Искусственный интеллект (ИИ) для бизнеса и ИТ

Искусственный интеллект (ИИ, англ. Artificial Intelligence — AI) — это направление компьютерных технологий и научно-технологическая область, которая позволяет компьютерным системам выполнять задачи, требующие интеллектуальной обработки информации.

Термин ИИ появился в 1956 году на Дартмутской конференции, которую принято считать отправной точкой истории ИИ как самостоятельного научного направления.

В самом широком смысле ИИ занимается созданием интеллектуальных сущностей, способных вычислять эффективные действия в разнообразных ситуациях и решать задачи как минимум на уровне человеческого интеллекта.

Как работает искусственный интеллект

Главное отличие ИИ от обычных программ заключается в том, что он не просто строго следует заранее прописанным правилам. Вместо этого системы искусственного интеллекта:

• Обучаются на данных: алгоритм анализирует огромные массивы информации (тексты, изображения, цифры), выявляет закономерности и строит математические модели.
• Принимают решения: основываясь на накопленном опыте анализа, система делает прогнозы или выбирает оптимальный вариант действий для новой, незнакомой ей ситуации.
• Совершенствуются: качество ответов улучшается по мере обучения на новых примерах.

Например, чтобы научить модель распознавать кошек, ей показывают миллионы изображений с правильными метками. Со временем она начинает самостоятельно определять животное на любой новой фотографии.

Чем ИИ отличается от нейросети

Эти понятия часто используют как синонимы, но между ними есть разница:

• Искусственный интеллект — это общая сфера наук о создании «умных» машин. Это целое направление, объединяющее различные методы: от простых алгоритмов if-else до сложных экспертных систем.
• Нейронная сеть — это конкретный инструмент внутри ИИ, вдохновленный работой человеческого мозга. Именно нейросети помогают находить сложные зависимости в данных. Если ИИ — это автомобиль, то нейросеть — его двигатель.

Нейронная сеть построена по принципу, отдалённо напоминающему работу человеческого мозга: она состоит из взаимосвязанных искусственных нейронов, которые обрабатывают и передают сигналы. Как и мозг, такая сеть способна выявлять закономерности в данных и обучаться на примерах, однако принцип её работы существенно отличается от биологической нервной системы.

Основные типы современного ИИ

Для понимания того, где мы находимся сейчас, технологии принято делить на несколько уровней:

1. Узкий (слабый) ИИ (ANI): решает одну конкретную задачу. Все современные сервисы работают именно на нем: голосовые помощники, автопилоты автомобилей, системы рекомендаций товаров, переводчики текста.
2. Генеративный ИИ: умеет не только анализировать информацию, но и создавать новый контент по запросу пользователя — писать тексты, рисовать изображения, сочинять музыку или кодировать программы.
   
3. ИИ-агенты: следующий этап развития. В отличие от чат-ботов, которые ждут команды, агенты могут самостоятельно ставить подцели и выполнять последовательность действий для достижения глобальной цели (например, проанализировать отчеты за месяц и предложить план спасения прибыли).
   
4. Сильный ИИ (AGI): гипотетический уровень, при котором машина сможет выполнять любые интеллектуальные задачи на уровне человека, переносить знания из одной области в другую и адаптироваться к абсолютно новым условиям. На сегодняшний день общепризнанного AGI не существует.

Какие задачи в бизнесе решает

ИИ решает всё больше задач, и, очевидно, что будет вовлечён во все задачи, а решать — практически все.

Общий посыл: ИИ вовлечен во все задачи

Искусственный интеллект постепенно становится универсальным инструментом для решения задач бизнеса — от анализа данных и прогнозирования до автоматизации документооборота, клиентского сервиса, разработки программного обеспечения и поддержки управленческих решений.

ИИ встраивается непосредственно в бизнес-процессы и информационные системы, помогая сотрудникам быстрее обрабатывать информацию, находить закономерности, принимать решения и автоматизировать рутинные операции. В результате ИИ перестает быть отдельной технологией и становится частью практически всех направлений деятельности современной компании.

