Лестница профессионализма в век ИИ

К «техническим» ролям в крупных организациях можно отнести, например, бэк-офисного сотрудника казначейства банка, который каждое утро выгружает стандартный отчет из транзакционной системы и пересылает его команде, или специалиста по поддержке в страховой компании, который по запросу андеррайтера извлекает из системы историю убытков по конкретному клиенту. «Техники» есть в каждой организации и нужны там, где не существуют ERP системы или как минимум не существуют интерактивные дашборды данных и ИТ-системы не настроены под автоматическую выгрузку данных, или, например, в малом и среднем бизнесе.

Затем я спросил студентов, что они могут сказать о банке, глядя на эти числа. Большинство группы сразу легко отрапортовало, что прибыль выросла за год на 2 млн грн. Самые продвинутые в математике и статистике еще добавили: «прибыль выросла на 20%». Людей, которые делают простые банальные выводы, основанные на элементарной арифметике, я называю Статистиками, и за свою карьеру я встречал очень много сотрудников, принадлежащих к их когорте. Например, я работал с младшими консультантами (associates) в большой четверке, которые сводили в презентациях бенчмаркинговые данные по отрасли, сравнивая показатели клиента со средними по рынку. Это была важная и полезная работа, но она заканчивалась там, где заканчивались цифры и начинались вопросы по сути, на которые консультанты не могли ответить.

Далее я спросил, что еще студенты могли бы извлечь из отчета, и будущие магистры, собравшись в небольшие группы, после проведения факторного анализа ответили: «На изменение прибыли повлияли три фактора: доходы банка выросли на столько, расходы банка выросли на столько, резервы и налоги выросли на столько. Каждый из этих факторов таким-то образом повлиял на прибыль». Людей, которые способны зайти так далеко и разложить целое на части, я называю Аналитиками.

Проблема многих аналитиков в том, что для них цифры — это еда. Они потребляют цифры на завтрак, обед и ужин, часто выдавая горы аналитических материалов, но, как в известной притче, на практике часто на фото со спутника не могут отличить овцу от собаки. Так, например, в инвестиционных банках аналитик может построить безупречную финансовую модель с сотнями строк формул, но так и не иметь достаточно знаний для формирования совета, стоит ли клиенту покупать тот или иной актив. Но аналитики — это очень важные люди в любой организации. Шесть лет назад я написал, что в среднесрочном будущем ИИ будет намного эффективнее 99% аналитиков. Похоже, я тогда недооценил скорость изменений.

На следующей ступени моей лестницы стоят Эксперты. В группе студентов из 30 человек таких было трое. Все они уже работали в банках и смогли тогда сказать: «Подождите. Да, прибыль банка выросла на 2 млн грн или 20%. И да, на это изменение повлияли такие-то факторы, но мы видим, что банк действовал не очень обдуманно, начав кредитовать этот сегмент, и это привело к большим потерям. Если бы банк сделал вот это, то мог бы получить большую прибыль, а если бы пошел еще вот этим путем, то прибыль могла бы вырасти еще больше».

Аналогично в реальной деловой практике опытный юрист в M&A практике, читая проект договора, сразу может увидеть различные возможные интерпретации важного пункта и дать советы клиенту, какой сценарий наиболее вероятен и почему. Это абсолютно правильный подход, и мне очень импонируют те сотрудники, которые умеют выстраивать свои мысли, просчитывая такие разные сценарные линии. За 20 лет своей карьеры я убедился, что процент людей в организациях, способных так мыслить, как раз не превышал тех самых 10%, которые были у меня в той студенческой группе.

Но является ли экспертность вершиной профессионализма? Конечно, нет. На следующей ступени стоят Профессионалы — люди, способные сформулировать свои мысли так: «Прибыль банка выросла на 2 млн грн или 20%. На изменение повлияли такие-то факторы. Если бы банк сделал вот это, то мог бы получить большую прибыль, а если бы пошел еще вот этим путем, то прибыль могла бы вырасти еще больше. Но я рекомендую пойти по третьему пути, потому что…»

Эта последняя часть чрезвычайно важна. Потому что в ней сотрудник или ваш коллега, Профессионал, не только не боится предложить разные варианты, но и не боится взять на себя ответственность за предложенный вариант и может объяснить, почему именно его он отстаивает. Так опытный партнер в компании по стратегическому консалтингу, предлагая несколько вариантов реструктуризации бизнеса клиента, точно будет готов отстаивать какой-то один и объяснять его рациональность и риски.

Но ИИ не теряет доверие коллег, не объясняет свою ошибку на наблюдательном совете и не живет с последствиями

В коммерческих организациях часто существует пропасть между количеством экспертов и профессионалов. Обычно таких людей три-пять на сотню. На государственной службе таких людей еще меньше: большинство чиновников и служащих ждут, что им скажут сверху, «какой вариант правильный», и подстроятся под любой.

