Почему мы ненавидим AI с точки зрения науки (и моей)

На Хабре я 10+ лет как читатель. Проблема: друзья-айтишники которым есть что сказать, по моей агитации садились писать первые статьи, но из-за неопытности тексты выходили “слишком гладкими” — в комментариях прилетало “нейрослоп”, минусы, и человек бросал писать навсегда. При этом в ленте полно отполированного нейрослопа с характерными маркерами, который спокойно живёт в плюсах. Система вознаграждает умеющих маскировать генерацию и наказывает пишущих самостоятельно новичков.

Я решил проверить это: намеренно публиковал AI-сгенерированные материалы и анализировал реакцию ^[1]. Хочу поделиться наблюдениями. Я понимаю и читателей — “разархивированные веса нейросети” вместо статьи это неуважение, сам здесь за проработанным материалом. Но текущая борьба с нейрослопом бьёт не по тем.

Содержание

• Почему AI нас бесит

  • Объяснение на стыке биологии и экономики

  • Объяснение с точки зрения ^[2] эволюционной психологии

  • Объяснение с точки зрения социальной психологии

  • Объяснение, с моей точки зрения

  • Объяснение с точки зрения теории информации

• Как мы интуитивно палим AI (или наоборот заблуждаемся)

• Что не так с кодом от нейросетей

• Почему меня это вообще беспокоит

  • Несколько примеров несправедливости (4 примера)

• Что с этим делать?

  • Когнитивные искажения

  • Ложная дилемма

• Ретроспектива в масштабах истории (любителям антиутопии)

  • В заключение (по поводу исторической ретроспективы)

Почему AI нас бесит

С точки зрения фундаментальной науки.

Объяснение на стыке биологии и экономики

Любая коммуникация — это скрытый контракт. Когда ты формулируешь идею, ты работаешь и тратишь энергию: структурируешь, формулируешь, убеждаешь — и этим ставишь на кон свою репутацию и энергию. Чем больше усилий вложено в формулировку, тем выше ставка автора и тем серьезнее сигнал для читателя. Читатель, в свою очередь, платит вниманием — пожалуй самой дефицитной валютой сегодня. Если идея не окупает вложенного внимания, доверие падает, появляется раздражение.

Нейросети обнуляют эту сделку. У тебя есть валюта — время и усилия на чтение. Но по ту сторону кто-то за две минуты нагенерил контента и предлагает подписаться на тг-канал. Стоимость его текста — две минуты, твоих — пятнадцать. Контракт нарушен.

Резюме простое: если тебе нечего сказать — иди к черту, пообщаться с нейросетью я и сам могу.

Кстати, с кодом та же ситуация — когда прилетает MR с очевидно сгенерированным кодом. С какого хрена я должен тратить время на ревью? Откуда я знаю, сколько времени по ту сторону было потрачено на код? Что с этим делать — увольнять тех, кто злоупотребляет ИИ, или самому вооружиться ИИ для ревью? Но тогда ответственность просто уходит по цепочке выше и точно так же возвращается назад — только уже отяжеленная продовым инцидентом.

И тут резюме проще некуда: если ты не тратишь свой когнитивный ресурс на написание кода — иди к черту, скормить тикет из Jira в нейросеть я и сам могу.

Объяснение с точки зрения эволюционной психологии

Наш мозг формировался миллионы лет для оценки агентов — нет, не тех, о которых сейчас подумали вайбкодеры, — речь о биологических агентах. Мы считываем надежность через микромимику, запах ^[3], тембр голоса, зрачки. ИИ не дает ни одного из этих сигналов. Система детекции обмана просто не получает входных данных — и по умолчанию интерпретирует это как угрозу. Эволюционно нечитаемый агент — потенциально опасный агент.

Все знают эффект “зловещей долины” (uncanny valley) ^[4] для визуальных образов. Пример: робот, который почти похож на человека, пугает сильнее, чем механический. С текстом происходит то же самое.

