Когда интеллект стал дешёвым. Том 1: Человек Как оставаться нужным, когда ИИ меняет работу, карьеру и ценность специалиста
- -
- 100%
- +
Польза карты в том, что из неё выпадает простой тест. Почти весь балл профессии предсказывают два вопроса.
Первый: результат труда цифровой? Текст, код, таблица, картинка, решение на экране — или физический объект, который надо потрогать?
Второй: эту работу можно делать удалённо? Если задачу можно выполнить из дома через компьютер — значит, её описание, вход и выход уже оцифрованы. А всё, что оцифровано, рано или поздно становится кандидатом на автоматизацию: его можно описать, измерить, передать модели и сравнить с работой человека. Это ещё не значит, что машину пустят в продакшен без присмотра. Но это значит, что давление на такую задачу будет расти.
Оба ответа «да» — экспозиция высокая. Например, расшифровка аудиозаписи в текст: врач надиктовал заключение, встречу записали на диктофон, интервью нужно превратить в документ. Вход цифровой, выход цифровой, работа делается за экраном. Поэтому ИИ быстро оказывается близко к центру такой задачи.
Эту меру называют экспозицией задач (task exposure): насколько конкретная работа открыта для переформатирования ИИ. Запомните точный смысл слова: подвержена переформатированию. Не «обречена». Высокая экспозиция означает не автоматическое увольнение, а управленческий вопрос: что отдать машине, где поставить проверку, какую ответственность оставить человеку и за счёт чего роль станет ценнее после автоматизации. Разница между этими словами — тема следующего раздела, самого важного в главе.
Еще один пример, у разработчиков программных приложений экспозиция тоже высокая — восемь-девять из десяти: код, документация, тесты и обсуждения давно живут на экране. У кровельщика — почти нулевая: физический труд в непредсказуемой среде, на крыше, под дождём. Средний балл по экономике — около пяти; в зоне высокой экспозиции, по этой прикидке, — порядка четырёх из десяти американских рабочих мест.
А пока — практическое следствие. Прогоняйте через два вопроса не профессию, а задачи по одной. «Я юрист, у меня высокая экспозиция» — бесполезное знание. «Поиск практики и черновики договоров у меня цифровые и удалённые, а переговоры и суждение о риске — нет» — это уже карта, с которой можно работать.
Экспозиция — не приговор
Теперь о разнице между «изменится» и «исчезнет» — на данных, а не на ощущениях.
Международная организация труда оценивает: ИИ потенциально затрагивает примерно каждое четвёртое рабочее место в мире, но в подавляющем большинстве случаев речь о трансформации задач внутри профессии, а не об исчезновении профессии целиком.43 Всемирный экономический форум опросил работодателей по всему миру: к 2030 году они ждут движения примерно на каждом пятом рабочем месте — десятки миллионов ролей исчезнут, ещё больше появятся.44 Это ожидания, не факт: работодатели тоже ошибаются, и опрос — не статистика занятости. Но направление обоих источников совпадает: работа перестраивается заметно быстрее, чем исчезает.
Откуда тогда ощущение надвигающейся катастрофы? Из подмены вопроса. «Изменится ли моя работа?» — почти наверняка да, и сильно. «Останусь ли я без работы?» — другой вопрос, с другим ответом. Он зависит от спроса на результат, от вашей реакции и от того, куда вы перенесёте освободившееся время. Заголовки склеивают эти два вопроса в один, потому что склеенный страшнее.
Расклеим их окончательно — для этого понадобится один экономический эффект с историей в полтора века.
Когда дешевле — значит больше
В 1865 году английский экономист Уильям Стэнли Джевонс заметил странное. Паровые машины становились всё экономичнее — а угля Англия жгла всё больше. «Полагать, будто экономное использование топлива означает сокращение его потребления, — чистейшая путаница идей. Истина прямо противоположна», — писал он.45
Разгадка простая. Экономичная машина делает каждое применение угля дешевле. Дешёвое применение находит себе новые места: паровой двигатель ставят туда, куда раньше было невыгодно. Применений становится настолько больше, что суммарный расход угля растёт, а не падает. Экономисты называют это эффектом Джевонса: когда ресурс дешевеет, его потребление может вырасти, а не сократиться.
Банкоматная история из начала главы — тот же эффект, только ресурсом было банковское отделение. Отделение подешевело — отделений стало больше — людей в сумме не убавилось.
Тот же механизм сегодня примеряют к ИИ. Дженсен Хуанг, глава NVIDIA, любит приводить пример радиологии: ИИ читает снимки быстрее и дешевле — исследований назначают больше — у радиологов работы становится больше, а не меньше. Подчеркну: это аргумент практика индустрии, мнение, а не вывод исследования (но будем честны — Дженсон как директор ИИ компании имеет конфликт интересов и ему выгодно чтобы у его компании покупали больше вычислительных мощностей).46
Но механизм он описывает джевонсовский, и в малом масштабе вы наверняка наблюдали его сами. Вспомните первую главу: когда попытка дешевеет, попыток становится больше. Разбор договора, который раньше не заказали бы вовсе, теперь заказывают. Анализ, который делали раз в квартал, делают каждую неделю. Перевод, презентацию, проверку — чаще, быстрее, больше.
