Один из первых вопросов, которым задаются люди, начав всерьез использовать ИИ, — повлияет ли он на их работу. Ответ, скорее всего, утвердительный.

Этот вопрос настолько важен, что как минимум четыре разные исследовательские группы попытались точно количественно оценить, насколько сильно пересекаются задачи, которые могут выполнять люди, и задачи, подвластные ИИ. Для этого они использовали очень подробную базу данных о требованиях к работе в 1016 различных профессиях. Каждое исследование пришло к одному и тому же выводу: практически все наши рабочие места будут пересекаться с возможностями ИИ. Как я уже упоминал ранее, характер этой революции ИИ на рабочих местах выглядит совсем иначе, чем любая предыдущая революция автоматизации, которая обычно начиналась с самой рутинной и опасной работы. Исследование экономистов Эда Фелтена, Манава Раджа и Роба Симанса показало, что ИИ больше всего пересекается с наиболее высокооплачиваемой, творческой и требующей высокого уровня образования работой. Преподаватели вузов составляют большую часть топ-20 профессий, наиболее подверженных пересечению с ИИ (профессор бизнес-школы занимает 22-е место в списке ). Но работой с самым высоким уровнем пересечения на самом деле является телемаркетолог. Робозвонки вскоре станут гораздо более убедительными и гораздо менее механическими.

Лишь 36 категорий профессий из 1016 вообще не имели пересечений с ИИ. В число этих немногих вошли танцоры и спортсмены, а также копровщики, кровельщики и мотоциклетные механики (хотя я разговаривал с одним кровельщиком, и он планировал использовать ИИ для помощи в маркетинге и обслуживании клиентов, так что, возможно, таких профессий осталось 35). Вы заметите, что это сугубо физические виды деятельности, в которых критически важно умение перемещаться в пространстве. Это подчеркивает тот факт, что ИИ, по крайней мере на данный момент, бестелесен. Бум искусственного интеллекта происходит гораздо быстрее, чем эволюция практических роботов, но вскоре это может измениться. Многие исследователи пытаются решить давние проблемы робототехники с помощью больших языковых моделей, и уже есть первые признаки того, что это может сработать, поскольку LLM облегчают программирование роботов, способных по-настоящему учиться у окружающего мира.

Таким образом, независимо от характера вашей деятельности, ваша работа, скорее всего, пересечется с ИИ в ближайшем будущем. Но это не значит, что вас заменят. Чтобы понять почему, нам нужно рассмотреть работу более внимательно, взглянув на нее на нескольких уровнях. Любая работа состоит из набора задач. И любая работа вписана в более крупные системы. Без учета систем и задач мы не сможем по-настоящему понять влияние ИИ на работу.

Возьмем, к примеру, мою роль профессора бизнес-школы. Поскольку моя профессия занимает 22-е место по уровню пересечения из 1016, я немного обеспокоен. Однако моя работа — это не просто единая неделимая сущность. Напротив, она состоит из множества задач: преподавание, исследования, написание статей, заполнение ежегодных отчетов, обслуживание своего компьютера, составление рекомендательных писем и многое другое. Название должности «профессор» — лишь ярлык, а повседневная рутина складывается именно из этого набора задач.

Может ли ИИ взять на себя часть этих задач? Ответ — да, и, честно говоря, есть дела, которые я с удовольствием переложил бы на ИИ, например административную бумажную волокиту. Но означает ли это, что моя профессия исчезнет? Вовсе нет. Избавление от части задач не ведет к исчезновению самой работы. Точно так же электроинструменты не уничтожили плотников, а сделали их работу более эффективной, а электронные таблицы позволили бухгалтерам работать быстрее, но не ликвидировали саму профессию бухгалтера. ИИ способен автоматизировать рутинные задачи, высвобождая наше время для деятельности, требующей уникальных человеческих качеств, таких как креативность и критическое мышление — или, возможно, для управления и курирования творческих результатов ИИ, о чем мы говорили в прошлой главе.

Однако на этом история не заканчивается. Системы, в которых мы работаем, также играют важнейшую роль в формировании нашей профессиональной деятельности. Для меня как профессора бизнес-школы очевидным системным фактором является пожизненный академический контракт (tenure) — это значит, что меня нельзя просто так заменить, даже если мою работу передадут ИИ. Но есть и множество других, более тонких систем внутри университета. Допустим, ИИ мог бы читать лекции лучше, чем я. Захотят ли студенты перепоручить свое обучение ИИ? Будет ли техническое оснащение наших аудиторий приспособлено для преподавания с помощью ИИ? Будет ли деканам университета комфортно использовать ИИ таким образом? Станят ли журналы и сайты, составляющие рейтинги учебных заведений, наказывать нас за это? Моя работа связана со множеством других профессий, клиентов и заинтересованных сторон. Даже если бы ИИ автоматизировал мою работу, системы, в которых она существует, гораздо менее очевидны.

Давайте же поместим ИИ в контекст и поговорим о том, на что он способен на уровне задач и систем.

Задачи и неровная технологическая граница

Одно дело — теоретически анализировать влияние ИИ на рабочие места, и совсем другое — проверить это на практике. Именно этим я и занимался вместе с командой исследователей, в которую вошли социологи из Гарварда Фабрицио Делль'Акква, Эдвард Макфоуленд III и Карим Лакхани, а также Хила Лифшиц-Ассаф из Уорикской бизнес-школы и Кэтрин Келлогг из Массачусетского технологического института (MIT). Нам помогала Boston Consulting Group (BCG) — одна из ведущих мировых консалтинговых компаний в сфере управления, которая и провела исследование, а также почти восемьсот консультантов, принявших участие в экспериментах.

Консультантов случайным образом разделили на две группы: первая должна была выполнять работу стандартным способом, а вторая получила доступ к GPT-4 — той самой базовой, стандартной версии LLM, которая доступна каждому в 169 странах. Затем мы провели для них небольшое обучение работе с ИИ и запустили таймер, предложив им выполнить восемнадцать задач, разработанных BCG так, чтобы они в точности имитировали стандартную работу консультантов. Среди них были творческие задания («Предложите не менее 10 идей новой обуви для неосвоенного сегмента рынка или вида спорта»), аналитические («Сегментируйте рынок обувной промышленности по категориям пользователей»), письменные и маркетинговые («Подготовьте рекламный текст пресс-релиза для вашего продукта»), а также задания на убедительность («Напишите вдохновляющее обращение к сотрудникам, подробно объясняющее, почему ваш продукт превзойдет конкурентов»). Мы даже проконсультировались с руководителями обувных компаний, чтобы убедиться, что задания соответствуют реальности.

Группа, работавшая с ИИ, справилась значительно лучше тех консультантов, которые его не использовали. Мы оценивали результаты всеми возможными способами — учитывали уровень квалификации консультантов, привлекали для проверки результатов ИИ вместо экспертов-людей, — но эффект сохранялся во всех 118 различных вариантах анализа. Консультанты, использовавшие ИИ, работали быстрее, а их результаты оценивались как более творческие, качественнее написанные и более аналитические, чем у их коллег.