Нейросеть генерирует текст, который:

• грамматически правильный,

• логически поверхностно связный,

• стилистически “никакой”.

Он достаточно похож на человеческий, чтобы мозг начал обрабатывать его как человеческую речь, — и достаточно отличается, чтобы система детекции “свой-чужой” забила тревогу. Мы эволюционно заточены распознавать, говорит ли с нами реальный человек с намерениями или что-то лишь притворяется им. Фальшивый объект притворяющийся человеком — это угроза, и мозг реагирует отвращением/недоверием.

Объяснение с точки зрения социальной психологии

Доверие — это социальный контракт, требующий взаимной уязвимости и ответственности. ИИ невозможно наказать, невозможно привлечь к ответственности, у него нет репутации, которую он боялся бы потерять. Возникает то, ч��о называют accountability gap ^[5].

Я не нашел определения “accountability gap” на русском, да и на английском толком тоже — звучит как очередной базворд, но смысл в этом термине есть. Можно провести параллель с диффузией ответственности ^[6] — классический пример: эффект свидетеля. Его суть в том, что чем больше людей наблюдают за чрезвычайной ситуацией, тем меньше вероятность, что кто-то из них вмешается: каждый полагает, что помочь должен кто-то другой, и в итоге не помогает никто. Только здесь ответственность размывается не между людьми, а между человеком и машиной, которая вроде как способна принять решение самостоятельно.

Парадокс ^[7]:

• Algorithm aversion ^[8] — одна ошибка ^[9] ИИ разрушает доверие сильнее, чем десять ошибок человека.

• Automation bias ^[10] — одновременно с этим мы склонны слепо следовать рекомендациям машины.

Простыми словами — нам не нравятся эти штуки: они притворяются живыми, но таковыми не являются, размывают ответственность, и мы не знаем, как к ним относиться. Мы одновременно им не доверяем и слишком на них полагаемся. Не доверяем — потому что чувствуем подвох: перед нами что-то, что говорит как человек, но не несёт за свои слова никаких последствий. Его нельзя пристыдить, наказать, ему нечего терять. А полагаемся — потому что машина выглядит уверенной, не сомневается, выдаёт ответ быстро и без оговорок. И в этом зазоре между недоверием и слепой верой теряется главное — наша собственная способность думать и брать ответственность на себя.

Объяснение, с моей точки зрения

Этот раздел — в большей степени моё личное мнение, чем наука ^[11]. Но я готов поставить на него свою репутацию — а значит, по логике ^[12] этой же статьи, он стоит вашего внимания.

Бесит не нейросеть. Бесит пустота, которая пытается сойти за мысль. Человек, которому нечего сказать, скармливает тему в модель, получает среднестатистический выхлоп — и ставит под ним своё имя. Он не использует инструмент — он прячется за ним: затыкает вакуум в собственной голове средним арифметическим чужих мыслей и выдаёт это за позицию. Но позиция — это риск, это выбор, это готовность оказаться неправым и бороться за свое мнение. А здесь нет ни риска, ни выбора — только никто, который очень хочет казаться кем-то.

LLM обучена на миллиардах текстов. Ее выход — это средневзвешенное по всему комплексу, отфильтрованное через RLHF ^[13] (когда человек калибрует поведение ^[14] ИИ). Фактически, нейросеть пишет так, как писал бы усредненный автор: не плохо, не хорошо, не характерно — никак.

Проблема в том, что хорошие тексты — это отклонение от медианы. У каждого запоминающегося автора есть личное отношение к предмету обсуждения.

Таблица для наглядного сравнения авторского текста vs AI-текста.

Мы пытаемся распознать личность, путем анализа текста на объект уникальных лингвистических отпечатков. Когда личности нет, текст воспринимается как речь из вокзального динамика или амбиент.

Объяснение с точки зрения теории информации

Как я уже сказал и как вы все знаете, LLM — это “Т9 на стероидах”, и его главный алгоритм построен на угадывании следующих токенов на основе контекста. Следовательно, он предсказуем. Эту область изучает теория информации ^[16]. Основываясь на ее принципах, можно сформулировать главный тезис:

Информация — это снятая неопределенность. Чем менее предсказуемо сообщение, тем больше информации оно несет.

