Когда интеллект стал дешёвым. Том 1: Человек Как оставаться нужным, когда ИИ меняет работу, карьеру и ценность специалиста

Начнём с первого.

Магия — это то, что другие не могут повторить

Первый рычаг я для себя называю «магией». Не ради пафоса, а потому что у магии есть точное свойство: её нельзя повторить, просто посмотрев, как это сделано.

У Питера Тиля, с мысли которого начинается эта глава, есть близкая формулировка. Успешная компания — это не та, что просто побеждает в конкуренции, а та, что создаёт пространство, где конкуренция становится слабой или временно невозможной. Когда все делают одно и то же, цена постепенно падает к уровню издержек. Прибыль остаётся там, где есть что-то уникальное: то, что нельзя быстро скопировать, купить или заменить.

У этого есть очень практичный измеритель. Уоррен Баффетт говорил, что самое важное при оценке бизнеса — ценовая власть: способность поднять цену, не теряя клиентов. Если вы можете поднять цену и клиенты остаются — у вас есть магия. Если при малейшем повышении они уходят к соседу с таким же предложением — вы остались во втором рычаге — экономии, где ИИ быстро сжимает премию для всех.28

Переведу с языка стратегии на язык работы.

Теперь многие могут с ИИ за вечер сделать приличный логотип. Это второй рычаг — он стал общим. Но придумать позиционирование, за которое клиент платит премию и от которого зависит весь бренд, по-прежнему умеют единицы. Это первый рычаг. Модель помогла нарисовать. Она не решила, чем вы должны отличаться от всех остальных на рынке.

Юрист теперь может быстрее собрать типовой договор с помощью модели. Это базовая норма. Но провести сложную сделку, где нет шаблона, где надо принять решение под риском и взять на себя ответственность за последствия, — это уже другой уровень ответственности и другие деньги.

Разница не в объёме и не в скорости. ИИ как раз даёт объём и скорость — всем. Разница в уникальности. Поэтому правильная цель в мире дешёвого output — не «делать на десять процентов лучше других». Небольшое улучшение часто не замечают и не оплачивают. Цель — делать то, чего у других просто нет.

И заметьте, где живёт магия. Не в output, который легко скопировать, а в outcome — в результате, который случился у конкретного клиента, в конкретной ситуации, под вашу ответственность. Output легко повторить. Outcome — нет, потому что в нём есть контекст, выбор и риск, которые несёте именно вы.

Внимание и доверие

Теперь третий рычаг. Он менее очевиден, но в мире дешёвого output дорожает сильнее, чем кажется.

Логика простая. Когда произвести текст, картинку, презентацию, ответ или небольшой продукт может почти каждый, узким местом становится уже не производство. Узким местом становится внимание: до кого это вообще дойдёт и кому из тысячи одинаково-приличных вариантов поверят.

Два эксперта пишут похожий по качеству разбор, оба с помощью ИИ. Прочитают и оплатят того, у кого уже есть аудитория и репутация. Производство уравнялось — отличает дистрибуция (то, как ваш продукт или мысль доходит до человека: каналы, площадки, доступ к чужому вниманию) и доверие.

Инвестор Саймон Ву из фонда Cathay Innovation сформулировал это коротко: «Дистрибуция — это кислород». Можно сделать гениальную вещь и задохнуться без канала, по которому она дойдёт до людей. У него же есть точная мысль про устойчивость: настоящий ров (защита бизнеса от конкурентов — то, что трудно скопировать) не в отдельной фиче и не в модели, а в системе, которая продолжает улучшаться, даже когда ты на неё не смотришь.29

С похожей стороны на цифровой рынок смотрит аналитик Бен Томпсон в своей «теории агрегации»: в цифровом мире ценность утекает к тому, кто владеет отношениями с клиентом и его вниманием, а не к тому, кто что-то произвёл. Производитель взаимозаменяем. Владелец спроса — нет.30

Этот поворот касается каждого. Когда синтетического контента становится бесконечно много — текстов, картинок, голосов, лиц, — дорожает противоположное: доказательство, что за этим стоит живой человек, которому можно верить. Чем дешевле подделка, тем дороже подлинность. К этой теме мы ещё вернёмся, когда будем говорить о навыках и о детях. Пока запомним: доверие перестаёт быть приятным фоном и становится дефицитным активом.

Одинаковая модель — разная ценность

Откуда вообще берётся это смещение? Почему ценность так уверенно уходит от производства к магии и доверию? Здесь нам снова поможет образ из первой главы.

