Что может сделать генеративный ИИ без вмешательства человека?

Управляющее резюме

Генеративный искусственный интеллект (ИИ) – технология, позволяющая машинам создавать текст, изображения, код и многое другое – в последние годы переживает бурный рост. В этом документе представлен доступный обзор того, что генеративный ИИ может делать уже сегодня без вмешательства человека и чего от него ожидают в следующем десятилетии. Мы рассматриваем его применение в писательстве, искусстве, программировании, обслуживании клиентов, здравоохранении, образовании, логистике и финансах, выделяя области, где ИИ работает автономно, а где человеческий контроль остаётся критически важным. Приведены примеры из реальной жизни, иллюстрирующие как успехи, так и ограничения. Основные выводы:

Широкое внедрение: в 2024 году 65% опрошенных компаний сообщили о регулярном использовании генеративного ИИ — почти вдвое больше, чем в предыдущем году ( Состояние ИИ в начале 2024 года | McKinsey ). Применение охватывает создание маркетингового контента, чат-ботов поддержки клиентов, генерацию кода и многое другое.
Текущие возможности автономной работы: Современный генеративный ИИ надёжно справляется со структурированными, повторяющимися задачами с минимальным контролем. Примерами служат автоматическая генерация шаблонных новостных отчётов (например, отчётов о доходах корпораций) ( Филана Паттерсон – профиль сообщества ONA ), создание описаний продуктов и обзоров на сайтах электронной коммерции, а также автоматическое заполнение кода. В этих областях ИИ часто дополняет работу человека, беря на себя рутинную генерацию контента.
Человек в контуре для сложных задач: для более сложных или нестандартных задач, таких как творческое письмо, подробный анализ или медицинские консультации, обычно требуется человеческий контроль для обеспечения фактической точности, этической критики и качества. Многие современные решения для ИИ используют модель «человек в контуре», когда ИИ готовит проект контента, а люди его проверяют.
Улучшения в краткосрочной перспективе: Прогнозируется, что в течение следующих 5–10 лет генеративный ИИ станет гораздо более надёжным и автономным . Достижения в области точности моделей и механизмов защиты могут позволить ИИ выполнять большую часть творческих задач и задач принятия решений с минимальным участием человека. Например, эксперты прогнозируют, что к 2030 году ИИ будет обрабатывать большую часть взаимодействия с клиентами и принимать решения в режиме реального времени ( To Reimagine the Shift to CX, Marketers Must Do These 2 Things ), а масштабный фильм может быть снят с 90% контента, созданного ИИ ( Gerative AI Use Cases for Industries and Enterprises ).
К 2035 году: через десять лет мы ожидаем, что автономные ИИ-агенты станут обычным явлением во многих областях. ИИ-преподаватели смогут предоставлять персонализированное обучение в больших масштабах, ИИ-помощники смогут надёжно составлять юридические договоры или медицинские заключения для утверждения экспертами, а беспилотные системы (с использованием генеративного моделирования) смогут осуществлять логистические операции от начала до конца. Однако некоторые деликатные области (например, постановка важных медицинских диагнозов, принятие окончательных юридических решений), вероятно, по-прежнему будут требовать человеческого суждения для обеспечения безопасности и ответственности.
Вопросы этики и надежности: По мере роста автономности ИИ растут и эти вопросы. К числу современных проблем относятся галлюцинации (искусственный интеллект выдумывает факты), предвзятость генерируемого контента, отсутствие прозрачности и потенциальное злоупотребление дезинформацией. Обеспечение доверия к при его работе без надзора имеет первостепенное значение. Прогресс очевиден — например, организации вкладывают больше средств в снижение рисков (обеспечение точности, кибербезопасности, прав интеллектуальной собственности) ( Состояние ИИ: глобальный опрос | McKinsey ), — но необходимы надёжные системы управления и этические принципы.
Структура данной статьи: Мы начинаем с введения в генеративный ИИ и концепции автономного и контролируемого использования. Затем, для каждой основной области (письмо, искусство, программирование и т. д.), мы обсуждаем, что ИИ может делать надёжно уже сегодня и что ожидается в будущем. В заключение мы рассмотрим сквозные проблемы, прогнозы на будущее и рекомендации по ответственному использованию генеративного ИИ.