Нейросеть — генератор среднестатистических последовательностей. Никакой энтропии по Шеннону, и как следствие — минимум информации, максимум скуки. Утром взойдет солнце, ночью луна — не особо информативно, но безупречно с точки зрения нейросети. Мы же охотимся за информацией, нам нужна энтропия. Но наша человеческая энтропия — это не рандом и не какая-то там температура ИИ ^[17], а нечто иное. Не берусь сказать что именно — может быть, выстраданный опыт. Но чтобы обозначить, зачем мы сюда забрели, хватит одного: для ликвидации скуки нам нужна неожиданность. Вот что несет ценность, нейросеть же несет упорядочивание уже известного и предсказуемого.

Как мы интуитивно палим AI (или наоборот заблуждаемся)

На текущий момент у большинства активных читателей Хабра сформировалась интуитивная модель определения AI текста или кода. Вот конкретные маркеры, по которым мы определяем AI-текст на русском языке:

Один структурный шаблон

• Болезнь списков: AI обожает маркированные и нумерованные списки. Человек использует их, когда они нужны; AI — когда не знает, как построить связный абзац.

• Симметричные конструкции: “Во-первых… Во-вторых… В-третьих…” с подозрительно одинаковой длиной пунктов.

• Фрактальная повторяемость: каждый раздел построен по одной и той же схеме (тезис, пояснение, пример, вывод), и эта схема не меняется на протяжении всего текста.

Лексические/Семантические маркеры

• Смайлики и спецсимволы: Палевно, но не факт. Я уже лет 10 как знаю про alt code 0151 длинного тире — и умею ставить стрелочки alt code 26/27/24/25 → ← ↑ ↓. По этому мой код 2020-го выглядит так будто его сгенерировала нейросеть. Вот кстати моя статья об этом на Хабре. ^[18]

• Слова-паразиты (именно паразиты в контексте нейрослопа): “Давайте разберемся”, “Важно отметить”, “Таким образом”, “Стоит подчеркнуть”, “В заключение”.

• Гиперкорректность: AI почти никогда не использует разговорные обороты, сленг, эллипсис ^[19]. Текст звучит как перевод официального документа.

• Мнимая гладкость: нейросети маскируют разрывы логики обилием вводных слов и уступительных связок, создавая иллюзию плавного повествования.

• Прилагательные-пустышки: “эффективный”, “удобный”, “мощный”, “гибкий” — без конкретики за ними.

• Отсутствие противоречий: человек может сам себе возразить, передумать по ходу текста, столкнуть две идеи. AI выдает линейный, непротиворечивый нарратив.

• Ложная глубина: длинные абзацы, которые при внимательном чтении оказываются пересказами одной мысли.

• Оверкомпетентность: текст с одинаковой уверенностью рассказывает про квантовые вычисления и про рецепт борща. Человек так не умеет и не пишет.

В коде то же самое — избыточные комментарии или прочие “артефакты” вроде, не дай бог, эмодзи.

Что не так с кодом от нейросетей

У кода есть объективный критерий — он либо работает, либо нет. И часто AI-код работает. Почему тогда опытных разработчиков от него корежит? Потому что “работает” — это критерий стажера или менеджера. Профессионал оценивает код по многим параметрам. AI-код часто проходит первый фильтр и с грохотом проваливает все остальные. Разработчик думает о том, как это в дальнейшем поддерживать, расширять, тестировать и тд. Заклепка из среднестатистического решения проблемы в виде куска шаблонного кода — это не закрытая задача из тикета Jira. Если из таких заклепок слепить проект — едва ли он доживет до прода и живых пользователей.

Код без архитектуры

Человек-разработчик принимает решения на нескольких уровнях:

• Зачем этот модуль существует?

• Какие изменения в будущем вероятны?

