ИИ и инфляция качества

Разговор о влиянии ИИ на работу почему‑то быстро свелся к вопросу о том, кого именно он заменит. Сначала должны были исчезнуть копирайтеры, потом программисты, потом аналитики. Потом выяснилось, что программисты пока на месте, зато возник вопрос с джунами. Следующая версия тоже понятна: джуны исчезнут сейчас, мидлы чуть позже, а сеньоры останутся на вершине пищевой цепочки и будут наблюдать, как ChatGPT постепенно подбирается к их креслу.

Мне кажется, мы смотрим немного не туда. Не потому, что ИИ никого не заменит — отдельные задачи, позиции и даже профессии наверняка будут исчезать. Просто замена человека машиной не очень хорошо описывает происходящее. ИИ гораздо быстрее меняет не количество работы, а ее экономику: стоимость получения результата определенного качества резко падает, вслед за ней меняется представление о том, какое качество вообще считается нормальным.

Я очень быстро привык к маленькому расстоянию между «примерно понимаю, чего хочу» и результатом. Раньше у любого улучшения была цена. Проверить еще один источник, разобраться в незнакомой теме, проверить собственную логику, перебрать варианты, переписать текст, сделать прототип и выбросить его — все это требовало времени. Поэтому в какой‑то момент совершенно разумно появлялось «и так сойдет». Если улучшение результата с 80 до 85% требует еще двух часов, иногда эти пять процентов просто не стоят двух часов.

ИИ эту экономику поломал. Теперь следующая итерация часто стоит несколько минут: проверить факты, найти слабое место в аргументации, попросить модель поспорить с исходным тезисом, посмотреть на проблему с другой стороны, перебрать варианты и вернуться к первому. Ответ модели при этом совершенно не обязан быть правильным — в эксперименте с 758 консультантами BCG на задаче за пределами возможностей GPT-4 контрольная группа дала правильный ответ в 84,5% случаев, а пользователи GPT только в 70,6%. Но на задачах внутри возможностей модели люди работали быстрее и получали более качественный результат. Эксперимент Шакеда Ноя и Уитни Чжан с 453 специалистами показывает ту же сторону процесса: примерно на 40% меньше времени при росте качества примерно на 18%.

То есть ИИ удешевляет не только производство результата. Он удешевляет попытку сделать результат лучше. И вот это, на мой взгляд, важнее очередного прогноза о количестве программистов в 2030 году.

Инфляция качества

В 1937 году Feuerhand продал около 12 миллионов керосиновых фонарей. Потом пришло электрическое освещение, но Feuerhand не исчез: еще в XXI веке компания производила миллионы фонарей в год. Керосиновая лампа осталась вполне работающим устройством, просто электричество сделало свет настолько дешевым, доступным и привычным, что лампа перестала быть нормальным способом освещать квартиру и осталась там, где ее свойства по‑прежнему имели смысл — без электросети, в аварийных ситуациях, в походах.

С интеллектуальным трудом может произойти примерно то же самое. Хороший отчет, презентация, анализ или кусок кода не становятся хуже от появления ИИ. Меняется цена, за которую можно получить такой результат, а вместе с ценой меняется и точка, после которой мы готовы сказать «достаточно хорошо».

Если дополнительная проверка отчета стоит два часа, ее отсутствие можно объяснить стоимостью. Если она стоит десять минут, объяснять становится сложнее. Если презентация определенного уровня раньше занимала половину рабочего дня, а теперь ее можно сделать за двадцать минут, способность сделать именно такую презентацию остается полезной, но перестает стоить прежних денег. Следующий сотрудник придет с тем же PowerPoint, тем же ChatGPT и теми же двадцатью минутами.

Это можно назвать инфляцией качества интеллектуального труда. Обесценивается не интеллект и не профессия, а результат определенного уровня, потому что его стало дешевле производить. Вчера было рационально остановиться на 80%, потому что следующие пять процентов стоили два часа. Сегодня они стоят несколько запросов к модели и полчаса проверки, а значит, постепенно перестают быть дополнительным качеством и становятся частью нормальной работы.

В этом нет ничего особенно нового. Электронные таблицы не уничтожили бухгалтерию, хотя огромный кусок работы, которую бухгалтеры раньше выполняли вручную, Excel делает мгновенно. Компьютеры не привели к тому, что бухгалтер заканчивает месячный отчет к обеду и следующие две недели смотрит в окно. Электронная почта не освободила часы, которые раньше уходили на бумажную переписку, а поисковые системы не оставили исследователям свободную половину рабочего дня. Когда технология снижает стоимость операции, организация обычно не возвращает полученную производительность сотруднику свободным временем, а начинает требовать больше.

С ИИ к количеству добавляется еще и качество. Если за то же время можно проверить больше гипотез, рассмотреть больше вариантов, сделать дополнительную итерацию и проверить собственный вывод, через некоторое время именно это и начинают считать нормальной работой. Поэтому я не думаю, что повышение производительности автоматически оставит половину интеллектуальных работников без дела. Исторически мы гораздо лучше умеем превращать производительность в новые требования, чем в свободное время.