Однако более пристальный взгляд на данные выявил то, что одновременно и впечатляло, и вызывало тревогу. Хотя предполагалось, что консультанты будут использовать ИИ для помощи в решении задач, казалось, будто ИИ выполнял за них бо́льшую часть работы. Большинство участников эксперимента просто копировали и вставляли вопросы, которые перед ними стояли, и получали отличные ответы. То же самое происходило и в эксперименте с написанием текстов, который провели экономисты Шаккед Ной и Уитни Чжан из MIT (мы обсуждали его в главе 5): большинство участников даже не утруждали себя редактированием текста, выданного ИИ. Эту проблему я наблюдаю постоянно, когда люди только начинают пользоваться ИИ: они просто вставляют в чат в точности тот вопрос, который им задали, и позволяют ИИ ответить на него. В работе с ИИ кроется опасность — опасность стать лишними, разумеется, но также и опасность того, что мы слишком сильно доверяем ИИ в работе.

И мы лично убедились в этой опасности, потому что BCG разработала еще одно задание, тщательно подобранное так, чтобы ИИ гарантированно не мог выдать правильный ответ, — задание, которое лежало за пределами Неровной технологической границы. Это было непросто, ведь ИИ превосходно справляется с самым широким кругом задач, но нам удалось найти задание, сочетавшее в себе запутанную статистическую проблему и заведомо неверные вводные данные. Консультанты-люди без помощи ИИ находили верное решение в 84% случаев, но когда они использовали ИИ, их результаты ухудшались — они справлялись успешно лишь в 60–70% случаев. Что же произошло?

В другой работе Фабрицио Делль'Акква показывает, почему чрезмерное доверие к ИИ может выйти боком. Он обнаружил, что рекрутеры, использовавшие высококачественный ИИ, становились ленивыми, невнимательными и менее разборчивыми в собственных суждениях. Они упускали блестящих кандидатов и принимали более неудачные решения, чем рекрутеры, которые использовали низкокачественный ИИ или не пользовались им вовсе.

Он нанял 181 профессионального рекрутера и дал им непростую задачу: оценить 44 заявки на вакансию на основе математических способностей кандидатов. Данные были взяты из международного теста по оценке навыков взрослых, поэтому математические способности кандидатов не были очевидны из резюме. Рекрутерам предоставили разный уровень помощи ИИ: у одних была качественная поддержка ИИ, у других — не очень, а у третьих ее не было вовсе. Он измерил, насколько точными, быстрыми, усердными и уверенными в себе они были.

Рекрутеры, использовавшие более качественный ИИ, показали худшие результаты, чем те, кто работал с ИИ более низкого качества. Они тратили меньше времени и усилий на каждое резюме и слепо следовали рекомендациям ИИ. Со временем их показатели также не улучшались. С другой стороны, рекрутеры с менее качественным ИИ были более бдительными, критичными и независимыми. Они совершенствовали как свое взаимодействие с ИИ, так и собственные профессиональные навыки. Делль'Акква разработал математическую модель, объясняющую компромисс между качеством ИИ и усилиями человека. Когда ИИ работает очень хорошо, у людей пропадает стимул усердно трудиться и быть внимательными. Вместо того чтобы использовать ИИ как инструмент, они позволяют ему полностью взять работу на себя, что может вредить обучению людей, развитию навыков и производительности труда. Он назвал это явление «засыпанием за рулем».

Исследование Делль'Акквы проливает свет на то, что произошло в нашем эксперименте с консультантами BCG. Мощный ИИ повысил вероятность того, что консультанты «заснут за рулем» и совершат грубые ошибки в самый ответственный момент. Они неверно оценили очертания Неровной технологической границы.

Будущее нашего понимания того, как ИИ влияет на работу, зависит от понимания того, как меняется взаимодействие человека с ИИ в зависимости от положения задач на этой границе и от того, как сама эта граница будет сдвигаться. На это требуются время и опыт, вот почему так важно придерживаться принципа «приглашать ИИ ко всему»: это позволит нам изучить форму Неровной технологической границы и понять, как она пролегает через уникальный комплекс задач, составляющих нашу индивидуальную работу. Обладая этим знанием, мы должны осознанно подходить к задачам, которые поручаем ИИ, чтобы извлекать выгоду из его сильных сторон и наших слабостей. Мы хотим работать эффективнее, выполнять меньше рутинной работы и оставаться тем самым «человеком в контуре управления», в то же время извлекая пользу из потенциала ИИ. Чтобы делать это эффективно, нам нужна система координат, в которой мы разделим наши задачи на категории, более или менее подверженные трансформации со стороны ИИ.

Задачи для меня, задачи для ИИ

На уровне задач нам нужно подумать о том, что ИИ делает хорошо, а что — плохо. Но мы также должны учитывать, что хорошо умеем делать мы сами и какие задачи должны оставаться исключительно за человеком. Их мы можем назвать задачами «только я». Это задачи, в которых ИИ бесполезен и только мешает — по крайней мере, на данный момент. Или же это могут быть задачи, которые, по вашему твердому убеждению, должны выполняться исключительно людьми, без какого-либо участия ИИ. По мере совершенствования ИИ вторая категория, скорее всего, станет важнее первой. Например, сейчас ИИ совершенно не умеет шутить — если только вы не обожаете «батины шутки». (Не верьте мне на слово. Я попросил его рассказать шутку, чтобы опровергнуть это утверждение, и ИИ ответил: «Мне кажется, иногда ИИ может быть забавным. Вот тебе шутка: как называют рыбу в галстуке-бабочке? Рыб-ристократка! »... Комментарии излишни.) Таким образом, написание шуток будет задачей «только я», потому что ИИ этого делать не умеет. Но помните о четвертом принципе: это худший ИИ из всех, какими вы когда-либо будете пользоваться. К тому времени, как вы будете читать эту книгу, ИИ-комики, возможно, станут уже очень хороши. Что подводит нас ко второму типу задач «только я»: хотим ли мы вообще, чтобы ИИ писал шутки?

Мы уже видели, что не существует четкой, сияющей границы «чисто человеческих дел», которые ИИ не способен выполнить. Он отлично справляется с имитацией эмпатии, креативности и человечности. Попытки найти то, что ИИ определенно не под силу из-за уникальности человеческой природы этих действий, в конечном счете могут стать непростой задачей. Но это не значит, что мы хотим, чтобы ИИ делал все это за нас. Мы можем оставлять задачи «только я» исключительно за собой по личным или этическим соображениям — таким как воспитание детей, принятие важных решений или выражение наших ценностей.

Почти вся работа над текстом этой книги — это Задача «только я». На то есть три причины. Во-первых, ИИ хорошо пишет, но не настолько хорошо, чтобы воссоздать индивидуальный авторский стиль. Я думаю — или опасаюсь, — что это временное явление. Работая с ИИ, я уже сейчас могу получить довольно точное воспроизведение моего тона. Чтобы посмотреть, как это работает, я скормил ИИ текст этой главы вплоть до этого предложения и попросил его: «Опиши мой стиль письма». Он ответил, что мой слог — это «сочетание академической строгости, личного опыта и практических советов, поданное в непринужденной и доступной манере».