Так дешёвая задача оборачивается не сокращением работы, а её ростом. Иногда.
Вот это «иногда» и отделяет честный разговор от утешительного. У эффекта Джевонса есть условие: спросу должно быть куда расти. Экономисты называют это эластичностью спроса — растёт ли аппетит на результат, когда результат дешевеет. Снимков и анализов мир действительно готов потреблять больше — за ними стоит нераскрытый спрос на здоровье и решения. А вот расшифровок диктофонных записей в сто раз больше миру не нужно, сколько их ни удешевляй. Где аппетит растёт — дешёвая задача приносит больше работы. Где аппетит упёрся в потолок — задача просто сжимается, и человек в ней сжимается вместе с задачей.
Итого судьбу вашей работы определяют три вещи. Экспозиция говорит, какие задачи машина умеет. Спрос решает, станет ли этих задач больше или меньше. А третье слагаемое — что вы сами сделаете с временем, которое освобождается. Первые два от вас почти не зависят. Третье — полностью ваше. Им и займёмся.
Конец ознакомительного фрагмента.
Текст предоставлен ООО «Литрес».
Прочитайте эту книгу целиком, купив полную легальную версию на Литрес.
Безопасно оплатить книгу можно банковской картой Visa, MasterCard, Maestro, со счета мобильного телефона, с платежного терминала, в салоне МТС или Связной, через PayPal, WebMoney, Яндекс.Деньги, QIWI Кошелек, бонусными картами или другим удобным Вам способом.
Примечания
1
Tyler Cowen. «In the AI age, the winners won’t be the smartest. They’ll be the ones who adjust fastest». Fortune, 22 May 2026. Эпиграф вступления: выигрывают не самые умные, а быстрее адаптирующиеся.
2
В этой книге ИИ — современные программы, которые умеют читать, писать, анализировать и рассуждать; прежде всего модели и агенты, появившиеся в массовом доступе после 2022 года. Подробно — в «Словаре книги».
3
Sam Altman. «The Gentle Singularity», 2025. Источник формулы о почти бесплатном интеллекте и сравнении стоимости интеллекта с электричеством.
4
Microsoft Ignite 2024: анонсы Microsoft 365 Copilot и агентов, действующих от имени человека.
5
Andrej Karpathy. «Software Is Changing (Again)», 2025. Инженерная рамка: генерация вариантов становится дешёвой, а ценность смещается к проверке и управлению средой.
6
Peng et al. «The Impact of AI on Developer Productivity: Evidence from GitHub Copilot», 2023. Контролируемый эксперимент об ускорении разработки с Copilot.
7
OpenAI. «GDPval: Evaluating AI on economically valuable, real-world tasks», 2025. Источник о производстве рабочих артефактов на реальных задачах профессий.
8
Ethan Mollick, Co-Intelligence and public talks on the jagged frontier of AI capability, 2024. Рамка зубчатой границы возможностей ИИ.
9
Dan Luu. «95%-ile isn’t that good». Авторская рамка о том, что войти в верхние проценты навыка проще там, где большинство практикует поверхностно.
10
Stanford HAI / Harvard Medical School. «2026 State of Clinical AI». Источник о разрыве между тестами clinical AI и реальной практикой.
11
Garry Kasparov. Deep Thinking, 2017. Источник рамки advanced chess: ценность не только в силе машины, но и в суждении человека рядом с ней.
12
Michael Polanyi, The Tacit Dimension, 1966; David Autor, «Polanyi’s Paradox and the Shape of Employment Growth», 2014. Рамка неявного знания.
13
Frederick Reichheld / Amy Gallo, Harvard Business Review. Источник о логике удержания клиентов и цене доверия.
14
Давид Ян. Интервью о «трёх магических кристаллах» предпринимательства: продукт, канал и боль клиента.
15
David Yang / Newo.ai, 2025. Пример голосового ИИ-агента для малого бизнеса и границы между демо и работающим процессом.
16
Andrew Ng. «AI is the new electricity» — Fortune, октябрь 2016; выступление в Stanford GSB, январь 2017.
17
ChatGPT — OpenAI, ноябрь 2022; рост до 100 млн пользователей — оценка UBS/Reuters; DALL·E 2, Midjourney, Stable Diffusion, GigaChat и YandexGPT — продуктовая хронология 2022—2023.
18
AutoGPT и BabyAGI — первая волна агентных экспериментов 2023 года; Claude Computer Use, Project Mariner, Operator и Devin — агентные продукты 2024—2025 годов.
19
Satya Nadella / Microsoft Ignite, ноябрь 2024: агенты как помощники, действующие от имени человека.
20
a16z. «Welcome to LLMflation»; Epoch AI. «LLM inference prices have fallen rapidly but unequally across tasks».
