Обогнать искусственный интеллект. Про эволюцию человека и развитие в попытке обогнать новое

И за всеми этими историями стоит одна экономическая пружина — то, что называют законом Райта: чем больше накопленный объём, тем ниже издержки на единицу. ИИ ценен не сам по себе, а в связке со скоростью и масштабом: он позволяет делать «то же самое, только быстрее и дешевле» — и за счёт этого обогнать конкурента не героизмом отдельного гения, а накопленным объёмом. Вот почему отрыв тех, кто начал раньше, так трудно догнать: они уже катятся вниз по кривой издержек, пока остальные только думают, не пора ли начать катиться.

Важно: Во всех трёх кейсах машина забирала не «тупую» работу грузчика, а интеллектуальный труд квалифицированных людей: проектировщиков, диспетчеров, консультантов. Это и есть главный нерв главы — под удар попала именно та работа, к которой нас десятилетиями готовил конвейер.

1.5 Ловушка эксперта

Здесь нас подстерегает самая человеческая и самая опасная ошибка. Когда появляется инструмент, делающий часть нашей работы, у профессионала срабатывает гордость: «Я делаю это лучше машины». И он начинает соревноваться — доказывать, что его текст глубже, его расчёт точнее, его многолетний опыт незаменим. Иногда это даже правда. Но как стратегия это проигрыш, и проигрыш обидный, потому что силы тратятся на сопротивление, а не на развитие.

Наблюдение, которое я слышал от практиков не раз и которое подтверждаю собственным опытом: эксперты склонны соревноваться с ИИ, а руководители-делегаторы — пользоваться им. И вторые выигрывают. Не потому, что они умнее или талантливее, а потому, что у них другая привычка: не «сделать самому лучше всех», а «получить наилучший результат, неважно чьими руками». Человек, который умеет делегировать машине и проверять её работу, обгоняет того, кто пытается машину победить в честном поединке.

Один предприниматель описал этот механизм почти физиологически, и я часто вспоминаю его формулировку. Эксперт, говорит он, садится к нейросети не чтобы решить задачу, а чтобы доказать собственную состоятельность: «Ну-ка ответь — не знаешь? А я вот ошибочку у тебя нашёл!» Это не работа, это «чесание своей экспертизы» — приятное, но бесплодное. Хуже того: иногда эксперт, увидев уверенный ответ машины, начинает сомневаться даже там, где сам прав, — и тоже буксует. А делегатор не самоутверждается. Он спрашивает только одно: как мне этой машиной воспользоваться, чтобы получить результат? И в этом вся разница.

Эксперт соревнуется с ИИ — и проигрывает. Делегатор пользуется ИИ — и выигрывает. Разница не в интеллекте, а в установке.

Вернитесь мысленно к кейсу проектировщиков из прошлого подраздела — тех, что сэкономили заказчику миллиарды. По сути это и был коллективный делегатор: люди перестали соревноваться с инструментом и начали им управлять, и за счёт этого поднялись на этаж выше по цепочке создания ценности. Те же руки, та же голова — другая установка. Это и есть обгон в миниатюре: не «работать больше», а «занять место, на которое машина не претендует».

И это вторая глубокая трещина в старой модели. Она десятилетиями воспитывала именно эксперта-исполнителя — человека, чья ценность в личном мастерстве выполнения операций. А выигрывает теперь другой тип: тот, кто умеет ставить задачу, выбирать инструмент, критически проверять результат и отвечать за него своим именем. Старая модель самозабвенно растит чемпионов в дисциплине, которую только что отменили. И самое грустное — растит их искренне и качественно.

Совет: Поймайте себя в следующий раз на мысли «я бы сделал лучше нейросети». Возможно, и так. Но спросите себя честно: это приближает вас к результату — или просто тешит самолюбие? Чаще всего выгоднее не победить инструмент, а возглавить его.

1.6 Что теперь делать со студентом и сотрудником

Если типовое обесценилось, рушится не только содержание, но и вся система оценивания. Чему ставить зачёт, если текст мог написать не студент? Как понять, что человек научился, если результат больше не доказывает процесс? Это не риторические вопросы — с ними прямо сейчас бьются и школы, и вузы, и корпоративное обучение.

