Обогнать искусственный интеллект. Про эволюцию человека и развитие в попытке обогнать новое
- -
- 100%
- +
За этой картинкой стоит простая, но неудобная мысль, которую те же коллеги формулируют без обиняков: бороться с тем, что текст написал ИИ, бессмысленно. Образовательный результат веками подтверждался текстом — студент написал работу, значит, чему-то научился. Сегодня текст может написать машина, и никакой «детектор» этого надёжно не поймает: попросите нейросеть подмешать опечатки и шероховатости — и не отличите. Значит, проверять надо не текст, а ход мышления. Поэтому на смену реферату приходят сократический диалог и сбор цифрового следа: система смотрит, как студент рассуждает, спорит, принимает решения по ходу проектной работы — и оценивает не только результат, но и проявленные качества: ответственность, скорость решений, умение договариваться.
Как это выглядит вживую — на примере проектной работы. У живого наставника-трекера часто не хватает ни рук, ни глубокой методики, чтобы вести десятки студенческих проектов. ИИ-агент пишет ему скрипт под каждую встречу: что спросить, на что обратить внимание, куда копнуть. А переписку студентов в проектных чатах система разбирает как цифровой след — и видно, кто тащит проект, а кто прячется за общими словами. Это и есть та новая модель из первой главы в действии: рутину и диагностику отдали машине, а в центр вынесли то, что машине недоступно, — суждение, смысл и человеческий разговор.
Та же логика работает и в управлении самим университетом. Я видел систему, где на вопрос руководителя — например, «что принципиально нового сделать вот с этим направлением» — отвечает не «вообще», как ответил бы любой публичный чат-бот, а предметно: запрос сначала обогащается контекстом конкретной организации, потом его разбирают несколько агентов — одни роются во внутренних документах, другой смотрит, что делают другие вузы, третий заглядывает в тренды будущего, — и на выходе руководитель получает не пересказ из интернета, а собранную под него стратегию. Человек при этом остаётся сверху: агент готовит, человек решает и отвечает. Кентавр в чистом виде.
5.4 С чего начать: первые шаги
Хорошо, скажете вы, кейсы впечатляют — а мне-то что делать в понедельник? Здесь практики на удивление единодушны, и совет их отрезвляюще прост: не писать пятилетнюю стратегию, а запустить движение малыми, но реальными шагами. Соберём это в три шага.
Найдите боль и запустите пилот. Не «внедрить ИИ везде», а взять один-два процесса, где много рутины, человеко-часов и закопанных денег, и получить первый осязаемый результат на одном участке. Практики предупреждают честно: около восьмидесяти процентов ИИ-проектов проваливаются — и чаще всего потому, что лезут «не туда», в слишком сложное, вместо простого и стандартизируемого.
Научите команду и дайте площадку. Главный барьер не технологический, а в головах. «Тормозит не технология — люди просто не начинают думать по-другому». Эксперты норовят с машиной соревноваться и доказывать свою состоятельность, а делегаторы спокойно ею пользуются. Поэтому обучение и общий язык важнее лицензий на софт — и нужна песочница, где можно безопасно экспериментировать.
Наведите порядок в данных. Это топливо: без него самый умный инструмент простаивает. Практики в один голос жалуются, что у большинства данные «не собраны» — две клиентские базы наполовину не совпадают, и помощник техподдержки оказывается не на чем строить. Trash in — trash out. Закрепите то, что сработало, в процесс и приведите данные в порядок. Заметьте: ни в одном из трёх шагов нет слова «купить дорогую систему». Самое глупое, что можно сделать, предупреждают практики, — взять и заменить вот этого конкретного человека на робота. Менять надо не человека на машину, а саму архитектуру процесса. Это и медленнее в осознании, и честнее по результату.
Задание: Не дочитывая книгу до конца, выберите один процесс из вашей недели, который болит сильнее прочего и при этом типовой, — где много времени уходит на рутину. Это и есть кандидат на ваш первый пилот. Прикиньте, какие данные для него уже собраны, а каких не хватает. Обгон начинается не с грандиозной стратегии, а с одного честного шага.
