Обогнать искусственный интеллект. Про эволюцию человека и развитие в попытке обогнать новое

2.3 От исполнителя к постановщику задач

Что конкретно умеет кентавр такого, чему старая модель не учила? Три вещи, и все три — про управление, а не про исполнение. Он умеет ясно поставить задачу. Он умеет выбрать инструмент под задачу. И он умеет критически проверить результат, а не принять его на веру.

Звучит просто, пока не попробуешь. Поставить задачу нейросети — это отдельная грамотность: размытый запрос даёт размытый ответ, и тут проявляется старая истина, что правильно заданный вопрос — половина решения. Раньше это умение было приятным бонусом; теперь это базовый навык, как когда-то умение искать в интернете. Выбрать инструмент — значит понимать, что разные модели и сервисы сильны в разном, и не забивать гвозди микроскопом. А проверить результат — значит не выключать собственную голову: машина уверенно ошибается, и поймать её ошибку может только тот, кто сам в теме.

Покажу на собственной бытовой привычке, без всякой теории. Когда я ставлю нейросети задачу посложнее, я почти всегда добавляю в конце одну простую фразу: «задай мне уточняющие вопросы». Это переворачивает разговор. Вместо того чтобы выдать первый попавшийся ответ на размытый запрос, машина начинает выпытывать у меня контекст: для кого это, в каком формате, какие ограничения. По сути я заставляю её помочь мне же грамотно поставить задачу. Мелочь — а результат меняется на порядок. И в этом весь кентавр в миниатюре: не «сделай за меня», а «давай вместе доведём задачу до ясности, прежде чем ты возьмёшься».

И про проверку — честно, на своей же ошибке. Я как-то отвечал студенту письмом, которое помогла составить нейросеть, и не перечитал внимательно. Написано было так высокопарно, что я сам так в жизни не говорю, — можно было легко спалиться. С тех пор правило железное: ответ можно поручить машине, но перечитать его обязан человек. Потому что подпись под письмом стоит ваша, а не её. Делегатор отличается от пассажира ровно в этой точке: он не выключает голову на финальном шаге, потому что знает — отвечать всё равно ему.

Есть и ещё одна тонкая вещь, которую я заметил на себе. Эти инструменты странным образом дисциплинируют мышление. Раньше можно было хвататься за десять задач разом и ни одну не доводить до конца. А тут ресурс модели не бесконечен: запустишь её впустую пять раз, не сделав толком ни одной задачи, — и лимит кончится. Поэтому волей-неволей приучаешься думать от конечного результата: сначала ясно представить, что именно ты хочешь получить, и только потом запускать. Это и есть навык постановщика — держать в голове образ результата раньше, чем сделан первый шаг.

Насколько постановка и проверка — отдельное ремесло, я в полной мере оценил на форуме, когда рабочая группа искала учебное задание, которое студент не сможет просто переложить на нейросеть. Нашли, и оно прекрасно: собери примеры вопросов по истории российского государства, на которых ошибаются все языковые модели. Оцените красоту хода. Готовый ответ у машины не спросишь — она сама не знает, где ошибается. Придётся выдвигать гипотезы, гонять модели, сверять их ответы с источниками — то есть в итоге знать материал глубже машины. Задание невзламываемо, потому что построено не на исполнении, а на проверке. Это грамотность постановщика, доведённая до изящества.

Задание: Возьмите задачу, которую недавно делали руками, и переформулируйте её для нейросети так, будто объясняете толковому стажёру: контекст, цель, формат результата, ограничения. Добавьте в конце «задай мне уточняющие вопросы» — и ответьте на них. Сравните, что выйдет, с вашим ручным результатом. Вы только что побыли кентавром — почувствуйте разницу между «сделать» и «поставить и проверить».