• Что я хочу спрятать за абстракцией?

AI генерирует код, который решает сиюминутную задачу кратчайшим путем до зеленых тестов. Он не думает о завтра, потому что не имеет модели будущего проекта. Чего уж там — ваши AI агенты не способны даже загрузить целиком весь проект в своей контекст. Потому что если они это сделают, начнется бредогенерация.

Любой AI плагин или “агент” как их принято сейчас называть — это просто grep ^[20] под капотом, который дозирует кусочки кода, что бы не сделать слишком больно видеокартам Nvidia ^[21]. Если я неправ — буду рад обсудить в комментариях. Если тема зайдёт — напишу отдельный разбор.

Но на этот счет мне есть что сказать — если будет положительный фидбек я обязательно продолжу эту тему. Тезисно, когда вы делаете запрос в Cursor

Сам промпт ~100-2000 токенов
Грепленный код ~2K-30K+ токенов
История чата ~0-50K+ токенов
Ответ ~500-5K+ токенов
───────────────────────────────
Итого ~5K-80K+ токенов
 [22]

И на все ваши, или оставленные вашим тимлидом // todo WARNING чихать хотел курсор. Он сделает ровно то, что будет продиктовано теорией вероятности в данный момент. Иными словами, он смотрит через узкую щель на вашу кодовую базу и видит только то, что вы попросили увидеть своим промптом.

Для понимания масштаба проблемы немного цифр. Последний проект с которым я работал, папка components 3.2 Мбайт чистого кода. .js и .vue что грубо эквивалентно 1 млну токенов.

$ find components ( -name "*.ts" -o -name "*.vue" ) -print0 
  | xargs -0 cat 
  | wc -c
3206311
 [22]

Сколько там у современных ИИ контекст на текущий момент? Около 1 млн токенов. А ведь в идеале нужно еще помнить саммари по всем грумингам, дейликам, ретроспективам и хотя бы в общих чертах суметь пересказать, что ваша команда делает и зачем. Плюс договоренности и регламенты между командами, ориентирование в Confluence, саммари по перепискам из Slack/Telegram. Итого — что мы имеем? А после ско��ьких токенов ИИ начинает “галлюцинировать”? После 100к, если не ошибаюсь. И сколько нам это обошлось? +1000% к акциям Nvidia, капитализация $4 трлн ^[21], удар по венчурным фондам и заказной разработке, сожженные деньги и кризис в IT-секторе. Классно. Осталось только ЦОД в космосе построить ^[23], и тогда точно все окупится. Да ладно, ерунда, надо только skills.sh ^[24] настроить в довесок и тогда точно заведется.

И еще кое-что. К сожалению, в мире некомпетентности больше, чем компетентности. AI обучался на этом вакууме — на слабом коде, на “воздушных” текстах. В итоге мы получили щепотку качественного кода и качественного текста, разбавленного ерундой. Нечто усредненное. И чтобы заставить своего агента не генерировать джуноподобную чушь, приходится писать инструкцию на 10 000 токенов — только ради того, чтобы он не кодил как джун.

Короче тема горячая, в планах написать большую аналитику о РЕАЛЬНЫХ возможностях неросетей в 2026-ом, но это потом в отдельной статье, подписывайтесь в тг ^[25] что бы не пропустить.

Шаманский код

Практика — это когда все работает, но никто не знает почему. Теория — Это когда все знают как это должно работать, но ничего не работает. Мы же совместили теорию и практику-ничего не работает, и никто не знает почему!

AI часто воспроизводит паттерны, которые видел в обучающих данных, без понимания, зачем они нужны. Или просто льет воду.