Но важно понимать, что и профессионалы не находятся на вершине моей лестницы. Там стоят Менеджеры, или люди, принимающие решения. Очень плохо, когда такие люди принимают решения на основе данных от технарей или статистиков. Плохо, когда, глядя на цифры, такие менеджеры не способны задать уточняющие вопросы аналитикам, уйти в глубину цифр или, как давно говорил эстонский тренер Тарасов: «приблизиться к оленю». Плохо, когда сценарии анализируются поверхностно и все сразу возвращаются к самому оптимистичному сценарию, потому что в него приятнее всего верить.

Гораздо лучше, когда у таких менеджеров есть хотя бы несколько Профессионалов, которые могли бы разрабатывать и отстаивать различные стратегии. Тогда роль менеджеров заключалась бы именно в том, чтобы с высоты своего управленческого опыта выбирать правильные стратегии не потому, что это предложение кого-то из «ближнего круга», или того, кто менеджеру всегда говорит то, что он хочет услышать, или же того, кто утверждает, что все стратегии менеджера блестящие, какой бы белибердой это ни было.

А теперь посмотрите на перечень уровней этой лестницы и скажите мне, что из этого сейчас еще не может делать современный ИИ? Почти все уже умеет. И как мы дошли до такой ситуации, как минимум с момента моего написания колонки в 2020 году?

Как ИИ поднимался по этой лестнице?

Очевидно, что фундамент современного ИИ закладывался не в последние годы. Его история началась еще в 1940—1950-х, когда появились первые попытки математически описать мышление и моделировать работу мозга, а сам термин «искусственный интеллект» закрепился после Дартмутского семинара 1956 года. Первые нейросети тогда вызвали большой энтузиазм, но быстро уперлись в технические ограничения, что привело к первой «зиме ИИ».

После этого индустрия надолго ушла в сторону экспертных систем — программ, которые пытались воспроизвести человеческие знания через тысячи вручную прописанных правил, но такой подход не был эффективным из-за слабой масштабируемости и неспособности систем обучаться на новых данных.

В 1980-х годах нейросети получили второе дыхание. Будущий Нобелевский лауреат Джеффри Гинтон из Университета Торонто смог научить многослойные нейросети эффективно тренироваться на ошибках, что позволило преодолеть часть ранних технических ограничений. А уже в конце десятилетия Ян Лекун показал, что нейросети могут успешно работать в практических задачах, в частности в распознавании рукописных цифр для банков и почты. Это стало одной из первых коммерческих побед искусственного интеллекта.

Но и после нее наступила еще одна, вторая глубокая «зима ИИ», которую вызвала банальная нехватка вычислительных мощностей и цифровых данных. Алгоритмы были правильными, но компьютеры 90-х просто не могли «потянуть» такие масштабные расчеты. В какой-то момент словосочетание «искусственный интеллект» стало чуть ли не ругательством и маркером несбыточных обещаний.

В замечательной книге журналиста Кейда Метца «Гении искусственного интеллекта» (Genius Makers) ярко рассказывается, как исследователи не хотели идти работать в эту сферу, считая нейросети тупиком. Ученые массово переименовывали свои проекты в «машинное обучение» или «распознавание образов», лишь бы не употреблять токсичное слово «ИИ» и иметь хоть какой-то шанс получить гранты. И самое интересное, что этот период тотального уныния был всего каких-то 25−30 лет назад.

Именно в тот период я писал магистерскую работу, а потом начинал диссертацию на тему использования нейронных сетей (самоорганизующихся карт Кохонена) для анализа рынка банковских слияний. Но тогдашний ИИ мог только распознавать простые визуальные паттерны, классифицировать объекты по заданным признакам, находить статистические закономерности в больших массивах данных. Он был ненадежным, зависимым от качества входных данных и неспособным ни к какому обобщению вне того, на чем его обучали. На лестнице профессионализма он едва дотягивал до уровня хорошего статистика.

Но потом был новый научный прорыв. В 2012 году два аспиранта Университета Торонто — Илья Суцкевер и Алекс Крижевский — под руководством Гинтона для конкурса ImageNet в Стэнфорде, который организовывала профессор Фей-Фей Ли, создали нейросеть AlexNet, которая с невероятным отрывом разгромила всех конкурентов в распознавании изображений. Их секрет заключался в использовании обычных игровых видеокарт (GPU) Nvidia для вычислений.

Это был переломный момент, который доказал, что алгоритмы Гинтона работают, им просто нужны были большие массивы данных (которые собрала Фей-Фей Ли в предыдущие годы) и мощное «железо», которое предоставила Nvidia. Об этой истории можно почитать в книге Метца или мемуарах Фей-Фей Ли под названием «Миры, которые я вижу» (The worlds I see).