21
Sam Altman. «The Gentle Singularity», 2025: «intelligence too cheap to meter» и сравнение стоимости интеллекта с электричеством.
22
Anthropic Engineering. «How we built our multi-agent research system», 2025: сравнение расхода токенов в чате, агенте и мультиагентной системе.
23
Andrej Karpathy. «Software Is Changing (Again)» / Software 3.0; Zhou Hongyi — метафора модели как двигателя и агента как машины.
24
Brett King. Bank 4.0: Banking Everywhere, Never at a Bank, 2018.
25
Paul David. «The Dynamo and the Computer», 1990; контр-нюанс Карпати к метафоре электричества.
26
Peter Thiel (Питер Тиль). Zero to One («От нуля к единице»), 2014; парная публичная формула — эссе «Competition Is for Losers», The Wall Street Journal, сентябрь 2014.
27
Felix Oberholzer-Gee. Better, Simpler Strategy, Harvard Business Review Press, 2021: «ценностная палка» — ценность = готовность платить (WTP) — издержки (WTS).
28
Warren Buffett (Уоррен Баффетт), интервью Комиссии по расследованию причин финансового кризиса (FCIC), 2010: «ценовая власть» как главный признак сильного бизнеса.
29
Simon Wu (Саймон Ву), Cathay Innovation. «Distribution Is Oxygen. Endurance Is the Moat», декабрь 2025.
30
Ben Thompson. Aggregation Theory, Stratechery: ценность утекает к владельцу отношений с клиентом и вниманием.
31
Yi Zhou. «AI at the Edge of Transformation: Markets, Moats, and Momentum», 2026: четыре рва эпохи ИИ, «доверие как отличие», «ваш ров — не ваша модель».
32
«Your margin is my opportunity» — фраза, которую широко приписывают Джеффу Безосу (Fortune, 2012); прямой первоисточник не выверен.
33
John Maynard Keynes (Джон Мейнард Кейнс). «Economic Possibilities for our Grandchildren» («Экономические возможности наших внуков»), впервые — The Nation and Athenæum, октябрь 1930; там же — «технологическая безработица» как «временная фаза неприспособленности». Перевод авторский.
34
James Bessen (Джеймс Бессен). Learning by Doing: The Real Connection between Innovation, Wages, and Wealth, Yale University Press, 2015; статья «Toil and Technology», IMF Finance & Development, март 2015: банкоматы, число операционистов и пересборка роли.
35
Герман Греф, интервью «Ведомостям», май 2015 (пересказ: РБК, 28.05.2015): бухгалтеры Сбербанка 33 000 → 1 600 → план 600; бэк-офис 59 000 (2008) → 17 000 → план 6 000 к 2018.
36
Снижение числа банковских операционистов в США в 2010-е на фоне мобильного банкинга — данные и прогнозы Бюро статистики труда США (BLS, Occupational Outlook Handbook).
37
OpenAI. GDPval (2025), arXiv:2510.04374: 44 профессии, 1 320 реальных задач; «равно/лучше эксперта» ≈ в половине задач; сила на структурированных артефактах и коротких задачах; основной тип проигрыша — несоблюдение инструкции; время/стоимость эксперта и выигрыш связки человек+ИИ ~1,1—1,6×.
38
OpenAI. GDPval (2025). Важная оговорка к скорости модели: связка человек + ИИ даёт более скромный выигрыш, когда результат нужно проверить и довести до кондиции.
39
Ethan Mollick (Итан Моллик), образ «jagged frontier» — зубчатая граница возможностей ИИ; введён во вступлении книги.
40
OpenAI. GDPval (2025). Модели сильнее на структурированных артефактах и слабее там, где формат не держит задачу за человека.
41
OpenAI. GDPval (2025). Один из типичных провалов модели — не незнание, а несоблюдение инструкции: сделала хорошо, но не то.
42
Andrej Karpathy (Андрей Карпати). Карта AI-экспозиции 342 профессий США (по описаниям Бюро статистики труда, LLM-оценка 0—10), ~2026. Оценка-иллюстрация, не строгий прогноз; источник нестабилен.
43
ILO (Международная организация труда). «Generative AI and Jobs», обновление 2025: ИИ чаще трансформирует задачи внутри профессий, чем замещает профессии целиком; затронуто примерно каждое четвёртое рабочее место в мире.
44
WEF (Всемирный экономический форум). Future of Jobs Report 2025 (опрос работодателей): ожидания движения ~22% рабочих мест к 2030 году; создание/исчезновение ролей. Подавать как ожидания работодателей, не как факт занятости.
45
William Stanley Jevons (Уильям Стэнли Джевонс). The Coal Question, 1865: экономичность не сокращает потребление — «истина прямо противоположна». Перевод авторский.
46
Jensen Huang (Дженсен Хуанг), NVIDIA — пример радиологии (ИИ читает снимки → снимков и работы больше), публичные выступления, Давос-2026. Мнение практика индустрии (мнение-claim), не данные исследования.