьшить длину производственной линии.

Эта логика соответствует одному из базовых принципов системы Toyota — дзидока (jidoka) — «автоматизация с человеческим участием». В официальном описании говорится: для создания хорошей автоматизированной системы сначала необходимо уметь правильно выполнять работу вручную, обнаруживать отклонения, устранять потери и только затем переносить найденные решения в оборудование. Toyota отдельно подчёркивает, что машины, роботы и IT-системы сами не способны реализовывать принцип кайдзен (kaizen) — постоянное совершенствование производственного процесса — это должен делать человек.

Операцию можно успешно автоматизировать, но через несколько лет обнаружить, что внутри компании почти не осталось специалистов, которые понимают её достаточно глубоко для изменения технологии, разбора нестандартного дефекта, повышения эффективности или настройки следующего поколения автоматических систем.

Предприятия полиграфической отрасли внедряют автоматизацию на фоне хронического дефицита квалифицированных кадров. Перед drupa 2024 отраслевые организации Германии сообщали, что около 75% из примерно 7000 полиграфических предприятий страны сталкиваются с серьёзными проблемами из-за нехватки специалистов. В исследовании Heidelberg с участием 700 компаний почти половина респондентов сообщила о недостатке подходящих квалифицированных работников; кадровый вопрос оказался выше роста стоимости энергии и бюрократической нагрузки.

В этих условиях автоматизация часто становится способом поддерживать или увеличивать выпуск при ограниченном количестве сотрудников. Это видно и по инвестиционным мотивам. В исследовании PRINTING United Alliance среди корпоративных типографий 46% респондентов в 2025 году назвали автоматизацию, позволяющую работать меньшим числом сотрудников, одной из трёх главных причин покупки нового оборудования — в 2023 году таких было 14%. В том же исследовании 58% называли причиной инвестиций повышение скорости и производительности, 50% — улучшение качества.

В другом исследовании PRINTING United Alliance летом 2025 года использовалась иная формулировка вопроса: среди активно инвестирующих в автоматизацию 20,8% связывали её с проблемой дефицита квалифицированного персонала. Эти показатели описывают разные выборки и разные вопросы, поэтому напрямую сопоставлять 46% и 20,8% нельзя.

Для типографий, которые принимают инвестиционные решения важным становится вопрос какой объём работы предприятие сможет выполнить уже существующей командой после автоматизации части операций. Вопрос о расширении штата будет ставиться в последнюю очередь — очереди за забором нет. Одновременно проявляется кадровый риск следующего порядка.

Если автоматизация в первую очередь забирает простые и формализуемые операции, через которые новичок раньше входил в профессию, предприятию нужно заранее продумать новый механизм накопления опыта.

В августе 2026 года Stanford Digital Economy Lab обновила исследование влияния ИИ на молодых работников на основе кадровых данных ADP, крупного американского оператора расчёта зарплат и HR-сервисов, по миллионам работников США. Среди сотрудников 22–25 лет в профессиях, сильнее всего затронутых внедрением ИИ, занятость оказалась на 19% ниже уровня, которого можно было бы ожидать при сохранении динамики менее затронутых профессий. У более опытных работников сопоставимого разрыва исследователи не обнаружили. Авторы исследования отмечают, что расхождение связано прежде всего со снижением найма молодых работников, а не с волной их увольнений.

Исследование также различает кодифицируемое и неявное знание. Первое можно записать в инструкции, стандарты, базы данных и другие формализованные источники. Второе — tacit knowledge — формируется через практику, наблюдение и повторяющиеся рабочие ситуации. Более выраженный негативный эффект для молодых работников наблюдается в профессиях, где генеративный ИИ способен работать именно с кодифицированным знанием. Опытные сотрудники оказываются устойчивее там, где ценность создаёт накопленное практическое знание.

Авторы подчёркивают ограничение исследования: наблюдаемая связь ещё не доказывает, что причиной всего эффекта стал ИИ. Кроме того, американскую статистику нельзя автоматически переносить на российских полиграфистов. Однако сам механизм хорошо знаком производственной отрасли. Технолог, наладчик или опытный печатник редко приходит на предприятие с готовым набором компетенций. Сначала сотрудник выполняет относительно простые операции, наблюдает за коллегами, проходит многоступенчатое обучение, видит отклонения в процессе и способы реакции на это и постепенно начинает понимать связи между оборудованием, материалом, климатом, краской, режимами и предыдущими операциями.