Разработка и цикл SDLC

Искусственный интеллект становится важным инструментом на всех этапах жизненного цикла разработки программного обеспечения (SDLC) — от анализа требований и проектирования архитектуры до написания кода, тестирования, поиска ошибок, рефакторинга, подготовки документации и сопровождения приложений. LLM помогают разработчикам быстрее создавать и изменять код, анализировать существующие проекты, генерировать тесты и находить потенциальные проблемы. Среди широко используемых инструментов — Cursor, Claude и другие решения на базе больших языковых моделей.

На этой основе формируется новый сегмент AI IDE (Artificial Intelligence Integrated Development Environment) — сред разработки, в которых ИИ становится не отдельным помощником, а встроенным элементом рабочего процесса программиста. AI IDE способны анализировать контекст всего проекта, работать сразу с несколькими файлами, предлагать изменения архитектуры и кода, выполнять задачи по естественному языковому описанию и взаимодействовать с другими инструментами разработки. В результате меняется сама модель разработки ПО: программист все чаще формулирует задачу и контролирует результат, а значительную часть рутинной работы выполняет ИИ.

ИИ-агенты по каждой профессии

ИИ-агенты постепенно становятся специализированными цифровыми помощниками для различных профессий и функций бизнеса. В отличие от универсального чат-бота, агент ориентирован на конкретную задачу и может самостоятельно выполнять последовательность действий: анализировать информацию, использовать инструменты, создавать результат и проверять его.

В современной разработке, в том числе в AI Low-Code-системах, формируется целая команда специализированных агентов: агент разработки пишет и изменяет код, агент тестирования создает и выполняет тесты, агент верстки формирует интерфейсы, агент дизайна работает с визуальной частью продукта, а другие агенты могут заниматься аналитикой, документацией и сопровождением. Такой подход позволяет распределять задачи между цифровыми исполнителями и ускорять разработку приложений; возникает тренд на мультиагентную разработку.

Ожидаемое следствие — мультиагентная разработка

Мультиагентная разработка предполагает использование нескольких ИИ-агентов, каждый из которых отвечает за свою часть процесса: анализ, архитектуру, программирование, работу с БД, API или тестирование. Это позволяет разделить не только задачи, но и контекст, чтобы каждому агенту передавалась только необходимая информация.

Вместо одного универсального агента формируется своего рода виртуальная команда разработчиков. Агенты могут обмениваться результатами и передавать работу друг другу, а человек или оркестратор управляет их взаимодействием и контролирует итоговый результат.

Особенности и нюансы эпохи ИИ

Эпоха ИИ меняет не только технологии, но и сам подход к работе, обучению, принятию решений и созданию продуктов. То, что раньше требовало команды специалистов и месяцев разработки, постепенно можно выполнить с помощью ИИ за дни или даже часы.

Человеку приходится учиться не столько делать всё самостоятельно, сколько правильно ставить задачи, формулировать требования, проверять результаты и управлять цифровыми агентами. В этих условиях меняется ценность навыков, профессий и самого человеческого труда.

Быстрое развитие LLM

Темпы развития больших языковых моделей (LLM) в последние два года перешли из фазы научных экспериментов в стадию жесткой промышленной гонки. Архитектуры стремительно усложняются: если еще недавно флагманские модели имели сотни миллиардов параметров, то к 2026 году на рынке появились системы с триллионами параметров.

Одновременно с этим наблюдается взрывной рост коммерческого потребления ИИ. Развертывание собственных LLM на собственных мощностях оправдано только крупнейшими компаниями. В остальных случаях речь идёт о подписке на ChatGPT, Cursor, Claude, DeepSeek и другие LLM.

Приобретает важность не только сама LLM, а «обвязка» вокруг неё — так называемый harness или среда разработки AI IDE.

Людям нужно учиться работать с ИИ

Распространение ИИ требует от сотрудников осваивать новые инструменты и менять привычные подходы к работе. Недостаточно просто предоставить доступ к корпоративному ИИ-сервису — необходимо понимать, как правильно ставить задачи, формулировать требования, предоставлять контекст, проверять результаты и использовать ИИ в конкретных бизнес-процессах.

Главный барьер внедрения ИИ часто находится не в технологиях, а в готовности людей изменить привычный способ работы. 

При этом на практике неизбежно возникает сопротивление изменениям на местах. Сотрудники могут воспринимать ИИ как угрозу рабочим местам, дополнительную нагрузку или инструмент контроля их деятельности. Особенно сильным сопротивление бывает там, где новые технологии меняют устоявшиеся процессы и требуют отказаться от привычных способов работы.