Контуры ответа уже нащупываются, и они показательны. Вместо того чтобы оценивать готовый продукт, который легко сгенерировать, начинают смотреть на процесс: на цифровой след работы, на ход рассуждения, на устный диалог, в котором не спрячешься за чужой текст. Возвращается, как ни странно, сократическая беседа — разговор, в котором проверяется не память, а мышление. Оценивается не «что ты сдал», а «как ты думал и за что отвечаешь».

Меняется и сама роль преподавателя. Там, где появляются адаптивные ИИ-помощники, учитель перестаёт быть единственным источником знания и становится наставником, который ведёт через смысл. И это не теория: в школах апробировали ИИ-репетитора, который работает с каждым учеником индивидуально, в поддерживающем тоне, помогает разобраться, а не заменяет учителя, — и у отстающих школьников успеваемость заметно выросла за пару месяцев (ИИ-тьютор, +42% за ~2 месяца). Машина взяла на себя терпеливое повторение и диагностику пробелов — то, на что у живого учителя физически не хватает рук, — а человеку осталось то, ради чего он и нужен: вдохновлять, объяснять смысл, поддерживать.

Если попытаться нарисовать контур того, что приходит на смену конвейеру, получается образование из нескольких слоёв — его не раз набрасывали на сессиях. Внизу — отработка навыков: тренажёры с почти полной индивидуальной траекторией, где студент, наткнувшись в деле на дефицит умения, добирает именно его. Этот нижний слой, который в старой модели был основным, спокойно отдают автоматике — машина терпелива и не устаёт. Выше — проектная работа над настоящими задачами, причём задачи приходят не из головы преподавателя, а из внешней среды: из региональной экономики, из реальных запросов предприятий, собранных и переведённых в учебные проекты тем же ИИ. И сверху — то, чего в прежней модели почти не было: картина мира, критическое и системное мышление, универсальные человеческие компетенции. Перевернулась сама пирамида: то, что было фундаментом, ушло вниз к машине, а в вершину поднялось то, что умеет только человек.

Важно: Обесценился не человек в образовании, а конкретный способ его проверять и конкретная его функция — быть ходячим источником и контролёром типовых заданий. Освободившееся место занимает то, что ценнее: мышление, наставничество, ответственность.

1.7 Скорость, к которой мы не готовы

Можно было бы сказать: ну хорошо, модели меняются, перестроимся, как перестраивались всегда. Но есть нюанс, который всё решает, — скорость. И тут полезны конкретные цифры, которые приводил один практик внедрения. Рекомендательные системы на основе ИИ в среднем внедрялись почти три года. Компьютерное зрение — около двух с половиной. Речевые технологии — поменьше. А генеративный ИИ дал эффект примерно за год. (сроки внедрения — рекоменд. системы ~3 года, компьютерное зрение ~2,5 года, генеративный ИИ ~1 год). Разница в разы — и она безжалостна к опоздавшим. Компания, которая запустила массовое обучение, доступ и пилоты, через год точно получит результат. А второму игроку догнать её, как выразился тот же практик, «как пёс, как тяжело»: лидер уже так убежал вперёд, что отстающие просто не понимают, как он работает.

Во введении я обмолвился, что интерфейс моего рабочего ИИ-приложения обновлялся дважды за сутки. Так вот, это и есть ощущение темпа изнутри: не «раз в пару месяцев выходит новая версия», а буквально на глазах — к завтраку уже не то, что было к ужину. Если вы ждёте, пока всё устаканится, чтобы спокойно научиться, — у меня плохие новости: устаканиваться оно не собирается. Учиться придётся прямо на ходу, под дождём, который не закончится.

А организация, которая запустила обучение и пилоты раньше других, уходит в отрыв, догнать который уже трудно: у неё накапливаются данные, опыт, доверие команды и работающие процессы — пока остальные ещё проводят совещания о том, не пора ли начать.

Масштаб сдвига легко недооценить — и тут показателен тот самый зазор между улыбкой в зале и честной цифрой, с которого началась эта книга. Вслух, когда руки поднимать неловко, каждый надеется, что уж его-то минует. Но на больших анонимных выборках люди в среднем признают другое: до двух третей их собственных рабочих обязанностей уже сегодня в принципе можно делегировать ИИ и роботам (доля делегируемых обязанностей — «до двух третей»). По оценке Всемирного экономического форума, в ближайшие годы около девяноста двух миллионов рабочих мест уйдёт «под нож», а порядка семидесяти восьми миллионов появится — но уже других (WEF Future of Jobs — ~92 млн исчезнет, ~78 млн появится). Это не конец труда. Это его пересборка — и происходит она быстрее, чем успевают переписываться учебные программы и должностные инструкции.