2.4 ИИ как оппонент — и его тень

Есть режим работы с машиной, который я считаю самым недооценённым, — и о нём стоит поговорить отдельно, потому что именно здесь проходит самая тонкая граница между усилением и сдачей. На методологическом семинаре форума прозвучала мысль, к которой я возвращаюсь до сих пор: мышление рождается не в покое, а в столкновении позиций. Когда-то Кант умел оппонировать сам себе — держал в одной голове и тезис, и контртезис, и эта внутренняя дуэль была двигателем мысли. Большинству из нас так не повезло: нам нужен живой оппонент, а он не всегда под рукой. И вот новость: встречную позицию теперь может поставлять ИИ. Как заметил один из методологов, не так уж важно, откуда у тебя берётся противоположная позиция. Важно, что она есть — и что тебе приходится с ней работать.

Я показывал на семинаре, как это выглядит в моей практике. Дело в том, что по умолчанию модель — льстец: она обучена нравиться пользователю и будет хвалить вашу идею хоть до полуночи. Поэтому оппозицию приходится собирать принудительно. Для этого существуют многоагентные сборки — по сути, совет критиков: под задачу создаётся несколько ролей — скептик, юрист, адвокат противной стороны, — каждая атакует ваше решение со своей позиции, а в конце вы получаете сводный разбор вместо привычных комплиментов [СВЕРИТЬ: описание многоагентной сборки-«совета критиков»]. Ощущение непривычное и отрезвляющее: вместо тёплой ванны — холодный душ из аргументов. Несколько раз такой совет разваливал решение, в котором я был совершенно уверен, и это были самые дешёвые провалы в моей жизни: провал на этапе спора стоит копейки, провал в реальности — дорого.

А теперь — тень. На том же форуме исследователи, готовившие эксперимент по аналитическому письму, сформулировали жёстко: модель лишает студента когнитивного пути — того маршрута из проб, тупиков и озарений, на котором только и вырастают внутренние опоры в предмете. Министр науки и высшего образования приводил там же данные большого исследования: обращение к ИИ в моменте ускоряет работу и повышает оценки, но на длинной дистанции, когда проверка идёт уже без машины, результаты оказываются хуже [СВЕРИТЬ: исследование более 20 000 учащихся на протяжении более 1,5 лет, доклад на форуме].

Понимаете, в чём коварство? Даже мой любимый совет критиков может обернуться против меня. Одна участница семинара сказала об этом с обезоруживающей точностью: если позиции вокруг меня собирает машина, то мне самому больше не обязательно совершать усилие и менять собственную позицию. А это усилие и есть акт мышления. Спарринг-партнёр хорош, пока вы боксируете. Как только он начинает боксировать за вас, вы больше не тренируетесь — вы смотрите бокс.

Как поймать себя на этой подмене? Образ мне подарил профессор старой школы, выступавший на форуме. В авиации пилота учат на тренажёре, который умеет имитировать критические ситуации, — и там загорается красная лампочка, когда ты делаешь фатальную ошибку. Нужен такой же тренажёр для работы с ИИ, говорил он: красная лампочка должна вспыхивать в момент, когда ты подменяешь собственный когнитивный навык навыком, уже заложенным в эту умную машину. Пока такой тренажёр не построили, лампочку придётся носить в себе.

Индикатор, к счастью, известен: субъективное усилие. Те же исследователи закладывали в свой эксперимент гипотезу, что группа, у которой мышление действительно работает, будет ощущать задания более сложными, а не более лёгкими. Отсюда простейший тест для самодиагностики: если с приходом ИИ вся ваша работа стала лёгкой — совсем, сплошь лёгкой, — считайте, что красная лампочка уже горит. Что-то из того, что обязано было остаться трудным, вы незаметно отдали.

Задание: Соберите собственный совет критиков. Возьмите решение, в котором вы сейчас уверены, и попросите нейросеть сыграть против вас три роли: скептика, который ищет слабые места; конкурента, которому выгоден ваш провал; и дотошного проверяющего, который требует доказательств по каждому пункту. Прямо запретите ей хвалить. А после спора сделайте главное: письменно зафиксируйте, в каком месте вам пришлось изменить собственную позицию. Если ни в каком — либо решение гениально, либо вы смотрели бокс со стороны. Красная лампочка.