В целом, генеративный ИИ уже доказал свою способность справляться с удивительным набором задач без постоянного человеческого вмешательства. Понимая его текущие ограничения и будущий потенциал, организации и общественность смогут лучше подготовиться к эпохе, когда ИИ станет не просто инструментом, а автономным соучастником в работе и творчестве.

Введение

Искусственный интеллект уже давно умеет анализировать данные, но лишь недавно системы ИИ научились творить – писать текст, создавать изображения, программировать ПО и многое другое. Эти генеративные модели ИИ (например, GPT-4 для текста или DALL·E для изображений) обучаются на огромных наборах данных, чтобы создавать новый контент в ответ на запросы. Этот прорыв вызвал волну инноваций в различных отраслях. Однако возникает важный вопрос: что мы можем доверить ИИ, без повторной проверки его результатов человеком?

Чтобы ответить на этот вопрос, важно провести различие между контролируемым и автономным использованием ИИ:

Под управлением человека подразумевается ситуация, когда результаты работы ИИ проверяются или курируются людьми перед финализацией. Например, журналист может использовать ИИ-помощника для написания статьи, но редактор редактирует и утверждает её.
Автономный ИИ (ИИ без вмешательства человека) относится к системам ИИ, которые выполняют задачи или создают контент, готовый к использованию практически без вмешательства человека. Примером может служить автоматизированный чат-бот, отвечающий на запросы клиентов без участия человека, или новостное агентство, автоматически публикующее сводку спортивных результатов, созданную ИИ.

Генеративный ИИ уже внедряется в обоих режимах. В 2023–2025 годах его внедрение резко возросло , и организации с энтузиазмом экспериментировали. Один глобальный опрос, проведенный в 2024 году, показал, что 65% компаний регулярно используют генеративный ИИ, по сравнению с примерно одной третью всего годом ранее ( Состояние ИИ в начале 2024 года | McKinsey ). Отдельные лица также используют такие инструменты, как ChatGPT — по оценкам, 79% специалистов к середине 2023 года имели хотя бы некоторое представление о генеративном ИИ ( Состояние ИИ в 2023 году: год прорыва генеративного ИИ | McKinsey ). Это быстрое внедрение обусловлено обещанием повышения эффективности и креативности. Тем не менее, это еще «ранние дни», и многие компании все еще разрабатывают политику ответственного использования ИИ ( Состояние ИИ в 2023 году: год прорыва генеративного ИИ | McKinsey ).

Почему важна автономность: Предоставление ИИ возможности работать без человеческого контроля может открыть огромные преимущества в плане эффективности, полностью автоматизируя трудоемкие задачи, но при этом также повышается и надежность. Автономный ИИ-агент должен выполнять всё правильно (или знать свои пределы), поскольку в режиме реального времени может отсутствовать человек, способный выявлять ошибки. Некоторые задачи подходят для этого лучше, чем другие. Как правило, ИИ работает наиболее автономно, когда:

Задача имеет четкую структуру или шаблон (например, создание рутинных отчетов на основе данных).
Ошибки не сопряжены с большим риском или легко переносятся (например, генерация изображения, которое можно отбросить, если оно неудовлетворительное, в отличие от медицинского диагноза).
Имеется достаточно данных для обучения, охватывающих все сценарии, поэтому выходные данные ИИ основаны на реальных примерах (что сокращает догадки).

Напротив, задачи, которые являются открытыми , имеют высокие ставки или требуют тонкого суждения, сегодня менее подходят для нулевого контроля.

В следующих разделах мы рассмотрим ряд областей, чтобы понять, чем занимается генеративный ИИ сейчас и что будет дальше. Мы рассмотрим конкретные примеры – от новостных статей и созданных ИИ изображений до помощников по написанию кода и виртуальных агентов по обслуживанию клиентов, – показывая, какие задачи ИИ может выполнять от начала до конца, а какие по-прежнему требуют участия человека. Для каждой области мы чётко разделяем текущие возможности (примерно к 2025 году) и реалистичные прогнозы того, что может стать надёжным к 2035 году.

