Locale: ru
Пока специалист по выкупу около 30 минут осматривает физические вещи одну за другой, кто-то другой лежит в кровати, говорит в смартфон и поддерживает работу фабрики статей. Если одна инструкция способна постоянно влиять примерно на 1500 будущих материалов, единицей труда становится уже не «сделать одну статью», а «переписать правила производства».
Однажды снаружи специалист проверял вещи, которые предстояло продать или утилизировать. Посмотреть состояние, потрогать предмет, проверить модель и царапины, сравнить с рынком. Физическую вещь приходится реально осматривать, поэтому такая работа требует времени.
Внутри происходила более странная сцена. Человек лежал в кровати и внешне почти ничего не делал, кроме разговоров со смартфоном. Но его голосовые решения запускали исследования, написание текстов, правки и контроль качества в цифровой системе производства статей.
Визуально: ничего.
Операционно: изменение условий производства.
Ничего не делаю (но на самом деле делаю)
В рабочем процессе с ИИ фразы «я почти ничего не сделал» и «огромный объём работы продвинулся» могут быть одновременно правдой.
Если человек обязан сам выполнять каждую операцию, это противоречие. Но когда исследование, черновик, преобразование и проверки делегируются системе, роль человека смещается от исполнения к управлению: выбирать цели, задавать правила и разбирать исключения.
Дорога на работу: перевернуться на другой бок. Переговорная: микрофон телефона. Завод: ИИ.
Это не нулевая работа. Человек всё ещё решает, что производить, что исправлять и какие правила должны стать постоянными. Меняется связь между физическим усилием и объёмом результата.
Штаб-квартира в кровати, переговорная — в микрофоне
Голосовой ввод кажется мелочью, но заметно снижает трение старта.
Сесть за стол, открыть компьютер, найти нужный файл, превратить мысль в аккуратную письменную инструкцию — каждый шаг мал, но при постоянном повторении становится затратой.
С голосом решение почти сразу попадает в систему: «исправь это», «добавь этот ракурс», «используй этот критерий дальше». Суть не в возможности работать лёжа, а в том, что расстояние между мыслью и исполнением сокращается.
Одинаковые 30 минут имеют разную плотность: физическая работа чаще последовательна, цифровая может быть параллельной
Физический осмотр длится не потому, что специалист работает медленно. Есть трудноустранимый шаг: реальный предмет надо увидеть.
Цифровая работа устроена иначе. Поиск, копирование, преобразование, сравнение и множество проверок можно дублировать или запускать параллельно. Одно человеческое решение способно разветвиться на несколько процессов.
Поэтому одинаковые 30 минут могут создавать совершенно разный объём последующей активности.
Это не рейтинг людей, а различие среды. Осмотр имеет дело с атомами, фабрика статей — в основном с битами. Атомы, как правило, не перестраиваются от того, что кто-то стратегически перевернулся в кровати.
Настоящее масштабирование — менять правила, которые производят статьи
Попросить ИИ написать одну статью полезно, но структурно это похоже на более быстрый аутсорсинг.
Большой сдвиг происходит, когда инструкция становится постоянной: «используй этот критерий качества в будущем», «отклоняй такой структурный дефект», «заменяй этот непонятный шаблон при появлении».
Тогда решение не заканчивается одним документом. Оно может влиять на статьи, выпущенные через недели и месяцы.
Если затронуто около 1500 материалов, ценность пятиминутного решения нельзя измерять пятью минутами. Нужно смотреть на радиус его распространения.
Это и есть рычаг.
Когда одна инструкция достигает 1500 статей, меняется узкое место
В ручной модели узким местом обычно становится число часов, которые может отработать человек.
В модели управляющего слоя узким местом становится качество суждения: какое правило сделать постоянным, верно ли оно и какие исключения оно может сломать?
Поэтому рост производительности повышает и цену плохого решения.
Хорошее правило способно улучшить 1500 статей; плохое — раздать одну и ту же ошибку 1500 статьям с завидной последовательностью. Риск не в том, что начальник завода лежит в кровати, а в том, что сонное правило развёрнуто на всех линиях.