Мы говорили: модель — это двигатель, но едет вся машина. Двигатель сегодня дешёвый и почти у всех одинаковый: те же несколько мощных моделей доступны и крупному банку, и студенту, и вашему конкуренту. Если бы ценность сидела в самом двигателе, выигрывал бы тот, у кого он есть. Но он есть у всех.

Значит, ценность ушла в то, что собрано вокруг двигателя: в данные, контекст, проверку, процесс, дистрибуцию, доверие клиента.

Инвестор и автор Yi Zhou формулирует это прямо: в мире, где все пользуются одними и теми же базовыми моделями, ваш ров — не ваша модель. Ваш ров — это понимание клиента, ваши собственные данные, которые улучшаются от использования, и способность заслужить доверие. Для ИИ-продуктов, добавляет он, доверие становится соответствием продукта рынку: люди передают софту часть решений, а значит, должны верить интерфейсу и системе за ним.31

Есть жёсткая формула, которую часто приписывают Джеффу Безосу: «Ваша маржа — это моя возможность». Смысл такой: как только что-то становится дёшево произвести, заработок на самом производстве испаряется. Кто-то всегда сделает это ещё дешевле. Маржа, прибыль, премия утекают вверх по цепочке — к тому, кто владеет уникальным (рычаг 1), и к тому, кто владеет отношениями с клиентом (рычаг 3).32

ИИ сжимает маржу на производстве output — для всех сразу. Поэтому держаться за «я умею быстро делать артефакты» так же наивно, как банку гордиться тем, что у него есть приложение в телефоне (или еще какое-то другое). Это нужно иметь. Но зарабатывать на этом уже не получится.

Что дешевеет, что дорожает

Теперь эту логику можно приложить к своей работе почти как проверочную таблицу.

Левая колонка — это то, что ИИ раздаёт почти бесплатно и почти каждому. Делать это надо: без левой колонки вы отстали. Но соревноваться в ней бессмысленно — там почти не осталось премии.

Правая колонка — туда переехала ценность. Почти всё в ней — не врождённый талант и не магия в мистическом смысле. Это то, что можно собирать и выращивать: данные, репутацию, доверие, понимание клиента, способность довести дело до результата.

Раньше левая и правая колонки были склеены. Чтобы получить хороший результат, надо было сначала дорого его произвести, и казалось, что ценность сидит в производстве. ИИ развёл их по разным сторонам. Производство стало дешёвым — и стало видно, что настоящая ценность всё это время была в правой колонке.

Простой фильтр для вашей работы

Из всей экономики этой главы можно собрать один рабочий инструмент. Он умещается в три вопроса, и его можно прикладывать к любой своей задаче, проекту или рабочему дню.

Спросите о том, чем вы сейчас занимаетесь:

1. Это приносит новые деньги — создаёт что-то новое, лучшее, уникальное, за что клиент готов платить больше?

2. Это экономит — делает дешевле или быстрее то, что и так делается?

3. Это приводит или удерживает клиента — внимание, доверие, спрос или повторный выбор?

Если задача попадает хотя бы в один рычаг — это ценность, и понятно, как её усиливать. Если она не попадает ни в один — стоит честно признать: это занятость. Возможно, нужная, привычная, даже приятная. Но не та, за которую в мире дешёвого интеллекта будут платить.

И отдельный, неудобный вопрос про второй рычаг. Если вся ваша ценность сегодня — в экономии, в том, что вы делаете типовое быстрее и дешевле, спросите себя: можно ли это повторить с ИИ за квартал? Если можно — вы стоите на той самой банковской фиче, которую вот-вот скопируют все. Значит, пора переносить вес на первый и третий рычаги: уникальность, внимание и доверие.

Это не повод для паники. Это повод раньше других посмотреть на свою работу честно.

Дешевеет ответ, дорожает вопрос

Вся глава держится на одной мысли.

Эффективность стала общей. То, что ещё вчера было вашим преимуществом, — умение быстро и качественно делать типовой output, — сегодня умеют все вокруг, потому что у всех один и тот же дешёвый двигатель. На этом больше не выделишься.

Значит, платить будут за две вещи, которые дешёвый интеллект не выдаёт сам по себе. За то, чего другие повторить не могут. И за доверие тех, кто выбирает именно вас.

Дешевеет ответ. Дорожает правильный вопрос.

Это смещение пока выглядит как разговор про бизнес и про деньги. Но за ним прячется куда более личная история — про вашу профессию. Потому что если ценность переехала с производства на магию, доверие и владение результатом, то и профессии перестают быть единым целым. Они распадаются на задачи, у каждой из которых своя судьба. С этого и начнём следующую главу.

