В феврале 2024 года шведский финтех Klarna объявил, что AI-ассистент на OpenAI берёт на себя работу семисот штатных агентов поддержки. CEO Себастьян Симиатковски (Sebastian Siemiatkowski) назвал это конкурентным преимуществом компании.

К маю 2025 года Klarna публично откатилась: компания возобновила наём людей через аутсорсинг-партнёров. AI хорошо справлялся с типовыми вопросами, но на сложных кейсах — спорные списания, мошенничество, уязвимые клиенты — без человека качество обслуживания падало. В то же время группа исследователей из University of Chicago Booth и Harvard Business School опубликовала эксперимент: GPT-4 получал анонимизированные финансовые отчёты компаний S&P 500 и предсказывал направление движения прибыли в следующем году.

Точность модели составила 60,35%, что побило консенсус-прогноз профессиональных аналитиков с Уолл-стрит (52–57%) и совпала с уровнем самых опытных. На основе предсказаний GPT-4 авторы построили торговую стратегию, которая обогнала широкий рынок по коэффициенту Шарпа (доходность на единицу риска; чем выше, тем эффективнее) и показала положительную альфу — доходность сверх рыночного ориентира. Один и тот же инструмент, два применения, два результата. AI не делает всех одинаково быстрыми и не делает всех одинаково глупыми. Он делает то, что вы попросили, а проверять результат — за вами.

Предыдущая глава была о том, что AI умеет в принципе, эта глава ставит вопрос практичнее: в каких задачах AI в реальной офисной работе объективно превосходит человека, в каких задачах объективно уступает, и где граница между зонами сдвигается прямо сейчас. Креативные задачи — копирайтинг, дизайн, литература — здесь разбирать я не буду: они лежат в другой плоскости, и в этой главе мы сосредоточимся на офисных функциях, где есть измеримый результат.

Klarna за полтора года дала нам два противоположных сюжета. Один — триумф, второй — откат. Ниже разберём, что именно AI делает лучше человека в типовых офисных задачах и где проходит граница.

ГДЕ AI ДЕЙСТВИТЕЛЬНО СИЛЬНЕЕ ЧЕЛОВЕКА

Самый цитируемый эксперимент последних лет — полевое исследование Harvard Business School и BCG 2023 года (с грантом OpenAI на доступ к GPT-4), проведённое на 758 консультантах BCG. С GPT-4 консультанты выполняли задачи на 12,2% чаще по числу завершённых заданий и на 25,1% быстрее по времени. Качество их работы по слепой оценке сторонних экспертов выросло на 40% по сравнению с контрольной группой. Для задач внутри границ компетенции GPT-4 эффект был ещё сильнее, за пределами этих границ — обратный: консультанты с AI совершали больше ошибок, чем без AI, потому что слепо доверяли уверенному тону модели. Урок из этого исследования: «AI делает нас быстрее, пока мы остаёмся редакторами». Скорость и качество покупаются ценой верификации.

В юридической сфере американская legal-tech платформа LawGeex в феврале 2018 года собрала 20 американских юристов с опытом работы с NDA (соглашение о неразглашении, Non-Disclosure Agreement) и дала им ту же задачу, что и OpenAI: найти тридцать типичных проблемных пунктов в пяти коммерческих NDA. Юристы в среднем тратили 92 минуты на документ, добираясь до точности 85% (диапазон от 67% до 94%). AI от LawGeex закончил работу за 26 секунд с точностью 94%.

В 2025 году независимый бенчмарк LawNext подтвердил тренд: специализированные legal-AI инструменты в сценариях повышенного риска выявляют явные предупреждения в 83% случаев против 27% у универсальных моделей вроде GPT-4 «из коробки». Критики кейса LawGeex указывают, что NDA — самый шаблонный тип договора, и на сложных сделках вроде M&A разрыв между AI и юристом сильно меньше или исчезает.

Эта оговорка справедлива и сама показывает границу применимости: на типовых, хорошо структурированных задачах AI превосходит среднего специалиста и уступает лучшим, на нетиповых — картина обратная.

McKinsey в январском отчёте 2025 года «Superagency in the Workplace» проанализировал 16 рабочих функций и посчитал, где AI даёт наибольший прирост. Лидеры — маркетинг и продажи (от плюс 5 до плюс 15% выручки при полном внедрении), разработка программного обеспечения (от 25 до 30% ускорения написания кода, на фронтенде до 50%), обслуживание клиентов (сокращение времени обращения на 20–30%), бухгалтерия и контроллинг (ускорение обработки транзакций до 50%). Наибольший прирост идёт не там, где работа «глупая», а там, где у задачи есть правильный ответ и проверяемая структура. AI превосходит человека не на лёгких задачах — он превосходит на проверяемых. Там, где есть правильный ответ, есть и способ его быстро проверить. AI опасен там, где есть только убедительная риторика без ответа.

Из того же отчёта McKinsey: 88% организаций в 2025 году используют AI хотя бы в одной бизнес-функции, но только 6% переводят это в ценность для бизнеса. Сам по себе AI — не решение. Без изменения рабочего процесса, ключевых показателей, обучения сотрудников и систем мотивации AI остаётся дорогой игрушкой, которую сотрудники используют раз в месяц для написания писем.

BCG в июньском отчёте AI at Work 2025, основанном на опросе 10 600 работников из 11 стран, зафиксировал «кремниевый потолок»: 78% руководителей и менеджеров регулярно используют генеративный AI, среди линейных сотрудников — только 51%, и этот показатель за год фактически не сдвинулся.

Вторая половина данных: 42% регулярных пользователей-линейных сотрудников экономят с AI целый рабочий день в неделю и больше. Распределение результата неравномерно. Есть люди, у которых AI экономит восемь часов в неделю, и есть люди, у которых он экономит ноль, причём вторых до сих пор много.

