Распространение систем машинного обучения и промышленной робототехники меняет соотношение между затратами труда и выпуском быстрее, чем складывается консенсус о направлении этого сдвига. Расхождение оценок остаётся принципиальным: одни работы фиксируют вытеснение рутинного труда и сжатие занятости, другие – рост производительности при сохранении общей численности занятых и перераспределении функций внутри предприятия. Цель работы – оценить, за счёт каких компонентов формируется прирост производительности труда при внедрении интеллектуальных и роботизированных решений и как при при этом перестраивается квалификационная структура занятости. Расчёт выполнен на авторской модели предприятия обрабатывающего сектора за 2021-2026 годы: построена динамика выработки, проведено факторное разложение прироста выпуска по методу цепных подстановок, выполнено сценарное моделирование структуры персонала по квалификационным группам с горизонтом до 2030 года. Макроэкономический фон (плотность роботизации, динамика занятости, распространение интеллектуальных технологий) привязан к данным Росстата, ИСИЭЗ НИУ ВШЭ и Международной федерации робототехники. На модельных данных совокупный прирост выработки за период составил около 53,4% при сокращении среднесписочной численности на 12,0%; факторное разложение относит к росту производительности 721,1 млн руб. прироста выпуска и лишь –163,4 млн руб. к изменению численности. Доля рутинного операционного персонала в модельной структуре опускается с 38,4 до 21,5%, тогда как группа специалистов по данным и сопровождению интеллектуальных систем расширяется с 3,2 до 14,2%. Полученное разложение показывает, что наблюдаемый эффект внедрения определяется преимущественно интенсивным фактором – ростом выработки на занятого, а не простым высвобождением рабочих мест; следовательно, влияние интеллектуальных технологий на занятость реализуется через смещение квалификационного профиля, а не через однонаправленное сжатие спроса на труд.
The diffusion of machine learning systems and industrial robotics is changing the ratio between labor inputs and output faster than a consensus on the direction of this shift is being formed. The divergence of estimates remains fundamental: some studies record the displacement of routine labor and the contraction of employment, while others point to productivity growth with a stable headcount and a redistribution of functions within the enterprise. The aim of the work is to assess which components generate the gain in labor productivity when intelligent and robotic solutions are introduced, and how the qualification structure of employment is reshaped in the process. The calculation is performed on an author's model of a manufacturing enterprise for 2021–2026: the dynamics of output per worker are constructed, a factor decomposition of output growth is carried out using the chain substitution method, and a scenario modelling of the personnel structure by qualification groups is performed with a horizon up to 2030. The macroeconomic background (robot density, employment dynamics, the spread of intelligent technologies) is tied to data from Rosstat, the ISSEK HSE and the International Federation of Robotics. On the model data, the cumulative growth of output per worker over the period amounted to about 53,4% with a reduction in the average headcount of 12,0%; the factor decomposition attributes 721,1 million rubles of output growth to rising productivity and only –163,4 million rubles to the change in headcount. The share of routine operational personnel in the model structure falls from 38.4 to 21,5%, while the group of data and intelligent-system support specialists expands from 3,2 to 14,2%. The decomposition obtained shows that the observed effect of adoption is determined primarily by the intensive factor – the growth of output per worker rather than the mere release of jobs; consequently, the impact of intelligent technologies on employment is realized through a shift in the qualification profile rather than through a unidirectional contraction of labor demand.