Не дошло

Есть старая фраза из ru.mo.cars: “Последнее время в интернете не доходят письма. Читаешь ответ и понимаешь — не дошло”.

С ИИ она стала только актуальнее. Можно иметь под рукой модель, способную проверить аргументацию, найти источники, предложить альтернативу, указать на противоречие и выступить оппонентом, и использовать ее как кнопку «напиши мне текст». Можно получить анализ и не заметить, что машина прекрасно ответила немного не на тот вопрос. Можно попросить написать код, получить вполне приличный результат и не понимать, почему он работает и при каких условиях перестанет.

Проблема здесь не в качестве модели. Человек должен сначала понять, что именно ему нужно, а потом суметь оценить то, что получилось. И чем лучше становятся модели, тем менее заметной может быть ошибка: плохо написанная ерунда вызывает подозрение сама, хорошо написанную приходится проверять.

Пока ИИ есть у одного аналитика из десяти, доступ к нему дает заметное преимущество. Когда он есть у всех десяти, сам доступ перестает что‑либо значить. Два человека с одной моделью получают разные результаты не потому, что одному достался хороший ChatGPT, а другому плохой. Один использует модель для перебора вариантов, проверки собственных предположений и поиска дыр в аргументации, второй получает первый прилично выглядящий ответ и несет его дальше.

Поэтому массовое распространение ИИ не уничтожает квалификацию. Оно просто меняет то, за какую ее часть имеет смысл платить.

Исследование Эрика Бриньолфссона, Даниэль Ли и Линдси Рэймонд на 5179 сотрудниках клиентской поддержки это хорошо показывает. После внедрения AI‑ассистента средняя производительность выросла примерно на 14%, но у начинающих и менее квалифицированных сотрудников рост был около 34%, а у наиболее опытных — небольшим. Модель фактически позволила менее опытным сотрудникам использовать часть практик лучших.

Из этого легко получить красивый заголовок о том, что ИИ стирает разницу между джуном и сеньором, но исследование показывает только то, что новичок с моделью начинает лучше выполнять часть задач. Годы опыта, понимание системы и способность заметить проблему, которую никто не сформулировал, в комплекте с подпиской не поставляются.

И здесь появляется интересная асимметрия. Производство ответа дешевеет гораздо быстрее, чем его проверка.

METR исследовал опытных open‑source разработчиков, работавших в знакомых им больших кодовых базах. До эксперимента разработчики ожидали, что ИИ ускорит их примерно на четверть, после эксперимента им по‑прежнему казалось, что он их ускорил, а фактически выполнение задач заняло примерно на 19% больше времени. Из этого не следует, что ИИ мешает программировать: исследование узкое, участники опытные, инструменты быстро меняются. Зато хорошо видно, куда девается часть обещанного ускорения.

Модель может написать функцию за тридцать секунд, но инженеру все равно нужно понять, что она делает, учла ли ограничения и не сломала ли соседний компонент. Текст можно получить за минуту, но кто‑то должен заметить, что один аргумент не следует из предыдущего. Аналитическую записку можно собрать за десять минут, но кто‑то должен знать, что исходные показатели нельзя сравнивать таким образом. Генерация вариантов ответа становится почти бесплатной, а способность отличить хороший вариант от убедительно оформленной ерунды — нет.

Исследование Microsoft Research и Carnegie Mellon на 319 специалистах добавляет сюда еще одну проблему. Чем больше человек доверял способности ИИ выполнить задачу, тем меньше критического мышления он применял; чем увереннее был в собственной способности выполнить и оценить эту задачу, тем чаще проверял и перерабатывал результат. Получается несколько издевательская конструкция: лучше контролировать ИИ способен человек, которому меньше нужна помощь ИИ для понимания задачи, а больше причин довериться готовому ответу у человека, которому как раз может не хватить знаний для его проверки.

Поэтому квалификация никуда не девается. Часть ее стоимости просто переезжает из способности произвести ответ в способность правильно поставить задачу, выбрать между ответами и понять, можно ли результату доверять.

А что тогда с джунами?

Вот здесь я как раз не уверен в популярном прогнозе, что ИИ обязательно съест нижнюю часть профессиональной лестницы. Первые данные Stanford Digital Economy Lab действительно показывают ухудшение положения молодых работников в профессиях с высокой экспозицией к ИИ, прежде всего через снижение найма, хотя сами авторы отдельно предупреждают, что причинность пока не доказана (еще бы они сказали что‑то иное, их бы сожрали сразу — автор). Это вполне может быть первым эффектом: если джун с ИИ делает больше, сегодня компании требуется меньше джунов для прежнего объема работы.

Но «прежний объем работы» здесь как раз самое сомнительное предположение.

Если бы рост производительности автоматически сокращал потребность в специалистах пропорционально этому росту, Excel должен был устроить бухгалтерии небольшую демографическую катастрофу. Вместо этого бухгалтерия получила Excel, ERP, электронный документооборот, автоматические проводки, банковские интеграции и огромный объем отчетности, контроля и анализа, который при ручной обработке просто не имел бы экономического смысла.