Причина почти всегда не в инструменте, а в процессе: те, кто перестроил рутину вокруг AI, получили эффект. Те, кто добавил AI в старую рутину, — нет.

AI И ЧЕЛОВЕК: СРАВНЕНИЕ ПО ШЕСТИ ПАРАМЕТРАМ В ОДНОЙ ТАБЛИЦЕ

Прежде чем смотреть на цифры, зафиксируйте, как устроено сравнение. В левом столбце — параметр, по которому можно сравнивать. В двух средних — типичные значения для современных моделей 2024–2026 годов и для живого специалиста. В правом — где разрыв между ними максимален и на каких задачах это работает в вашу пользу или против. Эта таблица — не справочник, а фильтр: если ваша задача попадает в строку, где AI выигрывает в десять-двести раз, она кандидат на автоматизацию; если в строку, где выигрывает человек, — оставьте за человеком.

Из таблицы следует, что разрыв максимален там, где у задачи есть правильный ответ и проверяемая структура. На «штучных» задачах и на работе с неявным контекстом человек возвращает себе преимущество, и это меняет критерий отбора — не сложность задачи, а её тип.

ШЕСТЬ ЗАДАЧ, ГДЕ AI УЖЕ ПРЕВОСХОДИТ ЧЕЛОВЕКА

Ниже — шесть измеренных задач с конкретными цифрами, источником и эффектом. Они подобраны так, чтобы покрыть разные профессии: аналитика, юриспруденция, разработка, медицина, HR, клиентская поддержка. Если ваша задача похожа на одну из этих строк по типу, у вас есть ориентир; если не похожа — переносите логику, а не цифру.

Мы видим, что эффект воспроизводится в шести разных доменах с одной и той же закономерностью. Где у задачи есть правильный ответ и проверяемая структура, AI обходит среднего специалиста по точности или по скорости. Где ответ не проверяется автоматически, эффект размывается.

ОБЪЕКТИВНЫЕ ПРЕИМУЩЕСТВА AI НА РУТИННЫХ ЗАДАЧАХ

1: Скорость в десять-двести раз на структурированных задачах. Юридический анализ NDA: 26 секунд AI против 92 минут у юриста. Финансовый анализ: минуты у GPT-4 против одной-четырёх недель у аналитика-человека. Код: лидеры SWE-bench Verified решают реальный GitHub issue за минуты, младший разработчик — за часы. Это не «небольшое ускорение», а смена единицы измерения.

2: Цена единицы работы в сто-тысячу раз ниже. Саммари пятидесятистраничного отчёта стоит $0,05 через API против $30–60 у живого младшего разработчика. С учётом проверки разрыв сжимается, но остаётся двузначным по стоимости. На больших объёмах, десять тысяч документов и больше, экономия исчисляется миллионами долларов.

3: Отсутствие усталости и падения точности к концу дня. Человек совершает на 15–25% больше ошибок после шести часов непрерывной работы. Модель выдаёт стабильное качество на первом и на десятитысячном запросе. Это особенно важно в задачах модерации, скрининга, аудита.

4: Параллелизация в масштабах, невозможных для штата. Система, подключенная по API, обрабатывает десять тысяч входящих заявок за минуты. Эквивалентный штат — пятьдесят операторов, не справляющихся с пиковой нагрузкой. AI масштабируется линейно по стоимости, штат — ступенчато. Сезонные пики, налоговая отчётность, декабрьские распродажи — там, где AI-преимущество в параллелизации проявляется ярче всего.

5: Повторяемость и прослеживаемость результата. При нулевом параметре «температуры» (это режим, в котором модель выбирает самый вероятный ответ и не варьирует результат) модель выдаёт идентичный ответ на идентичный вход. Это меняет compliance (соответствие нормативным требованиям): каждое решение можно воспроизвести и проверить, а не «юрист Петров вчера сказал, что риск низкий». Для регулируемых отраслей, банки, страхование, фарма, это системное преимущество, недостижимое для человеческой экспертизы.

AI В РОЛИ СВЕРХБЫСТРОГО КАЛЬКУЛЯТОРА

Представьте себе: в 1970 году бухгалтеру дали электронный калькулятор. Соседи говорили ему: зачем он вам, вы и так считаете в столбик? А он отвечал: потому что считаю я на скорости пяти операций в минуту, а калькулятор — пяти тысяч. За день я успею сделать то, что раньше делал за месяц, и высвобожу время на разговор с клиентом, а не на сложение столбцов. AI — это калькулятор для текста, кода и изображений. Вместо арифметики он берёт на себя то, что раньше требовало человеческого внимания: разбор пятидесятистраничного отчёта, классификацию тысячи писем, поиск рискованного пункта в договоре. Калькулятор не заменил бухгалтера — он убрал арифметику и оставил смысл. AI делает то же самое с текстом, кодом и изображениями.

Метафора работает в обе стороны. Калькулятор не ошибается в арифметике, но ошибается в приложении арифметики к реальности: бухгалтер всё ещё решает, какие именно цифры считать. AI не ошибается в грамматике, но ошибается в том, какую грамматику применять к вашему контексту. Калькулятор без бухгалтера выдаёт шум цифр без смысла. AI без человека-редактора делает то же самое с текстом.

Эта метафора прошла проверку практикой: появление электронных калькуляторов в бухгалтерии пришлось на 1970-е (первый настольный Casio AS-A вышел в 1962 году, но массовый переход офисов — 1970-е), и бухгалтеры сначала боялись, что их уволят. Через десять лет их не уволили — их стало больше, потому что снизилась стоимость расчётов и расширился спрос на финансовую отчётность. Экономисты называют это парадоксом Джевонса: когда технология снижает стоимость ресурса, спрос на этот ресурс не падает — он растёт. То же с AI в офисных задачах.