При этом — и в этом отдельная горькая ирония — мы по-прежнему мыслим будущее из прошлого. Это, кстати, не Чулок придумал, он лишь точно процитировал Маклюэна: «мы смотрим на настоящее в зеркало заднего вида и пятимся в будущее». Экономист-форсайтщик показывал это безжалостно: мы строим планы экстраполяцией, продлевая вчерашние тренды, вместо того чтобы исходить из образа будущего и двигаться к нему. У него была едкая метафора такой имитации стратегии — «кубики и Galina Blanca»: берём технологии восьмидесятых-девяностых, добавляем щепотку цифровизации, веточку ИИ, заливаем соусом техсуверенитета — и называем это образом будущего. Похоже на правду, но это не будущее, а вчерашний бульон из кубика.

А теперь — контраст, от которого становится неуютно. Пока мы спорим о стратегии, которую следовало принять давно, страны с длинным взглядом уже закладывают инвестиционную стадию под цели середины века. Китай расписал план «великой современной социалистической страны» до две тысячи пятидесятого. Япония в концепции Society 5.0 заложила сотни технологий в восьми областях — и прямо вписала туда образ будущего человека: долголетие, инклюзивность, полную интеграцию с ИИ. У нас же, по горькой шутке того же спикера, «горизонт планирования — пять минут и двадцать совещаний». Конвейер не просто медленный — он по устройству смотрит назад, в зеркало заднего вида, и пытается по нему вести машину вперёд. А впереди, между прочим, поворот.

Совет: Перестаньте спрашивать «как нам успеть за технологией» — в этой гонке вы всегда будете вторым. Начните спрашивать «каким должен быть результат через пять лет — и что для этого делать уже сейчас». Это разворот мышления из прошлого в будущее, и он не стоит ни копейки.

1.8 Цена бездействия

У кризиса старой модели есть и демографическое дно, о котором говорят реже, чем стоило бы. Школа и вуз входят в зону сужения: падает число сдающих профильные предметы, нарастает дефицит специалистов в инженерии, ИТ и на производстве — счёт идёт на сотни тысяч недостающих ежегодно, а по отдельным предметам падение числа сдающих измеряется десятками процентов (дефицит STEM 300–500 тыс./год; физика 60%; критическая точка 2028–2030). Наложите это на обесценивание типовых навыков — и вы получите двойной удар: людей становится меньше, и одновременно меняется то, чему их вообще нужно учить.

В этих условиях бездействие — это тоже решение, просто с отложенными и худшими последствиями. По итогам одной из сессий прозвучала здравая мысль: риски стоит описывать так же системно, как в информационной безопасности, — составлять «модель угроз», где честно перечислены опасности и от внедрения, и от невнедрения ИИ, и прописаны механизмы реагирования. Потому что страшно не только сделать неверный шаг. Гораздо чаще губит другое — не сделать никакого, убедив себя, что «нас это не коснётся» и «как-нибудь само рассосётся».

Есть и более тонкая угроза, о которой стоит сказать прямо, потому что это законный контраргумент. Мне его приводят постоянно: «Если всё отдать машине, мы разучимся думать». Во введении я уже отвечал на него аналогией с ходьбой: мы не разучились ходить из-за автомобиля и самолёта — ходим, когда нужно ходить, и едем, когда нужно ехать. С мышлением так же, но есть нюанс, которого там не было. Если рутину мышления отдать машине целиком и перестать думать самим, мы рискуем накопить своего рода когнитивный долг — разучиться делать то, что отдали, и попасть в зависимость. Часть умственной работы стоит делать руками именно для того, чтобы не атрофировалось главное, — как бегают не ради скорости, а ради формы. Обгон — это не «переложить на ИИ всё». Делегировать исполнение — да. Делегировать мышление и ответственность — нет.

Важно: Главная угроза старой модели — не нейросеть. Нейросеть лишь проявитель, лакмусовая бумажка. Главная угроза — соблазн ничего не менять, спрятавшись за тем, что «раньше же работало». Раньше работало. В этом и проблема.