/** Сalculate Total Of Items // Спасибо AI - ооочень информативно */
const calculateTotalOfItems = (items) => {
    /** ... **/
}
 [22]

// AI написал — он на таком обучался
async function getUser(id: string) {
  try {
    const user = await db.users.findById(id);
    return user;
  } catch (error) {
    console.log(error);    // залогировал и... молча проглотил
    return null;           // вызывающий код даже не узнает об ошибке
  }
}

// Осознанный выбор — пусть ошибка всплывёт
async function getUser(id: string) {
  return db.users.findById(id);
  // вызывающий сам решит, как обработать
}

// Или если реально нужна обработка — обработай КОНКРЕТНО
async function getUser(id: string) {
  try {
    return await db.users.findById(id);
  } catch (error) {
    if (error instanceof DatabaseConnectionError) {
      throw new ServiceUnavailableError('DB is down', { cause: error });
    }
    throw error; // неизвестные ошибки — пробрасываем дальше
  }
}
 [22]

Почему меня это вообще беспокоит

Я постоянно задаюсь вопросом на сколько наша предвзятость/скепсис к AI/LLM конструктивна. Да и не одного меня это беспокоит — Хабр проводит опрос на эту тему ^[26]. Что если мы все неправы? Вдруг автор сорвал джекпот своим промптом и осознанно, без ручного вмешательства, вываливает на нас первородный ценнейший контент? А может, его нейросеть пробудилась? Слышали же эти истории про “пробужденные ИИ”, шершавых кабанов и что-то там еще.

Мы разобрали, что происходит с психикой, когда я открываю README, Merge Request или ответ на Stack Overflow — и через два абзаца что-то щёлкает внутри: «это писала нейросеть». Лингвистика, когнитивная психология, теория информации, даже история — всё объясняет, почему ещё до того, как я нахожу конкретную улику, меня уже накрывает смесь раздражения и скуки. Текст вроде бы грамотный, до кода вроде не придраться — но почему-то хочется начать ругаться.

Тут должен быть абзац-связка с плавным переходом к следующей части статьи — к примерам несправедливости. Но если я его добавлю, я рискую получить порцию г… конструктивную критику, и минусы к статье с пометкой “текст вероятно сгенерирован”.

Несколько примеров несправедливости (4 примера)

Пример 1

Авторитетный автор с хорошей репутацией опубликовал качественную статью, набравшую 220 лайков. Но в комментариях его разоблачили в использовании ИИ — по UTM-меткам в ссылках. Комментарий разоблачителя почти сравнялся по лайкам с самой статьей, а честный ответ автора ушел в минус.

С одн��й стороны — неприятно: тебе продали нейрослоп под видом авторского материала. С другой — материал действительно полезный, и какая разница, откуда он взят, если ценность есть?

В итоге ~85% читателей разделили негодование, разоблачитель получил бонус к карме, автор — урон к репутации. А ты завис между ними, не понимая, кого лайкать — потому что с обоими и согласен, и не согласен одновременно.

Сама статья. ^[30]

Скриншоты ситуации

Пример 2

Провел эксперимент. Взял свою старую статью с хорошим рейтингом, прогнал через AI — убрать воду, причесать формулировки, поправить опечатки. Содержание не менял. Опубликовал заново.

Утром — минус десять и пометка “текст похож на сгенерированный”.

Тот же автор, те же мысли, та же суть. Изменилась только форма. Возникает вопрос: люди прочитали материал и нашли проблемы — или среагировали на елочные кавычки, букву “ё” и подозрительно аккуратное оформление?

Получается парадокс. Публикуешь как есть — комментарии про небрежность. Причесываешь нейронкой — подозрения в генерации. Для технаря, у которого много практического опыта, но нет писательского слога, окно допустимого сужается с двух сторон.

Где проходит черта между “инструмент помог оформить мысль” и “за тебя написала машина”? И главное — способна ли аудитория вообще эту черту определить, если один и тот же текст по содержанию получает плюсы в сыром виде и минусы в отредактированном?

Продолжаю экспериментировать. Следующий шаг — опубликовать оба варианта рядом.

Пример 3

Идея была простая: опубликовать две статьи — одну написанную вручную, другую целиком сгенерированную AI за один промпт. Связать кросс-ссылкой, сравнить статистику. Кто победит — человек или машина? Звучит как очевидный эксперимент с очевидным исходом.

