Однако такое сравнение может оказаться ошибочным. Человеческий мозг устроен так, что стремится распознавать знакомые шаблоны. Когда мы видим быстрый рост инвестиций и стартапов, мы автоматически сопоставляем происходящее с прошлым. Но иногда новые явления не вписываются в старые модели. Именно это, по мнению предпринимателя и инвестора Siqi Chen, происходит с искусственным интеллектом.
Почему рынки снова и снова «перегреваются»
Каждая крупная технологическая революция сопровождается одинаковыми симптомами: чрезмерными ожиданиями, за которыми следует болезненное охлаждение. Это происходило во время интернет-бума конца 1990-х, при распространении смартфонов и во время криптовалютной лихорадки.
Причина во многом структурная. Большинство финансовых моделей — например, модели дисконтированных денежных потоков — предполагают плавный и предсказуемый рост. Они плохо работают в условиях скачкообразных изменений. Когда возникает технология, способная радикально изменить целую отрасль, аналитики пытаются оценивать её по тем же правилам, что и обычный бизнес.
В результате рынок делает ставку на будущее десятилетие, используя инструменты, рассчитанные на квартальные прогнозы. Это создаёт эффект «пузыря» — не столько признак обмана или спекуляции, сколько индикатор того, что никто пока не умеет точно оценить новую технологию.
Ошибка исторических аналогий
Когда появляется прорывная технология, люди стремятся сравнить её с уже знакомыми примерами:
- ИИ — это новое электричество.
- ИИ — как персональные компьютеры.
- ИИ — как интернет.
- ИИ — как смартфоны.
Все эти технологии действительно радикально изменили экономику. Но у них была общая особенность: они усиливали человеческие возможности, не заменяя само мышление.
Электричество дало машинам энергию, но решения принимали люди. Компьютеры ускорили обработку данных, однако интерпретация оставалась человеческой. Интернет упростил доступ к информации, но люди по-прежнему решали, что важно. Даже смартфоны просто поместили вычислительные мощности в карман.
Во всех этих случаях человеческий интеллект оставался главным ограничением системы.
ИИ отличается принципиально: он начинает выполнять когнитивную работу.
Сжатие экспертизы
Если система способна анализировать данные, писать код или формировать отчёты, меняется сама структура труда.
Пример, который приводит Chen: предприниматель использовал модель Claude для написания SQL-запросов, на которые аналитик раньше тратил несколько дней. Аналитик не был уволен, но его роль изменилась: вместо написания запросов он начал заниматься интерпретацией результатов и стратегическими рекомендациями.
В итоге один специалист стал обслуживать не три проекта, а пятнадцать.
Подобный эффект наблюдается и в программировании. Инструменты вроде GitHub Copilot позволяют младшему разработчику работать на уровне, который раньше требовал многолетнего опыта. При этом такие системы становятся лучше по мере использования. Если молоток не становится совершеннее после строительства дома, то модели ИИ — становятся.
Новый ограничивающий фактор
Исторически производительность организаций ограничивалась количеством квалифицированных людей. Больше данных — требовалось больше аналитиков. Более сложные проекты — больше экспертов.
С появлением ИИ этот предел начинает смещаться. Когда анализ, занимавший дни, выполняется за секунды, ключевым становится не способность обработать информацию, а способность выбрать правильный вопрос.
Ограничением становится не интеллект, а суждение.
Скептики правы — но не в главном
Критики правы в одном: вокруг ИИ существует огромный ажиотаж, и многие стартапы не выживут. Но это не означает, что сама технология не имеет фундаментального значения.
История уже показывала подобный парадокс. Во время краха доткомов тысячи интернет-компаний исчезли. Но интернет при этом продолжил менять мир. Оба утверждения оказались верными одновременно.
Какие задачи автоматизируются первыми
По наблюдениям Chen, компании уже начинают внедрять ИИ в конкретные процессы. Чаще всего автоматизируются задачи, которые обладают тремя характеристиками:
- требуют профессиональных навыков, но являются повторяющимися;
- становятся узким местом для более стратегической работы;
- их легко проверить, но трудно создать вручную.
Типичные примеры — аналитические отчёты, обработка данных, подготовка финансовых обзоров или написание технического кода.
Где люди пока остаются незаменимыми
ИИ хорошо распознаёт закономерности, но хуже понимает контекст и последствия.
Он может подготовить анализ отклонений в бюджете, но не способен решить, является ли рост расходов сигналом здорового масштабирования или признаком стратегической ошибки. Он может предложить несколько бизнес-стратегий, но не может оценить, какая из них лучше подходит конкретной команде и рынку.
Суждение в условиях неопределённости, оценка рисков и принятие решений с высокими ставками пока остаются человеческой задачей.
Почему этот технологический цикл может быть другим
Краткосрочно ИИ действительно может разочаровать. Многие проекты окажутся переоценёнными, а часть компаний исчезнет. Но это не отменяет главного: впервые в истории технология начинает масштабировать сам интеллект.
Если это действительно так, то через десять лет будет трудно найти отрасль, связанную с работой с знаниями, которая осталась прежней.
Споры о «пузыре» со временем утихнут. Как это уже происходило раньше. А основными победителями станут те компании, которые не спорили о переоценённости, а тихо внедряли ИИ в реальные рабочие процессы и строили продукты, решающие реальные задачи.
Источник: https://venturebeat.com/technology/the-limits-of-bubble-thinking-how-ai-breaks-every-historical-analogyЕсли вам понравился материал, кликните значок — вы поможете нам узнать, каким статьям и новостям следует отдавать предпочтение. Если вы хотите обсудить материал —не стесняйтесь оставлять свои комментарии : возможно, они будут полезны другим нашим читателям!
