Об авторе: Сергей Бережной, директор по взаимодействию с разработчиками в «Яндексе», технический директор «Яндекс Практикума».
По данным исследователей Массачусетского технологического института, 95% корпоративных пилотных проектов с генеративным ИИ пока не приносят измеримого бизнес-эффекта. Причина не в качестве моделей, а в том, как компании встраивают их в свои процессы. Возник парадокс: чем мощнее становятся модели, тем выше требования к человеку — к постановке задач, контролю и интерпретации результатов.
Ошибка в ожиданиях
ИИ часто воспринимают как автопилот: нажал кнопку — получил результат. Но в реальной работе он ближе к экзоскелету: усиливает специалиста, помогает быстрее пройти часть пути, но не решает за него, куда идти и зачем. Модель может написать код или сгенерировать текст, но она не знает контекста, в котором живет компания: бюджетных рамок, регуляторных требований, договоренностей с клиентами.
Чем сильнее модель, тем больше ей доверяют — и тем дороже обходится ее ошибка. Одно дело, когда она подсказала фрагмент текста, — и совсем другое, когда агент меняет файлы, запускает команды, обращается во внешние сервисы и действует от имени компании. Рынок уже накопил показательные примеры. Канадский трибунал встал на сторону пассажира Air Canada, которому чат-бот авиакомпании дал неверную информацию об условиях возврата стоимости билета. Попытка представить бота как самостоятельную сторону не сработала — за информацию в автоматизированном канале отвечает компания.
Deloitte Australia вернула правительству часть оплаты по контракту на 440 тыс. австралийских долларов после того, как в подготовленном с помощью нейросети отчете нашли ссылки на несуществующие научные работы и выдуманную цитату из решения суда. В обоих случаях технология сработала правдоподобно: не хватило именно человеческой проверки.
Иллюзия готового результата
Попытки полностью отдать работу алгоритмам чаще всего неудачны. Показателен пример шведской финтех-компании Klarna: в 2024 году она передала клиентскую поддержку ИИ-ассистенту и заморозила наем. Однако с частью обращений — спорных, нестандартных, эмоционально сложных — ассистент не справлялся, и клиенты запрашивали общение с сотрудниками. В итоге компания скорректировала подход и вернулась к гибридной модели, где ИИ помогает сократить рутину, а финальные решения и валидация результатов остаются за экспертами.
Риск кроется и в иллюзии безупречной работы технологии. Исследование Гарвардской школы бизнеса и Boston Consulting Group с участием 758 сотрудников показало обе стороны эффекта. На 18 задачах, лежащих внутри границы возможностей модели, участники с доступом к GPT-4 выполнили на 12% больше работы, справились на 25% быстрее и дали решения заметно более высокого качества. Но на задаче за пределами этой границы — сложном кейсе по бренд-стратегии, где нужно было совместить данные из таблиц с деталями из интервью, — они давали верный ответ на 19 процентных пунктов реже, чем коллеги без ИИ.
Показательно, что группа, получившая инструктаж, как составлять запросы, ошибалась еще чаще: дело не в умении писать промпты, а в понимании, где модель применима, а где ее ответ нужно проверить. Чем убедительнее становятся ответы, тем труднее на глаз отличить надежный результат от правдоподобного — и тем выше цена человеческой экспертизы.
От написания промптов к проектированию процессов
Настоящий эффект от ИИ появляется тогда, когда вокруг него строится система решений: рутина — алгоритму, финальное решение — человеку. Подобный подход, например, иллюстрируют проекты, которые в этом году попали в лист премии «Сделано с ИИ» от «Яндекс Практикума»: на конкурс для специалистов с опытом до пяти лет поступило почти 150 заявок со всей России. Несмотря на разные отрасли и задачи, большинство участников использовали генеративные модели по схожему принципу: ИИ ускорял отдельные этапы работы, а специалисты отвечали за постановку задачи, проверку результата и финальные решения.
В научном секторе автоматизация обработки экспериментальных данных в криогенной лаборатории сократила время анализа с нескольких часов до пары минут, но ученые сохранили за собой контроль над параметрами эксперимента. В сфере цифровых продуктов алгоритмы ускорили работу над упаковкой бренда и сократили цикл разработки концепта, хотя стратегические решения оставались за автором.
Из этого следует, что ценность приносит не сама модель, а выстроенный вокруг нее процесс. Вместо того чтобы написать один запрос в чат и надеяться на магию, грамотный специалист действует по шагам:
Правильно готовится к задаче. Прежде чем открывать нейросеть, человек сам определяет цели, бизнес-ограничения и критерии успеха. На практике это выглядит как работа слоями: сначала расплывчатая идея превращается в точное описание, а затем — в подробную спецификацию. Специалист раскладывает сложную задачу на простые этапы и решает, где действительно нужен ИИ, где сработает обычный скрипт, а где работу должен сделать человек. Умеет работать с нейросетью как с помощником, а не готовым исполнителем. Опытный специалист использует модель для генерации идей или создания черновика, но не берет этот результат на веру. Он сразу закладывает промежуточные проверки, сравнивает разные варианты и находит места, где модель «поплыла» или придумала несуществующие вещи. Организует безопасную проверку финального результата. В разработке это означает, что человек не просто запускает сгенерированный код, а проверяет контракты, доступы, базовую архитектуру, обработку ошибок и поведение системы в крайних сценариях. В других сферах — сверяет данные с первоисточниками и требованиями бизнеса. Ставит вокруг ИИ инженерные ограждения. Чтобы автономные агенты или боты не навредили продукту, он ограничивает им права доступа к базам данных, запрещает отдавать модели лишнюю информацию, добавляет автотесты и оставляет за человеком обязательное подтверждение критических операций.
Почему за это платят
Рынок труда все заметнее нуждается в специалистах, которые смотрят на ИИ системно и выстраивают процессы вокруг технологии. По данным исследования «Яндекс Практикума» и getmatch, к маю 2026 года ИИ-навыки стали обязательным требованием в 43% digital-вакансий против 34,5% полгода назад — причем ждут их далеко не только от программистов: у руководителей проектов доля таких вакансий выросла с 9,5% до 35%, у специалистов по информационной безопасности — с 8,8% до 32,3%. И это уже отражается на доходе: среди почти 1 700 вакансий вне Data Science медианная зарплата стала выше там, где требовалось умение работать с ИИ, а у руководителей проектов разница доходит до 14,5%.
Фундаментальные знания человека никуда не исчезают. Без понимания предметной области, архитектуры и систем работы с данными специалист не способен оценить качество ответа и рискует принимать решения на основе непроверенной информации. Генеративный ИИ меняет не столько объем человеческой работы, сколько ее содержание: выигрывает тот, кто умеет формулировать критерии успеха, выстраивать систему проверок и отвечать за результат. ИИ не заменит сильных специалистов — но специалисты, которые умеют с ним работать, постепенно будут заменять тех, кто принципиально остается без этих инструментов.
➤ Подписывайтесь на телеграм-канал «РБК Трендов» — будьте в курсе последних тенденций в науке, бизнесе, обществе и технологиях.