В 1967 году IBM выпустила рекламный ролик с простой и дерзкой мыслью: «Машины должны работать, люди должны думать». Автором слогана был Джим Хенсон — тот самый, который позже создал Маппетов. Фраза оказалась настолько точной, что звучала в композициях Fatboy Slim и десятков других музыкантов. Прошло почти шестьдесят лет. Машины стали несравнимо мощнее. Задача по-прежнему не выполнена.
Когда новая технология не оправдывает ожиданий, первый импульс — обвинить саму технологию. Так происходит и с искусственным интеллектом: компании вкладывают значительные ресурсы во внедрение, ждут трансформации — и разочаровываются. Но проблема, как правило, не в инструменте. Проблема в том, что и компании, и люди так и не разобрались, где заканчивается работа машины и начинается работа человека.
Большинство корпоративных структур создавались в логике другой эпохи: предсказуемые процессы, централизованное принятие решений, четкие границы между подразделениями, контролируемое исполнение. Эта архитектура хорошо решает задачи стабильности и управления рисками. Но она принципиально не приспособлена к тому, чего требует работа с искусственным интеллектом, — быстрому тестированию гипотез, итеративному обучению, готовности менять курс на основе реальных данных.
Не тот вопрос
Искусственный интеллект по своей природе требует короткого цикла между идеей и проверкой. Команда выдвигает гипотезу, запускает эксперимент, получает обратную связь, корректирует подход. Именно этот цикл генерирует реальную ценность. Но во многих организациях даже небольшой эксперимент требует согласований на нескольких уровнях, координации между разрозненными отделами и прохождения через процедуры, разработанные для совсем другого масштаба решений. К тому времени, когда все согласовано, контекст уже изменился, а импульс утрачен.
То, что менеджеры описывают как «низкую эффективность искусственного интеллекта», нередко является просто отражением того, как в компании устроено принятие решений. Технология здесь ни при чем — она просто делает видимым то, что раньше было скрыто за более медленными процессами.
Именно поэтому самый продуктивный вопрос для руководителя звучит не «как нам внедрить искусственный интеллект», а «что именно в нашей организации мешает ему работать». Это смещение кажется незначительным, но меняет всю оптику: фокус переходит с выбора инструментов на анализ систем. Где тормозятся решения? Где блокируются эксперименты? Где размыта ответственность? Ответы на эти вопросы, как правило, обнаруживают, что настоящая работа по трансформации — организационная, а не технологическая.
Человек в той же ловушке
Ровно та же логика работает на уровне отдельных сотрудников. Здесь тоже задают не тот вопрос.
Публичная дискуссия об искусственном интеллекте и рынке труда застряла в плоскости «заменит или не заменит». Этот вопрос понятен эмоционально, но малопродуктивен аналитически. История технологических волн показывает устойчивую закономерность: новые технологии уничтожают одни профессии и создают другие, зачастую такие, которые прежде было невозможно даже сформулировать. Двадцать лет назад никто не знал, что такое «менеджер по продукту» в технологической компании, «специалист по росту» или «тренер модели искусственного интеллекта». Сегодня это обычные строчки в объявлениях о найме.
Данные подтверждают эту динамику и в нынешнем цикле. Согласно глобальному барометру вакансий в сфере искусственного интеллекта, опубликованному PwC в 2025 году, общее число открытых позиций на рынке труда сократилось — но количество вакансий, связанных с искусственным интеллектом, выросло почти на 40%. Рынок не схлопывается. Он перестраивается.
Навык, который нельзя автоматизировать
Перестройка идет в конкретном направлении. Компании готовы платить существенно больше специалистам, которые не просто умеют пользоваться инструментами искусственного интеллекта, но понимают, как применять их к реальным бизнес-задачам. Это тонкое, но принципиальное различие: знать, как работает инструмент, и понимать, какую задачу он на самом деле решает, — разные компетенции.
Здесь и возникает парадокс технологического энтузиазма. Желание автоматизировать все доступное — вполне понятный импульс. Но если организация последовательно выводит человеческое суждение из процессов принятия решений, она рискует потерять именно то, что делает решения разумными. Машина отлично справляется с «если… то». Но вопрос «почему» — это всегда человеческая территория.
Самые ценные сотрудники в нынешней среде — не те, кто быстрее всех освоил очередной интерфейс. Это те, кто способен задать правильный вопрос: что именно здесь нужно решить и зачем.
Два масштаба, один ответ
Организационный и индивидуальный уровни, при всем их различии, описывают одну и ту же ситуацию. Корпоративные структуры пытаются встроить искусственный интеллект в логику, созданную для другой скорости. Сотрудники пытаются понять, как сохранить место в логике, сформированной страхом замены. И в том, и в другом случае ответ находится не там, где ищут.
IBM сформулировала задачу еще в 1967-м. Мы до сих пор с ней не справились не потому что не хватает технологий, а потому что продолжаем задавать не те вопросы. Организации выигрывают от искусственного интеллекта не благодаря лучшему инструменту, а благодаря готовности пересмотреть собственные процессы. Люди, которые останутся востребованными, — не те, кто достиг успехов в автоматизации, а те, кто сохранил способность ставить новые вопросы.
▼
Канал Anton Elston — это актуальная информация об IT, блокчейне, NFT и онлайн-образовании. Здесь развивается метавселенная DEXART и происходит погружение в мир ИИ