Практикум к книге

К этой главе в Практикуме будут лежать рабочий фильтр трёх рычагов ценности, таблица «что дешевеет / что становится преимуществом» и связка с инвентаризацией недели из следующей главы: https://cheap-intelligence.vercel.app/

Глава за минуту

Логика главы.

1. Три рычага. Ценность всегда сводится к трём вещам: новые деньги (магия), экономия (издержки), внимание и доверие. Других источников нет — остальное обычно обслуживает один из этих трёх источников.

2. ИИ сделал экономию общей — для всех сразу. Типовой output подешевел везде одновременно, поэтому перестал быть преимуществом. Эффективность стала базовой нормой: делать надо, но сама по себе она уже не даёт премии.

3. Дорожает дефицит. Остаются два рычага: магия (то, чего другие не могут быстро повторить → ценовая власть) и внимание/доверие (кому верят, у кого есть доступ к клиенту и дистрибуция). Когда контента бесконечно много, доверие дефицитно.

4. Ров не в модели. Двигатель у всех дешёвый и одинаковый; ценность уходит в данные, контекст, доверие, дистрибуцию и способность довести дело до outcome — результата, за который кто-то готов отвечать.

Что забрать каждому.

• Специалист: перестаньте конкурировать в скорости и объёме — этим теперь пользуются все вокруг. Переносите вес на то, чего не могут повторить (суждение, вкус, уникальная экспертиза), и на доверие к вам (репутация, аудитория, публичные результаты). Проверяйте каждую задачу фильтром трёх рычагов.

• Руководитель: не считайте ИИ-проект только по сэкономленным часам — экономию получат и конкуренты, преимущества она не даёт. Считайте по всем трём рычагам: что нового он позволяет (рычаг 1) и как укрепляет отношения с клиентом (рычаг 3). Ров стройте в данных, процессе и доверии, а не в самой модели.

• Предприниматель: обвал издержек с ИИ — это входной билет, а не отличие. Преимущество — в магии (продукт, которого нет у других) и в дистрибуции с доверием (свой канал и своя аудитория). Не пытайтесь выиграть «эффективностью как у всех, только дешевле». Это гонка к нулевой премии.

Дешевеет ответ. Дорожает правильный вопрос. Эффективность теперь есть у всех — платят за то, чего не могут другие, и за того, кому доверяют.

Глава 3. Профессии не исчезают — они распадаются на задачи

Смотрите не на название профессии, а на судьбу задач внутри нее.

«Мы заражаемся новой болезнью, имени которой иные читатели ещё не слышали, но о которой в ближайшие годы услышат очень много, — технологическая безработица. Она наступает потому, что мы находим способы экономить труд быстрее, чем придумываем ему новое применение».

— Джон Мейнард Кейнс, экономист, эссе «Экономические возможности наших внуков», 193033

Этим словам почти сто лет.

Кейнс написал их в 1930 году, когда главной машиной эпохи был конвейер, а слово «компьютер» ещё означало человека, который считает за столом.

«Технологическая безработица» — не диагноз из сегодняшних заголовков про ИИ. Это диагноз вековой давности, и с тех пор его ставили заново перед каждой большой технологией: электрификацией, автоматическими линиями, компьютером, интернетом.

У этого страха есть устойчивый жанр. Называется профессия, которая «исчезнет первой», рисуется график, ставится срок. В моей отрасли на эту роль десятилетиями выбирали одного и того же человека — банковского операциониста.

Логика выглядела железной. Банкомат придумали ровно под его работу: выдать наличные, принять платёж, показать остаток. Когда в девяностые банкоматы начали ставить массово, прогноз казался простой арифметикой: одна машина у входа заменяет несколько человек за стойкой. Профессия обречена, вопрос закрыт.

Экономист Джеймс Бессен потратил годы, чтобы проверить, что случилось на самом деле. Банкоматов в США стали сотни тысяч. А операционистов не убавилось — к середине двухтысячных их стало даже немного больше, чем до банкоматной волны.34

Механика оказалась неочевидной — рассмотрим её внимательно. Банкомат действительно забрал у человека пересчёт и выдачу наличных. Отделению стало нужно меньше людей: в среднем тринадцать вместо двадцати. Но отделение, которому нужно меньше людей, — это дешёвое отделение, а дешёвое отделение выгодно открывать. Банки начали открывать их одно за другим: в американских городах отделений стало почти в полтора раза больше. Меньше людей на точку, больше точек — в сумме рабочих мест не убавилось.