1.9 Кризис как открытая дверь

И всё-таки эта глава не о конце. Слово «кризис» в исходном, греческом значении — не катастрофа, а поворотная точка, момент решения, развилка. Старая модель рушится не потому, что мир стал хуже, а потому, что освободилось место. Рутина уходит — и впервые за очень долгое время у человека высвобождается то, что всегда было самым ценным и самым дефицитным и что машина забрать не может: внимание, суждение, вкус, способность брать на себя ответственность за коварные задачи.

Конвейер был гениальным ответом на вопрос своего века: как из многих сделать умелых исполнителей. Наш век задаёт другой вопрос: как из умелых исполнителей сделать тех, кто думает, выбирает, вдохновляет и отвечает, — пока само исполнение всё больше берёт на себя машина. Старая модель не справляется с этим вопросом не потому, что плоха, а потому, что её об этом никогда не просили. Просят теперь — нас с вами.

Вспомните нашу Красную Королеву, которая бежит изо всех сил, чтобы остаться на месте. На сессии прозвучала точная провокация к этому образу: а может, надо не бежать быстрее, а прыгнуть? Или нырнуть? То есть сменить не скорость, а саму стихию движения. В этом вся соль обгона. Бежать быстрее по треснувшей дорожке, надрываясь и обижаясь на тех, кто катит рядом на колёсах, — тупик. Обгон начинается с того, чтобы остановиться, сойти с дорожки и спросить себя: куда я, собственно, бегу и зачем? Тому, что значит обогнать искусственный интеллект и кем для этого предстоит стать, посвящена следующая глава. А пока — соберём диагноз в несколько ясных фраз.

Выводы

Старая модель образования и труда — это конвейер, и вся его сила была в типовом: типовое задание, типовой ответ, типовой специалист. Это было гениальное решение своей эпохи.

Нейросеть первой научилась делать именно типовое — поэтому модель треснула не постепенно, а скачком. Сильнее всего удар пришёлся по системе проверки: дипломам, контрольным, текущему контролю.

Это уже не теория: ремонтные данные за семь минут вместо недель, экономия в миллиарды у перестроившихся проектировщиков, мультиагент на сборке самолёта, ИИ-агент вместо живого консалтинга. Под удар попал интеллектуальный труд квалифицированных людей, а не «тупая рутина».

Задачи делятся на зоны: замещение (отдаём машине), дополнение и усиление (работаем вместе) и «коварные задачи», недоступные ИИ. Граница между зонами движется в сторону машины, поэтому карта зон — компас, а не крепость.

Эксперт соревнуется с ИИ и проигрывает; делегатор пользуется и выигрывает. Дело не в интеллекте, а в установке — и в готовности занять место выше по цепочке ценности.

Оценивать теперь нужно процесс и мышление, а не готовый продукт; роль преподавателя смещается от источника знания к наставнику.

Скорость перемен выше привычной, а мыслим мы по-прежнему из прошлого — это усугубляет разрыв. Кто начал раньше, уходит в трудно догоняемый отрыв.

Бездействие — худшее из решений, но и слепое делегирование мышления опасно. Нужна «модель угроз» и трезвое разделение: что отдать машине, а что оставить себе.

Кризис — это не катастрофа, а открытая дверь: освобождается место для того, что умеет только человек. Итог: Диагноз поставлен: типовое отдано машине, и старый специалист-исполнитель остался без своей главной функции. Хорошая новость в том, что освободившееся место — самое ценное из всего, что есть. Чем и кем его занять — разбираемся в следующей главе.

Глава 2. Что значит обогнать ИИ

Лошадь не обгоняют, пересев на велосипед. Её обгоняют, оседлав.

Введение

В первой главе мы поставили диагноз: старый конвейер выполнения задач треснул, типовое ушло машине, а вместе с ним — и привычная ценность исполнителя. Глава получилась честной и немного безрадостной, как и положено диагнозу. Теперь — про лекарство. Если бежать быстрее по разбитой дороге далее бессмысленно, то что значит «обогнать»? И главное — кем для этого нужно стать?

Сразу условимся: «обогнать искусственный интеллект» — это не лозунг. Это точная инструкция к действию, просто сформулированная парадоксально. Разберём её по частям — и к концу главы у вас будет рабочее определение, с которым можно работать.