Всегда приятно получить столь лестный анализ, но теперь я могу пойти дальше и попросить ИИ скопировать мой тон и подход: «Продолжая в том же стиле, напиши абзац о том, почему автор может не захотеть поручать написание текста ИИ, даже если тот пишет хорошо». И ИИ отвечает:

▪ И хотя ИИ действительно добился впечатляющих успехов в писательском деле, есть веские причины, по которым автор может предпочесть крепко держать перо (или клавиатуру) в своих руках. Прежде всего, писательство — это глубоко личный процесс. Это способ перенести на страницу уникальные идеи, личный опыт и собственный голос. Каждое написанное нами предложение пропитано нашей индивидуальностью и взглядом на мир, что создает исключительно человеческую связь с читателем. Поручение этой задачи ИИ, каким бы продвинутым он ни был, несет в себе риск утраты этой личной искры. Кроме того, сам процесс письма может стать путем самопознания, возможностью разложить мысли по полочкам и глубже погрузиться в изучаемую тему. Передав бразды правления ИИ, мы рискуем лишить себя этого обогащающего опыта. И хотя ИИ, несомненно, может помочь во многом, важно помнить, что это лишь инструмент — инструмент, способный расширить наши возможности, но не заменить те сугубо человеческие качества, которые делают наше творчество по-настоящему нашим.

Недурно. И это как раз то второе соображение, которое я собирался высказать. Поручение этой задачи ИИ, каким бы продвинутым он ни был, несет в себе риск утраты личной искры, к тому же сам процесс письма помогает нам думать. Или как там выразился ИИ.

Третья причина, по которой я не стану поручать написание текстов ИИ, — это тонкий вопрос авторских прав и законодательства. На данный момент неясно, защищен ли авторским правом результат работы ИИ. Это одно из многих регуляторных решений, которые окажут огромное влияние на развитие ИИ, и эти правила, скорее всего, со временем будут меняться. И правда, в масштабах общества Задачи «только я» не будут статичными; они могут меняться по мере развития ИИ и сдвигов в наших предпочтениях. Главное — определить задачи, которые лично для вас как для человека имеют глубокий смысл, приносят удовлетворение и которые вы предпочли бы не делегировать ИИ-системе и не делить с ней.

Следующая категория задач — это делегируемые задачи. Это задачи, которые вы поручаете ИИ и можете тщательно перепроверить (помните: ИИ постоянно все выдумывает), но на которые в конечном счете не хотите тратить много времени. Обычно это дела, которыми вам совсем не хочется заниматься, имеющие низкую важность или отнимающие слишком много времени. Идеальная Делегируемая задача нудна, монотонна или скучна для человека, но проста и эффективна для ИИ.

Делегируемые задачи не обязательно просты или прямолинейны; они могут быть весьма сложными и высокотехнологичными. Они также не лишены риска; некорректное выполнение или злонамеренные действия со стороны ИИ-системы могут иметь серьезные последствия. Подумайте об отчетах о расходах и медицинских бланках, с которыми вам приходится иметь дело, или о других задачах, таких как сортировка писем, планирование встреч или бронирование авиабилетов. Вы все равно будете проверять результаты и подтверждать их правильность, хотя это может стать труднее — особенно по мере совершенствования ИИ, когда у вас может возникнуть желание делегировать задачи, выходящие за рамки вашей компетенции или сферы интересов, например подачу налоговой декларации, управление инвестициями или диагностику проблем со здоровьем. И все усложняется еще сильнее, когда возникает угроза «засыпания за рулем». Будущее делегирования потребует дальнейшего снижения уровня галлюцинаций и большей прозрачности процесса принятия решений ИИ, чтобы мы могли больше ему доверять. Вся суть делегирования заключается в том, чтобы сэкономить нам время и позволить сосредоточиться на тех задачах, в которых мы можем или хотим принести реальную пользу.

В этой главе я делегировал ИИ одну задачу, и по иронии судьбы она заключалась в составлении резюме работы моего коллеги Фабрицио Дель'Акква, автора статьи «Засыпание за рулем». Это отличная, хотя и длинная статья, а резюмирование часто оказывается трудоемкой и сложной задачей. Зная и высоко ценя работу Фабрицио, я был уверен, что смогу проверить и скорректировать составленный ИИ конспект его статьи, избавив себя от необходимости делать эту работу самостоятельно. Я внес существенные изменения в предложенный ИИ текст, но делегирование этой задачи вместо самостоятельного перечитывания и конспектирования сэкономило мне около получаса. Затем я отправил Фабрицио это резюме по электронной почте и спросил, что он о нем думает (не раскрывая своего ИИ-помощника). Он одобрил текст, высказав лишь несколько небольших предложений, которые я учел в окончательной версии, прочитанной вами ранее. Без помощи ИИ я, скорее всего, справился бы не так блестяще, так что это была успешно делегированная задача.

Затем идут автоматизированные задачи — те, которые вы полностью перекладываете на ИИ и даже не проверяете. К примеру, возможно, существует категория электронных писем, разбор которых вы целиком доверяете ИИ. На сегодняшний день эта категория, скорее всего, очень мала... пока что. Сейчас ИИ совершает слишком много ошибок, чтобы использовать его в полностью автоматическом режиме. Хотя ситуация начинает меняться, когда точность ответов ИИ контролируется другими системами. Например, я часто прошу его писать программы на Python для решения различных задач. Я не знаю Python, но если ИИ совершит ошибку, код попросту не запустится. Более того, ИИ берет код ошибки, сгенерированный компилятором Python, и использует его для корректировки собственной стратегии. В будущем вам стоит внимательно следить за ростом возможностей ИИ, чтобы видеть, как расширяются перспективы для автоматизации задач.

Например, некоторые задачи полностью автоматизированы, надежны и масштабируемы силами ИИ без какого-либо вмешательства или контроля со стороны человека. Фильтрация спама — пример Автоматизированной задачи, которую вы, вероятно, уже делегируете ИИ-системе без особых забот и надзора. Другие задачи, такие как высокочастотный трейдинг, также давно делегированы формам ИИ, существовавшим до появления LLM. По мере того как ИИ начинают действовать больше как агенты, способные автономно добиваться поставленных целей, мы будем видеть все больше автоматизации задач, но это направление все еще находится в разработке. Например, я поставил перед ранней версией ИИ-агента (с милым, но слегка тревожным названием BabyAGI) цель: написать лучшее заключительное предложение для этого абзаца о будущем агентов. В процессе он немного сбился с пути, разработав план из двадцати одного шага для решения задачи по написанию всего одного предложения (с такими шагами, как «Изучить методы обеспечения ответственного использования ИИ-агентов для улучшения принятия экономических решений») и уйдя с головой в многочисленные кроличьи норы интернета, прежде чем сдаться. Будущие агенты будут меньше похожи на растерянных стажеров, и вполне вероятно, что со временем мы увидим гораздо больше Автоматизированных задач.