Поэтому внедрение ИИ — это не только технологический, но и организационный проект. Необходимо объяснять сотрудникам, какие задачи передаются ИИ, какие остаются за человеком, как изменятся роли и какие новые возможности появятся. Обучение должно быть ориентировано не на изучение самой технологии, а на практическое применение ИИ в ежедневной работе.

Постепенно формируется новый навык — умение эффективно работать в связке с ИИ. Сотрудник становится не просто исполнителем операции, а постановщиком задач, контролёром результата и пользователем цифровых инструментов. Именно готовность людей принять этот формат во многом определит эффект от внедрения ИИ в компании.

Важна спецификация. Spec-Driven Development

С развитием ИИ меняется само представление о разработке программного обеспечения. Код становится все проще генерировать, а главным интеллектуальным артефактом становится спецификация — точное описание того, что должна делать система, какие у нее есть ограничения, интерфейсы, бизнес-правила и критерии приемки. Такой подход получил название Spec-Driven Development (SDD).

Это особенно важно при работе с ИИ-агентами. Вместо того чтобы просить модель «написать код», сначала формируется спецификация, затем на ее основе создаются план, задачи, тесты и реализация. Спецификация становится единым источником истины для человека и ИИ, а код — производным результатом.

Такой подход меняет отношение и к Legacy-системам. Если хорошо описаны архитектура, бизнес-логика, API, структура данных и требования, сам код в определенной степени становится заменяемым артефактом. Его можно рефакторить, переписывать или даже генерировать заново на другом языке и новом технологическом стеке, сохраняя при этом исходную спецификацию системы.

Поэтому при AI-native разработке особенно важна качественная техническая документация. Она позволяет не привязывать знания о системе к конкретным разработчикам или миллионам строк старого кода. Ценность постепенно смещается от «как написан код» к «что система должна делать и почему».

Код можно сгенерировать заново. Спецификацию, архитектурные решения и бизнес-правила потерять гораздо опаснее.

В идеальном варианте процесс выглядит так: спецификация → архитектура → задачи → код → тесты → проверка соответствия спецификации. При изменении требований сначала обновляется спецификация, после чего ИИ может адаптировать реализацию. Это позволяет поддерживать соответствие между замыслом системы и ее фактическим поведением.

Появление новых платформ, конкурирующих со старыми

Одним из возможных результатов развития ИИ станет появление нового поколения программных платформ, изначально создаваемых с использованием ИИ. Такие решения смогут конкурировать с крупными корпоративными системами, которые сегодня разрабатываются и поддерживаются годами и даже десятилетиями.

У традиционных платформ накоплен огромный объём функциональности, но вместе с ним — технический долг, большое количество исторических ограничений и архитектурных компромиссов. Новая система, создаваемая с нуля, не обязана наследовать эти ограничения. При правильно сформулированной спецификации ИИ может последовательно создавать архитектуру, код, интерфейсы, тесты и документацию.

При этом ключевым фактором становится не столько генерация кода, сколько качество спецификации и понимание бизнес-процессов. Если требования, правила, роли, данные, интеграции и ограничения описаны достаточно подробно, значительную часть нового приложения можно генерировать автоматически. Фактически ИИ способен существенно сократить путь от бизнес-идеи до работающей информационной системы.

ИИ способен сделать создание нового приложения дешевле и быстрее, чем бесконечное усложнение старого. Главным активом при этом становится не код, а хорошо описанная бизнес-логика.

У такой системы может быть и важное технологическое преимущество: она изначально проектируется под современные архитектурные принципы, а не развивается поверх решений, принятых десять или двадцать лет назад. Это позволяет уменьшить количество временных решений и технических «костылей», оптимизировать использование вычислительных ресурсов, упростить интеграции и сделать архитектуру более прозрачной.

В результате возникает интересный парадокс: чем сложнее и старше существующая система, тем потенциально привлекательнее становится создание нового решения с помощью ИИ. Вместо бесконечной модернизации Legacy можно получить возможность описать бизнес-процессы заново, сформировать спецификацию и постепенно сгенерировать современную систему.