AI снижает стоимость юридического анализа, и компании, которые раньше не могли позволить себе юриста, теперь могут. Спрос на юристов не падает — он растёт, но содержание работы меняется. То же с аналитиками, рекрутерами, бухгалтерами.

ГДЕ AI НЕЛЬЗЯ ДОВЕРЯТЬ БЕЗ КОНТРОЛЯ

Галлюцинации как обратная сторона уверенности. Модель не признаёт границ собственного знания в тот момент, когда вам это критично, — она с одинаковой уверенностью генерирует и то, что знает, и то, чего не существует. Эксперимент Harvard Business School и BCG 2023 года, о котором мы говорили выше, показал именно это: для задач вне границ компетенции GPT-4 консультанты с AI делали больше ошибок, чем без AI, потому что доверяли уверенному тону. Преимущество скорости и качества покупается за дисциплину верификации. На юридических и медицинских задачах цена непроверенной ошибки слишком высока, чтобы экономить на человеке-редакторе.

Отсутствие контекста за пределами окна. Модель знает то, что в неё загрузили, и не знает, что осталось за кадром. Юрист помнит, что контрагент уже дважды задерживал платежи; AI — нет, если ему об этом не сказали. Преимущество AI в обработке явного корпуса работает только при условии, что человек донёс «неявный» корпус. Без этого контекста AI-рекомендация формально правильная, а по сути опасная.

Этические и юридические рамки. Когда AI допустил ошибку в прогнозе прибыли, кто отвечает — модель, вендор, аналитик, руководитель? Цепочка ответственности требует человека с правом подписи. Без этой подписи AI-рекомендация — черновик, а не решение. HireVue-иски 2025 года в США показали: AI-решения о найме, не прошедшие аудит предвзятости, дают работодателю не экономию, а регуляторный штраф.

ЗАДАЧИ, В КОТОРЫХ AI УСТУПАЕТ ЧЕЛОВЕКУ

Базовая рамка для понимания раздела — работа Дарона Асемоглу (Daron Acemoglu) и Паскуаля Рестрепо (Pascual Restrepo) «Automation and New Tasks», опубликованная в Journal of Economic Perspectives в 2019 году и ставшая фундаментом всех серьёзных дискуссий о влиянии автоматизации на труд. Тезис Асемоглу и Рестрепо: экономисты десятилетиями спорили, заменяют ли машины людей или помогают им, и обе стороны оставались при своих. Асемоглу и Рестрепо разрешили спор через промежуточную переменную — задачу. Внутри любой профессии существует набор задач. Технология может автоматизировать часть из них. Технология может создать новые задачи, которых раньше не существовало. И технология может изменить сравнительное преимущество работника на оставшихся задачах. Что это меняет в разговоре об AI: фраза «AI заменит юристов» — бессмыслица, потому что профессия юриста — это пятьдесят разных задач. AI заменяет задачи 1, 4, 7, 12 (поиск прецедентов, проверка шаблонных формулировок, рутинный скрининг соответствия требованиям, первичный договорной аудит) и создаёт задачи 51, 52 (промпт-инжиниринг, аудит AI-выводов, корректировка галлюцинаций). Юрист, который вёл эти пятьдесят задач по-старому, теряет работу. Юрист, который перешёл на новый набор задач вокруг AI-инструмента, востребован сильнее, чем раньше. Профессия при этом не исчезает — она трансформируется.

В сентябре 2013 года Карл Бенедикт Фрей (Carl Benedikt Frey) и Майкл Осборн (Michael Osborne) опубликовали работу «The Future of Employment», которая вошла в историю одной цифрой: 47% рабочих мест в США находятся в зоне высокого риска автоматизации в ближайшие десятилетия. Спустя двенадцать лет можно проверить прогноз по факту. McKinsey и OECD в 2019 году пересмотрели оценку до 20–30%, а не 47%. Причины две: методология 2013 года завышала возможности технологий — AI тогда был узкими экспертными системами, а не большими языковыми моделями. И авторский метод не учитывал «сопротивляемость» профессий, в которых за автоматизацией стоят политические и регуляторные барьеры. Врачи, юристы, учителя формально автоматизируемы, но никто не готов доверить AI принятие окончательного решения о диагнозе или приговоре. Второй урок: даже когда AI технически может выполнить задачу, на его пути стоят лицензирование, ответственность, страх ошибки и социальное доверие. Фрей и Осборн измеряли технический потенциал. Реальная автоматизация требует не только технологии, но и легитимности.

Кейс Mata v. Avianca, подробно разобранный ниже в этой книге: юрист Стивен Шварц (Steven Schwartz) из Нью-Йорка подал в федеральный суд иск, в котором цитировал шесть прецедентов, — и все шесть оказались выдуманными. Сгенерировал их ChatGPT. Судья Кевин Кастель (Kevin Castel) вынес санкции и обязал юриста известить всех «авторов» несуществующих решений, а позднее каждый из двух адвокатов был оштрафован на $5 000. Здесь мы смотрим на этот кейс с другой стороны: дело Mata v. Avianca показало, что поток таких случаев не прекращается. В мае 2025 года LawNext зафиксировал ещё два случая подряд, в августе того же года федеральный судья из Южной Флориды наложил санкции на адвоката за «false, fake, non-existent, AI-generated legal authorities» в восьми документах, в марте 2026 года окружной суд Орегона ввёл особенно жёсткие санкции за систематическое использование AI-галлюцинаций. Это профессиональные юристы, у которых нет процедуры проверки AI-вывода. Они берут шаблонный запрос «найди прецеденты по теме X». Получают красиво оформленный список с реальными названиями судов и выдуманными деталями. И вставляют его в иск, не открывая ни одной ссылки. AI экономит время на поиске и съедает время на проверке. Выход — не «доверяй AI», а «встрой проверку как отдельный шаг процесса».