Кентавры и Киборги

Пока ИИ не научится превосходно справляться с широким спектром Автоматизированных задач, самый ценный способ использовать его в работе — стать Кентавром или Киборгом. К счастью, для этого не нужно навлекать на себя проклятие, превращающее в получеловека-полулошадь из греческих мифов, или вживлять в тело электронные штуковины. Это скорее два подхода к Соинтеллекту, которые объединяют работу человека и машины. В работе Кентавра между человеком и машиной проходит четкая граница, подобно четкой границе между человеческим торсом и лошадиным телом мифического кентавра. Такой подход опирается на стратегическое разделение труда, переключение между задачами ИИ и человека, распределение обязанностей на основе сильных сторон и возможностей каждой стороны. Когда я провожу анализ с помощью ИИ, я сам определяю, какие статистические подходы использовать, но создание графиков оставляю ИИ. В нашем исследовании в BCG Кентавры выполняли работу, в которой они сами были сильнее всего, а затем передавали ИИ задачи в пределах Неровной технологической границы.

С другой стороны, Киборги смешивают машину и человека, глубоко интегрируя их друг в друга. Киборги не просто делегируют задачи; они тесно переплетают свои усилия с ИИ, постоянно перемещаясь туда и обратно через Неровную технологическую границу. Отдельные элементы задач передаются ИИ — например, человек начинает предложение, а ИИ его заканчивает, — так что Киборги работают в тесном тандеме с машиной. Эта книга не могла бы быть написана, по крайней мере в том виде, в каком она существует сегодня, без задач киборга и кентавра.

Я всего лишь человек, и во время написания этой книги я часто оказывался в тупике. Работая над прошлыми книгами, я мог часами спотыкаться на одном предложении или абзаце, используя свое разочарование как повод сделать перерыв и уйти подальше, пока не снизойдет вдохновение. С ИИ это перестало быть проблемой. Я становился Киборгом и говорил ИИ: Я застрял на абзаце в разделе книги о том, как ИИ помогает выйти из творческого тупика. Можешь помочь мне переписать этот абзац и закончить его, предложив 10 вариантов всего абзаца в различных профессиональных стилях? Сделай стили и подходы непохожими друг на друга, и пусть они будут написаны исключительно хорошо. В мгновение ока я получал этот абзац в убеждающем стиле, в информационном стиле, в повествовательном стиле и многих других. И хотя я редко использовал непосредственно тот текст, который выдавал ИИ, он давал мне варианты и указывал пути вперед. Точно так же, когда мне казалось, что какой-то абзац получился неуклюжим и неудачным, я просил ИИ: Сделай этот текст лучше, в стиле научно-популярного бестселлера об ИИ или добавь более яркие примеры. Написанный им текст почти никогда не попадал на эти страницы напрямую, но он помогал мне выбраться из затруднения. И, что интересно, именно некоторые из этих абзацев больше всего понравились моему редактору.

Точно так же чтение научных статей часто было задачей для Кентавра — процессом, в котором, как я знал, ИИ превосходил мои возможности в составлении резюме, в то время как я превосходил его в понимании сути. Хотя я работал с группой ИИ в Медиа-лаборатории MIT, сам я не являюсь специалистом в области компьютерных наук. Читая техническую литературу, я просил ИИ кратко изложить суть статьи, чтобы проверить, правильно ли я ее понял, прекрасно отдавая себе отчет в том, что ИИ может довести меня лишь до середины пути. А затем я возвращался к резюме и заметкам ИИ для дальнейшей работы. Когда меня внезапно настигало вдохновение, а компьютера под рукой не оказывалось, я открывал приложение ИИ и использовал функцию распознавания голоса, чтобы надиктовать заметки, после чего ИИ систематизировал их и отправлял мне по электронной почте, чтобы я мог использовать их позже.

Но совместный Киборг «ИИ-Итан» пошел еще дальше. Хотя у меня были прекрасные живые читатели и редакторы, готовые прийти на помощь, мне не хотелось беспокоить их во время работы над первыми черновиками. Но мне все же нужна была обратная связь. Позвольте представить вам Озимандию, Мнемозину и Стива. Если вы помните по предыдущим главам, мы обсуждали, как ИИ может симулировать человеческую личность. Я использовал этих созданных ИИ персонажей на разных этапах работы над книгой, чтобы улучшить свой текст. Хочу показать вам небольшой пример того, что они мне говорили, поделившись советами, которые они дали мне по текущей главе.

Я ученый, и на мне лежит типичное проклятие академика — желание усложнять и добавлять нюансы во всё подряд. ИИ отлично умеет резюмировать и упрощать, поэтому я захотел получить от него совет, где я мог бы поступить так же. Я решил, что прислушаться к советам будет чуточку проще, если у ИИ будет утрированный, эксцентричный характер, поэтому я создал Озимандию с помощью такого промпта: Ты Озимандия. Тебе нужно помочь Итану Моллику написать главу книги об использовании ИИ на работе. Твоя задача — предоставить критический отзыв, который поможет улучшить книгу. Ты говоришь напыщенным, самодовольным тоном, но при этом очень полезен и сосредоточен на том, чтобы упростить текст. Вот глава, написанная к этому моменту. Представься.

О, дорогой Итан, приветствую. Я Озимандия, твой скромный, но впечатляюще интеллектуальный помощник. Вижу, ты неплохо начал главу об искусственном интеллекте на рабочем месте. Но, увы, совершенство — это путь, и нам предстоит пройти еще много миль, прежде чем мы сможем уснуть, не так ли? Давай же углубимся в лабиринты твоих рассуждений и прольем свет на те места, которые можно улучшить.

Он дал мне советы о том, что нужно сократить и упростить (и я им последовал), но также высказал предостережение: Твоя попытка добавить юмора, особенно в разделе с шутками ИИ, заслуживает похвалы. Однако есть риск, что это будет выглядеть натянуто. Помни, дорогой Итан, юмор — это специя, которой нужно лишь слегка посыпать блюдо, а не высыпать ее целиком. Довольно прямолинейный отзыв (а использование британского английского добавило шарма). Но ИИ-редакторов, в отличие от людей, в некоторых вопросах можно со спокойной совестью игнорировать, поэтому шутки я оставил.

А теперь познакомьтесь с Мнемозиной. У нее совсем другая роль — давать ту самую творческую искру, о которой мы говорили ранее, и характер я подобрал ей под стать: Ты Мнемозина. Тебе нужно помочь Итану Моллику написать главу книги об использовании ИИ на работе. Твоя задача — находить необычные и интересные связи и истории, связанные с тем, над чем работает Итан. Ты говоришь мечтательным, но прямым тоном, и очень полезна. Представься.

Здравствуй, Итан. Я Мнемозина, твой коллега-ИИ, и мне не терпится помочь тебе сплести воедино замысловатые нити ИИ и работы. Вместе мы исследуем самые неожиданные уголки, истории, таящиеся в тенях известного, и связи, что скрываются под поверхностью.

