Анализ июня 2025 года утверждает, что искусственный интеллект быстрее развивается там, где работа уже создаёт данные, устойчивую обратную связь и повторяемые критерии успеха. Для руководителей граница проходит не столько между творческими и рутинными профессиями, сколько между задачами, которые можно наблюдать, оценивать и улучшать в масштабе.

Гарвард бизнес ревью (Harvard Business Review) опубликовал статью Кристиана Каталини (Christian Catalini), Джейн Ву (Jane Wu) и Кевина Чжана (Kevin Zhang) 19 июня 2025 года. Её заголовок намеренно широк, но аргумент полезнее воспринимать как модель, а не неизбежный закон. Измеримость облегчает автоматизацию задачи, но не доказывает безопасность результата и готовность заменить целую профессию.

Для автоматизации недостаточно способной модели

Авторы описывают двигатель из трёх частей. Системе нужны примеры или наблюдения задачи, вознаграждение либо сигнал обратной связи, отличающий лучший результат, и вычислительные ресурсы для повторений. Слабость одного элемента мешает превратить способности модели в надёжную работу. Большой архив с неоднозначными исходами отличается от чистой записи действий и проверенных результатов.

Поэтому важны операционные следы. Клиентский процесс фиксирует вопрос, ответ, срок решения и последующую жалобу. Производственная линия записывает датчики, дефекты и принятые детали. Проектное решение оставляет файлы, но не обязательно даёт общую оценку оригинальности, доверия или коммерческой долговечности. Данные есть во всех случаях, однако быстрая обратная связь — только в некоторых.

Документы, изображения, звуковые волны и датчики проходят через камеру обратной связи без надписей и вычислительные модули к повторяемым результатам, а неоднородные материалы остаются снаружи
Цифрового следа недостаточно: системе также нужен осмысленный способ оценить результат.

Задача сильнее подвержена автоматизации, если у неё есть

  • много сопоставимых примеров, собранных в достаточно одинаковых условиях;
  • результат, который можно быстро и недорого проверить;
  • метрика, отражающая реальную цель, а не удобный заменитель;
  • обратная связь, поступающая достаточно быстро для следующей попытки;
  • ограниченные последствия передачи неопределённого случая человеку или его отклонения;
  • процесс, который программа наблюдает и изменяет без потери существенного контекста.

ImageNet показывает силу измеримого соревнования

Авторская версия до редакции приводит ImageNet как пример. Большая размеченная коллекция изображений дала исследователям общий обучающий ресурс, а соревнование и показатели ошибки сделали прогресс сопоставимым. В 2012 году результат нейросети изменил ожидания от компьютерного зрения, потому что преимущество удалось показать на одном эталоне.

Это не значит, что каждому бизнесу нужна публичная таблица лидеров. Общие примеры и стабильная оценка превращают расплывчатое улучшение в инженерный цикл. Но эталон можно оптимизировать, не охватив редкие случаи, новые условия и последствия ошибки. То, что удобно оценивать, способно вытеснить действительно важное.

Удешевление наблюдения расширяет границу

Раньше измерения стоили достаточно дорого, поэтому компании оставляли их для крупных проблем. Недорогие датчики, журналы программ и модели рядом с устройствами непрерывно фиксируют меньшие события. Синтетические данные дают примеры, которые сложно, дорого или опасно собирать в действительности. Автоматизация становится выгодной для задач с крошечной отдельной экономией, повторяющихся миллионы раз.

Однако синтетические примеры наследуют предпосылки создавшего их процесса. Датчики ломаются, журналы пропускают неформальную работу, а люди меняют поведение под наблюдением метрики. До автоматизации новой измеримой задачи нужно проверить представительность сигнала и способность оценки обнаруживать опасные крайние случаи.

Профессию необходимо разделять на задачи

Слово «автоматизируемая» скрывает внутреннее разнообразие роли. Аналитик находит записи, нормализует данные, рассчитывает сценарии, объясняет предпосылки и убеждает принимающего решение. Первые три действия могут иметь множество примеров и прямую проверку. Последние два сильнее зависят от контекста, доверия и ответственности. Поэтому состав профессии меняется задолго до исчезновения должности.

Разбор по задачам выявляет новые ограничения. При дешёвой генерации проверка может требовать больше экспертного внимания. Если начинающие сотрудники больше не выполняют базовый анализ, работодателю нужен другой способ дать им опыт для будущих суждений. Краткая экономия способна ослабить кадровый резерв, если одновременно не перестроить обучение.

Рисованный пейзаж помещает повторяемые детали в калиброванное автоматизированное производство с одной стороны и маленькую группу исследователей перед разветвлённой неизвестной местностью с другой
Работа включает как повторяемые маршруты, так и ситуации, для которых подходящей карты ещё нет.

Неизвестные вероятности создают другую проблему

Авторы отделяют моделируемый риск от найтианской (Knightian) неопределённости, где нельзя надёжно назначить вероятности, поскольку сами события или результаты ещё неизвестны. Запуск незнакомой категории, реакция на беспрецедентный кризис или выбор исследования могут не иметь повторяемой истории для обычного обучения и оценки.

Люди тоже не гарантируют правильного ответа, но способны формулировать новый вопрос, переносить аналогии между областями и принимать ответственность без статистического комфорта. Как только сфера становится измеримой, часть преимущества сокращается. Поэтому граница движется, а не делит работу навсегда на машинную и человеческую.

Средства управления границей измеримости

  1. разделить роли на задачи и определить данные, задержку обратной связи и цену ошибки для каждой;
  2. проверить, является ли метрика верной целью или удобным показателем, которым можно манипулировать;
  3. измерять время проверки и число исключений вместе со скоростью генерации;
  4. сохранить подготовку специалистов через проверяемую практику, симуляции и работу с неоднозначными случаями;
  5. задать правила передачи человеку решений с низкой уверенностью, новизной или высокими последствиями;
  6. финансировать эксперименты, ценность которых пока нельзя выразить точной ближайшей доходностью.

Неисчислимое тоже требует управления

Доверие, вкус, неявное знание и способность заметить новую проблему плохо сводятся к одной цели. Поэтому измеряющая всё организация легко ими пренебрегает. Защитить их без отказа от ответственности помогают портфели, коллегиальная проверка, содержательные свидетельства и поэтапные эксперименты вместо преждевременного численного балла.

Июньская статья предлагает более точный вопрос, чем перечень исчезающих профессий. Компаниям стоит выяснять, где данные и обратная связь уже образуют цикл обучения, где наблюдение дешевеет и где видимая точность скрывает потерянный контекст. Такая карта постоянно меняется, поэтому устойчивой компетенцией становится не разовый прогноз, а дисциплинированная перестройка работы и проверки.