Даже лучшие гуманоидные роботы 2025–2026 годов не умеют делать то, что пятилетний ребёнок делает по умолчанию: перехватить скользкий пакет, нащупать выключатель в тёмной комнате, переложить хрупкую чашку из одной руки в другую. В сентябре 2025 года легендарный робототехник Родни Брукс (Rodney Brooks) (создатель Roomba и iRobot) опубликовал жёсткий разбор «Why Today’s Humanoids Won’t Learn Dexterity».

Тезис раздела: ловкость человеческой кисти — это результат миллионов лет эволюции, встроенной в мозжечок, спинной мозг и тактильную обратную связь от десяти тысяч рецепторов на квадратный сантиметр кожи пальцев. Обучить эту функцию из видео с YouTube и пары десятков демонстраций — задача, к которой у индустрии нет подхода.

Пока AI не имеет тела, он не закроет профессии, в которых тело критично. Сантехник, электрик, хирург, массажист, грузчик на складе, няня, доярка — все они работают руками в непредсказуемой среде. Это не временный лаг — это фундаментальное следствие того, что модель не имеет сенсорного ввода, не имеет обратной связи, не получит физического урона, если ошибётся. «Глава 2026 года про AI в офисе — не про AI на складе» — это и есть рабочее определение границы: задачи с физическим миром пока за пределами применимости текстовых моделей.

ЗОНА AI И ЗОНА ЧЕЛОВЕКА: СЕМЬ ПАРАМЕТРОВ РАЗГРАНИЧЕНИЯ

ФУНДАМЕНТАЛЬНЫЕ ОГРАНИЧЕНИЯ AI

1: Нет тела, нет тактильности, нет физического опыта. Гуманоидный робот 2025 года спотыкается о провод, не отличает сырое яйцо от камня, не умеет перехватить скользкий пакет. Брукс в «Why Today’s Humanoids Won’t Learn Dexterity» фиксирует: передовое направление в dexterous manipulation работает в лаборатории и ломается в поле. Пока этого нет — нет и замены сантехнику, массажисту, хирургу.

2: Нет биографии, нет идентичности, нет репутации, которую терять. AI не стыдится ошибки и не боится суда за неё. Юридически и этически он не субъект. В профессиях, где цена ошибки — тюрьма или репутация, человек остаётся обязательным звеном.

3: Нет устойчивой памяти между сессиями. Контекстное окно растёт, миллион токенов и больше у топовых моделей, но это не замена отношениям. Врач, который помнит пациента десять лет, знает то, чего нет ни в одном окне контекста. Семейный юрист, помнящий историю трёх поколений бизнеса клиента, не может быть заменён AI без переноса всей этой памяти в систему.

4: Нет совести, нет этического суждения в конфликте ценностей. Когда правильного ответа нет, увольнять ли сотрудника, выдавать ли кредит заёмщику с просрочкой, AI выдаёт ответ по статистике, а человек — по совести, биографии и готовности отвечать. Дарон Асемоглу (Daron Acemoglu) в соавторстве с Саймоном Джонсоном (Simon Johnson) формулирует это политически в книге «Power and Progress» (2023): направление технологического прогресса — это выбор, и общество может потребовать, чтобы AI усиливал человека, а не заменял его в зонах этического выбора.

5: Нет уверенного сигнала «я не знаю». Большие языковые модели (large language models, LLM) генерируют правдоподобный текст с одинаковым тоном, независимо от того, существует факт или нет. Юрист Шварц и десятки его коллег в 2024–2026 годах потеряли работу и репутацию, потому что не отличали уверенный тон от проверенного факта. Это свойство архитектуры трансформера (подробно — в главе 1), а не баг конкретной версии.

6: Нет здравого смысла в физическом и социальном мире. Исследование на препринт-сервере arxiv.org «Challenges for Language Models in Abstract Common-Sense Reasoning» (февраль 2025) зафиксировало: LLM стабильно проваливаются на задачах, требующих «все знают, что», — что упадёт раньше, что оскорбит, что нарушит негласный контракт. Исследование Apple Machine Learning Research (внутренний исследовательский блог Apple) в июне 2025 («The Illusion of Thinking») показало, что reasoning-модели (модели с цепочкой рассуждений) теряют точность на задачах выше определённого уровня сложности даже при увеличении вычислительных ресурсов.

ЧЕК-ЛИСТ: СЛАБОСТЬ AI ИЛИ ПРОСЧЁТ В НАСТРОЙКЕ?

Пять диагностических вопросов. Этот чек-лист работает как фильтр: пройдите его последовательно, и к пятому вопросу у вас будет ясный ответ — задача для AI, для человека или для их связки.

– Вопрос 1. Требует ли задача физического присутствия, моторики, тактильного контакта? Если да — AI в этой задаче уступит в обозримом будущем (хирургия, массаж, сборка). Если нет — идём ко второму вопросу.

– Вопрос 2. Конфликт, горе, раздражение, страх — в задаче есть эмоциональный заряд? Если да — AI уступит как исполнитель, но может помочь как ассистент «за кулисами». Если нет — идём к третьему вопросу.

– Вопрос 3. Имеется ли в задаче проверяемый правильный ответ: тест, бенчмарк, шаблон, норматив? Если да — AI справится, останется вопрос стоимости и скорости (раздел 1). Если нет — это серая зона, идём к четвёртому вопросу.

– Вопрос 4. Редкая задача или типовая? На длинном хвосте распределения у AI не хватит данных, и он начнёт галлюцинировать. Если задача относится к частым сценариям — AI справится. Если попадает в редкие — остановитесь и подумайте, прежде чем переходить к пятому вопросу.