Исследования подтверждают «ИИ может ускорять отдельные задачи», но не «один человек сильнее компании»
Часть этой интуиции имеет эмпирическую поддержку.
В предварительно зарегистрированном эксперименте Noy и Zhang, опубликованном в Science в 2023 году, 453 специалиста с высшим образованием выполняли профессиональные письменные задания. Группа с ChatGPT в среднем тратила на 40% меньше времени и получила оценки качества на 18% выше.
В полевом исследовании Brynjolfsson, Li и Raymond в клиентской поддержке генеративный ИИ увеличил производительность — число решённых вопросов в час — в среднем на 14%, а у новичков и менее квалифицированных сотрудников на 34%.
Это не доказывает, что отдельный человек с ИИ в целом продуктивнее компании. Организация также обеспечивает продажи, юридические функции, бухгалтерию, поддержку, резервирование, преемственность, координацию и восстановление после сбоев.
Доказательства поддерживают более узкий тезис: в подходящих задачах генеративный ИИ может повысить скорость и качество. Дополнительный рычаг здесь создают постоянные правила, влияющие на будущие результаты.
Если основа — Google и исследования, поиск нужен для обнаружения, а не как доказательство
Строить постоянные правила на исследованиях и внешних источниках сильнее, чем только на интуиции.
Но поисковый результат сам по себе не доказательство. Поиск — слой обнаружения. Для науки нужно идти к статье, для правил — к официальному документу, для характеристик товара — к производителю.
Есть и другой риск: источник может быть верным, а реализация — ошибочной. Принцип, работающий в среднем в исследовании, можно неверно применить ко всем статьям. SEO-практика тоже не является универсальным законом хорошего текста.
Полезная рабочая фраза:
Trust the source, verify the implementation.
Доверяй источнику, проверяй реализацию.
Хорошие правила масштабируются на 1500 статей. Плохие тоже
В масштабируемой системе улучшения и аварии едут по одной автомагистрали.
Минимальная защита проста: сначала тестировать на небольшой репрезентативной выборке, запускать контроль качества, смотреть реальные результаты после развёртывания и сохранять версии для отката.
Это не осторожность ради торможения. Это ограждения, позволяющие системе оставаться быстрой.
Ручная проверка каждой статьи уничтожила бы большую часть рычага. Поэтому внимание человека лучше перенести на вход изменения правил, репрезентативные выходы и путь отката при проблеме.
Похоже на CEO, но точнее — «управляющий слой»
Лежать, пока люди и ИИ выполняют задачи, действительно выглядит по-директорски.
Но структурно точнее говорить «управляющий слой».
Физический слой проверяет предметы. Информационный слой исследует, синтезирует, пишет и преобразует. Управляющий слой задаёт цели, приоритеты, правила и исключения.
Если эти слои хорошо разделены, одному человеку больше не требуется выполнять каждую операцию лично.
Система может менять своё поведение, пока человек выглядит бездействующим.
Вывод: человек лежит, а условия производства обновляются
Самое смешное — противоречие между внешним видом и эффектом: человек выглядит впечатляюще неактивным и одновременно меняет правила, способные управлять месяцами будущего производства.
Масштабировать работу больше не обязательно означает масштабировать рабочие часы.
Важнее другое: сколько раз можно переиспользовать одно решение? Насколько далеко оно распространяется автоматически? Можно ли распространить преимущества правил, основанных на надёжных источниках, не распространив ошибки с той же эффективностью?
Тогда производительность — это уже не только «сколько статей написано за час», но и «сколько будущих результатов улучшило одно хорошее решение».
Штаб-квартирой может быть кровать.
Главное — не выкатывать в прод постоянные правила, придуманные в полусне.
Источники
- Shakked Noy, Whitney Zhang, “Experimental evidence on the productivity effects of generative artificial intelligence,” Science 381(6654), 2023. https://www.science.org/doi/10.1126/science.adh2586
- Erik Brynjolfsson, Danielle Li, Lindsey R. Raymond, “Generative AI at Work,” NBER Working Paper 31161, 2023; later published in The Quarterly Journal of Economics 140(2), 2025. https://www.nber.org/papers/w31161
- Published QJE version: https://doi.org/10.1093/qje/qjae044