Хотя эти отзывы были менее конкретными, я почерпнул в них вдохновение и в результате скорректировал свои рассуждения о делегировании полномочий ИИ.

Наконец, мне хотелось использовать возможности ИИ, чтобы он выступил в роли «каждого из нас» и высказал мнение среднестатистического читателя о моем тексте. Встречайте Стива: Ты Стив. Тебе нужно помочь Итану Моллику написать главу книги об использовании ИИ на работе. Твоя задача — быть обычным человеком, читателем научно-популярных и деловых книг. Ты немного растерян из-за того, что оказался внутри компьютера, но при этом очень полезен.

Представившись, Стив предложил следующее:

Ясность и структура: местами тексту не помешали бы более четкие ориентиры и переходы. Например, перед введением понятия «Профессии, задачи и системы» было бы полезно добавить переходное предложение вроде: «Давайте разберем различные аспекты работы — профессии, задачи и системы, — чтобы до конца понять, как ИИ влияет на каждый из них».

Терминология: ты вводишь несколько терминов (задачи «только я», делегированные задачи, задачи кентавра и киборга), и было бы полезно дать им более простые определения, прежде чем переходить к примерам. Краткое и емкое определение в самом начале поможет читателям лучше следить за ходом мысли.

Как читатель, я нашел твою главу информативной, увлекательной и заставляющей задуматься. С нетерпением жду возможности увидеть готовый продукт!

Предложения Стива повлияли на структуру главы и очень помогли мне в редактировании. Подобные советы от целой команды ИИ — это то, что раньше было попросту невозможно; они сильно изменили мой подход к работе над текстом, при этом никак не повлияв напрямую на мой собственный стиль и голос. Использование ИИ помогало мне не терять темп, и он часто наводил меня на мысли, которые мне самому никогда бы не пришли в голову.

Использование ИИ в качестве Соинтеллекта, как это делал я во время работы над книгой, приносит больше всего пользы. Попробуйте найти способ сделать это сами. Для начала следуйте первому принципу (приглашайте ИИ ко всему), пока не начнете понимать очертания Неровной технологической границы в вашей собственной работе. Это поможет вам разобраться, на что ИИ способен, а на что — нет. Затем начните работать как Кентавр. Поручите ИИ те задачи, которые вы терпеть не можете, но результаты которых легко проверить (например, написание бессмысленных отчетов или писем с низким приоритетом), и посмотрите, облегчит ли это вам жизнь. Со временем вы, скорее всего, естественным образом перейдете к модели киборга, когда поймете, что ИИ незаменим для преодоления мелких препятствий и помощи в каверзных задачах. В этот момент вы и обретете свой Соинтеллект.

Также нужно помнить, что ИИ постоянно меняется, а границы между этими типами задач подвижны и, скорее всего, будут смещаться по мере развития технологий. Задачи, которые мы делегируем ИИ сегодня благодаря его развитым, но все еще несовершенным способностям, в будущем могут быть полностью автоматизированы, когда по своей эффективности он сравняется с человеком в самых разных областях. Точно так же некоторые Задачи «только я» со временем могут перейти в категорию Кентавра, если ИИ научится полноценно сотрудничать с нами, а не просто ассистировать. По мере развития обеих сторон для симбиоза человека и ИИ откроются новые творческие горизонты, которые мы пока даже не можем себе представить. Но этот спектр будет двигаться и в противоположном направлении — когда мы будем осознанно решать, что определенные эмоционально сложные или этически неоднозначные обязанности должны оставаться исключительно за человеком.

Для работников эти размытые категории означают, что влияние ИИ будет ощущаться постепенно, по мере нашей адаптации к его растущим возможностям, а не в виде одного резкого потрясения. По мере того как меняется диаграмма Венна для человеческих и машинных способностей, должны меняться и наши представления о подходящих ролях и обязанностях. При этом, скорее всего, будет расти разрыв между тем, как используют ИИ сами сотрудники, и тем, что делают в этом направлении их компании и организации.

Тайная автоматизация задач

Сегодня миллиарды людей имеют доступ к большим языковым моделям и тем преимуществам для продуктивности, которые они дают. Из многолетних исследований инноваций, охватывающих представителей самых разных профессий — от сантехников и библиотекарей до хирургов, — мы знаем: получив доступ к инструментам общего назначения, люди всегда находят способы облегчить и улучшить свой труд с их помощью. Результатом часто становятся прорывные изобретения — методы использования ИИ, способные полностью трансформировать бизнес. Люди оптимизируют рабочие процессы, находят новые подходы к написанию кода и автоматизируют самые трудоемкие и рутинные задачи. Однако авторы этих инноваций не спешат делиться своими открытиями с работодателями; они держат их в секрете. Есть как минимум три причины, почему эти киборги и кентавры предпочитают оставаться в тени. Но все они сводятся к одному и тому же: люди просто не хотят нажить себе неприятностей.

Проблемы начинаются с корпоративных правил. Многие компании, от J.P. Morgan до Apple, поначалу запретили использование ChatGPT — чаще всего из-за юридических рисков. Но эти запреты привели к неожиданному эффекту... сотрудники начали приносить на работу личные телефоны и запускать ИИ с них. Хотя собрать точные данные сложно, я уже общался со множеством сотрудников из компаний, где ИИ под запретом, которые используют эту лазейку, — и это только те, кто согласился признаться! Подобные «теневые ИТ» — обычное дело в организациях, но из-за этого у сотрудников появляется стимул помалкивать о своих инновациях и росте продуктивности.

И это далеко не единственная причина, по которой пользователи ИИ боятся признаться, что они киборги. Зачастую главная ценность ИИ заключается именно в том, что окружающие не подозревают о его использовании. Способность ИИ писать тексты, неотличимые от человеческих, — это мощный инструмент, но он работает лишь до тех пор, пока все думают, будто автор — реальный человек. Исследования показывают: когда люди узнают, что перед ними контент, созданный ИИ, они оценивают его совсем иначе, чем если бы считали его творением человека. Неудивительно, что, когда я провел в Твиттере небольшой ненаучный опрос, больше половины пользователей генеративного ИИ признались, что время от времени используют эту технологию втайне от всех.

Все это теневое использование приводит к последнему — и вполне оправданному — опасению: разбираясь в тонкостях работы с ИИ, сотрудники могут собственноручно готовить себе замену. Если кто-то придумал, как автоматизировать 90% своей работы, и расскажет об этом боссу, не уволит ли компания 90% его коллег? Разумеется, в такой ситуации лучше промолчать.

