Карпаты посчитал, кого заменят нейросети 🤖
Андрей Карпаты выкатил очередной занятный пет-проект — US Job Market Visualizer. Это интерактивная карта рынка труда США (143 млн рабочих мест, 342 профессии), где каждая специальность оценивается по уровню «AI Exposure» (уязвимости перед ИИ).
Что там по программистам?
У Software Developers оценка 9/10. Мы в глубокой красной зоне.
Значит ли это, что пора учиться класть плитку? Ни разу. Карпаты указывает, что высокая уязвимость не равна исчезновению профессии. Написание кода, дебаг и автоматизация тестов — идеальный юзкейс для LLM. Продуктивность одного инженера улетает в космос.
Спрос на разработчиков может даже вырасти, но платить будут за проектирование архитектуры, коммуникацию со стейкхолдерами и решение бизнес-задач. А вот линейным кодерам, слепым исполнителям тикетов и ручным тестировщикам соболезную — этот сегмент реструктуризируется первым.
Что ещё интересного:
▫️ Всего 4.4% рабочих мест имеют минимальный риск (кровельщики, грузчики, дворники). Физический труд пока вне игры.
▫️ Чем выше зарплата и образование, тем сильнее вы под прицелом ИИ. Профессии с доходом от $100k имеют средний балл уязвимости 6.7.
▫️ В зоне высокого риска (от 7 баллов и выше) генерируется $3.7 трлн ежегодных зарплат.
Как это работает под капотом
Для Python-разработчика этот репозиторий — идеальный, кристально чистый референс того, как сейчас нужно строить пайплайны обработки данных с помощью LLM. Никакого переусложненного мусора, все на стандартных инструментах:
1️⃣ scrape.py — не-headless Playwright (BLS блокирует ботов), чтобы вытянуть сырой HTML.
2️⃣ parse_detail.py и process.py — классический BeautifulSoup4 для очистки верстки и конвертации в чистый Markdown. Никакой магии, просто подготовка контекста.
3️⃣ score.py — самая важная часть. Скрипт скармливает Markdown-описания профессий в Gemini 3 Flash через OpenRouter. В системном промпте жестко заданы критерии оценки (от 0 до 10) и требование вернуть только JSON вида {"exposure": int, "rationale": "string"}.
4️⃣ build_site_data.py — собирает финальный JSON для фронта на ванильном HTML/JS.
Если вы давно хотели прикрутить LLM к аналитике каких-то своих скучных данных (отзывы, логи, резюме) — форкайте проект. Выкидываете промпт Карпаты про "AI Exposure", пишете свой (например, "Оцени вероятность автоматизации этой работы роботами-гуманоидами" или "Оцени риск аутсорсинга"), прогоняете скрипт и получаете готовую аналитику.