Обозревая настоящее и будущее автономного ИИ в различных областях, мы стремимся предоставить читателям сбалансированное понимание: не преувеличивая волшебную непогрешимость ИИ и не преуменьшая его реальные и растущие возможности. Опираясь на это, мы затем обсуждаем основные проблемы, связанные с доверием к ИИ без надзора, включая этические аспекты и управление рисками, а затем в заключение делаем ключевые выводы.

Генеративный ИИ в написании текстов и создании контента

Одной из первых областей, где генеративный ИИ произвёл фурор, стала генерация текста. Крупные языковые модели способны создавать всё: от новостных статей и маркетинговых текстов до постов в социальных сетях и резюме документов. Но сколько из этих текстов можно написать без участия человека?

Текущие возможности (2025): ИИ как автоматический автор рутинного контента

Сегодня генеративный ИИ надежно справляется с множеством рутинных задач по написанию текстов с минимальным вмешательством человека или без него. Яркий пример — журналистика: Associated Press годами использовало автоматизацию для создания тысяч отчетов о доходах компаний каждый квартал непосредственно из финансовых потоков данных ( Филана Паттерсон — профиль сообщества ONA ). Эти короткие новостные статьи следуют шаблону (например, «Компания X сообщила о прибыли Y, рост на Z%...»), и ИИ (используя программное обеспечение для генерации естественного языка) может заполнять цифры и формулировки быстрее любого человека. Система Associated Press публикует эти отчеты автоматически, значительно расширяя их охват (более 3000 статей в квартал) без необходимости участия людей ( Автоматизированные статьи о доходах умножаются | Associated Press ).

Спортивная журналистика также претерпела изменения: системы ИИ могут анализировать статистику спортивных матчей и генерировать обзоры. Поскольку эти области основаны на данных и подчиняются шаблонам, ошибки редки, если данные верны. В этих случаях мы наблюдаем настоящую автономию : ИИ пишет, а контент сразу же публикуется.

Компании также используют генеративный ИИ для составления описаний продуктов, электронных рассылок и другого маркетингового контента. Например, гигант электронной коммерции Amazon теперь использует ИИ для обобщения отзывов покупателей о продуктах. ИИ сканирует текст множества отдельных отзывов и выводит краткий абзац с описанием того, что нравится или не нравится покупателям в товаре, который затем отображается на странице товара без ручного редактирования ( Amazon улучшает работу с отзывами покупателей с помощью ИИ ). Ниже представлена иллюстрация этой функции, реализованной в мобильном приложении Amazon, где раздел «Отзывы покупателей» полностью генерируется ИИ на основе данных отзывов:

( Amazon улучшает работу с отзывами покупателей с помощью ИИ ) Сводка отзывов, созданная ИИ, на странице товара в интернет-магазине. Система Amazon суммирует общие моменты из отзывов пользователей (например, простота использования, производительность) в короткий абзац, который отображается покупателям как «сгенерированный ИИ на основе текста отзывов покупателей».

Подобные примеры использования демонстрируют, что когда контент следует предсказуемому шаблону или агрегируется на основе существующих данных, ИИ часто может справиться с ним самостоятельно . Другие актуальные примеры:

Обновления информации о погоде и дорожном движении: средства массовой информации используют ИИ для составления ежедневных сводок погоды или бюллетеней о дорожном движении на основе данных датчиков.
Финансовые отчёты: компании автоматически составляют простые финансовые сводки (квартальные отчёты, обзоры фондового рынка). С 2014 года Bloomberg и другие новостные агентства используют ИИ для написания новостных заметок о доходах компаний – этот процесс в значительной степени автоматически выполняется после получения данных ( «роботы-журналисты» Associated Press теперь пишут собственные статьи | The Verge ) ( репортёр из Вайоминга уличен в использовании ИИ для создания фейковых цитат и статей ).
Перевод и транскрипция: Сервисы транскрипции теперь используют ИИ для создания стенограмм заседаний или субтитров без участия человека-машинистки. Хотя эти языковые задачи не являются генеративными в творческом смысле, они выполняются автономно с высокой точностью, обеспечивая чёткое звучание.
Создание черновиков: многие специалисты используют такие инструменты, как ChatGPT, для составления черновиков электронных писем или первых версий документов, иногда отправляя их с небольшими правками или без них, если содержание представляет низкий уровень риска.

