Петр Щедровицкий
Как искусственный интеллект изменит предпринимательскую деятельность?
Щедровицкий П.Г., Елашкина А.В. Как «искусственный интеллект» изменит предпринимательскую деятельность? [Электронный ресурс] / Сайт Петра Щедровицкого. 2025. Режим доступа: https://shchedrovitskiy.com/kak-iskusstvenniy-intellect-izmenit-predprinimatelskuyu-deyatelnost/
Оглавление:
Лекция 1. Система координат
§ 2. Теория в функции ориентирования
§ 3. Цикличность процессов экономики и промышленные революции
§ 4. Развивается система разделения труда
§ 5. Взгляд на СРТ из внешней позиции
§ 6. Роль предпринимателя в углублении РТ
§ 7. Структура волны промышленной революции
§ 8. Горизонтальное и вертикальное разделение труда и дифференциация позиции инженера
§ 9. Сложности кооперации предпринимателя, инженера, менеджера
§ 10. Национальная и глобальная система разделения труда
§ 11. Конкуренция регионов за лидерство в промышленной революции
§ 12. Машинизация мышления как развитие на директрисе между вертикальным и горизонтальным РТ
Лекция 2. Место и роль «искусственного интеллекта» в новой промышленной революции
§ 1. Координаты
§ 2. Что такое знание?
§ 3. Объективированные и субъективированные знания
§ 4. Представления о мышлении и их систематизация
§ 5. Мегамашины, мануфактуризация и машинизация
§ 6. Замена машинами действий ума
§ 7. Мегамашины и машины в коммуникации
§ 8. Машины и кандидаты на массовый продукт умных машин на схеме мыследеятельности
§ 9. Особенности и закономерности складывания системы разделения труда в индустрии ИИ
§ 10. Необходимые для создания массового продукта “умная машина” слои в системе разделения труда
§ 11. Ограничения скорости развития СРТ
§ 12. Социальные нормы
§ 13. Сборка в форвардные продукты
§ 14. Прогнозы
Лекция 3. Возможности и риски для предпринимательских проектов
§ 1. «Система координат» для размещения представлений об «умных машинах третьего поколения»
§ 2. Конкретизация на схеме мыследеятельности
§ 3. Некоторые замечания о природе нейронных сетей
§ 4. Общие методологические замечания о нормировании деятельности для передачи нейронным сетям
§ 5. Венчурный мир и ИИ к настоящему моменту
§ 6. Природа предстоящей инвестиционной зимы ИИ
§ 7. Объективные процессы наращивания экономики ИИ со стороны стартапов
§ 8. Методологический вывод о способе действия стартапов
§ 9. Ориентировочные показатели цифровизации предприятий на ближайшие годы
§ 10. Производство – источник ценных данных для ИИ
§ 11. Смена типа потребления
§ 12. Смена структуры занятости
§ 13. Чему учить?
§ 14. Изменения в некоторых профессиях
§ 15. Топология действий в организации
§ 16. Объективация
§ 17. Возможности инструментов ИИ
§ 18. Экономика использования ИИ
§ 19. Что можно сделать прямо завтра?
§ 20. Прогнозы и продуктовые линии ИИ
§ 21. Некоторые глобальные тренды
Заключение
Лекция 1. Система координат
Вступление1
В рамках этого курса не ставится задача подменить управленческие или предпринимательские решения слушателей. Лектор не выступает в роли владельца бизнеса, менеджера или аналитика. Задача иная — создание условий для ориентации в сложившейся ситуации и выработки собственной стратегии поведения на основе введения рабочей онтологии индустрии ИИ.
Главный риск заключается в том, что поспешные действия могут привести к потерям, тогда как отсутствие действий оставляет без опоры и перспектив. В центре внимания оказывается вопрос выбора точки входа в происходящие изменения: где и как включиться в новую динамику, имея навигационную рамку для ориентации.
Рассмотрение ведётся не на уровне частных технологических решений, а в контексте широкой промышленной революции, частью которой является «искусственный интеллект». Курс вводит систему координат — рабочую онтологию индустрии ИИ, позволяющую фиксировать текущее положение на волне трансформаций, ориентироваться в происходящем и соотносить его с индивидуальной позицией каждого участника.
Существенно, что советы экспертов, предлагаемые на рынке, зачастую продиктованы интересами продавца технологий или аналитических услуг. В отличие от этого подхода, курс не ориентирован на продвижение готовых решений. Его цель — предоставить инструмент навигации и ориентации, позволяющий предпринимателю самостоятельно определять стратегию.
Участникам текущих процессов необходим операциональный язык, который делает возможным понимание происходящего и принятие решений в условиях неопределенности. Общие формулы о том, что «меняется экономика» или «меняется общество», недостаточны: они слишком абстрактны и не работают в практической плоскости.
- Лекции были прочитаны на площадке EntSpace в мае-июне 2025 года, entspace.com.
§ 1. Разноголосица информационных каналов в индустрии ИИ
Читая аналитические отчеты и материалы в открытых источниках, посвященные описанию технологий так называемого «искусственного интеллекта» и перспектив их масштабирования в ближайшие годы легко обнаружить целый ряд интересных и часто противоречащих друг другу оценок2.