И ещё одно предупреждение, чтобы потом не было разочарований. Эта глава не про то, как нажимать кнопки. Я сознательно почти не говорю здесь про конкретные сервисы и интерфейсы — они меняются быстрее, чем печатаются страницы. Глава про установку: про то, как человек смотрит на инструмент и где себя относительно него ставит. Установка переживает любые обновления. А вот человек с правильным сервисом, но с проигрышной установкой обгона не совершит — сколько бы ни обновлял приложение.

И небольшое признание о том, откуда в этой главе столько свежих голосов. Пока книга писалась, я два дня провёл на федеральном форуме об ИИ в образовании — на одной площадке сошлись министр науки и высшего образования, ректоры, методологи, инженеры и философы, и два дня они спорили, по сути, об одном: что человеку отдавать машине, а что не отдавать ни при каких условиях. То есть ровно о том, чему посвящена эта глава. Я был там не наблюдателем, а участником и докладчиком — спорил, задавал неудобные вопросы и получал неудобные в ответ. Так что дальше будет много сцен оттуда: я старался привезти не лозунги, а живые голоса людей, которые прямо сейчас решают, каким будет наш с вами "обгон".

2.1 Обгон — это смена позиции, а не прибавка скорости

Начнём с того, чем обгон НЕ является. Он не означает считать быстрее, писать больше, помнить наизусть толще. В этом мы машине проиграли и проиграем ещё убедительнее — спорить с калькулятором о скорости умножения может только человек, которому больше нечем заняться. Если вы воспринимаете ИИ как соперника на одной с вами дорожке, вы уже проиграли: выбрали забег, в котором у соперника мотор.

Обгон — это смена позиции. Не «бежать по той же трассе быстрее», а перейти туда, где трасса другая и где у вас есть фора по праву рождения. Машина гениальна внутри поставленной задачи. Но она не ставит задачу сама, не решает, стоит ли её вообще решать, и не отвечает за то, что получится. Вот это пространство — постановки, выбора, смысла и ответственности — и есть ваша новая дорожка. Обогнать ИИ значит занять на ней место, на которое он не претендует.

Тут уместен образ, который я слышал на одной из сессий, — про человека, который ловко карабкается по лестнице. За последние годы мы все здорово натренировались: научились быстро бегать вверх по ступенькам, прыгать через одну, удерживать равновесие. Вопрос только один. А к той ли стене приставлена лестница? Потому что чем быстрее и виртуознее вы карабкаетесь по лестнице, прислонённой не туда, тем дальше вы оказываетесь от настоящей цели. Скорость без правильно выбранной стены — это не обгон, это очень энергичный путь не туда. Машина даёт нам невиданную скорость подъёма. Но выбрать стену по-прежнему можем только мы.

Почему позиция вдруг стала важнее скорости, лучше всех, на мой взгляд, сформулировал на федеральном форуме руководитель экспериментальной инженерной школы. Действующие модели образования, сказал он, были спроектированы для мира, где мышление было дефицитным ресурсом. А сегодня мышление становится сервисом. Вдумайтесь в это. Способность анализировать, сравнивать, делать выводы — то, что веками было редким и дорогим, — теперь подаётся по запросу, как электричество из розетки. А когда дефицитный ресурс становится сервисом, соревноваться в его производстве бессмысленно: ценность уходит туда, куда сервис не дотягивается, — к вопросам, что этим мышлением делать, ради чего и кто отвечает за результат.

Он же привёл сцену, которая мне запомнилась сильнее любых графиков. Проектно-аналитическая сессия, которая раньше занимала у студентов неделю интенсивного спора, теперь схлопывается до двух-трёх часов: одна нейросеть анализирует ситуацию, другая генерирует гипотезы, третья собирает фактуру и презентацию — а студенты в это время спокойно гуляют по кампусу [СВЕРИТЬ: наблюдение из доклада на форуме об ИИ в образовании, июнь 2026].

Формально — ускорение в десятки раз, мечта любого управленца. Фактически — проект перестал быть их проектом, результаты — их результатами, знание — их знанием. Коллеги на форуме назвали это кризисом присвоения опыта. Скорость выросла, а обгона не случилось, потому что обгонять стало некому. Вот почему я так настаиваю: обгон — не про то, как быстро едет машина. Он про то, кто в ней сидит — и сидит ли вообще.