Шаги, которые сделал ИИ в последние годы

На волне возрожденного энтузиазма к ИИ в 2015 году открывается исследовательская лаборатория OpenAI, которая под руководством Сэма Альтмана создает первые мощные модели современного генеративного ИИ, о котором мы так много говорим сейчас. Интересно, что значительный толчок в развитии моделей OpenAI в 2017-м году дала эпохальная статья «Attention Is All You Need», в которой исследователи Google представили архитектуру трансформеров (Transformers — буква «T» в названии GPT), которая и стала фундаментом для следующего прогресса ИИ.

Конечно, ранние версии GPT-1 (2018) и GPT-2 (2019) от OpenAI были еще слабыми и ненадежными. Они могли выдать несколько осмысленных предложений, а потом теряли логику.

Но релиз GPT-3 в 2020 году многое изменил. Это был качественный скачок, при котором тексты стали значительно более связными, а модель, хотя все еще и не демонстрируя настоящего «понимания», уже могла держать более широкий контекст, выдерживать структуру ответа и давать результаты, которые уже не стыдно было показать коллеге.

Помню, это был первый момент, когда я всерьез услышал о разработках OpenAI. Тогда мне позвонил друг и спросил: «Ты вообще видел, что умеет эта модель?» В книге «Империя OpenAI» (Empire of OpenAI) журналистка Карен Хао очень тщательно рассказывает о том, как компания смогла сделать такой прорыв.

Наверное, уже тогда GPT-3 можно было поручить часть работы младшего аналитика для выполнения достаточно широкого набора офисных когнитивных микрозадач. Модель уже могла убедительно и связно написать черновик короткого текста, перефразировать его, продолжить абзац, ответить на вопросы по тексту, сделать краткое изложение, подхватить формат из нескольких примеров и дальше работать по аналогии. И часто делала это быстрее, чем специалист на стартовых позициях.

Но большинство рядовых пользователей по-настоящему поняли, на что способен ИИ, только в ноябре 2022 года, когда на рынок вышел ChatGPT.

Интересно, что ChatGPT не был принципиально новой фундаментальной моделью, созданной с нуля. Это была fine-tuned версия модели из серии GPT-3.5, тренировка которой завершилась еще в начале 2022 года. То есть прорыв ноября 2022-го был не столько в «мозге» модели, сколько в формате взаимодействия с пользователем. ChatGPT уже умел не просто генерировать хороший кусок связного текста, а вести диалог в формате рабочего интерфейса для интеллектуального труда. Именно этого и не хватало GPT-3 в 2020 году для действительно массового распространения.

Теперь нашему младшему ИИ-аналитику можно было поручить не только ответить на вопрос по тексту или кратко подытожить материал. С ним уже можно было дольше держать диалог вокруг более сложной задачи, уточнять запрос, просить другую логику ответа, проверять разные формулировки. Но все слабые стороны ChatGPT тоже были очевидны: он часто давал правдоподобные, многословные, но по сути бессмысленные ответы, которые приходилось переделывать. Все как с неопытным, хотя и достаточно способным подчиненным.

Далее мы все увидели, как рынок начал стремительно заполняться конкурентами ChatGPT. В 2023 году серьезным соперником стал Claude от Anthropic — компании, которую основали бывшие топ-исследователи OpenAI. В том же году Google объединил свои команды DeepMind и Google Brain под руководством Демиса Гассабиса, а уже в декабре 2023-го запустил Gemini, свою первую мультимодальную модель, которая благодаря дистрибуции через поиск, Android, Workspace и Pixel очень быстро попала на экраны сотен миллионов пользователей.

Появились Grok от xAI Илона Маска, китайский DeepSeek, французский LeChat от Mistral. Microsoft не создал собственной frontier-модели, но удачно встроил модели OpenAI и Anthropic в Copilot и весь пакет Microsoft 365. Apple и Amazon, несмотря на колоссальные ресурсы, в гонке frontier-моделей пока заметно отстают.

Беспрецедентная корпоративная гонка за лидерство в области ИИ мобилизовала сотни миллиардов долларов, уже инвестированных и запланированных в модели, дата-центры, чипы, энергетику и другую AI-инфраструктуру. Вместе с этим концентрация сильнейших талантов по математике, физике и компьютерным наукам вывела искусственный интеллект совершенно на новый уровень, на котором его уже точно нельзя называть просто попугаем, механически повторяющим тренировочные данные.

ИИ уже умеет обобщать, комбинировать, объяснять, адаптировать ответ к контексту и все чаще ведет себя не как зеркало знаний, а как инструмент мышления. А если подумать честно, именно этого (не механического выполнения, а способности собрать разрозненное, увидеть связи, объяснить суть и предложить осмысленное движение дальше) мы часто и ищем, но не всегда находим в сотрудниках на уровнях выше аналитиков.

