Почему ИИ пока не увольняет целиком: разбор «зон автоматизации» и реальных данных по задачам

Разбираемся, где на самом деле проходит потолок возможностей современных моделей и какие задачи останутся за человеком в ближайшие годы.

P.S Если вам интересна тема AI-агентов и внедрения нейросетей, заглядывайте в мой Telegram-канал ДругОпенсурса. Там я публикую свежие новости и разборы инструментов в числе первых.

Четыре зоны автоматизации: фреймворк PASF

Чтобы понять, насколько заменим тот или иной специалист, применяется модель четырех зон. Она помогает классифицировать любую работу по степени сложности её передачи алгоритму.

Зона I : Рутина

Это максимально структурированные задачи с низким уровнем неопределенности. Ввод данных, базовая сортировка документов, простые транзакции.

• Статус : Текущий ИИ справляется с этим отлично. Здесь экономия FTE (эквивалента полной занятости) максимальна.

Зона II : Полуструктурированные процессы

Задачи, где есть четкие инструкции, но требуется координация и отслеживание контекста. Например, обработка стандартных страховых случаев или базовый тикетинг в техподдержке.

• Статус: Агентные системы при правильной архитектуре закрывают эти задачи на 70-80%.

Зона III : Экспертное суждение

Здесь начинаются проблемы. Это аналитическая работа, где правильный ответ зависит от контекста, который невозможно прописать в инструкции. Юридические заключения по сложным спорам, проектирование архитектуры ПО, финансовый анализ в условиях волатильного рынка.

• Статус: Текущие LLM здесь работают как револьвер с одним патроном. Пять раз они выдают блестящий результат, а на шестой совершают критическую ошибку, которая обнуляет всю выгоду. Это зона высокого риска.

Зона IV : Ответственность

Стратегическое управление, этические решения и юридическая ответственность за результат.

• Статус: Здесь нужен биологический пульс. Мы пока не готовы делегировать право подписи и ответственность за последствия вероятностному распределению токенов.

Что показало исследование : цифры

Для анализа реального положения дел было выбрано 10 стандартных офисных ролей, которые были декомпозированы на 127 атомарных задач. В качестве базы использовались международные классификаторы профессий O*NET и ESCO. Каждая задача соотнесена с одной из четырех зон автоматизации.

Среднее распределение по всем исследованным ролям показало следующие результаты:

• Зона I — 12%.

• Зона III — 44%.

Вопреки громким заголовкам в медиа, большая часть работы сосредоточена в там, где ИИ на текущем этапе развития либо бесполезен, либо риск его использования не оправдан.

Разработчики ПО

Для опытных инженеров результаты оказались наиболее показательными: 83% их задач относятся к Зоне III. Проектирование систем, отладка нетривиальных багов и согласование требований с заказчиком — это задачи, требующие глубокого контекстного анализа, а не простого написания кода.

Для Junior-позиций наблюдается обратная картина. Написание бойлерплейта и реализация простых фич — это задачи Зон I и II. Именно поэтому входной билет в индустрию становится дороже: ИИ постепенно поглощает ту работу, на которую традиционно обучались новички.

Юристы и консультанты

В работе юридических советников доля задач из Зон III и IV составила почти 100%. Практически любая активность в этой сфере требует либо интерпретации прецедентов в специфическом контексте, либо несения прямой ответственности за риски.

Административный персонал

Секретари и ассистенты обладают самым высоким потенциалом автоматизации, около 55% их рабочего времени занимают задачи из Зоны I : бронирование, форматирование, работа с расписанием. Однако оставшиеся 45% задач связаны с политическим маневрированием и пониманием приоритетов руководителя, которые пока недоступны для алгоритмов.

Эффект барьера : токеномика

При внедрении ИИ-агентов организации часто сталкиваются с двумя критическими факторами, которые редко учитываются в маркетинговых демо-версиях:

1. Генерация сложных цепочек рассуждений требует огромного количества токенов. Если агент расходует 2000 токенов там, где архитектурно можно было обойтись 500, в масштабах корпорации это выливается в неоправданные счета от провайдеров LLM.

2. Если ИИ допускает ошибки в 15% случаев в Зоне III, компании требуется высококвалифицированный эксперт для верификации каждого результата. Зачастую стоимость такой проверки превышает стоимость выполнения задачи человеком с нуля.

Практические выводы

• Должности сохранятся, но их внутреннее наполнение изменится. Рутинные операции перейдут машинам, а фокус человеческой деятельности сместится в сторону экспертных суждений 

• Начинающим специалистам в IT и аналитике необходимо форсировать переход к задачам Зоны III. Навыка просто писать код или составлять отчеты становится недостаточно для конкуренции на рынке.

• Промышленная эксплуатация ИИ будет развиваться не в сторону самых умных моделей, а в сторону нейро-символических систем. В них гибкость нейросетей жестко ограничена логическими правилами и внешними контурами проверки.