2. Kokotajlo D., Alexander S., Larsen T., Lifland E., Dean R. AI 2027 [Электронный ресурс]. — AI Futures Project, 2025. — URL: https://ai-futures.org (дата обращения: 30.08.2025).
McKinsey & Company. Quantum computing: Game on [Электронный ресурс] : подкаст, 24 апреля 2025 г. — McKinsey Podcast. — URL: https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/quantum-computing-game-on (дата обращения: 30.08.2025).
McKinsey & Company, HCLTech. Future of tech services [Электронный ресурс]. — McKinsey Global Institute, 2025. — URL: https://www.mckinsey.com/mgi/overview (дата обращения: 30.08.2025).
Public Opinion Research Team. Global public opinion on artificial intelligence (GPO-AI) [Электронный ресурс]. — Munk School of Global Affairs & Public Policy, University of Toronto, 2024. — URL: https://papers.ssrn.com/sol3/Delivery.cfm/5108572.pdf?abstractid=5108572&mirid=1 (дата обращения: 30.08.2025).
Stanford Institute for Human-Centered Artificial Intelligence. AI Index Report 2024 [Электронный ресурс]. — Stanford HAI, 2024. — URL: https://hai.stanford.edu/ai-index/2024-ai-index-report (дата обращения: 30.08.2025).
Deloitte. Tech trends 2025: The future of AI hardware and infrastructure [Электронный ресурс]. — Deloitte, 2025. — URL: https://www.deloitte.com/ce/en/related-content/tech-trends-2025.html (дата обращения: 30.08.2025).
MIT NANDA Initiative. The GenAI Divide: State of AI in Business 2025 [Электронный ресурс] // Project NANDA, MIT Media Lab. — URL: https://nanda.media.mit.edu/ai_report_2025.pdf (дата обращения: 30.08.2025).
С одной стороны, видны явные успехи.
С конца 2010-х большие языковые модели (LLM) заметно продвинулись: улучшили пошаговое рассуждение, распознавание изображений, планирование, универсальность и мультимодальность. Это подтверждают результаты на стандартизированных тестах — MMLU, GSM8K, HumanEval, ARC, HellaSwag.
Несмотря на критику, ряд аналитиков считает, что новое поколение моделей вплотную подошло к уровню экспертов-людей или превзошло его.
В практической работе с информацией современные модели уже: переводят тексты на десятки языков на уровне профессиональных лингвистов, пишут и отлаживают код, составляют сложные научные аннотации, анализируют финансовые отчёты, формируют бизнес-стратегии. Конкретные примеры: GPT-4 по текстовому описанию создаёт работающий веб-сайт; Claude обрабатывает сотни страниц и выделяет ключевые идеи; Gemini в демонстрационных режимах решает сложные задачи по математике, физике, логике и программированию, совмещая текст и визуальные элементы.
С появлением мультиагентных систем возможности усилились: группы ИИ-агентов распределяют роли, спорят, делят задачи и достигают результатов, сравнимых с работой команд экспертов. При этом они начинают иначе работать с информацией: способны удерживать противоречивые сигналы, сопоставлять их, не сводя всё к простому «да» или «нет». Это подпитывает оптимизм и стимулирует ускоренное внедрение ИИ в бизнес-процессы.
Экономический эффект многими аналитиками оценивается высоко. По McKinsey, умные машины могут ежегодно добавлять к глобальному ВВП $2,6–4,4 трлн, повышая продуктивность других технологий. Goldman Sachs прогнозирует прирост мирового ВВП на 7% и ускорение роста производительности на 1,5 п.п. в год в течение десятилетия. При этом текущая статистика пока не показывает взрывного роста, а оценки разных экспертов расходятся на порядки.
Компании из самых разных отраслей — от фитнеса до сельского хозяйства — уже фиксируют ощутимую отдачу: снижение издержек, рост выручки, сокращение численности персонала и экономия рабочего времени (иногда на десятки процентов). Вместе с тем в регионах со слабой инфраструктурой инвестиции в ИИ нередко не окупаются — как при создании новых систем, так и при адаптации существующих решений.
Иллюстративные кейсы: JPMorgan3 инвестировал $18 млрд в технологии, включая ИИ, затраты на обслуживание снизились на 30%, производительность консультантов выросла в 3 раза. Pinterest использует AI-ботов для обработки ~4000 внутренних запросов сотрудников в месяц. По данным Accenture, организации с ИИ-управляемыми процессами показывают производительность в 2,4 раза выше конкурентов.
3. JPMorgan Chase & Co. — крупнейший американский инвестиционный банк и финансовая компания.
С другой стороны, много сложностей и ограничений. Регулярно фиксируются узкие места: высокие энергозатраты, дефицит редких материалов, нехватка качественных данных, ограничения по пропускной способности вычислительных систем и нехватка производственных мощностей. Эти факторы напрямую ограничивают скорость масштабирования и внедрения новых решений.