Изменилось другое — сама работа. Машине отдали то, что она делала лучше и дешевле: счёт, выдачу, типовые операции. Человеку осталось то, чего машина не умела: разговор, сложный случай, продажа, доверие. Операционист из человека, который считает деньги, превратился в человека, который разговаривает с клиентом о деньгах. Название профессии не изменилось. Содержание — полностью.

Ту же механику я видел вблизи — в российских банках, где прошла моя карьера. У нас она шла быстрее и жёстче. Герман Греф в 2015 году называл цифры по Сбербанку: бухгалтеров в системе было 33 тысячи — осталось 1 600, а целью были 600; бэк-офис с 59 тысяч человек в 2008-м сжался до 17 тысяч, с планом дойти до 6 тысяч.35 Проводки, сверки, обработка платёжек — то, чем жили целые этажи, — ушли в централизованные системы и автоматику.

Но посмотрите, что исчезло на самом деле. Исчезли задачи — пересчитать, провести, сверить. Работа с клиентом никуда не делась: люди из операционных залов уходили туда, где машина не справлялась, — в консультирование, продажи, сложные и конфликтные случаи.

Поменялись и требования при найме. Я наблюдал это по собственным командам: от сотрудника отделения всё меньше ждали скорости и аккуратности в операциях и всё больше — умения разговаривать, разбираться в продуктах и удерживать клиента. Аккуратность теперь была у системы. Дефицитом стал человек, которому доверяют.

Это было видно не в отчётах, а в собеседованиях. Кандидат мог без ошибки рассказать порядок операции, но этого уже было мало, если он не понимал, что делать с раздражённым клиентом, спорным отказом или продуктом, который трудно объяснить без банковского жаргона. Раньше такого сотрудника учили быть точным: не перепутать цифру, не нарушить регламент, не потерять документ. Теперь точность всё чаще давала машина, а человек был нужен там, где регламент уже не спасает. Нужно было услышать, зачем клиент пришёл, объяснить неприятное решение и не спрятаться за формулой «так показывает система». В этот момент становилось понятно, что профессия не исчезла: из неё вынули механическую сердцевину, а оставшееся стало больше похоже на работу с доверием, чем на работу с документами.

Честность требует досказать эту историю до конца. Банкомат операциониста не убил — а вот смартфон позже взялся за него всерьёз. Когда банк переехал в телефон, людям стало незачем заходить в отделение, отделения начали закрываться, и число операционистов пошло вниз.36

Этот поворот стоит запомнить: разговор «технология и моя работа» не заканчивается никогда. Задачи будут переезжать от человека к машине и обратно всю вашу карьеру.

Но главный урок банкоматной истории в другом, и ради него написана эта глава.

Машина пришла не за профессией. Она пришла за отдельными задачами внутри неё.

В прошлой главе мы выяснили, куда смещается ценность, когда «сделать» стоит копейки: от эффективности, которая стала общей, — к магии и доверию. Теперь приложим это к самому личному вопросу читателя: заберёт ли ИИ мою профессию?

Короткий ответ: название профессии чаще всего переживёт волну. Но внутри него произойдёт самое драматичное. Профессия — это связка задач, и у каждой задачи своя судьба: одни машина забирает целиком, в других становится подмастерьем, третьи остаются человеку — и дорожают.

Кто следит за судьбой своих задач — управляет своей ценой. Кто следит за заголовками про судьбу профессий — просто нервничает.

Профессия — это упаковка

Начнём с мысли, которая звучит банально — пока из неё не начинают следовать выводы.

«Профессия» — административная единица. Запись в трудовой книжке, строчка в резюме, код в классификаторе должностей. Рынок не платит только за упаковку. Он платит за задачи, ответственность, доверие и доступ к клиенту. Но для ИИ лучшая единица анализа — именно задача: её можно описать, передать машине, проверить и удешевить.

Возьмём один рабочий день юриста — мы уже встречали его в прошлой главе. С утра проверить договор поставки. Потом найти судебную практику по спорному пункту. Написать претензию. Позвонить клиенту, у которого срывается сделка, и удержать его от глупости. После обеда оценить риск по новой схеме работы и решить, подписывать ли заключение, за которое потом отвечать.

В классификаторе всё это — «юрист». По существу — пять разных видов работы: поиск, текст, разговор, суждение, риск. Они требуют разных способностей. Они по-разному оплачиваются. И главное — они автоматизируются с совершенно разной скоростью.

ИИ не умеет «быть юристом». ИИ умеет выполнять часть юридических задач — какие-то на уровне стажёра, какие-то уже на уровне опытного специалиста, а какие-то не умеет вовсе. То же верно для бухгалтера, маркетолога, аналитика, врача, преподавателя и, замечу без удовольствия, для автора книг.