– Вопрос 5. Готовы ли вы лично нести ответственность за результат, если AI ошибётся? Если да — AI применим как рабочий инструмент с вашим контролем. Если нет — AI в этой задаче не применим, это зона человека.

КАК ОСТАВАТЬСЯ ВОСТРЕБОВАННЫМ В БЛИЖАЙШИЕ ДВА ГОДА

1: Проведите аудит своего рабочего дня. Выпишите все задачи за последнюю неделю и классифицируйте каждую по двум осям: «повторяется ли» и «проверяем ли результат за минуты». Задачи, попавшие в «да + да», — это ваша зона риска. Сокращайте долю этих задач уже сейчас, перекладывая на AI.

2: Сместитесь вверх по пирамиде абстракции. Если вы были исполнителем — становитесь валидатором AI-вывода. Если вы были валидатором — становитесь архитектором процесса. Если вы были архитектором — становитесь тем, кто задаёт AI вопрос, который раньше никто не задавал. Каждый уровень — рост цены вашей работы.

3: Развейте одну «неавтоматизируемую» компетенцию до уровня сеньор. Эмпатия в переговорах, судебная практика, сложная диагностика, управление конфликтами, менторство, продажи на длинном цикле. WEF Top Skills 2030: лидерство, социальное влияние, управление талантами, креативность. Выберите одну и вложитесь в неё на тысячу часов.

4: Перейдите из «я работаю с данными» в «я принимаю решения с помощью данных». AI берёт обработку, человек берёт интерпретацию и решение. Это требует развития в сторону отраслевой экспертизы и в сторону понимания возможностей и ограничений модели. PwC AI Jobs Barometer 2025 фиксирует премию 56% к зарплате за AI-навыки, рост с 25% годом ранее. Это самый быстрорастущий компонент зарплаты в корпоративном секторе.

5: Станьте «мостиком» между AI и людьми в своей команде. Человек, который умеет объяснить коллегам, что AI умеет и не умеет, как его внедрять безопасно, как проверять его выводы, — это редкий и востребованный навык. Через два года роль «AI-facilitator» будет в каждой компании с более чем пятьюдесятью сотрудниками.

ЭВОЛЮЦИЯ ГРАНИЦЫ ОТВЕТСТВЕННОСТИ С 2023 ГОДА

Граница «AI может / AI не может» — это береговая линия, которую рисует прилив. Когда я смотрю на снимок 2022 года, мне кажется, что AI тогда «ещё не умел писать код». Когда я смотрю на снимок 2026 года, он уже пишет код быстрее, чем я успеваю прочитать задание. Но если я выйду на берег в 2026-м и буду спорить с отдыхающим: «вот увидишь, в 2027-м AI будет писать и фронтенд», он посмотрит на меня с усталой улыбкой. Потому что он помнит, что в 2023-м граница проходила по elementary, в 2024-м по джуниор, а сейчас по сеньор.

Снимок берега делается каждый квартал, и каждый следующий отличается от предыдущего. Глупо фиксироваться на текущей карте.

Anthropic с февраля 2025 года выпускает Economic Index — регулярный отчёт о том, как реально используется Claude в 150+ странах. Первая волна данных показала: 57% диалогов с AI работают на усиление человека (человек учится, итерирует, проверяет себя через модель), и только 43% — на прямую автоматизацию задачи. Сильнее всего AI проник в работу копирайтеров, редакторов, разработчиков, переводчиков, профессии, где раньше граница «человеческого» казалась неприступной. В сентябре 2025 отчёт зафиксировал, что в США доля сотрудников, использующих AI хотя бы раз в неделю, удвоилась за два года — с 20% до 40%. Это не «пилоты», это уже часть повседневной работы.

Исследовательская группа METR (Model Evaluation and Threat Research) в марте 2025 года опубликовала работу «Measuring AI Ability to Complete Long Tasks». Они замеряли не точность модели на тесте, а длину задачи, с которой AI справляется хотя бы в 50% случаев.

Цифра получилась впечатляющая: с 2019 года этот «time horizon» — сколько часов работы специалиста модель закрывает автономно — растёт экспоненциально, с удвоением примерно каждые семь месяцев. В 2019 году модели закрывали задачу длиной в секунды. К 2025-му заговорили про дни. Если экстраполировать тренд, к 2030-му модель сможет закрыть задачу, на которую у человека уходит месяц работы.

Важная оговорка: это горизонт для инженерных и смежных задач, то есть для тех, которые можно проверить автоматически. В гуманитарных и физических областях тренд слабее, но направление то же.

OpenAI в сентябре 2025 года выпустила бенчмарк GDPval (Generalized Deep Validation; бенчмарк OpenAI для оценки реальных рабочих задач) — попытку измерить, как модели справляются не с абстрактной задачей из олимпиады, а с реальной работой, за которую платят зарплату. Бенчмарк покрывает 44 профессии из 9 секторов экономики: от разработчика и юриста до медсестры и инженера-механика. Каждая задача — конкретный артефакт, который профессионал должен сделать за день-два: юридический меморандум, чертёж, диагностический отчёт. В первой волне GPT-5.2 Thinking выигрывает или делит победу против живого специалиста в 70,9% случаев, но не по «зрелищности», а по качеству артефакта. В прошлом году этот же бенчмарк был бы проигран. В позапрошлом — модели не справились бы с половиной задач даже близко. Важный нюанс: «выигрыш» здесь — это когда эксперт не отличает работу модели от работы человека. Это не значит, что модель лучше. Это значит, что граница сравнения сместилась: человек больше не «по умолчанию» лучше.

