Автор: Александр Кишкин
Формат: авторская аналитика, мнение автора
В сравнении искусственного интеллекта с Кольтом есть точная мысль: новый инструмент способен уменьшить преимущество, которое раньше давали годы подготовки. В мире профессий это означает более быстрый доступ к способам решения задач за пределами собственной узкой специализации.
Однако метафора работает до определенной границы. С помощью ИИ можно приблизиться к чужому результату, не освоив весь путь к нему. Способность самостоятельно оценить этот результат при этом не возникает автоматически.
Для инженерии это различие особенно существенно. Здесь качество работы определяется тем, как устройство или система ведет себя в заданных условиях. Красивое описание решения — только начало.
Разрыв сокращается в конкретных задачах. Исследование Эрика Бриньолфссона, Даниэль Ли и Линдси Реймонд на данных 5 172 сотрудников клиентской поддержки показало: доступ к ИИ-помощнику увеличил число решенных обращений в час в среднем на 15%. Менее опытные и менее квалифицированные сотрудники улучшили скорость и качество работы. У наиболее опытных прирост скорости оказался небольшим, а качество немного снизилось. [1]
Это важное наблюдение для разговора об «уравнивании». Оно показывает, что один инструмент может по-разному влиять на людей с разным исходным уровнем. Однако показатели клиентской поддержки не позволяют рассчитать выигрыш инженера-конструктора или разработчика электроники. Для каждой области нужны собственные измерения.
На мой взгляд, наиболее интересен следующий эффект: специалист получает возможность самостоятельно выполнить больше промежуточных операций, для которых раньше приходилось надолго прерывать основную работу или обращаться к коллегам из смежной области.
Универсальность становится практической возможностью. Рассмотрим условную задачу. Инженер разрабатывает испытательный стенд и хорошо понимает измерительную часть. Для работы ему нужен небольшой интерфейс: задать режим, получить данные, построить график и сохранить результаты. Разработка пользовательских интерфейсов при этом не является его специализацией.
Такую задачу можно попробовать решить с ИИ: описать последовательность действий, получить заготовку программы, разобрать ее устройство и последовательно проверить поведение. Инженер сможет оценить, достаточно ли ему такого прототипа или для дальнейшей разработки нужен профильный программист.
Но демонстрация графика еще не означает, что программа пригодна для испытаний. Нужно проверить единицы измерения, временные метки, обработку ошибок и поведение при потере связи. ИИ может помочь составить проверки, а их достаточность определяется требованиями к стенду.
В этом сценарии преимущество дает сочетание предметного знания и доступного инструмента. Понимание оборудования помогает поставить задачу и заметить ошибки, которые трудно распознать по одному только программному коду.
Сходный эффект на границе специализаций обнаружили авторы исследования The Cybernetic Teammate. В эксперименте с сотрудниками Procter & Gamble участники с ИИ индивидуально достигали сопоставимого качества продуктовых предложений с командами из двух человек без ИИ. Предложения пользователей ИИ также более равномерно сочетали техническую и коммерческую стороны. Исследователи оценивали решение задач по созданию продуктовых идей, а не полный цикл разработки изделия. [2]
Для инженерной практики я вижу здесь перспективу: специалисту может стать проще подготовить материал для содержательного разговора с коллегой из другой области. Насколько это уменьшит объем согласований и доработок, нужно проверять в реальном процессе.
Ниже — возможные сценарии работы, а не результаты испытаний конкретной модели.
| Задача | Как может помочь ИИ | Что проверяет специалист |
|---|---|---|
| Подготовка технического задания | Структурировать требования, предложить вопросы к неясным формулировкам | Полноту исходных условий, измеримость требований и критерии приемки |
| Сравнение компонентов | Свести данные из предоставленной документации в общую таблицу | Версию документа, режимы измерения, различие типовых и предельных значений |
| Расчет | Подготовить последовательность вычислений или расчетный скрипт | Применимость модели, допущения, размерности и контрольные значения |
| Программа для стенда | Предложить структуру и первоначальный код | Корректность обмена, обработку сбоев, сохранность и интерпретацию данных |
| Анализ испытаний | Сгруппировать результаты, построить графики, предложить гипотезы | Метод измерения, погрешности и независимые подтверждения выводов |
Убедительный ответ может оказаться неверным. В эксперименте с 758 консультантами BCG применялся GPT-4. На задачах, находившихся в пределах возможностей модели, ИИ улучшал результаты. Но на одной специально выбранной задаче за этими пределами доля правильных решений у пользователей ИИ оказалась в среднем на 19 процентных пунктов ниже. Это результат конкретного эксперимента с конкретной моделью. [3]
Практический вывод для инженера я бы сформулировал так: критерии проверки полезно определить до получения ответа. Иначе легко начать оценивать предложенное решение по тому, насколько убедительно оно объяснено.
