Проблема не в самом AI, а в том, что мы путаем технологический хайп с промышленным внедрением — и это создает болезненный разрыв между ожиданиями и реальностью. В 2024 году шведская финтех-компания Klarna заявила, что ее AI-ассистент выполняет работу, эквивалентную 700 сотрудникам службы поддержки. Но уже в 2025 году компания скорректировала курс: оказалось, что без «человека в петле» система не справляется с нестандартными ситуациями, не понимает контекст человеческих отношений, не чувствует, когда ответ написан слишком восторженно для конкретной деловой культуры, не берет на себя ответственность за последствия. Klarna вернула акцент на живых операторов и возможность легко переключиться с бота на человека.
Это классический эффект цикла Гартнера — модели, описывающей траекторию внедрения новой технологии.
Сначала бешеный хайп: все уверены, что через полгода сотрудники не нужны, AI заменит всех. Потом хайп падает, наступает разочарование — технология сырая, есть ограничения. И только после этого начинается настоящее системное внедрение — медленное, требующее адаптации процессов и обучения людей. Klarna прошла этот путь быстрее многих, не понимая поначалу, что между появлением технологии и ее промышленным использованием лежит пропасть времени.
Я сам недавно собрал систему управления блогом с SEO-оптимизацией. Это заняло 4 часа. Раньше требовало полгода работы команды разработчиков. Я не написал ни одной строчки кода — все сделал AI-агент. Это вызывает восторг, это невероятный прорыв. Но есть нюанс: попробуй масштабировать проект на тысячи пользователей — все рассыпается. Агент забывает контекст, теряется в кодовой базе, каждый раз начинает с нуля. В отличие от человека, который помнит архитектуру проекта, агент не держит в голове общую картину.
Ключевая особенность современного AI — абсолютная неровность интеллекта. В 2025 году искусственный интеллект впервые показал на задачах Международной математической олимпиады результат «золотой медали»: модели Google DeepMind и OpenAI решили 5 из 6 задач IMO-2025, набрав 35 из 42 баллов. Триумф технологии. Но в том же году появился тест Arc AGI 3 с задачами, которые легко решает семилетний ребенок. Искусственный интеллект, показавший олимпиадный уровень, эти задачи не решает.
Причина — отсутствие fluid intelligence, текучего интеллекта. Это способность видеть принципиально новую задачу и придумывать решение на ходу, адаптируя опыт под ситуацию. AI блестяще справляется с задачами, на которых обучен, но проваливается там, где нужен новый подход. Большие языковые модели изначально созданы как модели предсказания следующего слова — ключевое слово здесь «предсказание», то есть вероятность. Галлюцинации — неизбежное свойство LLM. С каждой итерацией их становится меньше, но полностью они не исчезнут. Можно воспринимать это как баг, а можно как фичу — есть даже арт-проекты, где галлюцинации используют как форму работы с недетерминированной реальностью.
Для бизнеса это означает, что AI не может быть полностью автономным. Ему нужен контроль, нужен человек, который понимает, где агент ошибся, где выдал красивую, но бессмысленную воду. Здесь возникает болезненный вопрос контролера.
В программировании — самой развитой сфере применения AI-агентов — рынок джуниор-разработчиков серьезно просел. Google пишет больше 30% кода с помощью AI, и это консервативная компания. Y Combinator, американский акселератор стартапов, который раньше не брал команды без технического кофаундера, теперь берет и их. Знак для рынка: стартап можно запустить без глубокого опыта программирования. То, что раньше стоило $10 тыс. и полгода работы, теперь стоит $10 и 4 часа.
Но если джуниоры не нужны, откуда возьмутся сеньоры. Раньше путь был понятен: приходишь джуниором, мало получаешь, растешь, набираешься опыта, через 5–7 лет становишься сеньором. Сейчас этот путь обрывается. Компаниям нужны сеньоры, которые могут управлять AI, масштабировать проекты, обеспечивать стабильную работу на тысячи пользователей. Джуниоры нужны только «на вырост», и компания теряет на них деньги, потому что AI справляется лучше. Джуниоры становятся экономически невидимыми — их труд обесценивается, позиция размывается, путь наверх блокируется.
Та же проблема в журналистике, копирайтинге, дизайне — везде, где есть рутина начального уровня. AI забирает именно эти задачи, и молодые специалисты оказываются в ситуации, когда нет возможности «выходить ногами» свой опыт. Раньше можно было писать небольшие тексты, получать немного денег, но накапливать насмотренность, чувство языка. Сейчас на лонгрид дают час-полтора, ожидают сразу качественный результат, потому что есть AI-помощник. Но если человек не стал профессионалом, он не может отличить хороший текст от плохого, не видит, где AI выдал звонкую пустоту — форму без содержания.