Но до сравнения дело не дошло. Рукописную статью объявили сгенерированной раньше, чем я успел опубликовать AI-версию. Эксперимент закончился сам собой — и дал ответ на вопрос, который я даже не задавал.

Пример 4

Теперь пример, но уже с кодом. 2 дня (в сумме часов 6) дебажил внезапно отвалившийся CI. Перепробовал все — гуглил, созванивался с коллегами, скармливал проблему разным нейронкам. Зашел в тупик. Пошел, почти как в старые добрые, задавать вопрос живым людям в профильные ТГ-каналы.

Но допустил одну ошибку. Из сгенерированного дебаг-кода забыл убрать эмодзи — я использовал их, чтобы в простыне логов сразу визуально цепляться за нужные места. Думаю, итог предсказуем.

Когда заменил эмодзи на =============== DB DEBUG =============== и задал тот же вопрос — со мной уже разговаривали совсем иначе.

Вывод тот же, что и со статьями. Люди реагируют не на содержание, а на маркеры. Эмодзи в логах — значит код писала нейронка, значит можно не вникать. Елочные кавычки в тексте — значит статью сгенерировали, значит можно минусить. Качество самого вопроса или самого текста уходит на второй план. Срабатывает паттерн, а не анализ.

Скриншоты с перепиской в тг

Кто прочитал переписки из скринов и заинтересовался обсуждаемой проблемой. Решение проблемы тут.

Кстати спойлер: нейронки мне помогли в этой ситуации все же. С 10-го промпта внезапно GPT заметил разные IP адреса контейнеров в логах. Но токенов было сожжено много.

Суть в gitlab-ci.yml:

test:
  stage: test
  image: node:20-alpine
  services:
    - name: postgres:17-alpine
        # Тут была беда. Я думал services которые мы указываем
        # в gitlab-ci — гарантировано под каждый пайплайн создаются уникальные, 
      # оказалось не так. Проблема решилась указанием уникального alias.
      alias: postgres
      command: ["-N", "200"]
 [22]

Что с этим делать?

А теперь хочу поднять социально значимый вопрос: что нам со всем этим делать? Для начала нужно бороться с двумя когнитивными врагами, которые мешают нам быть конструктивными и выстраивать нормальные взаимоотношения:

• Фундаментальная ошибка атрибуции ^[31]

• Бинарное мышление ^[32] (так же известное как черно-белое мышление или Ложная дилемма ^[33])

Когнитивные искажения

Фундаментальная ошибка атрибуции

Эволюционно наша критика к себе занижена — мы охотнее критикуем других, чем себя. Это необходимый для выживания механизм. Фундаментальная ошибка атрибуции — когнитивное искажение, при котором:

• Чужие промахи мы объясняем личными качествами: “лентяй”, “бездарь”

• Свои — обстоятельствами: “это все равно для дебага, через 10 минут удалю”

Мы не знаем, кто по ту сторону этого кода с эмодзи — опытный специалист после двух дней дебага, который просто вкинул временный debug-код от нейросети, джун, или вайб-кодер на пути к IPO.

До AI-хайпа мы испытывали похожие чувства когда обнаруживали очевидный копипаст из Stack Overflow или витрины CodePen, который выбивался из стиля проекта.

Типичный комментарий в code review:

Ладно скопировал откуда-то, но неужели нельзя отрефакторить, добавить типизацию, поправить нейминг, вынести в /utils и адаптировать под наш код-стайл?

Мы не видели, что по ту сторону — сложные жизненные обстоятельства, проблемы со здоровьем или что-то еще. Сводили все к лени и “перекладыванию с больной головы на здоровую”. С появлением AI ничего принципиально не изменилось — изменился только масштаб. Раньше копипаст со Stack Overflow был эпизодом, теперь целые MR генерируются за минуты. И наша атрибуция масштабируется вместе с этим: раньше мы думали “ленивый”, теперь — “вообще не работает, просто промптит”. Хотя по ту сторону может быть человек, который из-за гиперответственности набросал промпт и кинул MR — пока не приехала полиция из-за драки с отчимом, который только что вышел из тюрьмы.

