Джеффри Хинтон, лауреат Нобелевской премии и один из пионеров искусственных нейронных сетей, в последнее время резко обрушился с критикой на технологические гиганты. От обвинений в ненасытной корпоративной алчности до предупреждений об угрозах ИИ — он словно Пандора стремится вернуть опасность обратно в коробку. Но в свежем интервью Bloomberg он пошёл ещё дальше, подорвав основы экономической привлекательности ИИ.
На вопрос о том, оправдаются ли миллиардные вложения в ИИ, Хинтон ответил: «Скорее нет. Чтобы ИИ начал приносить прибыль, он должен вытеснить человеческий труд».
Хинтон убеждён, что массовая замена людей на машины неизбежно приведёт к глубоким социально-экономическим потрясениям, превращая триллионные инвестиции в убыточную историю: если ведь ИИ действительно начнёт приносить доход, сама экономика рухнет под тяжестью безработицы.
Но Хинтон упускает главный вопрос: «Может ли ИИ в принципе полностью заменить человеческий труд?»
Он, вероятно, избегает этого, чтобы не подрывать миф о всесильном цифровом Франкенштейне. Я же не испытываю таких сомнений. И вот почему ИИ не отберёт у нас работу — и почему этот проект обречён.
Судя по заголовкам, ИИ уже готов уничтожить рабочие места. Исследование AI Resume Builder утверждает, что 30 % компаний намерены заменить специалистов по персоналу роботом к 2026 году, а руководитель Buy It Direct предрёк ИИ сокращение двух третей штата. Звучит устрашающе, но у первого источника очевидный интерес в преувеличении пользы ИИ, а второй — просто шантажирует сотрудников на фоне нового британского закона о минимальном доходе.
Данные свидетельствуют об обратном.
Возьмём отчёт MIT: 95 % пилотных проектов с генеративным ИИ не дали роста доходов или производительности, а часто даже ухудшили результаты. Причём эти системы не заменяют людей, а лишь должны им помогать. Если они не справляются с ролью ассистентов, откуда взяться полноценной автоматизации?
Ещё одно исследование METR показало, что инструменты для автогенерации кода на основе ИИ замедляют разработчиков, создавая баги и «галлюцинации». Программистам приходится тратить часы на поиск и исправление ошибок, заложенных машиной, что полностью нивелирует любую экономию времени.
По данным Harvard Business Review, 40 % сотрудников за последний месяц сталкивались с «рабочим мусором» — поверхностно выглядящими, но бесполезными результатами ИИ. Галлюцинации и неточности нарушают коммуникацию между специалистами и руководством и снижают производительность команд.
Если ИИ замедляет нас, как он заменит нас?
Попробуйте BotHub! Делегируйте рутинные задачи — не нужен VPN, поддерживается российская банковская карта. По ссылке можно получить 100 000 бесплатных токенов для старта: bothub.chat.
Настоящую угрозу несут не обычные LLM, а так называемые «агентные» ИИ, способные действовать без человека. На деле же их не существует: не найдена методика обучения на человеческих действиях, подходящих для всех задач, и каждый шаг расширяет модель настолько, что она становится слишком громоздкой и дорогой. А текущие «агенты» — лишь переупакованные LLM, которые проваливаются в 70 % офисных задач по данным Carnegie Mellon.
Психологические риски не менее серьёзны. Исследование Microsoft и Carnegie Mellon зафиксировало, что активное использование ИИ снижает критическое мышление: мы теряем «мышцу» анализа и проверки, полагаясь на алгоритмы. MIT Sloan обнаружил, что менее опытные сотрудники выигрывают от генеративного ИИ, но эксперты теряют свою квалификацию, что препятствует профессиональному росту и ослабляет контроль менеджеров над процессами.
Представьте руководителя, наблюдающего за армией «ИИ-работников»: он утрачивает способность понять реальные задачи, так как сам становится заложником неточного инструмента и теряет навыки оценки результата. Контроль и ответственность размываются, грозя катастрофой.
Почему же тогда многие верят в массовую замену труда? Ответ — эффект Даннинга-Крюгера. Опрос Upwork показал, что 96 % управленцев уверены в повышении эффективности благодаря ИИ, хотя 77 % сотрудников отмечают обратный эффект: рост нагрузки из-за «рабочего мусора».
Менеджеры, далёкие от реальной работы, принимают иллюзорные успехи ИИ за настоящие, игнорируя галлюцинации и ошибки, и потому верят в чудеса автоматизации.
Есть отдельные исследования (например, от Marketing AI Institute при Гарварде), доказывающие прирост продуктивности с ИИ, но они слишком локальны, маломасштабны и часто основаны на самоотчётах, не отражая реальную картину.
Дальнейший рост ИИ сталкивается с пределом эффективности вычислений: для линейного улучшения нужны экспоненциальные ресурсы, но отдача снижается, и даже самые крупные модели вносят лишь незначительные улучшения, незаметные большинству пользователей.
Гипотеза Флориди указывает, что системы могут быть надёжными лишь в узкой сфере или неточными при широком охвате, независимо от размера. А последние исследования OpenAI подтверждают, что ни больше данных, ни больше мощности не устраняют галлюцинации.
Вывод простой: ИИ упёрся в собственные ограничения и не переживёт качественного скачка. Корпоративная гонка лишь дует пузырь, на котором держится западная экономика.
Хинтон прав: без замены труда ИИ не окупится. Согласно последним оценкам, к 2030 году индустрия ИИ должна генерировать 2 трлн $ годовых, чтобы покрыть расходы на дата-центры, иначе ей не хватит 800 млрд $. Но, как мы увидели, массовая автоматизация невозможна.
Заменит ли ИИ людей и погрузит ли экономику в кризис?
Нет и ещё раз — нет! Иллюзия тотальной автоматизации грозит не безработицей, а экономическим обвалом из-за нерациональных вложений. Мы рискуем рухнуть не от машин, а от собственной слепоты.
Ваше мнение
Столкнулись ли вы с проблемами «рабочего мусора» на своём месте? Считаете ли вы ИИ прорывом или переоценённым инструментом? Что опаснее: массовая безработица или гигантский финансовый пузырь?
Делитесь мыслями в комментариях!