Проблемы

Несмотря на быстрый прогресс, возможности современных моделей не безграничны. Они могут допускать фактические ошибки («галлюцинировать») или выдавать предвзятые результаты, если данные для обучения были некорректными. Поэтому в критически важных сферах (медицина, право, финансы) результаты работы ИИ всегда требуют проверки человеком.

Галлюцинации

Галлюцинации искусственного интеллекта — это явление, при котором нейросеть генерирует вымышленную или нелогичную информацию, уверенно подавая её как достоверные данные.

Если чат-боту неизвестно точное значение доходов компании, он может выбрать случайное правдоподобное число

Если ИИ не знает ИНН компании, то может указать произвольное 10-значное число

Такие ошибки не являются попыткой преднамеренного обмана: система просто достраивает недостающие фрагменты знаний на основе статистических вероятностей, усвоенных в процессе обучения. Например, если чат-боту неизвестно точное значение доходов компании, он может выбрать случайное правдоподобное число и начать настаивать на его истинности без каких-либо признаков критического пересмотра.

Внедрение таких инструментов сопряжено с серьезными рисками для бизнеса и общества.

Ограниченное контекстное окно

Ограниченное контекстное окно — это фундаментальное техническое ограничение любой нейросети, определяющее максимальный объем информации (в токенах), который модель способна воспринять и обработать за один раз.

Для бизнеса эта граница становится критической проблемой: корпоративные данные измеряются не тысячами и миллионами, а миллиардами токенов, включая многолетние архивы CRM, техническую документацию на тысячи страниц, историю переписок с клиентами, сложные юридические договоры, законодательную базу.

Даже современные модели с окнами в сотни тысяч или миллионы токенов физически не способны «прочитать» всю базу данных предприятия одновременно. В результате при анализе длинных отчетов часть старой информации начинает выпадать из внимания ИИ, он теряет нить рассуждений, забывает о договоренностях, сделанных в начале диалога, или просто игнорирует важные детали, которые оказались за пределами его текущего обзора.

Типовые окна в сотни тысяч токенов оказываются недостаточными для реальных бизнес-процессов еще и потому, что значительную часть этого пространства съедает технический шум и форматирование документов, а также инструкции к самой модели. Когда компания пытается загрузить в чат-бот годовой финансовый отчет вместе с историей переписки по конкретному клиенту, модель вынуждена выбирать, какую информацию оставить, а какую отбросить, часто жертвуя наиболее важными нюансами ради сохранения общего контекста.

Именно поэтому современный бизнес отказывается от попыток уместить все данные в одно окно и переходит к архитектуре RAG (Retrieval-Augmented Generation). Вместо прямой загрузки текстов документы предварительно разбиваются на смысловые фрагменты (чанки) и сохраняются во внешних векторных базах данных. При запросе пользователя система сначала находит только те куски текста, которые семантически соответствуют вопросу, и передает их модели вместе с инструкцией. Это позволяет ИИ работать с актуальными знаниями всей корпорации, минуя жесткие ограничения собственного объема памяти.

Управление контекстом

Управление контекстом — одна из важных проблем при практическом использовании ИИ. Модели необходимо понимать, какую информацию учитывать при формировании ответа, а какую считать второстепенной или неактуальной. При большом объеме данных особенно важно правильно определить приоритеты: текущие требования, последние версии документов, историю изменений, ограничения и зависимости между сведениями.

Отдельная сложность — работа с временным контекстом. Пользователю может потребоваться учитывать только информацию за определенный период, игнорировать устаревшие сведения или, наоборот, восстановить состояние данных на конкретную дату.

Современные ИИ-системы не всегда надежно различают актуальную и устаревшую информацию, особенно при большом и неоднородном контексте, поэтому управление контекстом становится отдельной архитектурной и инженерной задачей.

Фрагментация данных (контекст из нескольких ИТ-систем)

Одной из главных преград для внедрения полноценного искусственного интеллекта в бизнесе становится фрагментация данных.

Контекст, необходимый нейросети для принятия верного решения, редко хранится в одном месте и разбросан по десяткам разрозненных ИТ-систем — от CRM и ERP до старых баз 1С, облачных таблиц Excel и внутренней корпоративной почты. Эти системы часто не имеют готовых API для обмена данными или используют разные форматы их хранения. В результате ИИ-модели приходится работать с неполной картиной, что приводит к ошибкам, так как робот не видит связи между заявкой клиента в почте, остатком товара на складе и статусом оплаты в бухгалтерии.