5.5 Модель угроз: трезвость в обе стороны
Обгон — не безоглядный энтузиазм. В первой главе мы уже поминали идею «модели угроз» — относиться к рискам ИИ так же системно, как в информационной безопасности. Здесь стоит показать, как она устроена. На одной из сессий команда честно расписала десятки типов рисков — и назвала всё это «картой минного поля», которое предстоит пройти за ближайший год дорожной картой. Главная находка в том, что угрозы делятся на две симметричные ветки: риски действия — и риски бездействия.
Риски бездействия звучат непривычно, потому что мы привыкли бояться только ошибок. А они — про другое. Девальвация выпускника, чей диплом обесценился вместе с типовыми навыками. «Когнитивный долг» студентов, которые четыре года делегировали машине всё трудное, уменьшая собственное участие, — и выпустятся думать разучившимися. Отставание, которое уже не отыграть. Когда такое выписано на бумаге, прятаться за «нас это не коснётся» больше не выходит.
Риски действия — зеркальные и не менее реальные. Соблазн сгенерировать отчёт и подмешать в него реальные данные, выдав за свою работу. Зависимость: «если мы уже не представляем себя без чат-сервисов — что будем делать, когда нас от них отключат?» Утечка чувствительных данных, когда лаборант загружает внутренний отчёт «просто проверить», а тот улетает на чужие серверы. И встроенная предвзятость самих моделей: обучи нейросеть на «кривых» данных — получишь «кривые» решения, уверенные и аккуратные на вид.
Такой документ отрезвляет в обе стороны. Он остужает тех, кто готов отдать машине всё подряд, включая ответственность и мышление. И он лишает алиби тех, кто прячется за бездействием. Самый рискованный сценарий — не «сделать неверный шаг», а «не сделать никакого».
5.6 Цена промедления
И последнее — то, о чём говорят неохотно. У промедления есть цена, и она растёт. Поверх обесценивания типовых навыков накладывается демографическое сужение: через несколько лет, по трезвым прикидкам участников сессий, выпускников рискует оказаться меньше, чем бюджетных мест, а лучших специалистов из регионов и так забирают столицы. Дефицит инженеров, технарей, людей на производстве при этом только обостряется.
Тот, кто ждёт «удобного момента», теряет дважды: и фору во времени, и людей, которыми эту фору можно было бы отыграть. Бездействие ощущается как безопасный выбор — ничего не менять, ничем не рисковать. Но это иллюзия. В мире, который ускоряется, стоять на месте — значит откатываться назад относительно тех, кто движется. Помните Красную Королеву из эпиграфа всей книги: чтобы просто оставаться на месте, теперь нужно бежать. А «те, которые подождут, — уже видно, — никогда не догонят».
Выводы
Решает скорость входа: кто запустил обучение и пилоты раньше, через год получает эффект и трудно отыгрываемый отрыв — по закону Райта и сложному проценту.
Реальные кейсы из промышленности, проектирования, управления показывают: выигрывает тот, кто собрал свою базу знаний и возглавил инструмент, а не тот, кто быстрее работал руками. Дороже всего стоит упакованная человеческая экспертиза, а не сама нейросеть.
В образовании обгон уже работает: цифровые двойники для лекций, живой диалог вместо текста, оценка хода мышления по цифровому следу — рутину машине, смысл и разговор человеку.
Начинать стоит не с пятилетней стратегии, а с малых реальных шагов: пилот на больной точке, обучение команды и площадка для экспериментов, порядок в данных. Менять надо архитектуру процесса, а не человека на робота.
«Модель угроз» дисциплинирует в обе стороны: симметрично выписывает риски действия и бездействия — и остужает безоглядных, и лишает алиби выжидающих.
У промедления растущая цена: демография и отрыв конкурентов наказывают тех, кто ждёт «удобного момента». Кто подождёт — уже не догонит. Итог: Практика проста на словах и трудна в привычках: начни с одного честного пилота, собери свою базу знаний, научи команду, наведи порядок в данных — и не жди. Обгон складывается из маленьких шагов, сделанных вовремя.