Перейти к содержимому
практика ИИ
ИИ и общество ~ Гипотеза

Заменит ли ИИ человека: что остаётся за нами

Заменит ли ИИ человека? Ответы он уже даёт быстрее и дешевле нас. Но решить, какой вопрос задать и что делать с ответом, по-прежнему работа человека.

Главное

  • Когда ответы дешевеют, дорожают постановка вопроса, критерии результата и ответственность за решение
  • Что делегировать, определяет не сложность задачи, а стоимость проверки результата
  • В командах растёт доля времени на постановку задачи и приёмку, а не на исполнение

Дешёвые ответы меняют цену вопроса

Ещё недавно заметная часть умственной работы уходила на производство: собрать варианты, написать черновик, сделать первую версию структуры. Эта часть подешевела и продолжает дешеветь.

Когда что-то становится дешёвым, ценность перемещается к тому, что осталось дорогим. В данном случае — к выбору задачи, к критериям хорошего результата и к ответственности за последствия. Черновик перестал быть узким местом. Узким местом стало понимание, нужен ли этот черновик вообще и по каким признакам он хорош.

Это не абстракция. Руководитель, который получает десять предложений вместо одного, тратит время не на написание, а на отбор. Навык отбора отличается от навыка написания и тренируется отдельно.

Что именно остаётся человеку

Полезно разделить работу на части и посмотреть, какие из них передаются инструменту, а какие нет.

  • Постановка задачи. Инструмент отвечает на заданный вопрос. Он не может знать, что вопрос задан не тот, потому что не видит ситуацию, из которой вопрос вырос.
  • Выбор критериев. Что считать хорошим результатом, решает тот, кто отвечает за результат. Критерии почти никогда не записаны и извлекаются только разговором с людьми.
  • Контекст, которого нет в тексте. История отношений с клиентом, расстановка сил внутри компании, обещания, данные устно. Ничего из этого в запрос не попадает.
  • Ответственность. Она не делегируется вместе с исполнением. Подпись под решением ставит человек.

Проверка как отдельный навык

Убедительность и правота — разные свойства текста. Хорошо написанный ответ выглядит одинаково независимо от того, верен он или нет, и это главная практическая трудность работы с такими инструментами.

Это не ощущение, а измеренный эффект. В работе, опубликованной в Nature Machine Intelligence, участники систематически переоценивали точность ответов модели, а более длинные объяснения повышали их уверенность, хотя правильность ответов от длины не росла.

Несколько приёмов, которые работают:

  • Запишите собственное предположение и критерии хорошего ответа до того, как обратитесь к инструменту. Иначе первый ответ станет точкой отсчёта и вы будете оценивать не задачу, а его.
  • Отдельно выделите то, что осталось неизвестным. Инструмент редко сообщает, что чего-то не знает, но обычно можно спросить, какие данные нужны для более точного ответа.
  • Проверяйте утверждения, которые легко проверить: числа, даты, названия, ссылки. Если ошибки нашлись в проверяемой части, доверять непроверяемой нет оснований.
  • Попросите построить аргументацию против собственного вывода. Слабость контраргументов — тоже информация.

Разная цена проверки

Есть практическое правило, которое помогает решить, что передавать инструменту, а что нет. Смотрите не на сложность работы, а на стоимость проверки результата.

Там, где проверка дешёвая, делегировать выгодно почти всегда. Код либо запускается, либо нет. Перевод можно прочитать. Список вариантов легко просмотреть и вычеркнуть лишнее. Ошибка обнаруживается быстро и стоит немного.

Там, где проверка стоит столько же, сколько самостоятельное выполнение, выигрыш исчезает. Чтобы оценить юридическое заключение, нужно разобраться в вопросе самому. Чтобы проверить прогноз, нужно понимать допущения, на которых он построен. В таких задачах инструмент полезен как источник вариантов и опасен как источник выводов.

Тип задачи Стоимость проверки Что разумно поручить
Черновик письма, перевод, список вариантов Низкая, ошибка видна сразу Выполнение целиком
Юридическое заключение, прогноз, оценка рисков Высокая, нужно разбираться самому Только подготовку вариантов
Цифры в отчёте, условия в договоре Ошибка всплывает позже и не там Ничего без сплошной проверки

Самая неприятная категория — задачи, где ошибка не обнаруживается сразу. Неверная цифра в отчёте, пропущенное условие в договоре, тихо потерянный при обработке фрагмент данных. Здесь скорость создаёт иллюзию выигрыша, а цена выясняется позже и не там, где возникла.

Что меняется в работе команд

Смещение видно не только в личной работе. Меняется распределение усилий внутри команд.

  1. Растёт доля времени на постановку задачи. Плохо сформулированная задача раньше обнаруживалась через неделю работы, теперь — через минуту, и это выгодно.
  2. Растёт нагрузка на приёмку. Материала становится больше, и решает не тот, кто его произвёл, а тот, кто проверил.
  3. Меняется ценность младших ролей. Работа, которая раньше служила способом научиться, частично уходит инструменту. Вопрос, где люди теперь набирают опыт, пока открыт, и компаниям придётся отвечать на него самостоятельно.
  4. Повышается цена неявных знаний. Всё, что записано и общедоступно, инструмент воспроизводит. Преимущество остаётся у того, что известно только внутри.

Чему стоит учиться

Список короткий и не про технологии.

Формулировать задачу: понимать, какой результат нужен, кому и почему именно такой. Читать критически: отличать проверяемое от правдоподобного. Понимать границы инструмента: где он силён, где систематически ошибается и почему. И сохранять собственное суждение — способность сказать «этот ответ выглядит убедительно, но мы поступим иначе, и вот почему».

Когда ответ получить легко, важнее становится выбор вопроса.

Разговор о том, что ИИ заменит людей, обычно построен на подмене: сравнивают инструмент с исполнителем. Полезнее другое сравнение — с работой, которую человек выполняет. Часть этой работы действительно уходит. Остаётся та часть, где нужно решить, что считать правильным, и отвечать за это решение перед другими людьми.

Источники

  1. What Large Language Models Know and What People Think They Know — Mark Steyvers и соавторы, Nature Machine Intelligence, 2025. О разрыве между уверенностью модели и уверенностью человека в её ответе и о влиянии длины объяснения на доверие.

Дальше в блоге

Все статьи