Что будет со средним классом, если хорошего образования и квалификации станет недостаточно? Обычно в разговорах об ИИ нам советуют учиться, осваивать инструменты и работать продуктивнее. Я сама так делаю и считаю этот совет полезным. Но статья Бранко Милановича и Нилса Гилмана⁠ заставила меня подумать о его ограничении. Авторы задают вопрос: что произойдёт, если ИИ начнёт замещать интеллектуальную работу, за которую сегодня хорошо платят? Для многих людей образование и профессия были способом обеспечить себе устойчивый доход и со временем подняться выше. Если ценность такой работы снизится, одного усердия может оказаться недостаточно. Авторы описывают один из возможных сценариев: наверху остаются владельцы технологий и капитала, ниже — люди, выполняющие работу, которую ИИ пока не может взять на себя. А большая часть привычного среднего класса теряет ту опору, на которой строила своё положение. Это довольно мрачная картина. И это сценарий, а не то, что уже произошло. Пока никто не знает, какие профессии ИИ усилит, а какие начнёт вытеснять. Что я с этим делаю для себя? Продолжаю учиться, работать с ИИ каждый день и пробовать применять его в реальных задачах. Возможно, такой стратегии будет недостаточно. Но мне ближе грести лапками со всех сторон, чем ждать определённости. Я не могу управлять тем, как изменится рынок труда. Зато могу участвовать в изменениях там, где у меня есть влияние. Если они всё равно происходят, я предпочту быть ближе к их авангарду, чем наблюдать со стороны. А вы думаете о том, как ИИ может изменить ваш путь в профессии — или пока это кажется слишком далёким сценарием?

Меня уже тошнило от цифр. Но гипотезы нужно было проверить. Две недели я разбирала выгрузки из нескольких систем. Я не аналитик и не люблю возиться с таблицами. Но мне нужно было проверить свои гипотезы и увидеть самые большие разрывы в процессе — уже не по ощущениям, а в цифрах. Сначала казалось: загружу данные в нейросеть — и она быстро всё сопоставит. Она действительно выдала выводы. Только часть из них оказалась неверной. Одинаковые на вид записи означали разные ситуации, а некоторые события вообще не фиксировались в системах. Без знания процесса ИИ мог прочитать таблицу и при этом неправильно объяснить, что происходит. Сначала я злилась. Писала нейросети, что здесь не сходится, задавала каверзные вопросы и снова находила ошибки. А потом втянулась: стало интересно искать, в каком именно месте она сделала неверное допущение. Я уточняла правила анализа, сверяла выводы с исходными данными и сделала отдельных агентов, которые искали несоответствия. После нескольких итераций стало понятнее, какие гипотезы подтверждаются цифрами, где самые большие разрывы и для каких выводов данных пока не хватает. При этом ИИ снял большой объём ручной работы: например, помог разобрать и типизировать массив текстовых комментариев. Что я вынесла из этих двух недель: 1. Нужны точки опоры в самом процессе. Что означает показатель, на каком этапе появляется запись и чего в выгрузке вообще нет. 2. Проверку нужно отделять от анализа. Я использовала отдельных агентов и сверяла их замечания с исходными данными. По возможности стоит подключать и другую модель, чтобы снизить риск повторения той же ошибки. 3. Ошибки нужно превращать в правила. Если ИИ смешал этапы или неверно понял поле, недостаточно поправить итоговый текст. Нужно изменить условия анализа, чтобы ошибка не повторилась. Нейросеть ускорила обработку данных и анализ. А разбираться, имеют ли её выводы отношение к реальности, пришлось мне.