Частично решить эту проблему интеграции помогает RPA (Robotic Process Automation) — роботизация бизнес-процессов. Программные роботы имитируют действия человека за компьютером: они могут открывать интерфейсы устаревших программ, копировать данные из одной таблицы и вставлять в другую, переносить информацию из PDF-файлов в базу данных без участия сотрудника.

Когда классические методы интеграции через API недоступны, RPA выступает в роли «цифрового клея», собирая необходимые фрагменты контекста со всего ИТ-ландшафта компании в единый цифровой профиль. Более того, современные платформы объединяют классическую роботизацию с искусственным интеллектом (IPA — Intelligent Process Automation или iRPA — intelligence RPA).

В связке с LLM такие роботы получают возможность распознавать текст на изображениях (умный OCR), классифицировать документы и понимать смысл неструктурированной информации. Это позволяет автоматизировать сложные процессы, где требуется не просто механический ввод данных, но и анализ содержания документов перед их маршрутизацией в нужные системы.

Нужна подробная задача: классы, методы, формы, новые API-функции

Для человека-разработчика постановка задачи может быть относительно простой: «добавить поле на форму». Разработчик сам изучит код, найдёт нужный класс, определит структуру базы данных, выберет API и поймёт, какие компоненты системы потребуется изменить. Для ИИ такого контекста может быть недостаточно.

ИИ эффективнее работает, когда задача описана не только через ожидаемый результат, но и через конкретные изменения в системе. В спецификации может быть указано, какие классы и методы необходимо изменить, какие таблицы или поля добавить в БД, какие API-функции создать или изменить, какие формы и бизнес-процессы затронуть, а также какие тесты должны подтвердить результат.

Поэтому задача для ИИ постепенно превращается из короткого требования в техническую спецификацию. Например, вместо «добавить поле “Дата окончания договора”» лучше указать, в какой сущности появляется поле, где оно отображается, какого оно типа, как хранится в БД, какие классы работают с этой сущностью, какие API должны возвращать новое значение и какие проверки необходимо выполнять.

Особенно это важно при работе с Legacy-системами. ИИ не может надёжно определить все зависимости только по названию задачи. Чем лучше описаны архитектура, существующие компоненты, ограничения и ожидаемые изменения, тем меньше вероятность, что агент изменит не тот класс, нарушит существующую бизнес-логику или создаст дублирующую функциональность.

Чем ближе задача к формату «что изменить, где изменить и как проверить», тем эффективнее ИИ может выполнять разработку. 

Потребность в GPU

GPU подходят для работы ИИ и ML гораздо лучше, чем обычные процессоры CPU. В России дополнительным фактором является сложность ввоза GPU, необходимость использовать параллельный импорт. В связи с этим, на рынке наблюдается высокий спрос на карты GPU и сервисы GPU Cloud.

Хорош при разработке новых систем, хуже работает с Legacy

ИИ особенно хорошо проявляет себя при создании новых проектов, когда архитектура, требования и технологический стек можно сформировать с нуля. В таком случае разработчик и ИИ работают в относительно понятном контексте: есть задача, определены требования, а структура будущего решения создается в процессе разработки.

С модернизацией Legacy-систем ситуация сложнее. ИИ необходимо сначала разобраться в уже существующей архитектуре, зависимостях, бизнес-логике и ограничениях. Если система плохо документирована, значительная часть контекста фактически скрыта внутри старого кода, а модель не всегда способна надежно восстановить замысел разработчиков.

Поэтому для AI-разработки Legacy особенно важна качественная техническая документация и подробная спецификация. Описание архитектуры, API, бизнес-правил, зависимостей, форматов данных и ограничений позволяет сформировать для ИИ правильный контекст и существенно снизить риск ошибочных изменений.

Перед модернизацией сложной системы полезно сначала создать ее актуальную цифровую документацию: описать компоненты, связи между ними, ключевые сценарии и требования. Чем лучше формализовано устройство Legacy-системы, тем эффективнее ИИ сможет участвовать в ее анализе, рефакторинге и дальнейшем развитии.