2.5 Что нельзя делегировать

Красная лампочка из прошлого раздела подводит нас к главному вопросу: если машине можно отдать исполнение и даже роль оппонента, то что не отдаётся никогда? Назвать эту границу нужно с полной ясностью — иначе обгон превратится в свою противоположность, в сдачу позиций под видом эффективности. Есть вещи, которые кентавр держит при себе, чего бы это ни стоило.

Ответственность. За результат отвечает человек, а не «так сказала нейросеть». Машине, как мы выяснили в первой главе, нечего поставить на кон. Вам — есть.

Смысл и цель. Зачем мы вообще это делаем и стоит ли — машина не решает. Она блестяще отвечает на вопрос «как», но вопрос «зачем» остаётся за человеком.

Ценностный выбор. Где интересы людей сталкиваются и любой ответ кого-то задевает — это «коварные задачи», и здесь нужен не расчёт, а человеческое суждение.

Мышление как мышца. То, что отдал целиком и перестал делать сам, атрофируется — копится тот самый когнитивный долг из первой главы. Часть умственной работы стоит делать руками, чтобы не разучиться. Вот почему обгон — это не «переложить на ИИ всё». Это точное, почти ремесленное знание границы: что отдать, а что беречь. Тот, кто отдал машине ответственность и смысл, не обогнал её — он ей проиграл, просто с комфортом.

На форуме методологи зафиксировали эту границу формулой, которую я печатал бы на упаковке каждого ИИ-сервиса: получить результат — ещё не значит квалифицировать ответственность за его применение. Разница видна на хрестоматийном кейсе, который там же разбирали. Медицинская модель научилась определять редкую патологию по снимкам с точностью около ста процентов — а в реальной клинике не сработала вовсе [СВЕРИТЬ: кейс со смещённой обучающей выборкой в медицине]. Разгадка проста и поучительна: всех пациентов с этой редкой патологией направляли в один центр с особым аппаратом, и модель выучилась отличать аппарат, а не болезнь. Результат был — блестящий, с метриками, хоть в отчёт. А вот ответить на вопрос, можно ли по этому результату лечить живых людей, могла только голова, понимающая, откуда взялись данные. Эта квалификация — можно ли применять, где границы применимости, кто пострадает, если ошибёмся, — и есть неделегируемое ядро. Машина выдаёт результат. За применение отвечает подпись.

И здесь у профессионала появляется неожиданный козырь — именно экспертиза удерживает его в седле. Расскажу сцену, которую сам наблюдал на интенсиве по нейросетям в Ельцин-центре. Была там девушка — ландшафтный дизайнер. Она накидывает нейросети задачу, получает красивый, убедительный результат — и тут же бракует его: нет, так не пойдёт, у нас в регионе так не делают, другие климатические условия, эти растения здесь не приживутся. Я-то, человек, в ландшафтном дизайне не понимающий ничего, получил бы тот же ответ, сделал бы из него 3D-визуализацию и остался бы страшно доволен. А она с помощью той же нейросети получает рабочий, выверенный референс — потому что у неё есть чем поймать машину за руку. Вот вам граница в действии: исполнение машина забрала, а суждение, которое отличает красивую картинку от работающего решения, осталось за человеком и стало дороже прежнего.

Из этой сцены — важный вывод, который я повторяю студентам. В мире, где машина выдаёт правдоподобный результат на любой запрос, ценность смещается к тому, кто способен этот результат оценить. Поэтому начинающим сегодня объективно тяжелее войти в профессию: им нечем проверить машину, и резонный вопрос «зачем мне брать ассистента, если промпт я напишу быстрее, чем поставлю ему задачу» бьёт именно по новичку. А профессионал в своей области ценится теперь даже больше, чем раньше, — не как исполнитель, а как тот единственный, кто отличит блеф от дела. И это снова про неделегируемое суждение: машина не знает, что в этом регионе так не сажают, — а человек знает.

