Главное про AI - Вадим Жартун

и задайте себе простой вопрос: какой реальный кейс вы видели за последний месяц, где AI помог, и какой — где подвёл. Если обоих примеров нет — отношение держится не на фактах, а на привычке. Если есть — пересмотрите его по фактам, а не по убеждениям.

Инструмент остаётся инструментом. Меняется только ваше отношение к нему.

РЕЗЮМЕ

Пять классов задач — классификация, извлечение фактов, резюмирование, генерация, поиск — первая линия защиты от плохого результата. Расчёты стоят особняком: модель не считает, а предсказывает токены, для точной арифметики нужен Code Interpreter или внешний скрипт.

RAG уменьшает галлюцинации, но не устраняет их: даже юридические коммерческие инструменты с доступом к проверенной базе галлюцинируют в заметной доле ответов. RAG нужен в любом офисном проекте с собственными документами, но RAG с цитированием и человеческая проверка остаются обязательными.

Три инструмента адаптации — промпт, RAG, дообучение — не взаимозаменяемые опции, а слои с разной ценой. В большинстве офисных задач достаточно RAG с хорошей базой и грамотного промпта.

Распознавание галлюцинаций опирается на пять маркеров: подозрительная точность конкретных цифр, неназванный источник, длинный ответ с потерянной серединой, внутренние противоречия при перефразировании, отсутствие оговорки про устаревание. AI-враньё клиенту — структурная особенность моделей, и работа с ним строится на четырёх опорах: разделение «кто пишет» и «кто проверяет факты», запрет слепого копирования, обязательное RAG с цитированием, журнал AI-использования.

Предвзятость — следствие обучающих данных, нейтральных моделей не бывает. Западные несут западный культурный код, российские — собственную институциональную цензуру поверх статистических искажений. CoT помогает на многошаговых задачах на нерассуждающих моделях и стал плацебо на reasoning-моделях.

Три базовых отношения к AI — чудо, игрушка, враг — все мешают внедрению. Рабочая позиция: инструмент с известными границами, к которому подходят по типу задачи.

Представьте, что завтра утром вы открываете рабочий чат и видите задачу, которую раньше делали три часа: подготовить справку для клиента по договору, перевести служебную записку на английский, посчитать эффект от скидки для тендера. У вас есть час и привычка спрашивать AI всё подряд. Следующая глава берёт фильтры, которые вы собрали в этой — пять классов задач, маркеры галлюцинаций, понимание границ RAG и дообучения — и проверяет их на реальных офисных сценариях. Где AI сегодня объективно быстрее и дешевле вас, где остаётся ваша зона как человека, и где граница между ними движется прямо сейчас. Без моральных оценок про «заменит — не заменит», только по типам задач и по тому, что вы увидите в собственном рабочем дне.

Глава 3. AI против человека: возможности и границы

В феврале 2024 года шведский финтех Klarna объявил, что AI-ассистент на OpenAI берёт на себя работу семисот штатных агентов поддержки. CEO Себастьян Симиатковски (Sebastian Siemiatkowski) назвал это конкурентным преимуществом компании.

К маю 2025 года Klarna публично откатилась: компания возобновила наём людей через аутсорсинг-партнёров. AI хорошо справлялся с типовыми вопросами, но на сложных кейсах — спорные списания, мошенничество, уязвимые клиенты — без человека качество обслуживания падало. В то же время группа исследователей из University of Chicago Booth и Harvard Business School опубликовала эксперимент: GPT-4 получал анонимизированные финансовые отчёты компаний S&P 500 и предсказывал направление движения прибыли в следующем году.

Точность модели составила 60,35%, что побило консенсус-прогноз профессиональных аналитиков с Уолл-стрит (52–57%) и совпала с уровнем самых опытных. На основе предсказаний GPT-4 авторы построили торговую стратегию, которая обогнала широкий рынок по коэффициенту Шарпа (доходность на единицу риска; чем выше, тем эффективнее) и показала положительную альфу — доходность сверх рыночного ориентира. Один и тот же инструмент, два применения, два результата. AI не делает всех одинаково быстрыми и не делает всех одинаково глупыми. Он делает то, что вы попросили, а проверять результат — за вами.

Предыдущая глава была о том, что AI умеет в принципе, эта глава ставит вопрос практичнее: в каких задачах AI в реальной офисной работе объективно превосходит человека, в каких задачах объективно уступает, и где граница между зонами сдвигается прямо сейчас. Креативные задачи — копирайтинг, дизайн, литература — здесь разбирать я не буду: они лежат в другой плоскости, и в этой главе мы сосредоточимся на офисных функциях, где есть измеримый результат.

Klarna за полтора года дала нам два противоположных сюжета. Один — триумф, второй — откат. Ниже разберём, что именно AI делает лучше человека в типовых офисных задачах и где проходит граница.

ГДЕ AI ДЕЙСТВИТЕЛЬНО СИЛЬНЕЕ ЧЕЛОВЕКА

Самый цитируемый эксперимент последних лет — полевое исследование Harvard Business School и BCG 2023 года (с грантом OpenAI на доступ к GPT-4), проведённое на 758 консультантах BCG. С GPT-4 консультанты выполняли задачи на 12,2% чаще по числу завершённых заданий и на 25,1% быстрее по времени. Качество их работы по слепой оценке сторонних экспертов выросло на 40% по сравнению с контрольной группой. Для задач внутри границ компетенции GPT-4 эффект был ещё сильнее, за пределами этих границ — обратный: консультанты с AI совершали больше ошибок, чем без AI, потому что слепо доверяли уверенному тону модели. Урок из этого исследования: «AI делает нас быстрее, пока мы остаёмся редакторами». Скорость и качество покупаются ценой верификации.

В юридической сфере американская legal-tech платформа LawGeex в феврале 2018 года собрала 20 американских юристов с опытом работы с NDA (соглашение о неразглашении, Non-Disclosure Agreement) и дала им ту же задачу, что и OpenAI: найти тридцать типичных проблемных пунктов в пяти коммерческих NDA. Юристы в среднем тратили 92 минуты на документ, добираясь до точности 85% (диапазон от 67% до 94%). AI от LawGeex закончил работу за 26 секунд с точностью 94%.

В 2025 году независимый бенчмарк LawNext подтвердил тренд: специализированные legal-AI инструменты в сценариях повышенного риска выявляют явные предупреждения в 83% случаев против 27% у универсальных моделей вроде GPT-4 «из коробки». Критики кейса LawGeex указывают, что NDA — самый шаблонный тип договора, и на сложных сделках вроде M&A разрыв между AI и юристом сильно меньше или исчезает.

Эта оговорка справедлива и сама показывает границу применимости: на типовых, хорошо структурированных задачах AI превосходит среднего специалиста и уступает лучшим, на нетиповых — картина обратная.

McKinsey в январском отчёте 2025 года «Superagency in the Workplace» проанализировал 16 рабочих функций и посчитал, где AI даёт наибольший прирост. Лидеры — маркетинг и продажи (от плюс 5 до плюс 15% выручки при полном внедрении), разработка программного обеспечения (от 25 до