ИИ в IT всё увереннее забирает тексты, код и типовые цифровые задачи, но это не значит, что разработчиков, технических писателей и аналитиков пора списывать в архив. В новой колонке X5 Tech, как сообщает Habr / Карьера, акцент смещён с привычного страха «нас заменят» на более полезный вопрос: какие части работы действительно автоматизируются, а где ценность человека только растёт.
Материал открывает серию из четырёх статей о том, как искусственный интеллект меняет IT-профессии. Автор, философ науки и техники и технический писатель, начинает с простой, но неприятной для многих мысли: генерация текста, кода, документации и другого контента — лишь видимая часть работы. За ней остаются постановка задачи, понимание контекста, проверка результата, ответственность за последствия и умение договориться с людьми, которые в промпт обычно не помещаются.
Главный тезис первой части: нынешняя волна автоматизации выглядит новой, но сам сценарий рынку знаком. Технологии уже не раз забирали повторяемые операции, меняли распределение задач и создавали роли вокруг новых систем. Сначала исчезает часть ручной работы, потом появляются новые интерфейсы, процессы, специализации и требования к тем, кто умеет управлять усложнившейся машиной. Паника каждый раз звучит громче, чем последующая реорганизация труда, хотя реорганизация обычно оказывается важнее.
Сейчас отличие в масштабе и скорости. Компании уже не ограничиваются демонстрациями нейросетей на конференциях и внутренними экспериментами «посмотрим, что получится». По оценке автора, бизнес переходит от пилотов к промышленной эксплуатации: ИИ начинают встраивать в рабочие процессы, где есть SLA, бюджеты, ответственность, интеграции и пользователи, которые не обязаны восхищаться красивой демкой. Для русскоязычной IT-аудитории это важный сигнал: вопрос уже не в том, пробовать ли ИИ в IT, а в том, кто будет отвечать за качество его внедрения.
При этом промышленное внедрение не выглядит гладкой прогулкой. В статье приводится оценка RAND Corporation: около 80% проектов в области искусственного интеллекта в мире не доходят до успеха. Причины обычно не сводятся к «модель плохо отвечает». AI-проект ломается на данных, ожиданиях, интеграции в процессы, безопасности, юридических ограничениях, экономике поддержки и банальном отсутствии владельца результата. Нейросеть может впечатляюще написать фрагмент кода, но это ещё не продукт, не сервис и не бизнес-эффект.
Российский рынок, судя по приведённым в материале данным, тоже находится в странном промежуточном состоянии: деньги уже тратятся, массовой зрелости ещё нет. Сооснователь Napoleon IT Павел Подкорытов оценивает расходы российских компаний на внедрение ИИ более чем в 90 млрд рублей в год, но реально используют такие решения не более 6% организаций. Цифры выглядят как холодный душ для презентаций про «AI-first»: интерес огромный, бюджеты есть, но между закупкой, пилотом и регулярной пользой лежит длинная инженерная и организационная работа.
Автор связывает это с цикличностью развития искусственного интеллекта. У ИИ уже были периоды завышенных ожиданий, разочарования и нового подъёма. Каждый раз демо показывали впечатляющие результаты, а реальная эксплуатация вытаскивала на поверхность ограничения: неполные данные, нестабильное качество, стоимость масштабирования, зависимость от человеческой проверки. Нынешние языковые модели действительно сильнее прежних систем, но базовое напряжение никуда не делось: красиво сгенерированный ответ и надёжная работа в производственном контуре — разные жанры.
Для разработчиков это означает не исчезновение профессии, а сдвиг акцента. Быстрее всего автоматизируются задачи с понятным шаблоном, большим количеством примеров и низкой ценой ошибки: черновики документации, типовые тесты, фрагменты кода, резюме встреч, первичная сортировка обращений, шаблонная аналитика. Дольше держатся зоны, где нужно понять, зачем вообще делается задача, какие ограничения важны, кому навредит ошибка и почему «формально правильный» ответ может быть плохим решением.
Для бизнеса вывод ещё прозаичнее: ИИ в IT не отменяет управление, архитектуру и экспертизу. Если компания не умеет описывать процессы, работать с данными, измерять эффект и принимать решения о качестве, модель не исправит эту проблему. Она скорее ускорит хаос: будет быстрее генерировать документы, код и отчёты, которые всё равно некому проверять и связывать с реальными целями. Поэтому спрос может смещаться от чистого производства артефактов к ролям на стыке доменной экспертизы, системного мышления и контроля автоматизации.
Самая практичная интрига здесь не в том, «заберёт ли ИИ работу», а в том, какие специалисты первыми научатся делегировать машине рутину и оставят себе право на постановку задачи, проверку смысла и ответственность за результат. В ближайшие годы рынок, похоже, будет платить не за умение соревноваться с генератором текста или кода, а за способность понимать, где генератору можно доверять, где его надо ограничить и где без человека всё ещё получается дорогая имитация работы.