Ответственность продолжают нести люди

Несмотря на рост автономности ИИ, ответственность за результат его работы остаётся на человеке. ИИ может анализировать данные, писать код, формировать документы, принимать решения в рамках заданных правил и выполнять действия через подключённые инструменты, но он не является самостоятельным носителем ответственности за последствия своих действий.

Поэтому в корпоративных системах необходимо заранее определить, кто отвечает за постановку задачи, кто утверждает действия ИИ и кто принимает итоговый результат. Особенно это важно для финансовых операций, кадровых решений, юридически значимых документов, изменений в информационных системах и других критичных процессов.

ИИ может выполнить действие, но ответственность за то, что ему разрешили сделать и к чему это привело, несёт человек.

Чем больше полномочий получает ИИ-агент, тем важнее становятся ограничения, права доступа, журналирование и контроль действий. Для критичных операций может применяться принцип «человек в контуре»: ИИ готовит решение или выполняет подготовительные действия, а окончательное изменение подтверждает сотрудник.

Таким образом, внедрение ИИ не отменяет управленческую ответственность, а меняет её характер. Человек всё меньше отвечает за ручное выполнение отдельных операций и всё больше — за правильность постановки задачи, настройку ИИ, контроль его полномочий и проверку результата.

Социальные аспекты ИИ

Общий взгляд на технологии

История технологического прогресса в целом показывает, что новые технологии не только вытесняют отдельные виды деятельности, но и создают новые возможности, профессии и рынки.

По мере развития промышленности, транспорта, вычислительной техники и интернета производительность труда росла, а уровень жизни в долгосрочной перспективе повышался.

Многие профессии исчезали или менялись, однако одновременно возникали совершенно новые направления деятельности: программисты, разработчики цифровых продуктов, блогеры, создатели контента, специалисты по цифровому маркетингу. Огромное развитие получили индустрии, которые ранее существовали в совершенно другом масштабе, например профессиональный спорт и цифровые медиа.

ИИ всех заменит?

История технологий показывает, что даже значительный технологический прогресс редко приводит к полному исчезновению всех предыдущих способов деятельности. До сих пор существуют ручная обработка земли, работа с деревом и металлом, ремесленное производство и другие виды ручного труда. Более того, вокруг них сформировались отдельные рынки — от хэндмейда до премиальных товаров ручной работы.

Технологический уровень разных людей, отраслей и стран всегда неоднороден: одновременно существуют самые простые бытовые процессы и высокотехнологичные производства. Поэтому наиболее вероятный сценарий развития ИИ — не одномоментная замена всей человеческой деятельности, а расширение существующей технологической модели. ИИ будет вытеснять одни операции, дополнять другие и создавать новые виды деятельности, при этом различные уровни технологического развития продолжат существовать параллельно.

Программистов не уволят: парадокс (эффект) Джевонса

Развитие ИИ действительно позволяет программистам писать код быстрее, автоматизировать рутинные операции и выполнять за то же время больше работы. На первый взгляд кажется логичным, что повышение производительности должно привести к сокращению числа разработчиков. Однако здесь может проявиться парадокс Джевонса: рост эффективности использования ресурса способен не уменьшить, а увеличить общий спрос на этот ресурс.

В программировании механизм выглядит следующим образом: если ИИ снижает стоимость и время разработки, компании получают возможность реализовывать больше цифровых продуктов, автоматизировать больше процессов и модернизировать больше существующих систем. Дешевеющая разработка увеличивает количество задач, которые экономически целесообразно выполнять. Поэтому производительность одного программиста может расти, но одновременно может расти и общий объем разработки.

Это не означает, что ИИ вообще не приведет к сокращению отдельных профессий или рабочих мест. Скорее изменится структура работы: меньше времени будет уходить на написание типового кода, а больше — на постановку задач, архитектуру, проверку результатов, интеграцию, безопасность и управление ИИ-агентами. Программист постепенно превращается из автора каждой строки кода в специалиста, управляющего процессом создания программного обеспечения.

Парадокс Джевонса в ИИ-разработке: чем дешевле становится создание программного обеспечения, тем больше программного обеспечения компании могут захотеть создать.

Поэтому распространение AI IDE, генеративного ИИ и ИИ-агентов может не уничтожить спрос на разработчиков, а расширить границы того, что компании считают экономически оправданным разрабатывать. Вопрос для бизнеса будет заключаться уже не только в том, сколько программистов нужно, а в том, сколько новых цифровых продуктов и процессов компания сможет создавать благодаря росту производительности разработки.