С ИИ тот же механизм может работать на всех уровнях квалификации одновременно. Джун с ИИ сможет выполнять часть вчерашней работы мидла, но мидл не останется стоять на месте: у него будет тот же ИИ, больше исходной квалификации и возможность браться за задачи, которые вчера были слишком дорогими или долгими. То же относится к сеньору. Если стоимость интеллектуальной итерации падает для всех, граница экономически осмысленной работы сдвигается для всех тоже.

Поэтому я бы не спешил хоронить джунов. Вполне возможно, что их работа просто станет сложнее. То, ради чего вчера нанимали человека на начальную позицию, частично автоматизируется, но одновременно появится масса работы, которую раньше никто не делал, потому что она стоила дороже результата. Мы не знаем, компенсирует ли одно другое полностью, и сегодняшние данные этого не доказывают. Но предположение «производительность выросла на 30%, значит людей понадобится на 30% меньше» плохо работает уже несколько технологических революций подряд.

Проблема обучения при этом остается. Если простые задачи, на которых человек раньше набирал опыт, исчезнут, придется менять способ выращивания специалистов. Но это проблема устройства профессиональной лестницы, а не доказательство того, что нижняя ступень станет не нужна.

Про зависимость

Еще один популярный вопрос — не станем ли мы слишком зависимы от ИИ.

Конечно станем. Мы зависим от электричества, автомобилей, продовольственной логистики, компьютеров, интернета и поисковых систем. Я вот опаздываю всегда и везде, поэтому сильно завишу от часов и автомобиля.:‑)

Цивилизация во многом и состоит из технологий, которые оказываются настолько полезными, что отказ от них становится дорогим. Поэтому сама зависимость мало что говорит о качестве технологии. Гораздо интереснее, какую способность мы передаем инструменту и какую оставляем себе.

Калькулятор давно забрал необходимость быстро перемножать большие числа, и ничего страшного не произошло, пока человек понимает, что 14 812 × 73 = 81 выглядит подозрительно. Проблема начинается не тогда, когда машина считает вместо человека, а когда человек больше не способен понять, что машина насчитала ерунду.

С ИИ эта граница хуже видна, потому что он работает не с одной операцией. Он пишет, ищет, сравнивает, анализирует, программирует, предлагает решения и объясняет собственные ответы. Чем больше этих операций мы ему передаем, тем важнее сохранять способность проверить не каждое промежуточное действие, а саму конструкцию: правильный ли вопрос мы задали, можно ли использовать исходные данные, следует ли вывод из аргументов и имеет ли полученный результат смысл.

И здесь мы возвращаемся к началу.

ИИ не просто делает интеллектуальную работу быстрее. Он снижает стоимость качества. Дополнительная проверка, еще одна гипотеза, альтернативный вариант, критика собственного решения и еще одна итерация становятся дешевле, а значит, постепенно перестают быть дополнительной услугой и входят в нормальную работу. То, что вчера считалось хорошим результатом, никуда не исчезает и не становится хуже — оно просто перестает быть достаточным основанием считать работу хорошей.

Поэтому главный эффект ИИ на рынок труда может оказаться не похож на последовательное исчезновение копирайтеров, джунов, мидлов и сеньоров. Гораздо вероятнее, что все они останутся в игре, но каждому придется делать работу, которая вчера стоила дороже его времени. Джун получит часть возможностей мидла, мидл — часть возможностей сеньора, а сеньор сможет позволить себе глубину анализа и количество итераций, которые раньше были экономически бессмысленны.

И если это действительно так, вопрос «кого заменит ИИ?» поставлен слишком рано.

Сначала стоит посмотреть, сколько работы внезапно станет разумно делать после того, как делать ее хорошо стало дешево.

Источники:

1. Noy, S., Zhang, W. (2023). Experimental Evidence on the Productivity Effects of Generative Artificial Intelligence. Science, 381(6654), 187–192. Эксперимент с 453 специалистами: использование ChatGPT сократило время выполнения профессиональных письменных задач примерно на 40% и повысило качество результата примерно на 18%.

2. Dell’Acqua, F. et al. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Эксперимент с 758 консультантами BCG. Рост скорости и качества внутри границы возможностей GPT-4 и ухудшение результатов на задаче за ее пределами.

3. Brynjolfsson, E., Li, D., Raymond, L. R. Generative AI at Work. Полевое исследование 5179 сотрудников поддержки. Наибольший прирост производительности получили менее опытные и менее квалифицированные сотрудники.

4. METR (2025). Measuring the Impact of Early-2025 AI on Experienced Open‑Source Developer Productivity. Рандомизированное исследование опытных разработчиков: при использовании AI‑инструментов выполнение исследованных задач заняло примерно на 19% больше времени, несмотря на субъективное ощущение ускорения.

5. Lee, H.‑P. et al. (2025). The Impact of Generative AI on Critical Thinking: Self‑Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. Microsoft Research / Carnegie Mellon University. 319 специалистов и 936 случаев использования генеративного ИИ.

6. Brynjolfsson, E., Chandar, B., Chen, R. (2026). Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab. Анализ данных о занятости, включая положение молодых работников в профессиях с высокой экспозицией к ИИ; авторы отдельно оговаривают ограничения причинной интерпретации.