ЧАСТЬ 2

Последние несколько лет мы говорили о кадровом дефиците как об одном из главных ограничений роста. Теперь появляется дополнительный механизм ответа: если предприятие не может быстро увеличить количество работников, оно пытается увеличить производительность существующего персонала. ИИ становится одним из инструментов такого замещения дефицитного ресурса — не обязательно человека целиком, а прежде всего его времени на повторяющиеся интеллектуальные операции.
Поэтому я бы не ставил вопрос так: «Сколько рабочих мест уничтожит ИИ?» Гораздо продуктивнее другой вопрос: «Сколько дополнительного выпуска сможет получить предприятие без увеличения численности персонала?»
Это особенно важно для России, где демографические ограничения делают расширение занятости все более сложным источником экономического роста. Если работника нельзя быстро добавить, остается повышать отдачу от уже имеющегося человеческого капитала.
И здесь возникает второй парадокс.
ИИ быстрее распространяется там, где бизнес может внедрить его без перестройки всей производственной системы.
Маркетинг, продажи, документы, аналитика, клиентский сервис — относительно простые области для внедрения. Производство — гораздо сложнее. Здесь необходимо интегрировать ИИ с оборудованием, информационными системами, технологическими регламентами и ответственностью конкретных специалистов. Поэтому сегодня только примерно каждое пятое предприятие из использующих ИИ применяет его непосредственно в производстве. (Центральный банк России)
Именно здесь, на мой взгляд, находится следующий этап.
Первый этап — ИИ как ассистент.
Второй — ИИ как элемент бизнес-процесса.
Третий — ИИ как элемент производственной системы.
И только после этого можно говорить о действительно серьезном влиянии на производительность экономики.
Пока российский бизнес в основном находится между первым и вторым этапами.
При этом сами компании достаточно четко видят ограничения. Среди проблем ЦБ фиксирует нехватку специалистов по ИИ и анализу данных, необходимость инвестиций в обучение и ИТ-инфраструктуру, необходимость перестройки производственных процессов, риски утечки данных и ошибки моделей, которые требуют дополнительной настройки и проверки. (Центральный банк России)
И это еще один важный сигнал: дефицит кадров никуда не исчезает после появления ИИ. Он меняет свою структуру.
Предприятию становится меньше нужен человек для выполнения определенной операции, но больше нужен человек, который понимает технологический процесс, умеет работать с данными, ставить задачу модели, проверять результат и встраивать его в производственную систему.
То есть возникает спрос не просто на «специалиста по ИИ», а на специалиста двойной компетенции.
Инженер + ИИ.
Металлург + ИИ.
Экономист + ИИ.
Логист + ИИ.
Агроном + ИИ.
Именно поэтому для университетов этот тренд, на мой взгляд, намного важнее, чем просто рост числа образовательных программ по искусственному интеллекту.
Если предприятие будет внедрять ИИ в конкретный технологический процесс, ему в первую очередь нужен не программист, который знает нейросети, а специалист, который одновременно понимает предметную область и возможности ИИ.
И здесь мы видим прямое подтверждение того, что происходит сейчас в университетской политике. Например, в материалах концепции будущего кампуса ЛГТУ уже заложена логика подготовки специалистов двойного профиля: «ИИ + металлургия», «ИИ + машиностроение», «ИИ + АПК», «ИИ + пищевая переработка», «ИИ + государственное управление». Причем в документе отдельно отмечается проблема отсутствия заранее определенных экономических метрик ИИ-проектов и ответственных за их внедрение — именно это приводит к тому, что пилоты не масштабируются.
Мне кажется, здесь и находится главный разрыв между сегодняшними 14% и потенциальными 30–40%.
Недостаточно научиться пользоваться ИИ. Нужно научиться менять с его помощью бизнес-процесс.