Раньше систему поддерживали 8 человек. Сейчас — сотни

На первый взгляд кажется парадоксальным: если ИИ и автоматизация повышают производительность разработки, почему вокруг некоторых систем со временем становится больше специалистов? Причина не обязательно в том, что люди стали работать хуже или менее эффективно. Часто просто многократно вырос масштаб самой системы и количество задач вокруг нее.

Раньше корпоративная система могла обслуживать ограниченное число пользователей и выполнять несколько основных функций. Сегодня от нее ожидают интеграции с десятками других систем, мобильных приложений, API, аналитики, высокой доступности, информационной безопасности, соответствия требованиям законодательства и постоянного выпуска новых функций. Количество взаимосвязей и требований может вырасти на порядки, даже если базовая бизнес-функция системы осталась прежней.

Поэтому сравнивать только количество специалистов некорректно. Важно учитывать объем цифрового контура, количество пользователей, транзакций, интеграций, продуктов и требований к доступности. Система, которую когда-то могли поддерживать восемь человек, сегодня может быть частью критичной цифровой платформы, вокруг которой работают команды разработки, тестирования, архитектуры, эксплуатации, информационной безопасности, аналитики и поддержки.

Людей может стать в десятки раз больше не потому, что каждый стал работать хуже, а потому что сама цифровая система и количество задач вокруг нее выросли на порядки.

ИИ способен изменить эту динамику, взяв на себя значительную часть рутинных операций. Но одновременно снижение стоимости разработки может стимулировать появление новых функций, интеграций и цифровых сервисов. Поэтому рост производительности программистов не обязательно означает пропорциональное сокращение команд — он может означать, что те же специалисты смогут поддерживать значительно более сложный цифровой контур.

Новые компании, новые рабочие места

Появление ИИ уже формирует новые рынки и большое количество компаний, специализирующихся на разработке моделей, ИИ-агентов, инфраструктуры, специализированных приложений и сервисов.

Растет число стартапов, использующих ИИ как основу продукта или как ключевой элемент бизнес-модели. По мере распространения технологии будут появляться новые профессии и специализации, которые сегодня еще невозможно точно предсказать.

Рост производительности труда

Одним из главных последствий технологического прогресса традиционно становится рост производительности труда. Новые инструменты позволяют человеку быстрее выполнять существующие задачи, автоматизировать рутинные операции и обрабатывать значительно большие объемы информации.

ИИ продолжает эту тенденцию: один специалист получает возможность выполнять больше работы за то же время, быстрее находить и обрабатывать информацию, создавать контент, программный код и аналитические материалы.

Изменения в зарплате

Влияние ИИ на доходы работников будет зависеть не только от самой технологии, но и от экономической и социальной политики государств, состояния рынка труда и востребованности конкретных навыков. Стоит полагать, для массовых профессий сохранится определенный средний уровень оплаты, соответствующий общему уровню жизни и производительности экономики.

При этом технологии дают возможность отдельным специалистам значительно увеличивать свою производительность и, соответственно, потенциальный доход. Часть людей будет использовать ИИ как инструмент для получения более высокой заработной платы или создания собственного бизнеса, тогда как другие предпочтут не максимизировать доход, а использовать рост производительности для сокращения рабочего времени и сохранения привычного уровня жизни.

Человеческое счастье и ИИ

Одной из базовых ценностей человека является возможность заниматься любимым делом, трудиться в интересующей его области и видеть результат собственного труда.

Поэтому развитие ИИ не обязательно следует рассматривать только как автоматизацию или замену человеческого труда: ИИ может стать еще одной сферой человеческой деятельности, в которой люди будут создавать новые продукты, решать сложные задачи, исследовать возможности технологии и получать удовлетворение от результатов своей работы.

При этом развитие ИИ не означает отказа от других форм человеческой деятельности. Люди по-прежнему могут заниматься земледелием, ремеслом и хэндмейдом, писать стихи, заниматься спортом, читать книги, работать юристами, бухгалтерами и специалистами самых разных профессий. Технологический прогресс расширяет набор возможностей, но не отменяет ценность уже существующих занятий: для разных людей смысл, интерес и удовольствие могут находиться в совершенно разных видах деятельности.