История с беспилотными автомобилями — идеальная иллюстрация того, сколько времени занимает реальное внедрение. В 2013 году Андрей Карпатый, позже один из учредителей OpenAI, бывший директор по ИИ в Tesla приехал в Сан-Франциско. Друг предложил «увидеть будущее» — они сели на заднее сиденье, машина поехала сама. Карпатый вышел в восторге, уверенный, что через полгода весь мир будет на беспилотниках. Прошло 17 лет. Даже в Сан-Франциско нет полного доминирования самоуправляемых машин. Что говорить про другие города, страны.
Технология появилась, но дальше возникли бюрократия, вопросы безопасности, юридические проблемы, адаптация инфраструктуры. Это занимает не месяцы, а десятилетия. В недавнем интервью Карпатый сказал: все говорят «2025 — год агентов», но почему мы пристали к 2025-му. Нас ждет декада агентов, может, тридцатилетие. Мы в самом начале пути, и следующие 10 лет — процесс внедрения, понимания, как это работает, обучения людей, создания новых профессий.
Важный момент: мы прожили 70 лет, привыкая к компьютерам. Сформировалась привычка — берешь компьютер, настраиваешь, он работает стабильно. Если на вход подаешь А, на выходе всегда Б. Детерминистические системы — сложные, но предопределенные. AI работает наоборот. Может за тебя говорить, писать, а на следующий день забыть, как зовут. Это создает непривычный эффект — система одновременно умная и глупая, эта неровность сбивает с толку.
Мы привыкли к машинам, которые тупые, но надежные, или к людям с памятью и контекстом. AI посередине — может решить задачу, которую не решит большинство программистов, но не помнит, что обсуждали вчера.
Это фундаментальное отличие создает разрыв между хайпом и реальностью. Компании ожидают, что AI будет работать как сотрудник — с памятью, пониманием контекста, накопленным опытом. Но AI — инструмент, и чтобы работал эффективно, нужна инфраструктура, нужны люди, понимающие его ограничения.
Единственная сфера, где AI-агенты работают на промышленном уровне, — программирование. Связано с тем, что легко проверить результат: код работает или нет. Агент пишет, запускает, видит ошибку, исправляет, повторяет до победного. Цикл позитивной обратной связи. В других сферах такой цикл выстроить сложнее. Как проверить качество перевода. Как объяснить, что в русском «Маугли» Багира — женщина, в английском — мужчина, и это не ошибка, а культурная особенность.
Здесь нужен человек — не тот, кто выполняет рутину, а кто понимает тонкие грани, контекст, культурные коды.
Это требует насмотренности, начитанности, опыта, который невозможно получить быстро. Я не согласен с Сэмом Альтманом, который говорил, что своих детей не будет учить программированию, потому что AI все сделает. Это полная зависимость от машин. Программирование — не только про код, это про развитие мозга, логику, способность разбивать сложную задачу на простые шаги. Но параллельно нужна гуманитарная база — читать, путешествовать, общаться, мыслить. Из этого рождаются идеи, а мир движется к тому, что идея — главный ресурс.
Раньше, чтобы создать значимое, нужны команда, деньги, связи. Сейчас за 3 часа с AI можно собрать проект, требовавший полгода. Вопрос в том, о чем мечтаешь, какие книги читал, какие проблемы видишь.
Насмотренность невозможно делегировать машине. AI помогает реализовать идею, но сама идея рождается в человеке.
Разрыв между хайпом и реальностью будет сокращаться медленно — через системное внедрение, адаптацию, появление новых профессий. Джуниор-разработчики исчезнут как класс, появятся новые роли — те, кто умеет управлять агентами, понимает ограничения, выстраивает процесс так, чтобы AI и люди работали вместе. Сеньоры будут дорожать, их опыт станет критически важным. Но путь займет годы, может, десятилетия — не месяцы, как казалось в момент выхода ChatGPT.
Сейчас мы в точке, где старые механизмы еще не умерли, новые толком не сформировались. Корпорации совершают ошибки, молодые специалисты не понимают, как встроиться в профессию, опытные не знают, как передать знания, если традиционный путь не работает. Зрелое отношение к AI — понимание всех проблем и одновременно понимание, что это невероятная технология. Не бояться, не отрицать, не верить слепо в хайп. Учиться работать с инструментом, понимая его природу — тогда декада адаптации пройдет не впустую.