КАК МАММОГРАФИЯ НАМЕТИЛА СДВИГ В РОЛИ AI

Масштаб этого сдвига виден на одном показательном примере, который мы уже разобрали выше: в связке с рентгенологом AI находит на 29% больше злокачественных опухолей и сокращает нагрузку на 44%. Это пример той самой «тихой революции», когда граница не «перепрыгнула» через рентгенолога, а сдвинулась так, что спор «AI или человек» потерял смысл. Вопрос теперь — кто с AI работает лучше, а не кто из них двоих лучше.

В июле 2024 года DeepMind (лаборатория ИИ Google) показала AlphaProof: систему, которая решила четыре из шести задач Международной математической олимпиады на уровне серебряной медали. Это был сигнал — модель может рассуждать в формальной математике, а не только «выглядеть умной» в диалоге. В январе 2026 та же команда показала AlphaGeometry-2, решающую геометрические задачи олимпиадного уровня за минуты. В ноябре 2025 в Nature вышел разбор системы: AlphaProof обучился с подкреплением на формальных доказательствах, перебирая свои попытки и награждая удачные. За восемнадцать месяцев система прошла путь от «сложно, но перспективно» до «серебро международной олимпиады». Если в 2023-м я бы сказал читателю, что у AI на олимпиаде по математике нет шансов, это была бы правда. В 2024-м — полуправда. В 2026-м — откровенная ложь.

МАРКЕРЫ СДВИГА ГРАНИЦЫ В ВАШЕЙ ПРОФЕССИИ

1: AI-native конкурент продаёт тот же продукт в три-пять раз дешевле. Это значит, что цена «человеческого» сервиса обвалится через один-два года у тех, кто не перешёл на связку.

2: Джуниор-позиции сокращаются быстрее, чем сеньор-позиции. Это значит, что AI забирает «вход» в профессию. По данным ADP Research / Стэнфорд, в профессиях, наиболее затронутых AI, занятость работников 22–25 лет снизилась на 6%, а работников 30+ выросла на 6–13%.

3: Профильный вуз меняет программу: добавляются курсы по работе с AI, убираются курсы по ручным навыкам.

4: На профильных конференциях обсуждение сместилось с «заменит ли AI» на «как перестроить процесс».

5: В трекере задач, CRM или почте появился встроенный AI-ассистент, который сам предлагает следующий шаг.

ТРАЕКТОРИЯ ГРАНИЦЫ НА БЛИЖАЙШИЕ ДВА-ТРИ ГОДА

Полная автоматизация клиентской поддержки уровня первой линии (L1 — первичное обращение клиента). McKinsey, Gartner и Forrester единодушны: к 2029 году 80% и более обращений в поддержку крупных компаний будут закрываться AI без перевода на человека. Это уже не вопрос технологии, а вопрос внедрения.

Юридические и проверки соответствия требованиям в регулируемых отраслях. Банки, страховые, фарма: AI будет закрывать 70% и более первичного скрининга соответствия требованиям. Юристы в этих отраслях сместятся в зону сложных казусов и переговоров.

Первичный медицинский скрининг и телемедицина. В странах с дефицитом врачей AI-скрининг уже заменяет первичный осмотр в 30% и более случаев. Тренд усилится.

КОГДА AI ОШИБАЕТСЯ, НО ЭТО ДОПУСТИМО

В разделе 3 мы зафиксировали, что граница сдвигается, и для читателя важно не отстать. Но в практике ежедневной работы вопрос стоит жёстче: «вот эту задачу отдавать AI или нет» — и ответ зависит не от скорости сдвига, а от цены ошибки. Этот раздел отвечает именно на этот вопрос.

Слабый аргумент, который часто звучит в рабочих дискуссиях: «AI ошибается, значит, его нельзя использовать». Это слабое возражение, потому что в задачах, где AI заменяет человека, человек тоже ошибался — и часто чаще. Юрист по патентам промахивается в 15% случаев, когда ищет прецеденты. Оператор поддержки ошибается в 11% обращений. Радиолог пропускает 5–15% паттернов на маммографии в зависимости от усталости. AI в этих же задачах ошибается в 3–10% случаев — стабильно, без усталости, без эмоций. Математика сходится в пользу AI, если цена ошибки не катастрофическая.

Этот кейс не одинок. Ровно тот же вывод даёт прогноз Gartner на 2029 год по автоматизации клиентской поддержки (мы разбирали его в разделе про сдвиг границы): 80% и более обращений в поддержку крупных компаний будут закрываться AI без перевода на человека. Те же 88% организаций из отчёта McKinsey, что мы цитировали выше, распределяются по функциям так: 56% приходится на клиентскую поддержку. Это не лень руководителей. Это простая математика: AI ошибается, но средний оператор поддержки тоже ошибается. Исследования Microsoft Research по контакт-центрам показывают: средний процент ошибок при обработке типовых запросов у живого оператора в конце смены — от 8% до 12%. У AI-ассистента — от 2% до 5%.

И это без учёта того, что живой оператор устаёт к концу смены, отвечает клиентам раздражённо и через две недели увольняется. AI не устаёт, не обижается, не уходит — и за счёт этого выдерживает длинную смену стабильно. Когда цена ошибки низкая, типовой вопрос по статусу заказа, AI-ошибка дешевле человеческой, и не потому что AI «лучше», а потому что усталый человек хуже, чем среднестатистическая машина.

Дело Mata v. Avianca, разобранное ниже в этой книге, — там же и штраф. Здесь мы используем его как пример другого края шкалы: цена AI-ошибки в тысячи раз выше цены человеческой ошибки, потому что у человеческой ошибки другой вес.

КРИТЕРИЙ «ТРЁХ R»: ГДЕ ДОПУСТИМА ОШИБКА AI

Критерий «трёх R» я использую на консультациях по внедрению AI в поддержку — он работает в командах, выдерживает проверку практикой.

1: Repetition — задача повторяется много раз с низкой вариативностью (статус заказа, перевод типового договора, классификация входящего письма).