И напоследок — сцена с форума, которую я, честно, не скоро забуду. Идёт пленарная сессия, докладчику задают вопросы, и вдруг ведущий объявляет: следующий вопрос задаёт цифровой двойник — инженеры центра образовательных разработок научили его слушать выступления и спрашивать. Машина спрашивает: как предотвратить превращение студента из активного субъекта в исполнителя внешнего алгоритмического дизайна? Зал замер. Лучший вопрос дня задал не человек.

Ответ докладчика, кстати, был правильным: только через проживание и передачу ответственности — студент должен занять роль, в которой за результат отвечает именно он. Но меня не отпускала ирония момента: машина сама сформулировала то, что ей нельзя отдавать. Замените в её вопросе слово «студент» на «сотрудник», «руководитель» или «вы» — и получите главный вопрос этой главы. Исполнитель внешнего алгоритмического дизайна — это и есть пассажир, только названный по-научному.

2.6 Управлять, а не соревноваться

Развилка «субъект или пассажир» касается не только отдельного человека — перед ней стоят и целые организации, только ставки выше. В первой главе мы видели ловушку эксперта: специалист соревнуется с ИИ и проигрывает, делегатор пользуется и выигрывает. Посмотрим, как та же логика работает на уровне компании.

Один предприниматель, внедряющий ИИ в промышленности, описывал эту разницу почти как разницу темпераментов. Люди с развитым навыком управления, говорит он, и с нейросетью работают легко: они привыкли «дирижировать» живыми людьми — значит, и машиной дирижируют без труда. А эксперт первым делом лезет с машиной соревноваться — сцену с «ну-ка ответь, не знаешь?» мы уже разбирали в первой главе. Главный вопрос в голове делегатора звучит иначе и почти буднично: «кому я могу это передать?» Не «сделать самому лучше всех», а «кому поручить». И вот эта привычка — не исполнять, а распределять — на уровне компании превращается в способность возглавить инструмент.

Тот же практик подметил вещь, которую я считаю ключом ко всей главе: во внедрении ИИ тормозит, как правило, не технология. Технологии сегодня более чем достаточно. Тормозит обучение — то, что люди просто не начинают думать по-другому. Из этого, кстати, выросло занятное явление, которое он наблюдал у себя в компании, — «цифровой сотрудник». Это не ассистент в браузере, а полноценная роль внутри корпоративных систем: прежде чем идти со смежным вопросом к живому коллеге, ты сначала заходишь к цифровому сотруднику, обкатываешь на нём запрос, отсеиваешь все «тупые вопросы» — и к человеку приходишь уже с готовым, отточенным заданием. Организация-кентавр устроена так же: машина снимает черновую и типовую часть, а живые люди освобождаются для того, что требует именно их.

Насколько это всерьёз, видно по тому, как меняется наём. Топ-менеджер одного из крупнейших банков рассказывал на форуме, что собеседование разработчика у них уже перестроено: кандидата просят показать, как он решает задачу вместе с ИИ — как ставит подзадачи, как собирает вокруг себя виртуальную команду агентов, где у него разработчик, где тестировщик. Это буквально тест при приёме на работу [СВЕРИТЬ: практика найма и стандарты разработки с ИИ из доклада на форуме]. Обратите внимание, что именно проверяют. Не «знает ли кандидат больше машины» — это соревнование никого не интересует. Проверяют, умеет ли он машиной дирижировать. Рынок уже нанимает кентавров — по факту, не дожидаясь, пока это слово попадёт в учебники.