Ложная дилемма

Теперь о том, AI — зло или благо. Думаю, по заголовку вы уже поняли, к чему я клоню. Тут как со справедливостью. Можно сказать “справедливости не существует”, а можно — что существуют разные ее уровни. Условно, в Швейцарии уровень справедливости 90%, в Сомали — 10%. Или возьмем свободу слова и демократию. Артемий скажет “нет никакой демократии, везде тотальная диктатура”, а кто-то заявит, что есть разные ее уровни — и, по моему мнению, будет прав. Вопрос лишь в том, к какому уровню мы стремимся и какой считаем приемлемым — в какой позиции оставляем этот ползунок.

Очевидно, что отдавать отдел разработки под ключ на откуп ИИ — бред, как и отдел продаж. А еще большее безумие — отдавать найм на аутсорс нейросетям. Может, это и допустимо на N%, но точно недопустимо в безмерных масштабах.

Перед нами стоит задача определиться с допустимыми уровнями, но, как показывает практика и история, это будет достигнуто только методом проб и ошибок. А в локальных областях достигнет цикличности ^[34]: кто-то завтра откроет для себя идею отдать работу на аутсорс нейросети, а кто-то в это же время от нее откажется. По моим субъективным ощущениям, допустимый уровень нейросетей в работе — 0%-25%, и я крайне беспокоюсь о будущем тех ребят, у кого он выше.

Недавно я задумался о том, что в сфере продаж и техподдержки тоже будет цикличность. В условиях здоровой конкуренции компания, которая снизила присутствие ИИ до 10%, с большим отрывом уйдет вперед по кредиту доверия — на фоне тех, где до живого человека тебя соединяют 20 минут общения с голосовым ассистентом, а вместо персонального предложения от менеджера приходит шаблонное AI-письмо.

А если все же поддаться категоричности, то для себя я распределил, для чего AI подходит и НЕ подходит на текущем этапе его развития.

Отлично подходит:

• Обучение, быстрое первичное знакомство с новыми технологиями.

• Онбординг в большую legacy-кодовую базу.

• Правки кода, которые лень делать вручную.

• Рутинные задачи.

• Поиск материалов для дальнейшего ручного погружения в вопрос.

• Поиск аргументов и доказательной базы к той же статье на Хабре, с последующей ручной обработкой.

Ужасно плохо и недопустимо:

• Кодинг “под ключ”, где AI делает все без твоего участия и погружения в структуру проекта.

• Статьи на Хабр в таком же формате.

• Попытка полностью автоматизировать процессы, где нужен человек:

  • Техподдержка

  • Продажи

  • HR и НАЙМ

Ретроспектива в масштабах истории (любителям антиутопии)

Хочу подсветить кое-что важное. Помимо всего вышеописанного, AI действительно капает нам на мозг. Я сужу по себе, по своим друзьям. Об этом открыто не говорят, но я думаю, что AI заигрывает с нашими инстинктами намного серьезнее, чем может показаться на первый взгляд. AI задевает нас глубже. Какая самая вирусная тема сейчас на Хабре? О чем чаще всего спорят, где больше всего комментариев и какие тезисы прослеживаются? Лично я вижу страх ^[35] и ненависть, где второе вытекает из первого.

AI щекочет нервы всем белым воротничкам, к которым я себя, кстати, тоже отношу:

Если проводить ретроспективу в масштабах истории — мы уже имели с этим дело. Промышленная революция стала причиной голода и протестов, породила такой термин как технофобия ^[38]. Луддиты ^[39] крушили станки, парижские рабочие в в 1848-м ^[40] и 1871-м ^[41] выходили на баррикады — все потому, что новые технологии покушались на их экспертизу и средства к существованию.

