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.