Главное про AI - Вадим Жартун

есть компьютер). В 2005 году Pal Computer Frontier провела турнир: разрешены любые программы, человек решает, какие ходы принимать. Результат, который вошёл в учебники: centaur-пары обыгрывали и Deep Blue, и любого гроссмейстера в одиночку. Каспаров сформулировал вывод, который мы повторяем тридцать лет спустя: «Слабый игрок с сильным компьютером проиграет сильному игроку со слабым компьютером, и наоборот. Сильный игрок с сильным компьютером побеждает всех. Умение работать с машиной — это навык, а не побочный эффект». Эта формула применима к юристу с Westlaw, рентгенологу с AI, дизайнеру с Figma AI. Машина делает то, что у неё получается лучше всего: перебор, поиск, генерация вариантов. Человек делает то, что у него получается лучше всего: оценка контекста, интуиция, финальное решение. Связка побеждает.

МОДЕЛЬ «ЧЕЛОВЕК ПЛЮС AI» В РАЗРЕЗЕ ПРОФЕССИЙ

В таблице ниже — восемь профессий, по которым есть рабочая статистика связки. Колонки фиксированы: что берёт на себя AI, что остаётся человеку, и какая метрика показывает выигрыш связки. Если ваша профессия в списке, у вас есть ориентир; если нет — переносите логику разделения ролей, а не конкретные числа.

Вывод по таблице: во всех восьми профессиях связка выигрывает и у человека в одиночку, и у AI в одиночку. AI не заменяет человека и не остаётся просто «помощником» — AI берёт на себя слой работы, который человек делал медленно, а человек берёт на себя слой, который AI делает ненадёжно.

ЛОВУШКА «AI ВСЁ СДЕЛАЛ, Я ТОЛЬКО ПОДПИСАЛ»: ПРИЗНАКИ

1: Вы не можете объяснить коллеге, почему в документе именно эти формулировки, а не другие.

2: Вы не помните, какие источники AI использовал, и не можете их перечислить.

3: Вы бы не смогли за тридцать минут повторить тот же результат с нуля без AI.

4: Вы не уверены, что AI проверил ключевые риски, которые вы бы проверили руками.

5: Подписывая документ, вы не можете сформулировать, в чём именно ваш вклад, кроме «финального глаза».

Если хотя бы три из пяти — вы в ловушке. AI стал соавтором, а вы стали подписантом. Это путь к Moffatt v. Air Canada в любой профессии: AI-чат публично пообещал клиенту несуществующее условие, компания не проверила выход AI-чата, отвечает компания. Та же механика работает и в любой офисной функции: AI ошибся, человек не проверил, отвечает человек.

Защита — в самом процессе. Ротация задач, в которых AI нет: 20% рабочего времени — задачи без AI. Явная верификация: в каждом процессе — обязательный шаг «проверить AI-вывод» с именем ответственного. Объяснение AI-вывода: если AI выдал рекомендацию, человек обязан объяснить её коллегам и руководителю, не ссылкой на AI, а своими словами с аргументом — например: «AI выдал X, и вот почему я с этим согласен или не согласен». McKinsey в «Superagency» формулирует это как принцип «build the skill before you augment the skill» (сначала освой навык сам, потом усиливай его инструментом). Иначе через два года у вас в команде будут люди, которые умеют нажимать кнопку, но не умеют думать.

РЕЗЮМЕ

AI превосходит среднего специалиста на рутине там, где есть правильный ответ и проверяемая структура. За пределами этой зоны связка с AI даёт результат хуже, чем человек один. AI заменяет задачи, не профессии: в каждой профессии он закрывает часть задач и создаёт новые.

Шесть фундаментальных ограничений AI — отсутствие тела, биографии, долгосрочной памяти, совести, сигнала «я не знаю» и здравого смысла в физическом мире — это свойства архитектуры, не баги. Они не исчезнут с новой версией модели.

AI-ошибка дешевле человеческой в задачах, проходящих фильтр «трёх R»: повторяемость, низкий риск, обратимость. В задачах с неявным контекстом, высокой ценой ошибки и необратимыми последствиями — дороже. Третий путь между «AI заменит» и «AI не заменит» — связка, в которой человек и AI видят разное и в сумме дают результат, недостижимый по отдельности.

Прежде чем отдать задачу AI, проверьте её по трём критериям: повторяемость, цена ошибки, обратимость. Все три «да» — отдавайте AI. Хотя бы одно «нет» — человек остаётся в контуре. В матрице ответственности AI не бывает ответственным, только информируемым: утверждает всегда человек.

Сдвигайтесь вверх по пирамиде абстракции каждый квартал: от исполнителя к валидатору AI-вывода, от валидатора к архитектору процесса, от архитектора — к тому, кто задаёт AI вопросы, которые раньше никто не задавал. Сначала освойте навык сами, потом усиливайте его инструментом.

Завтра утром вы открываете таблицу сравнения моделей — ChatGPT, Claude, Gemini, GigaChat, YandexGPT — и видите красивые числа: один лучше на 4,2 процентного пункта по MMLU, другой обходит всех на HumanEval, третий дешевле на порядок. Вы выбираете «топ-1 по рейтингу», ставите на свою задачу — сортировку входящих писем или подготовку черновика договора — и через неделю обнаруживаете, что на вашем типе писем эта модель работает хуже, чем модель с более низкой позицией в рейтинге. Следующая глава разбирает, почему так происходит и как собрать собственную проверку под вашу задачу, прежде чем отдавать ей реальный рабочий процесс. Не вместо бенчмарков, а поверх них — как фильтр, который отсекает то, что рейтинги не измеряют.

Глава 4. Бенчмарки и сравнение моделей

Менеджер по закупкам открывает Artificial Analysis и видит строчку «Claude Opus 4.7 — 61, GPT-5.5 — 58». Звонит в ИТ-отдел: «Какую ставим? У которой цифра выше — на ту и подписываемся». Через полгода та же команда обнаруживает, что модель с «низкой» цифрой закрывает их рабочие задачи лучше, чем «лидер рейтинга». Подписка на топовую модель оказывается чистой переплатой. История знакомая — и она повторяется во многих компаниях, которые покупают AI, не проверив, как модель справляется именно с её задачами.

Из неё вытекают два следствия. Первое: бенчмарк оценивает одну способность модели — и только её. MMLU на 95% не гарантирует, что модель напишет хорошее коммерческое предложение. HumanEval на 80% не означает, что она починит ваш рабочий код. Второе: цифра в бенчмарке объективна, а вот выбор этой цифры — чей-то. Когда вендор измеряет «интеллект» через multiple choice по 57 академическим предметам, он за вас решает, что считать важным. Для офисного внедрения это не та метрика.

Бенчмарки полезны как стартовая точка для отбора. Опасны — как финальное решение. Вся глава сводится к одной фразе: бенчмарк — это рентгеновский снимок одной способности, а не медицинская карта. По