Где на лестнице профессионализма сейчас находится ИИ?

Профессор Wharton Итан Молик в своей книге «Соинтеллект» («Co-intelligence»), которую вскоре должно выпустить издательство Vivat, пишет, что ИИ — это «чужой разум в человеческой маске, с которым нам придется научиться сотрудничать, а не соревноваться: как с новым типом коллеги, наставника и творческого партнера одновременно».

Что же сегодня, в середине марта 2026 года, уже умеет этот наш новый коллега и наставник? На какой ступени лестницы он стоит?

Для многих людей ИИ стал полноценным помощником в ежедневной интеллектуальной работе: от объяснения сложных тем простым языком до быстрого сбора информации, работы с текстами, законами или инструкциями, подготовки плана действий или структуры выступления на конференции. Он может адаптировать объяснения под ваш уровень, держать контекст более длинного разговора и даже становиться голосовым собеседником, с которым можно обсуждать идеи за рулем по дороге на работу.

В креативной и технической работе ИИ уже берет на себя не только выполнение, но и значительную часть подготовительного интеллектуального труда: пишет тексты, создает визуалы, помогает со сценариями, кодом и прототипами. То, что еще вчера считалось признаком квалифицированной работы младших специалистов, сегодня все чаще становится доступной функцией продвинутой ИИ-модели. Благодаря vibe coding в 2025—2026 годах массовым стало то, что человек без опыта программирования уже может создать собственное приложение буквально за выходные. Я сам уже сделал для себя несколько таких мини-приложений без привлечения технических экспертов.

В компаниях ИИ уже берет на себя часть внутренней аналитики: работает с документами, сводит встречи и переписки, сравнивает договоры, выявляет риски, анализирует данные из BI-инструментов, готовит краткие выводы, презентации и проекты меморандумов для руководства. Во многих организациях сотрудники уже именно так и «читают» значительную часть отчетов. И все это еще полгода назад было работой вполне квалифицированных экспертов.

Главным прорывом 2025−2026 годов стал агентский ИИ. Теперь ИИ уже не только отвечает на запрос пользователя, но и может сам по своей инициативе разбить задачу на шаги, собрать информацию, выполнить часть действий, проверить результат и двигаться дальше. Это означает, что ИИ начинает брать на себя не только отдельные ответы, но и куски процесса. Задачей менеджеров становится оркестрация и контроль ИИ-агентов так же, как и управление и контроль обычных сотрудников. У консультантов сейчас есть много работы, чтобы разработать модели взаимодействия между людьми, роботами и алгоритмами. В интересный век живем.

Но если отбросить весь хайп, то главный вывод уже очевиден: современный ИИ давно перестал быть просто «умным поиском» или генератором текста. В 2020 году, когда я писал свою колонку, ИИ едва дотягивал до уровня прилежного Статистика. К 2022 году он добрался до Аналитика. В 2024 году уже работал на уровне сильного Аналитика, способного факторизировать, сравнивать, структурировать. Сейчас, в марте 2026, он уверенно работает на уровне Эксперта и уже заходит на территорию Профессионала.

Но территория Профессионала начинается там, где нужно не только сформулировать рекомендацию, но и отвечать за ее последствия. Именно ответственность пока и остается границей, которую ИИ еще не перешел. Даже во время ИИ-агентов ИИ не несет репутационного, юридического или морального бремени за ошибочные решения. Он не теряет доверие коллег, не объясняет свою ошибку на наблюдательном совете и не живет с последствиями своего суждения.

Именно поэтому люди пока значительно легче принимают ИИ как сильного аналитика или эксперта, чем как полноценного менеджера. Исследования показывают, что работники в целом не слишком комфортно относятся к потенциальному подчинению ИИ-менеджеру, а сами менеджеры-люди также пока достаточно осторожны в отношении доверия системам, которые не просто советуют, а автономно внедряют решения.

Ученые и инженеры готовили искусственный интеллект к этой работе много десятилетий. В то же время путь, на который у человека в профессии обычно уходит где-то 15−20 лет карьеры, ИИ прошел за последние пять-шесть. И что самое важное: он не замедляется, а ускоряется. Каждая следующая ступень дается ему быстрее предыдущей.

Это и есть реальность, которую нам придется учитывать, достраивая собственные ступени на этой лестнице. Вопрос уже не в том, может ли ИИ помогать человеку. Вопрос в том, где именно заканчивается его полезность как инструмента и начинается конкуренция с человеком, и какие навыки и роли в компаниях еще долго будут оставаться по-настоящему человеческими.

Но ответ на эти вопросы уже будет темой для другой колонки.