Все привычные методы, с помощью которых организации пытаются внедрять новые технологии, в случае с ИИ работают плохо. Они слишком централизованны и неповоротливы. ИТ-отдел не сможет без труда построить собственную модель ИИ — и уж точно не ту, которая способна конкурировать с передовыми LLM. У консультантов и системных интеграторов нет никаких сакральных знаний о том, как заставить ИИ работать на благо конкретной компании, или даже о том, как эффективнее всего использовать его в целом. Отделы инноваций и стратегические советы внутри компаний могут диктовать правила, но нет никаких причин верить, что корпоративные лидеры вдруг окажутся гениями и поймут, как именно ИИ может помочь конкретному сотруднику с конкретной задачей. На самом деле руководство, скорее всего, справляется с поиском оптимальных сценариев применения ИИ хуже всех. Гораздо вероятнее, что эффективные и точечные способы использования найдут рядовые сотрудники — ведь они прекрасно знают свои болевые точки и могут бесконечно экспериментировать с альтернативными методами решения задач.

По крайней мере, сейчас лучший способ для организации извлечь выгоду из ИИ — заручиться поддержкой своих самых продвинутых пользователей и одновременно мотивировать остальных сотрудников осваивать эти технологии. А для этого потребуются кардинальные перемены в принципах работы компаний. Во-первых, руководству нужно признать: сотрудники, которые находят лучшие сценарии применения ИИ, могут находиться на любой ступени корпоративной лестницы, независимо от их прежних заслуг и стажа. Ни одна компания еще не нанимала штат на основе умения работать с ИИ, поэтому такие самородки могут обнаружиться где угодно. Сейчас есть данные, указывающие на то, что наибольшую выгоду от ИИ получают наименее квалифицированные сотрудники — а значит, именно у них может оказаться самый богатый практический опыт работы с ним, хотя общая картина пока не до конца ясна. В итоге компаниям придется вовлечь в ИИ-повестку как можно больше людей на всех уровнях — демократический поворот событий, которого многие компании предпочли бы избежать.

Во-вторых, лидерам необходимо найти способ избавить сотрудников от страха, связанного с раскрытием использования ИИ. Если верить первым исследованиям и производительность при выполнении различных сложных профессиональных задач действительно вырастет на 20–80%, я боюсь, что естественным порывом многих менеджеров станет решение «уволить людей, сэкономить деньги». Но так быть не должно. У компаний есть масса причин не превращать рост эффективности в сокращение штата или урезание расходов. Компании, которые поймут, как направить новую сверхпродуктивность своих сотрудников в нужное русло, смогут обойти любого конкурента, который попытается сохранить результаты работы на уровне до внедрения ИИ, просто сократив штат. А у компаний, которые твердо решат сохранить команду, сотрудники станут партнерами, готовыми с радостью обучать коллег тонкостям работы с ИИ, а не запуганными работниками, прячущими ИИ из страха перед увольнением.

Убедить в этом сотрудников — совсем другое дело. Возможно, организации могли бы гарантировать, что ни один сотрудник не будет уволен из-за использования ИИ, или пообещать, что высвободившееся время люди смогут посвятить более интересным проектам или даже уходить домой пораньше. Но в первых исследованиях ИИ скрыты намеки на другой путь вперед — к совершенно иной рабочей среде. Работники, хоть и тревожатся из-за ИИ, обычно любят его использовать, потому что он избавляет их от самой занудной и раздражающей рутины, оставляя самые интересные задачи. Таким образом, даже если ИИ забирает часть задач, которые раньше считались ценными, оставшаяся работа может стать более осмысленной и значимой. Разумеется, это не произойдет само собой, поэтому менеджерам и лидерам предстоит решить, готовы ли они перестроить рабочий процесс вокруг ИИ так, чтобы это помогало, а не вредило их сотрудникам. Вам нужно спросить себя: каково ваше видение того, как ИИ сделает работу лучше, а не хуже? И именно здесь преимущество получат организации с высоким уровнем доверия и здоровой корпоративной культурой. Если сотрудники не верят, что вы о них заботитесь, они будут скрывать, что используют ИИ.

В-третьих, организациям необходимо активно стимулировать пользователей ИИ заявлять о себе и вовлекать в работу с технологией как можно больше людей. Это означает не просто разрешать работу с ИИ, но и предлагать щедрые награды тем, кто находит эффективные способы его применения. Представьте себе денежные премии в размере годового оклада. Повышения в должности. Престижные угловые кабинеты. Возможность навсегда уйти на удаленку. С учетом потенциального роста производительности благодаря LLM, это ничтожно малая плата за по-настоящему прорывные инновации. К тому же серьезные поощрения показывают сотрудникам, что руководство относится к этому вопросу со всей серьезностью.

Наконец, компаниям пора задуматься о втором компоненте эффективного использования ИИ — о системах. Давление на организации с целью заставить их определить свое отношение к технологии, которая напрямую затрагивает их самых высокооплачиваемых сотрудников, будет колоссальным — как и ценность того, что эти специалисты станут работать продуктивнее. Без коренной перестройки принципов работы организаций преимущества ИИ так и не удастся реализовать в полной мере.

От задач к системам

Мы часто принимаем как должное системы, которые используем для структурирования и координации работы в организациях. Нам кажется, что это самый естественный способ ведения дел. Но в действительности это лишь исторические артефакты, сформированные технологическими и социальными условиями своего времени. Например, организационная структура изначально создавалась в 1850-х годах для управления железными дорогами. Первые железнодорожные бароны разработали иерархическую систему полномочий, ответственности и коммуникации, которая позволяла им контролировать работу своей транспортной империи и следить за ней. Благодаря телеграфу они выстроили четкую вертикаль: приказы начальников шли по рельсам и проводам к рабочим в самом низу схемы. Система оказалась настолько успешной, что вскоре ее переняли другие отрасли и организации, и она стала стандартной моделью бюрократии на весь XX век.

Другая система возникла из иного сочетания человеческих возможностей и технологий — конвейер. Создание конвейера обычно приписывают Генри Форду в начале XX века; это нововведение позволило его компании наладить массовый выпуск автомобилей с меньшими затратами и на более высокой скорости. Он понимал, что люди не очень хорошо справляются со сложными и разнообразными задачами, зато они великолепно выполняют простую и монотонную работу. Он также заметил, что технологии могут помочь синхронизировать и оптимизировать рабочий процесс — за счет стандартизированных инструментов и деталей, а также новинок вроде конвейерных лент и таймеров. Он разделил производственный процесс на мелкие и простые операции и поручил их рабочим, которые выполняли их раз за разом с максимальной эффективностью. Его система имела такой колоссальный успех, что совершила революцию в промышленности, обеспечив экономию на масштабе и ассортименте продукции, а также открыв путь к массовому потреблению и персонализации.

Интернет принес с собой принципиально новый набор технологий для организации и контроля труда. Именно поэтому в последние десятилетия появились новые системы управления и организации рабочих процессов, такие как гибкая методология разработки (agile), бережливое производство, холакратия и самоуправляемые команды. Благодаря волне новых инструментов — от электронной почты до сложных корпоративных программ — эти управленческие тренды предложили новые подходы к организации на основе данных. Однако, как и все виды труда до этого, они по-прежнему упираются в человеческие возможности и ограничения. Человеческое внимание все так же конечно, наши эмоции все так же важны, а сотрудникам по-прежнему нужно отлучаться в туалет. Технологии меняются, но сотрудники и менеджеры остаются просто людьми.