На том же форуме я выступал с докладом и рассказывал историю, которая стала для меня моделью всего происходящего. Представьте учёного, который двадцать лет руками перебирал варианты молекул белка — и у него буквально на кончиках пальцев наросла интуиция, какая молекула сработает. Этой интуицией было оплачено всё: гранты, аспиранты, положение в науке. А потом пришла система AlphaFold, которая предсказывает структуру белка увереннее и точнее его [СВЕРИТЬ: формулировка про точность предсказаний AlphaFold], — и, что самое неприятное, мы даже не знаем, каким именно образом она это делает.

Двадцать лет самой честной, самой глубокой исполнительской экспертизы — обогнаны. Что осталось? Ровно то, на что машина не претендует: решить, какой белок вообще искать и зачем, поставить вопрос, выбрать направление, ответить за применение. Если уж такую экспертизу машина обходит на прямой, то тем очевиднее вывод: единственная позиция, которую не отобрать, находится выше по цепочке, а не дальше по дорожке.

Обгон — это не «быстрее, чем ИИ». Обгон — это выше, чем ИИ, по цепочке создания ценности: от исполнения к постановке, выбору и ответственности.

2.2 Кентавр: человек плюс машина

У этой новой позиции есть точное имя — «кентавр». Термин пришёл из шахмат: после того как машина обыграла чемпиона мира, придумали формат, где играют пары «человек плюс программа». И оказалось, что сильнейший игрок в мире — не человек и не машина по отдельности, а именно кентавр: человек, который умело управляет машиной. Не самый сильный гроссмейстер и не самый мощный движок, а лучшая связка.

Перенесите это на работу — и вы получите портрет того, кто обгоняет. Кентавр соединяет свои профессиональные навыки с мощью ИИ в едином рабочем процессе: машина берёт на себя перебор, черновик, рутину и скорость, а человек — направление, суждение и смысл. Ключевое слово здесь — «управляет». Кентавр не соревнуется со своей лошадиной половиной и не передаёт ей поводья целиком. Он держит поводья.

Я слышал, как этот образ разворачивал коллега, который строит ИИ-агентов для управления целым университетом. Он формулировал так: сверху — человек, снизу — лошадь, и в нашем случае на месте лошади искусственный интеллект. И тут же добавлял главное: важно не забывать, кто из них сверху. Гибридное рабочее место становится кентавром только тогда, когда человек сохраняет за собой три вещи — ответственность, контроль и мышление. «Я несу ответственность за все действия, а ИИ не несёт никакой; и я в любой момент могу спросить его, что происходит» — вот его рабочее правило. Заметьте, как точно совпали два независимых источника: шахматный кентавр из мира игры и кентавр из мира управления говорят об одном и том же — машине можно отдать силу и скорость, но не управление.

Любопытно, откуда этот образ пришёл в управление. Тот же коллега рассказывал, что вдохновлялись опытом южнокорейских компаний, которые одними из первых посадили ИИ-агентов буквально в советники совета директоров. Но с одной железной оговоркой: агент не может нести ответственность — значит, рядом обязательно нужен человек, который её несёт. И задачу свою он формулировал почти как девиз: ИИ освободил людей от рутины, и теперь надо постепенно «плодить» вот таких кентавров: машина бегает за них по всему полю, а решают и отвечают они сами.

У кентавра, кстати, появилась и эмпирическая родословная. На федеральном форуме коллеги из крупного исследовательского университета пересказывали исследование, проведённое на консультантах одной из ведущих мировых консалтинговых компаний [СВЕРИТЬ: исследование о режимах работы с ИИ на консультантах BCG]. Людей, работающих с ИИ, там разделили на три типа. Первый — самоавтоматизатор: бросил задачу машине, получил ответ, отдал дальше не глядя. Он экономит время — и незаметно уничтожает собственный человеческий капитал: навык, который перестал работать, уходит. Второй — кентавр: финальный синтез оставляет за собой — аналитическую записку пишет сам, а машине отдаёт отдельные подзадачи, как субподрядчику. Такой режим, показало исследование, углубляет предметную экспертизу. Третий — киборг: работает с машиной в плотных микроитерациях, на каждом шаге, и наращивает новый навык — оркестровку. Заметьте: выигрывают второй и третий, и оба потому, что не выпускают процесс из рук. Проигрывает ровно тот, кто пересел в пассажирское кресло.