2: Risk — цена ошибки низкая (клиент получит «не тот» ответ, но это не убьёт его и не разорит компанию).

3: Reversibility — ошибку можно быстро отменить (отправить заново, перезвонить, повторить операцию).

Если все три «да» — отдавайте задачу AI, не думайте. Если хотя бы одно «нет» — человек нужен в контуре.

Юридический кейс с выдуманными прецедентами (разбирается ниже в этой книге) провалил фильтр по риску и обратимости: цена ошибки высокая, и хотя отозвать поданный иск формально можно, репутационные и юридические последствия отзыва стоят дороже, чем экономия на AI. Оператор Klarna проходил все три формально, но компания недооценила reputational risk, который проявился позже, когда клиенты стали жаловаться на качество обслуживания в сложных случаях.

СВОДНАЯ ТАБЛИЦА ДОПУСТИМЫХ AI-ОШИБОК

В этой таблице — восемь типовых офисных задач с указанием типа ошибки у AI, цены ошибки и того, кто в итоге дешевле. Логика простая: в первых пяти строках AI дешевле, в последних трёх — человек. Граница проходит там, где появляется цена штрафа, жизни или репутации, и эту границу не сдвигает ни одна новая версия модели.

В верхней половине AI-ошибка стоит минуты работы и легко откатывается. В нижней половине цена ошибки измеряется в штрафах, судебных санкциях и жизнях, и AI в этих строках остаётся только в режиме помощника под контролем человека.

ЭФФЕКТИВНАЯ КОМАНДА ИЗ ЧЕЛОВЕКА И AI

Врач с AI-ассистентом ставит диагноз точнее, чем врач без ассистента, и точнее, чем AI сам по себе. Юрист с AI-инструментом для проверки контрактов закрывает в три-четыре раза больше сделок в квартал, чем юрист без инструмента, и при этом не пропускает критичных рисков, которые AI бы пропустил без юридического контекста. Дизайнер с генератором референсов перебирает пятьдесят концепций за час вместо пяти за день и отбирает из них одну, опираясь на свой вкус, который AI не воспроизводит. Это не фантазии — это уже работающие модели, и их число растёт каждый квартал.

«Человек плюс AI» — третий путь, который упускается в споре «AI заменит человека или нет». У человека и AI разные сильные стороны. AI сильнее в обработке большого корпуса, человек сильнее в интерпретации результата в конкретном контексте. AI сильнее в скорости, человек — в оценке последствий. Связка побеждает, когда человек не отдаёт AI всю задачу, а разделяет её: AI делает то, что у него получается лучше, человек делает то, что у него получается лучше, и интерфейс между ними — это редактура и принятие решения.

ТАНДЕМ ЧЕЛОВЕКА И AI: МАММОГРАФИЯ, ЮРИСПРУДЕНЦИЯ, ДИЗАЙН

В октябре 2019 года команда NYU Langone опубликовала в Nature исследование на девяти миллионах маммограмм: AI-модель и группа рентгенологов работали по отдельности и в связке. AI находит паттерны, которые врач не видит. Врач находит паттерны, которые AI не видит. В связке точность выше, чем у каждого по отдельности. Это не «AI помогает врачу», это «AI и врач видят разное». Команда Providence назвала это «второй парой глаз, которая не устаёт» — не заменой пары глаз, а парой глаз. Связка — это не про «AI делает, человек проверяет», это про то, что оба видят то, что другой пропускает. Именно поэтому профессия рентгенолога не вымерла, а изменилась: рентгенолог стал арбитром между двумя системами восприятия. Полевые данные по Швеции (MASAI, 105 934 женщины) уже разбирались в разделе 3 — там же подробно о росте находок на 29% и сокращении нагрузки на рентгенолога на 44%.

В августе 2025 года Thomson Reuters выпустил CoCounsel Legal и «финальную» версию Westlaw. AI-ассистент в платформе ищет прецеденты по естественному языку (находит релевантные за секунды, не за часы), готовит черновик юридического меморандума, делает claims explorer. Но финальный продукт — иск, договор, заключение — подписывает юрист. Платформа не заменяет юриста, а сокращает research-фазу с трёх-четырёх часов до двадцати-тридцати минут. Юрист получает не «готовый ответ», а «первый проход», который он критически правит. Это и есть centaur-модель: человек ставит вопрос, AI делает черновой обзор, человек верифицирует прецеденты, добавляет контекст, формулирует позицию. Без AI юрист потратит день на research. Без юриста AI выдаст работу уровня стажёра без понимания контекста. С обоими — работу уровня сеньор-юриста за то же время.

Figma в апреле 2025 года опубликовала отчёт «AI in Design»: 88% опрошенных дизайнеров используют AI-инструменты, но только 27% готовы отдать им финальный продукт без правок. Основной паттерн — AI как генератор вариантов, человек как арбитр. Дизайнер формулирует задачу («нужна плашка в корпоративных цветах для трёх аудиторий»), AI выдаёт тридцать-пятьдесят вариантов за минуту, дизайнер выбирает два-три, дорабатывает, и только потом пускает в продакшн. Nielsen Norman Group в мае 2025 зафиксировали: AI-инструменты дизайна «всё ещё не там», где их обещали, но они полезны на конкретной фазе — research, поиск референсов, проверка альтернатив. Дизайнер, который работает с AI как с помощником, делает за день работу недели. Дизайнер, который ждёт, что AI сделает макет «и так сойдёт», получает стоковую картинку, которую отличит любой клиент. Разница между «дизайнер с AI» и «дизайнер без AI» измеряется не часами, а тем, насколько продукт выглядит своим.