Именно это может изменить ИИ. Выступая в роли Соинтеллекта, управляющего рабочими процессами — или, по крайней мере, помогающего менеджерам руководить, — расширенные возможности LLM способны радикально перестроить сам характер труда. Один-единственный ИИ может общаться с сотнями сотрудников, давая советы и отслеживая показатели. Он может наставлять, а может и манипулировать. Он может направлять решения — как незаметно, так и совершенно открыто.

Компании экспериментировали с различными формами компьютерного контроля над работниками задолго до появления нынешнего поколения ИИ. Контрольные часы, камеры и другие виды мониторинга используются уже больше века, но эти подходы заработали на полную мощность с развитием ИИ до эпохи LLM, и особенно с началом применения алгоритмов для управления трудом и сотрудниками. Представьте себе гиг-работника, который надеется, что Uber обеспечит его плотным потоком клиентов, несмотря на низкую оценку от разгневанного пассажира, или водителя UPS, каждую минуту поездки которого скрупулезно анализирует алгоритм, чтобы определить, достаточно ли он эффективен, чтобы сохранить работу. Кэтрин Келлогг из Массачусетского технологического института (MIT) совместно с Мелиссой Валентайн и Анжель Кристен из Стэнфорда описали, чем эти новые типы контроля отличаются от прежних форм управления. Если раньше менеджеры обладали лишь ограниченной информацией о том, чем занимаются сотрудники, то алгоритмы стали всеобъемлющими и мгновенными: они используют колоссальные объемы данных из множества источников для отслеживания работников. Кроме того, алгоритмы работают в интерактивном режиме, в реальном времени направляя сотрудников на любые задачи, которые требуются компании. И они непрозрачны — их предвзятость и даже сами принципы принятия решений скрыты от людей.

Профессор Уортона Линдси Кэмерон увидела это своими глазами, когда в течение шести лет сама работала водителем в сфере гиг-экономики в рамках глубокого этнографического исследования того, как люди справляются с алгоритмическим менеджментом. Вынужденные зависеть от алгоритмов Uber или Lyft в поиске заказов, водители прибегают к скрытым формам сопротивления, чтобы вернуть хоть какой-то контроль над своей судьбой. Например, опасаясь, что конкретный пассажир может поставить им низкую оценку (и тем самым снизить их будущий заработок), водители убеждают его отменить поездку еще до подачи машины — скажем, заявляя, что не могут разглядеть место посадки. Однако даже такие уловки не освобождают водителей от власти алгоритма, который контролирует, куда они едут, сколько зарабатывают и как тратят свое время.

Можно представить, как LLM способны ускорить этот процесс, создав еще более всеобъемлющий паноптикум: в такой системе каждый аспект работы отслеживается и контролируется искусственным интеллектом. ИИ фиксирует действия, поведение, результаты и продуктивность как рядовых сотрудников, так и менеджеров. ИИ ставит перед ними цели и задачи, распределяет роли и поручения, оценивает их эффективность и соответствующим образом поощряет. Но, в отличие от холодного, бездушного алгоритма Lyft или Uber, большие языковые модели могут также давать обратную связь и выступать в роли наставника, помогая работникам развивать навыки и повышать продуктивность. Способность ИИ выступать в роли дружелюбного советника может сгладить острые углы алгоритмического контроля, завернув ящик Скиннера в яркую подарочную бумагу. Однако у руля все равно останется алгоритм. И если история нас чему-то учит, то для многих компаний этот путь весьма вероятен.

Но существуют и другие, более утопические возможности. Нам вовсе не обязательно подчинять массы людей машинным повелителям. Напротив, LLM могли бы помочь нам раскрыть свой потенциал, сделав невозможным дальнейшее игнорирование очевидной истины: огромная часть работы действительно скучна и лишена особого смысла. Если мы признаем это, то сможем направить внимание на то, чтобы сделать трудовой опыт человека более качественным и приятным.

Опросы показывают, что люди скучают на работе в среднем около 10 часов в неделю — шокирующе большая доля рабочего времени. И хотя не всякая работа должна быть захватывающей, колоссальная ее часть скучна безо всякой на то причины, и это, похоже, серьезная проблема. Скука — не просто одна из главных причин увольнений: от скуки мы начинаем творить безумные вещи. Одно небольшое исследование среди студентов бакалавриата показало, что 66 % мужчин и 25 % женщин предпочли ударить себя током 15 минутам спокойного сидения в тишине без какого-либо дела. Скука побуждает нас причинять вред не только себе: 18 % скучающих людей убивали червей, когда им предоставлялась такая возможность (среди тех, кому скучно не было, так поступили лишь 2 %). Скучающие родители и солдаты ведут себя более садистски. Скука — это не просто скучно; она по-своему опасна.

В идеальном мире руководители тратили бы время на то, чтобы покончить с бесполезной и монотонной работой, вызывающей скуку, и перестроить процессы так, чтобы сосредоточиться на более увлекательных задачах. Однако, вопреки многолетним советам теоретиков менеджмента, большинство официальных ритуалов, бланков и требований сохраняются еще долго после того, как утрачивают всякую пользу. Если люди не смогли положить конец этой рутине, возможно, это под силу машинам.

Мы уже перепоручили худшую часть письма (проверку орфографии) и математики (деление в столбик) таким машинам, как автокорректоры и калькуляторы, что освободило нас от этих занудных занятий. Было бы вполне естественно использовать LLM для дальнейшего расширения этого процесса. И именно это мы наблюдаем в первых исследованиях, посвященных использованию ИИ на работе. Люди, использующие ИИ для выполнения задач, получают больше удовольствия от работы и чувствуют, что могут лучше реализовать свои таланты и способности. Возможность делегировать ИИ всякую паршивую, бессмысленную работу дарит ощущение свободы. Худшие аспекты вашей работы уходят к ИИ, а вы получаете возможность сосредоточиться на действительно интересном.

Поэтому, если мы думаем о том, какую работу в первую очередь стоит полностью доверить ИИ, возможно, нам следует начать так же, как начиналась любая другая волна автоматизации: с нудных, (ментально) вредных и монотонных задач. Компании и организации могли бы для начала подумать, как сделать скучные процессы «удобными для ИИ», позволив машинам (под контролем человека) заполнять за нас обязательные формы. Поощрение сотрудников за расправу со скучными задачами с помощью ИИ также помогло бы оптимизировать рабочие процессы и сделать всех счастливее. И если это прольет свет на задачи, которые можно безопасно автоматизировать без потери качества, тем лучше. Возможно, от этой работы вообще можно отказаться. Это определенно гораздо более удачная отправная точка, нежели альтернатива в виде алгоритмического контроля.