Тема промышленной революции сейчас актуальна, кому интересно, пара стате�� на хабре:

• Статья 2017-го года. Новая промышленная революция проходит незамеченной ^[42]

• Посвежее 2026-го. Промышленная революция: как в XIX веке появился современный город ^[43]

История показывает что любая революция практически всегда сопрягается с гуманитарными катастрофами. Великий голод в Ирландии 1845–1852 ^[44] или Закон о бедных в Англии ^[45] с последующими голодными сороковыми. Будь это революция политическая, технологическая или даже культурная.

Можно сказать — притянуто за уши, и пойти пить чай. Но кто гарантирует, что на фоне AI-хайпа не появится новая архитектура, которая действительно сделает контекст не проблемой, а системные требования сократит в разы? Что тогда будем делать?

Есть интересная книга: Тайлер Коуэн «Среднего более не дано. Как выйти из эпохи Великой стагнации». Просто цитирую аннотацию к ней:

Для трех четвертей рабочих мест, созданных в США после начала рецессии, заработная плата едва превышает минимальную. При этом в США по-прежнему больше миллионеров и миллиардеров, чем в любой другой стране мира. В этой книге Тайлер Коуэн предлагает свое объяснение данного феномена: те, кто зарабатывает много, пользуются большими преимуществами искусственного интеллекта ^[46] в анализе данных и достижении лучших результатов; те же, кто зарабатывает мало, не имеют опыта взаимодействия с большинством новых технологий и потому имеют очень плохие перспективы. Практически все сектора экономики все меньше зависят от ручного труда, и этот факт навсегда меняет мир труда и заработной платы. Спокойная жизнь где-то посередине закончилась.

А еще все вы прекрасно знаете чьи руки дотянулись до AI и зачем.

• В 2017 Хабр публиковал — В Москве заработает система распознавания лиц через камеры видеонаблюдения ^[47]

• 2025: В метро Москвы начали устанавливать российские турникеты с системой распознавания лиц ^[48]

• Forbes: РКН планирует использовать ИИ для блокировки VPN и интернет-трафика, на проект заложено 2,3 млрд рублей ^[49]

Итого 2 проблемы.

1. Технологии в руках олигархов которые выбрсывают на обочину более ненужных сотрудников усиливая неравенство.

2. Технологии в руках политических лидеров с которыми вероятно у вас расходиться мнение. Если что у меня с этим полный порядок, я поддерживаю разумных лидеров которые действуют в интересах страны.

Кстати, на моих часах уже 00:01:984 и пора публиковаться. Но тут напрашивается еще как минимум пара абзацев.

В заключение (по поводу исторической ретроспективы)

Думаю, IT-сообществу и всем, кто находится под прицелом AI, необходимо уже сейчас формировать что-то вроде профсоюзов. Цель — прогнозировать ситуацию и разрабатывать стратегию на случай, когда действительно прижмет. Главные задачи, способные предотвратить вероятные болезненные изменения, в моей парадигме выглядят так:

• Уже сейчас надо думать, что делать с монополией на AI и в целом на революционные технологии. Нам чертовски повезло, что AI — игрушка не только элит, но и тех, у кого есть $50.

Напомню, что OpenAI начинала как некоммерческая организация. Рекомендую почитать историю появления OpenAI тем, кто этого еще не сделал. Тезисно для затравки:

Илон Маск и Сэм Альтман запустили OpenAI в конце 2015 года с целью создать открытую компанию, работающую на благо общества, а не государства или корпорации. Открытость призвана избежать концентрации власти, которую дает ИИ, в одних руках. В планах компании — открыто сотрудничать со всеми лицами и учреждениями, публиковать все результаты своих исследований.

Но потом что-то явно пошло не так. Никаких теорий заговора — я сторонник того, чтобы объяснять все исключительно через фундаментальную науку, через призму свободных СМИ, где дискутируют независимые эксперты, аналитики, историки. Я айтишник до мозга костей, и моя религия — наука.

С вами был Тимофей.

Спасибо всем кто подписывается в телеге ^[25] — это очень мотивирует делиться своим опытом и мнением.