Вспомните пример из первой главы: команда проектировщиков перешла с ручной работы на ИИ-базу знаний и из исполнителей превратилась в технологических лидеров, экономящих заказчику огромные деньги. [СВЕРИТЬ: кейс — Еврохим / экономия ~23 млрд руб. за год] Они не стали быстрее «бегать» — они сменили позицию: возглавили инструмент и поднялись выше по цепочке ценности. Это и есть организационный кентавр. А рядом — те, кто гордо доказывал, что их эксперты надёжнее машины, и кто за это время не сдвинулся никуда.

Совет: Если вы руководитель, задайте команде не вопрос «справится ли ИИ лучше нас», а вопрос «как нам возглавить ИИ, чтобы подняться выше». Первый вопрос ведёт к обороне и обиде. Второй — к обгону.

2.7 Цена обгона

Теперь о том, о чём в восторженных постах про ИИ почти не пишут. Обгон стоит сил — и немалых. На форуме топ-менеджер того же банка вслух сказал то, что я давно наблюдаю на собственной команде: ИИ не облегчает работу — он её уплотняет. Смотрите на арифметику. В обычном рабочем дне лишь около пятой части времени приходится на по-настоящему сложные задачи; остальное — рутина, на которой мозг, будем честны, отдыхает [СВЕРИТЬ: оценка доли сложных задач около 20 процентов из доклада на форуме]. Пришёл ИИ — и рутину забрал. Что осталось? Осталось сложное, и его в рабочем дне стало вдвое больше [СВЕРИТЬ: рост объёма интеллектуально насыщенных задач в два раза]. «Люди, которые активно работают с искусственным интеллектом, устают быстрее», — констатировал он с трибуны. Коллеги назвали это когнитивной интенсификацией, и слово точное: машина сняла с нас всё лёгкое и оставила концентрат трудного.

Подпишусь под каждым словом — по опыту своей инженерной команды. Интенсивная работа с ИИ, скажу прямо, стачивает людей: темп, который раньше держали неделями, теперь приходится держать месяцами без пауз, и старые способы восстановления перестают справляться. На форуме я говорил об этом со сцены полусерьёзно: похоже, скоро придётся учить студентов чуть ли не медитации — просто потому, что мозг стал использоваться гораздо интенсивнее, а управлять собственным вниманием и восстановлением нас никто никогда не учил. Зал смеялся — и записывал. Новые дефицитные навыки эпохи ИИ звучат неожиданно старомодно: концентрация, живое общение, умение отдыхать. То, что было личным делом каждого, становится профессиональной компетенцией кентавра. Лошадь не устаёт — а вот всадник очень даже.

И ещё одно признание с форума — возможно, самое честное из всего, что там прозвучало. Эксперт, который занимается искусственным интеллектом четверть века, сказал в финале: никогда ещё не было, чтобы я с такой стремительностью утрачивал свою экспертизу; я в контексте, я работаю во всём этом — и мне не удаётся держать темп [СВЕРИТЬ: цитата по расшифровке финальной сессии форума]. Вдумайтесь: это говорит не отставший — это говорит один из самых быстрых. Если темп не держит даже он, значит, гонка на скорость проиграна всеми участниками без исключения, и это, пожалуй, самый сильный аргумент всей главы.

Красная Королева победила: на её дорожке больше не выиграет никто, сколько ни беги. Остаётся то, с чего мы начали, — сойти с дорожки и сменить позицию. Цену заплатить придётся всё равно: усталостью, дисциплиной на развилках, привычкой следить за красной лампочкой. Но это цена всадника, а не загнанного бегуна. Разница принципиальная: всадник платит за движение вперёд, бегун — за то, чтобы остаться на месте.

Совет: Планируйте восстановление как рабочую задачу, а не как остаток дня. Если ИИ удвоил в вашем дне долю сложного, то паузы, сон и время без экрана — больше не забота о комфорте, а обслуживание главного инструмента кентавра: вашей головы. Лошадь кормят. Всадника — тем более.