ШАХМАТНЫЙ КЕНТАВР КАСПАРОВА: УРОК 1998 ГОДА

В 1997 году Гарри Каспаров (Garry Kasparov) проиграл матч Deep Blue. Год спустя он организовал первый в истории «Advanced Chess» (его ещё называют centaur-chess, или «шахматы с усилением», — формат, где у каждого игрока есть компьютер). В 2005 году Pal Computer Frontier провела турнир: разрешены любые программы, человек решает, какие ходы принимать. Результат, который вошёл в учебники: centaur-пары обыгрывали и Deep Blue, и любого гроссмейстера в одиночку. Каспаров сформулировал вывод, который мы повторяем тридцать лет спустя: «Слабый игрок с сильным компьютером проиграет сильному игроку со слабым компьютером, и наоборот. Сильный игрок с сильным компьютером побеждает всех. Умение работать с машиной — это навык, а не побочный эффект». Эта формула применима к юристу с Westlaw, рентгенологу с AI, дизайнеру с Figma AI. Машина делает то, что у неё получается лучше всего: перебор, поиск, генерация вариантов. Человек делает то, что у него получается лучше всего: оценка контекста, интуиция, финальное решение. Связка побеждает.

МОДЕЛЬ «ЧЕЛОВЕК ПЛЮС AI» В РАЗРЕЗЕ ПРОФЕССИЙ

В таблице ниже — восемь профессий, по которым есть рабочая статистика связки. Колонки фиксированы: что берёт на себя AI, что остаётся человеку, и какая метрика показывает выигрыш связки. Если ваша профессия в списке, у вас есть ориентир; если нет — переносите логику разделения ролей, а не конкретные числа.

Вывод по таблице: во всех восьми профессиях связка выигрывает и у человека в одиночку, и у AI в одиночку. AI не заменяет человека и не остаётся просто «помощником» — AI берёт на себя слой работы, который человек делал медленно, а человек берёт на себя слой, который AI делает ненадёжно.

ЛОВУШКА «AI ВСЁ СДЕЛАЛ, Я ТОЛЬКО ПОДПИСАЛ»: ПРИЗНАКИ

1: Вы не можете объяснить коллеге, почему в документе именно эти формулировки, а не другие.

2: Вы не помните, какие источники AI использовал, и не можете их перечислить.

3: Вы бы не смогли за тридцать минут повторить тот же результат с нуля без AI.

4: Вы не уверены, что AI проверил ключевые риски, которые вы бы проверили руками.

5: Подписывая документ, вы не можете сформулировать, в чём именно ваш вклад, кроме «финального глаза».

Если хотя бы три из пяти — вы в ловушке. AI стал соавтором, а вы стали подписантом. Это путь к Moffatt v. Air Canada в любой профессии: AI-чат публично пообещал клиенту несуществующее условие, компания не проверила выход AI-чата, отвечает компания. Та же механика работает и в любой офисной функции: AI ошибся, человек не проверил, отвечает человек.

Защита — в самом процессе. Ротация задач, в которых AI нет: 20% рабочего времени — задачи без AI. Явная верификация: в каждом процессе — обязательный шаг «проверить AI-вывод» с именем ответственного. Объяснение AI-вывода: если AI выдал рекомендацию, человек обязан объяснить её коллегам и руководителю, не ссылкой на AI, а своими словами с аргументом — например: «AI выдал X, и вот почему я с этим согласен или не согласен». McKinsey в «Superagency» формулирует это как принцип «build the skill before you augment the skill» (сначала освой навык сам, потом усиливай его инструментом). Иначе через два года у вас в команде будут люди, которые умеют нажимать кнопку, но не умеют думать.

РЕЗЮМЕ

AI превосходит среднего специалиста на рутине там, где есть правильный ответ и проверяемая структура. За пределами этой зоны связка с AI даёт результат хуже, чем человек один. AI заменяет задачи, не профессии: в каждой профессии он закрывает часть задач и создаёт новые.

Шесть фундаментальных ограничений AI — отсутствие тела, биографии, долгосрочной памяти, совести, сигнала «я не знаю» и здравого смысла в физическом мире — это свойства архитектуры, не баги. Они не исчезнут с новой версией модели.

AI-ошибка дешевле человеческой в задачах, проходящих фильтр «трёх R»: повторяемость, низкий риск, обратимость. В задачах с неявным контекстом, высокой ценой ошибки и необратимыми последствиями — дороже. Третий путь между «AI заменит» и «AI не заменит» — связка, в которой человек и AI видят разное и в сумме дают результат, недостижимый по отдельности.

Прежде чем отдать задачу AI, проверьте её по трём критериям: повторяемость, цена ошибки, обратимость. Все три «да» — отдавайте AI. Хотя бы одно «нет» — человек остаётся в контуре. В матрице ответственности AI не бывает ответственным, только информируемым: утверждает всегда человек.

Сдвигайтесь вверх по пирамиде абстракции каждый квартал: от исполнителя к валидатору AI-вывода, от валидатора к архитектору процесса, от архитектора — к тому, кто задаёт AI вопросы, которые раньше никто не задавал. Сначала освойте навык сами, потом усиливайте его инструментом.

Завтра утром вы открываете таблицу сравнения моделей — ChatGPT, Claude, Gemini, GigaChat, YandexGPT — и видите красивые числа: один лучше на 4,2 процентного пункта по MMLU, другой обходит всех на HumanEval, третий дешевле на порядок. Вы выбираете «топ-1 по рейтингу», ставите на свою задачу — сортировку входящих писем или подготовку черновика договора — и через неделю обнаруживаете, что на вашем типе писем эта модель работает хуже, чем модель с более низкой позицией в рейтинге. Следующая глава разбирает, почему так происходит и как собрать собственную проверку под вашу задачу, прежде чем отдавать ей реальный рабочий процесс. Не вместо бенчмарков, а поверх них — как фильтр, который отсекает то, что рейтинги не измеряют.