Например, для расчетного скрипта можно заранее подготовить контрольный пример с известным результатом. Для алгоритма обмена — перечень сбоев, которые он должен корректно обработать. Для сравнения компонентов — список обязательных параметров и условия, при которых их следует сопоставлять. Такая постановка задачи делает работу с ИИ частью воспроизводимого процесса.
Фундаментальные знания сохраняют прикладную ценность. Если готовая формула доступна за несколько секунд, особенно важно понимать, откуда она получена, какие допущения содержит и когда перестает описывать происходящее.
В инженерном образовании я бы связывал работу с ИИ с умением пройти весь путь: сформулировать физическую задачу, выбрать модель, выполнить расчет и сопоставить его с измерением. Студенту полезно уметь объяснить расхождение между расчетом и экспериментом, в том числе когда первоначальное решение предложила нейросеть.
Часть упражнений имеет смысл выполнять самостоятельно, чтобы сформировать базовый навык. В других можно разрешить ИИ и оценивать постановку задачи, проверку ответа и обоснование выбранного решения. Эти способы обучения позволяют увидеть разные стороны подготовки будущего инженера.
Такой подход поддерживает и инженерную универсальность. Человек, понимающий основы нескольких дисциплин, получает больше возможностей соединять их в одном проекте. При этом ему по-прежнему нужно распознавать задачи, где требуется глубокая специализация коллеги.
Экономический эффект следует считать до проверенного результата. Для предприятия скорость получения первого черновика — полезный, но неполный показатель. В затраты входят постановка задачи, подготовка данных, проверка, доработка и последующее сопровождение.
Я бы начинал внедрение с ограниченного повторяющегося процесса: например, подготовки вспомогательной программы или обработки результатов испытаний. До эксперимента стоит определить критерии качества, затем сравнить полный объем работы с ИИ и без него. Это даст основание расширять применение инструмента или менять способ его использования.
При этом полезно посмотреть на уже работающих сотрудников. Их знание оборудования, истории отказов и особенностей производства может оказаться ценной основой для освоения смежных задач. Обучение такого специалиста работе с ИИ способно дать предприятию дополнительные возможности; размер эффекта предстоит установить на практике.
Равный доступ к инструменту не гарантирует одинакового результата. Новыми возможностями могут воспользоваться и начинающий, и сильный специалист. Поэтому сокращение разрыва в одной операции вполне может сочетаться с сохранением или ростом разрыва в работе над сложным проектом.
Открытым остается и вопрос обучения молодых инженеров. Если часть начальной работы выполняет ИИ, предприятию нужно продумать, где сотрудник получит собственный опыт: научится замечать ошибки, объяснять решения и принимать обоснованные технические решения.
Мой прогноз состоит в том, что профессиональную ценность все больше будет определять способность доводить задачу до проверяемого результата. В нее входят постановка проблемы, выбор метода, работа с неопределенностью и понимание последствий решения. Скорость владения конкретным инструментом останется важной частью этой работы.
Метафора Кольта помогает увидеть, как технология меняет соотношение возможностей. В инженерной профессии решающая проверка происходит после получения ответа от ИИ — когда решение встречается с измерением, испытанием и реальными условиями эксплуатации.
Материал выражает мнение автора. Инженерные сценарии и таблица носят иллюстративный характер. При подготовке материала использовались инструменты искусственного интеллекта.
Источники к статье
- Erik Brynjolfsson, Danielle Li, Lindsey Raymond. Generative AI at Work — страница исследования Stanford Digital Economy Lab. Авторская версия на arXiv.
- Fabrizio Dell’Acqua и соавторы. The Cybernetic Teammate: A Field Experiment on Generative AI and Teamwork. Organization Science, опубликовано онлайн 12 июня 2026 года. DOI: 10.1287/orsc.2025.20702.
- Fabrizio Dell’Acqua и соавторы. Navigating the Jagged Technological Frontier — опубликованная статья, PDF. Organization Science, опубликовано онлайн 11 марта 2026 года. DOI: 10.1287/orsc.2025.21838.