2.8 Обгон самого себя

И есть ещё одно, самое тонкое значение обгона — то, ради которого, по сути, и написана эта книга. Помните три зоны из первой главы: замещение, дополнение, усиление? Так вот, усиление — это когда ИИ не делает работу за вас и даже не просто помогает, а поднимает вас самих: спорит, когда вы ленитесь думать, заставляет формулировать точнее, подсовывает то, чего вы не знали. Тот самый неутомимый спарринг-партнёр, рядом с которым становятся сильнее.

Механику мы уже разбирали в первой главе — это тот самый «когнитивный биолайфхак»: ваши пять-семь объектов внимания против десятков факторов, которые машина удерживает в поле зрения, пока думаете вы. Повторяться не стану, добавлю одно. Библиотекарь с фантастической памятью в этом режиме перестаёт быть справочным окном: он не отвечает вместо вас — он раздвигает стол, на котором вы раскладываете собственную мысль. И вы больше не упираетесь в свои пять-семь объектов.

В начале книги я сравнил эти инструменты с лампой, у которой можно загадать желание: самое трудное тут не «как», а «что» — главным становится не уметь сделать, а точно знать, чего хотеть. Здесь это сравнение поворачивается своей рабочей стороной. Усиление — это ровно оно: машина не отменяет твоё мышление, она поднимает его потолок, но только если ты вообще знаешь, чего просить. Знаешь — потолок взлетает; не знаешь — самый мощный инструмент простаивает.

И это не теория из брошюры. Я недавно собрал большую научную работу — то, что раньше тянуло бы на месяцы кабинетного труда, — во многом потому, что нейросети отлично держат контекст и помогают свести разрозненное в целое. Да, за это пришлось заплатить вполне ощутимую сумму за «прожорливый» доступ к мощной модели [СВЕРИТЬ: ~200 долларов на доступ к модели для сбора докторской]. Но я не стал быстрее печатать — я за обозримый срок сделал то, на что прежний я потратил бы кратно больше. Вот это и есть усиление в чистом виде.

В этом смысле обогнать ИИ значит обогнать вчерашнего себя — и делать это быстрее, чем раньше. Не зря говорят, что разогнаться с этими инструментами сегодня можно как никогда. Человек, который вырос за год так, как раньше рос за пять, — обогнал. Не машину. Себя прежнего. А это, если вдуматься, и есть единственная гонка, в которой стоит участвовать.

Выводы

Обогнать ИИ — не значит превзойти его в скорости. Значит занять позицию выше по цепочке ценности: постановка задачи, выбор, смысл, ответственность. Скорость без правильно выбранной стены — это лестница, приставленная не туда. Когда мышление становится сервисом, ценится не производство мысли, а вопрос «что с ней делать» и подпись под результатом.

Образ этой позиции — «кентавр»: человек сверху, машина снизу; гибрид становится кентавром, только пока за человеком остаются ответственность, контроль и мышление. Образ пришёл и из шахмат, и из управления — из практики ИИ-советников совета директоров.

У кентавра есть эмпирическая родословная: из трёх режимов работы с ИИ — самоавтоматизатор, кентавр, киборг — проигрывает тот, кто отдал процесс целиком. Работает эффект Матфея: слабые с ИИ ослабляются, сильные усиливаются, а разница делается на ежедневных развилках «сэкономить усилие или приложить».

Кентавр умеет три вещи: ясно ставить задачу (вплоть до приёма «задай мне уточняющие вопросы»), выбирать инструмент и критически проверять результат. Это новая базовая грамотность.

ИИ — отличный оппонент: совет критиков разваливает решение на этапе спора, где провал стоит копейки. Но у оппонента есть тень: если машина совершает за вас само усилие смены позиции, мышление выключено. Индикатор подмены — красная лампочка: работа, ставшая сплошь лёгкой.

Нельзя делегировать ответственность, смысл, ценностный выбор и собственное мышление как мышцу. Получить результат — ещё не значит квалифицировать ответственность за его применение; эта квалификация остаётся за человеком. Экспертиза профессионала становится тем, чем он ловит машину за руку.