Отдельный класс ограничений связан не с инфраструктурой, а с самими когнитивными возможностями моделей. Даже крупные нейросети, обученные на огромных массивах информации, нередко не способны самостоятельно делать элементарные выводы. Это хорошо показал тест ARC-AGI-2, представленный в марте 2025 года на конкурсе ARC Prize 2025 (платформа Kaggle). Тест продолжает линию оригинального ARC, основанного на заданиях для когнитивного развития детей, и проверяет умение моделей обобщать правила, переносить их в новые условия и решать задачи адаптивного характера при минимуме примеров.
26 марта 2025 года были опубликованы первые результаты. Все ведущие LLM показали ноль или близкий к нулю результат. Иными словами, модели не справились с задачами, которые для человека элементарны. Многие задания по структуре напоминали тесты на логику и обобщение, знакомые психологам и педагогам, например прогрессивные матрицы Равена. Человек решает их уверенно, а ИИ показал уровень, близкий к случайному угадыванию.
Эти выводы охладили энтузиазм тех, кто ожидал, что ИИ сможет быстро заменить большинство сотрудников и позволит строить бизнесы с минимальным числом людей. Практика показала, что на текущем этапе такие ожидания не оправданы4.
4. MMLU (Massive Multitask Language Understanding) — стандартизированный тест для оценки способности языковых моделей решать задачи по множеству областей знаний. GSM8K — набор математических задач для проверки пошагового рассуждения языковых моделей. HumanEval — бенчмарк для проверки качества генерации и исполнения кода. ARC (AI2 Reasoning Challenge) — тестовые задачи на понимание и рассуждение для ИИ. HellaSwag — датасет для оценки здравого смысла и логического продолжения сценариев. GPT-4 — крупная языковая модель компании OpenAI. Claude — языковая модель компании Anthropic. Gemini — языковая модель компании Google DeepMind. Goldman Sachs — инвестиционный банк, публикующий экономические прогнозы по влиянию ИИ. JPMorgan Chase & Co. — крупнейший американский банк, активно инвестирующий в технологии ИИ. Pinterest, Inc. — американская интернет-компания, владелец визуальной соцсети, использует ИИ-ботов во внутренних процессах. Accenture — глобальная консалтинговая компания, исследующая эффективность внедрения ИИ. ARC Prize (Kaggle) — конкурс по развитию обобщающих способностей моделей. Прогрессивные матрицы Равена — психологический тест на интеллект и логическое обобщение.
Неудачи фиксируются и в реальном бизнесе. Финтех-компания Klarna (Швеция) заменила 700 сотрудников службы поддержки на ИИ, но через два года вернула часть персонала из-за низкого качества обслуживания. По данным NTT Data и LexisNexis, от 70% до 85% проектов внедрения генеративного ИИ не дают ожидаемого эффекта. Причины типичны: нехватка качественных данных, отсутствие чёткой стратегии и трудности интеграции в существующие процессы.
Исследования показывают, что внедрение ИИ не всегда приносит выгоду. По данным MIT, 95 % компаний из потративших вместе $40 млрд на нейросети не получили финансового эффекта, и лишь 5% зафиксировали пользу. На семь из девяти ключевых отраслей экономики США (фармацевтика, ритейл, финансы) ИИ почти не повлиял (The Register). Аналогично, исследование IBM показало, что 64% компаний инвестировали в ИИ из страха упустить тренд, а не по реальной необходимости5. Очень интересный вопрос – что делали те 5%, которые зафиксировали успех от внедрения ИИ. Мы надеемся продвинуться в ответе на этот вопрос.
Наиболее активно ИИ используется в игровой индустрии: около 90% студий применяют его для автоматизации и генерации контента. Однако стоимость разработки не снижается: напротив, происходят сокращения, а цены на игры растут. Сохраняется и правовая неопределённость: авторские права на тексты и изображения, созданные ИИ, остаются в «серой зоне», что грозит судебными конфликтами6.
5. NTT Data — японская ИТ-корпорация, специализирующаяся на консалтинге и внедрении технологий. LexisNexis — международная компания, поставщик правовой, регуляторной и бизнес-информации. MIT (Massachusetts Institute of Technology) — Массачусетский технологический институт, один из ведущих научно-исследовательских университетов мира. The Register — британское онлайн-издание о технологиях и бизнесе. IBM (International Business Machines Corporation) — американская технологическая корпорация, производитель программного обеспечения, оборудования и облачных решений.
6. Claburn, T. GenAI FOMO has spurred businesses to light nearly $40 billion on fire [Электронный ресурс] // The Register. — 2025. — 18 Aug. — URL: https://www.theregister.com/2025/08/18/generative_ai_zero_return_95_percent/ (дата обращения: 19.08.2025).
Как самостоятельно разобраться в этих разноплановых оценках и прогнозах и, тем более, принять решение об эффективности расширенного использования технологий ИИ на уровне конкретного стартапа, или взрослой компании, на уровне отрасли или региона?
Конец ознакомительного фрагмента
Полная версия курса. Перейти…