От систем к рабочим местам

И теперь, разобравшись с задачами и системами, мы можем вернуться к вопросу о рабочих местах и о том, в какой степени ИИ способен заменить людей. Как мы уже убедились, весьма вероятно, что ИИ возьмет на себя выполнение человеческих задач. Если мы воспользуемся всеми возможностями, которые предлагает ИИ, это может пойти нам во благо. Скучные задачи или те дела, в которых мы не сильны, можно будет делегировать ИИ, оставив за собой важную и ценную работу — или, по крайней мере, передав ее командам «киборгов» из людей и ИИ. Это вполне укладывается в исторические модели автоматизации, когда с развитием новых технологий меняется сам набор задач, составляющих ту или иную профессию. Когда-то бухгалтеры вели расчеты вручную, теперь же они используют электронные таблицы — они все так же остаются бухгалтерами, но круг их задач изменился.

Когда мы принимаем во внимание системы, в которых существуют рабочие места, мы видим другие причины ожидать более медленных, а не быстрых изменений в самом характере профессий. Люди глубоко вплетены в ткань каждого аспекта деятельности наших организаций. Невозможно просто заменить человека машиной, не разорвав эту ткань. Даже если бы мы могли в одночасье заменить врача искусственным интеллектом, согласятся ли пациенты ходить на прием к машине? Как будут работать правила юридической ответственности? Как приспособятся к этому другие медицинские работники? Кто будет выполнять остальные обязанности, которые лежали на враче — например, обучение интернов или участие в профессиональных ассоциациях? Наши системы окажутся гораздо более устойчивыми к изменениям, чем наши задачи.

Но это не означает, что некоторые отрасли не изменятся стремительно по мере того, как будет меняться их экономическая модель. Технологии общего назначения как разрушают старые, так и создают новые сферы занятости. Рынок стоковой фотографии с оборотом 3 миллиарда долларов в год, скорее всего, практически исчезнет, поскольку ИИ, по иронии судьбы обученный на этих самых снимках, сможет без труда генерировать любые изображения под конкретный запрос. Или возьмем индустрию колл-центров объемом 110 миллиардов долларов в год, которой придется столкнуться с последствиями внедрения тонко настроенных моделей ИИ, берущих на себя все больше задач, которые раньше выполнялись людьми, и работающих как интерактивное голосовое меню, которое — о чудо! — действительно работает. В то же время могут возникнуть совершенно новые отрасли, например связанные с обслуживанием и развертыванием систем ИИ. А уже существующие отрасли могут получить колоссальный импульс к развитию. Например, потребуется больше ученых и инженеров для модернизации и адаптации старых систем, чтобы те могли использовать все преимущества ИИ.

Поэтому неудивительно, что более двух третей опрошенных экономистов ожидают в среднем крайне незначительного влияния ИИ на общую занятость в ближайшие несколько лет, даже при условии, что он подстегнет развитие экономики в целом. Тем не менее это не означает, что новые технологии никогда не приводят к массовым сокращениям. На самом деле именно это произошло с одной из самых массовых женских профессий в истории — телефонистками. К 1920-м годам 15 % всех американских женщин имели опыт работы телефонистками, а компания AT&T была крупнейшим работодателем в США. Руководство AT&T решило отказаться от традиционных услуг телефонисток и заменить их гораздо более дешевым прямым набором номеров. В результате число рабочих мест для операторов связи стремительно сократилось на 50–80 %. Как и следовало ожидать, рынок труда в целом быстро адаптировался, поскольку молодые женщины перешли на другие должности — например, секретарские, — предлагавшие аналогичную или даже более высокую оплату. Однако опытные телефонистки сильно потеряли в долгосрочном заработке, ведь их солидный стаж в исчезнувшей профессии оказался бесполезен в других областях. Таким образом, хотя рынок труда обычно и приспосабливается к автоматизации, происходит это далеко не всегда, по крайней мере не для всех.

Конечно, есть причины полагать, что волна ИИ будет отличаться от предыдущих технологических волн. Это первая автоматизация, которая масштабно затрагивает самых высокооплачиваемых квалифицированных специалистов. Кроме того, внедрение ИИ происходит гораздо быстрее и повсеместнее, чем в случае с прошлыми технологиями. И мы до сих пор до конца не понимаем, каковы истинные пределы и возможности этой технологии, с какой скоростью они будут расширяться и какими беспрецедентными и странными могут оказаться последствия.

Сфера интеллектуального труда известна колоссальной разницей в способностях сотрудников. Например, многочисленные исследования показывают, что разница между программистами из верхнего 75-го процентиля и нижнего 25-го процентиля по некоторым параметрам качества кода может быть 27-кратной. Мои собственные исследования также выявили огромную пропасть между хорошими и плохими руководителями. Но ИИ может все это изменить. Но ИИ может все это изменить. Но ИИ может все это изменить.

Исследование за исследованием показывают: наибольшую пользу от ИИ получают люди с самыми низкими стартовыми способностями — он превращает отстающих сотрудников в хороших специалистов. При выполнении письменных задач слабые авторы начинают писать на вполне достойном уровне. В тестах на креативность он сильнее всего помогает наименее творческим участникам. Среди студентов-юристов те, кто хуже всех составлял юридические документы, начинают делать это хорошо. А исследование применения ранних версий генеративного ИИ в колл-центре показало, что производительность наименее эффективных сотрудников выросла на 35 %, тогда как опытные работники практически ничего не выиграли. В нашем исследовании, проведенном совместно с BCG, мы обнаружили аналогичный эффект. Обладатели самых слабых навыков получили от ИИ наибольшую выгоду, хотя продуктивность выросла даже у лучших специалистов.

Все это указывает на потенциал для более радикальной перестройки сферы труда, в которой ИИ выступит в роли «великого уравнителя», превращая каждого в отличного специалиста. Последствия этого могут оказаться столь же глубокими, какими в свое время были последствия автоматизации физического труда. Тогда стало совершенно неважно, насколько хорошо вы умеете копать, ведь вам все равно было не сравниться с паровым экскаватором. В сценарии с ИИ сам характер профессий сильно изменится, поскольку ценность образования и навыков снизится. Когда менее оплачиваемые сотрудники начнут выполнять ту же работу за меньшее время, массовая безработица или, по крайней мере, неполная занятость станут весьма вероятными, и нам могут потребоваться государственные решения — такие как четырехдневная рабочая неделя или безусловный базовый доход, — гарантирующие минимальный базовый уровень человеческого благосостояния.

Таким образом, в краткосрочной перспективе мы, вероятно, не увидим значительных изменений в уровне занятости (хотя характер выполняемых задач изменится существенно), однако, как гласит закон Амары, названный в честь футуролога Роя Амары: «Мы склонны переоценивать влияние технологии в краткосрочной перспективе и недооценивать его в долгосрочной». В долгосрочной перспективе будущее выглядит исключительно туманным. ИИ трансформирует одни отрасли сильнее, чем другие, точно так же, как одни профессии изменятся кардинальным образом, в то время как другие не переменятся вовсе. Прямо сейчас никто не сможет точно сказать, что ждет конкретную компанию или учебное заведение. Любые советы устареют, как только появится следующее поколение ИИ. Внешних авторитетов не существует. Мы сами способны влиять на то, что произойдет дальше, — во благо или во вред.