Автоматизация нижних ступеней профессии способна облегчить текущий кадровый дефицит. Но без системы обучения и передачи опыта она одновременно сужает канал, из которого через несколько лет должны появиться новые квалифицированные специалисты.

С данными о рынке труда важно не переходить от ожидания массовых увольнений к противоположному столь же сильному выводу о массовом возврате людей. В анализе The Budget Lab при Йельском университете от 7 мая 2026 года не обнаружено статистически или экономически значимого общего эффекта ИИ на занятость и заработные платы. Последующий трекер Budget Lab также показывает, что профессиональная структура занятости пока не меняется способом, который можно уверенно связать с распространением ИИ. Исследователи подчёркивают, что эта картина может измениться по мере развития технологии и накопления данных.

Stanford Digital Economy Lab приходит похожему выводу на уровне экономики в целом: признаков широкого вытеснения работников пока нет, хотя внутри отдельных возрастных и профессиональных групп уже появляются заметные различия.

Исследование Gartner показывает, как может выглядеть промежуточная модель. По данным опроса 321 руководителя клиентских служб по всему миру, 85% расширяют набор обязанностей сотрудников по мере того, как ИИ уменьшает количество стандартных обращений и освобождает время для более сложной работы. Сокращения персонала первой линии в ответ на внедрение ИИ уже провели или планировали до первого квартала 2027 года 31% опрошенных организаций. Ещё 75% сообщали о переводе сотрудников на новые роли внутри клиентского функционала.

Кадровый эффект имеет смысл оценивать не по названию должности, а по составу её работы. Условно в ней можно выделить четыре слоя. Первый — повторяемые операции с хорошо определёнными правилами. Здесь потенциал автоматизации максимален. Второй — обнаружение стандартных отклонений: его всё чаще берут на себя камеры, датчики и алгоритмы машинного зрения. Третий слой составляют исключения, для которых нет готового сценария или требуется выбор между несколькими допустимыми решениями. Четвёртый — развитие самого процесса: поиск причин проблем, изменение технологии, освоение материалов и оборудования, обучение сотрудников.

По мере автоматизации первые два слоя сокращаются. Третий и четвёртый остаются, а их доля в человеческой работе увеличивается. Именно такую картину дают рассмотренные кейсы. Bonnier автоматизировала значительную часть газетного производства, сохранив человеческий контроль над приоритетами и нестандартными макетами. Ford снова усилил производственный процесс ветеранами, которые передают ИИ и молодым инженерам накопленные знания. В Jaco система контроля должна была научиться отличать производственный дефект от собственной ложной тревоги. HITI сократила количество людей непосредственно на операции контроля, одновременно сохранив всех сотрудников компании через переобучение. Toyota использует ручное понимание процесса как базу для следующего цикла автоматизации.

Эти примеры гораздо лучше описывают кадровую трансформацию производства, чем категоричный тезис «ИИ заменяет людей».

Для полиграфии потенциал автоматизации очевиден. Отрасль сталкивается с дефицитом квалифицированных работников, увеличением количества коротких заказов, усложнением производственного потока и необходимостью повышать загрузку дорогостоящего оборудования. Передавать системе повторяемые операции, которые можно выполнять устойчиво без постоянного участия человека, экономически рационально.

Риск возникает, когда сокращение времени на операцию автоматически переводят в такое же сокращение потребности в компетенции. Человек может перестать ежедневно выполнять конкретное действие, но предприятию всё ещё нужен специалист, который способен проверить работу системы, разобрать исключения, восстановить процесс после ошибки и изменить его при появлении нового оборудования или продукта.

Следующий этап автоматизации производства потребует ответа уже не только на вопрос, какие операции можно передать ИИ и автоматике. Придётся определиться, какие знания необходимо сохранить внутри компании после такой передачи, как эти знания будут обновляться и каким образом их получат специалисты следующего поколения.

Для типографии от этого зависит и производительность автоматизированного производства сейчас в и будущем, и способность предприятия развивать его через пять или десять лет.