Поэтому вопрос «заберёт ли ИИ профессию X» плохо сформулирован. Он не имеет ответа, потому что задан не к той единице. Это как спрашивать, «подорожает ли еда»: что-то подорожает, что-то подешевеет, и пока вы не разложите корзину на продукты, вы не узнаете о своём бюджете ничего.

Разложим корзину.

Машина смотрит на задачи, а не на должности

Осенью 2025 года OpenAI — компания, создавшая ChatGPT, — опубликовала исследование GDPval — попытку измерить возможности ИИ не на экзаменах и головоломках, а на реальных рабочих задачах. Взяли сорок четыре профессии из девяти крупнейших секторов американской экономики и тысячу триста двадцать задач, которые составили практики с опытом в среднем по четырнадцать лет: юридическую записку, график амортизации, инженерный план, диалог с клиентом поддержки, план ухода за пациентом, презентацию для совета директоров. Потом работы — человеческие и машинные, без подписей — сравнивали эксперты: какая лучше решает задачу.37

Обратите внимание на сам дизайн исследования. Даже создатели моделей не спрашивают «какие профессии исчезнут». Они меряют задачи. Единица анализа уже поменялась — осталось поменять её в наших головах.

Теперь результат. В оценке экспертов лучшие модели выдали работу на уровне эксперта или лучше примерно в половине задач.

Прочитайте эту фразу медленно — в ней оба смысла главы сразу. Половина — это очень много: ещё три года назад такая цифра показалась бы фантастикой. И половина — это не профессия: внутри каждой специальности у задач разная судьба, и какая именно половина вашей работы попала в зону машины, заранее не очевидно.

Добавим экономику — она объясняет, почему бизнес будет продолжать давить в эту сторону, даже если качество моделей останется неровным. Эксперт тратил на такую задачу в среднем около семи часов и несколько сотен долларов. Модель выдаёт свой вариант за минуты и центы. В лоб — в сотни раз быстрее и дешевле.

Но мы помним из первой главы, чем заканчивается «в лоб»: если рядом посадить человека, который проверяет и доводит результат до кондиции, выигрыш связки человек + ИИ оказывается скромнее — примерно от 1,1 до 1,6 раза.38 Дешёвым стал output. Не ответственность за него. Поэтому платят всё чаще не за производство, а за всё, что вокруг него, — мы разобрали это в прошлой главе.

Зубчатая граница: где машина сильна, а где спотыкается

Во вступлении я упоминал образ исследователя Итана Моллика — зубчатую границу (jagged frontier): ИИ силён в одних задачах и неожиданно слаб в соседних, и заранее не угадаешь, по какую сторону границы окажется именно ваша.39 GDPval позволяет рассмотреть эти зубцы вблизи.

Машина сильна там, где задача упакована. Лучшие результаты — на структурированных, оформленных артефактах: таблица, слайды, документ по заданному шаблону. На «голом тексте», где нет формата, за который можно спрятаться, и всё решает суждение, результат в разы слабее.40

Машина сильна на коротком плече. Задачи на час-два работы — её территория. Чем длиннее задача, тем заметнее она сыпется; на проектах в недели — разваливается.

И показательная деталь: когда модель проигрывала эксперту, чаще всего дело было не в нехватке знаний. Дело было в несоблюдении инструкции — сделала хорошо, но не то, что просили.41

Сложите три наблюдения, и получится рабочее правило — грубое, но честное.

Чем чётче заданы вход, критерии и формат и чем короче задача — тем ближе она к машине. Чем больше в задаче контекста, неоднозначности и ответственности — тем дальше она от машины. Пока.

Слово «пока» здесь не вежливость, а часть правила. Граница зубчатая ещё и во времени: зубцы ползут, и то, что сегодня за границей, через год может оказаться внутри. К этому мы вернёмся в конце главы.

Два вопроса к любой задаче

Андрей Карпати — мы встречали его в первой главе с метафорой операционной системы — подошёл к тому же вопросу с другой стороны: не вглубь, а вширь. В 2026 году он собрал карту 342 профессий США — практически весь рынок труда — и поручил языковой модели оценить каждую по шкале от 0 до 10: насколько сильно ИИ её переформатирует.42

К этой карте нужны две оговорки сразу. Оценку ставила модель, а не экономисты с данными — это прикидка, не прогноз. И сама карта прожила в открытом доступе недолго, что добавило ей популярности больше, чем любая реклама. Я привожу её здесь не как доказательство, а как полезный способ думать — с доказательствами мы уже познакомились выше.