Тем не менее, для более сложной прозы человеческий надзор остается нормой в 2025 году . Новостные организации редко публикуют расследовательские или аналитические статьи напрямую от ИИ — редакторы проверяют факты и дорабатывают написанные ИИ черновики. ИИ может имитировать стиль и структуру , но может вносить фактические ошибки (часто называемые «галлюцинациями») или неуклюжие фразы, которые должен уловить человек. Например, немецкая газета Express представила «цифрового коллегу» ИИ по имени Клара для помощи в написании первоначальных новостных статей. Клара может эффективно составлять черновики спортивных репортажей и даже писать заголовки, которые привлекают читателей, внося вклад в 11% статей Express — но редакторы-люди по-прежнему проверяют каждую часть на точность и журналистскую честность, особенно в сложных историях ( 12 способов, которыми журналисты используют инструменты ИИ в редакции — Twipe ). Такое партнерство человека и ИИ сегодня является обычным явлением: ИИ выполняет тяжелую работу по созданию текста, а люди отбирают и исправляют по мере необходимости.

Перспективы на 2030–2035 годы: на пути к надежному автономному письму

Мы ожидаем, что в течение следующего десятилетия генеративный ИИ станет гораздо более надёжным в создании высококачественного, фактически верного текста, что расширит спектр задач, с которыми он сможет справиться самостоятельно. Это подтверждается несколькими тенденциями:

Повышенная точность: Текущие исследования стремительно снижают склонность ИИ к выдаче ложной или нерелевантной информации. К 2030 году усовершенствованные языковые модели с более высоким уровнем обучения (включая методы проверки фактов по базам данных в режиме реального времени) смогут обеспечить внутреннюю проверку фактов на уровне, близком к человеческому. Это означает, что ИИ сможет автоматически подготовить полноценную новостную статью с правильными цитатами и статистическими данными, взятыми из исходного материала, практически не требуя редактирования.
Специализированные ИИ: Мы увидим более специализированные генеративные модели, доработанные для определённых областей (юриспруденция, медицина, написание технических документов). Юридическая модель ИИ 2030 года сможет надёжно составлять стандартные договоры или обобщать судебную практику — задачи, которые структурно шаблонны, но в настоящее время требуют времени юриста. Если ИИ обучен на проверенных юридических документах, его проекты могут быть достаточно надёжными, чтобы юрист мог лишь бегло просмотреть их.
Естественный стиль и связность: Модели всё лучше справляются с сохранением контекста в длинных документах, что приводит к созданию более связного и содержательного контента. К 2035 году вполне вероятно, что ИИ сможет самостоятельно написать неплохой первый черновик научно-популярной книги или технического руководства, а люди будут играть преимущественно консультативную роль (постановку целей или предоставление специализированных знаний).

Как это может выглядеть на практике? Рутинная журналистика может стать почти полностью автоматизированной для определенных тем. Мы могли бы увидеть новостное агентство в 2030 году, когда система ИИ пишет первую версию каждого отчета о доходах, спортивного сюжета или обновления результатов выборов, а редактор выбирает лишь несколько для контроля качества. Действительно, эксперты прогнозируют, что постоянно растущая доля онлайн-контента будет генерироваться машинами — один смелый прогноз отраслевых аналитиков предполагает, что к 2026 году до 90% онлайн-контента может быть создано ИИ ( К 2026 году онлайн-контент, созданный не людьми, будет значительно превосходить по численности контент, созданный человеком — OODAloop ), хотя эта цифра является предметом споров. Даже более консервативный результат будет означать, что к середине 2030-х годов большинство рутинных веб-статей, текстов продуктов и, возможно, даже персонализированных новостных лент будут создаваться ИИ.

В маркетинге и корпоративных коммуникациях генеративному ИИ, вероятно, будет поручено автономное управление целыми кампаниями. Он сможет генерировать и отправлять персонализированные маркетинговые письма, публикации в социальных сетях и варианты рекламных текстов, постоянно корректируя сообщения в зависимости от реакции клиентов — и всё это без участия копирайтера. Аналитики Gartner прогнозируют, что к 2025 году не менее 30% исходящих маркетинговых сообщений крупных предприятий будут генерироваться искусственным интеллектом ( Примеры использования генеративного ИИ для отраслей и предприятий ), и к 2030 году этот показатель только увеличится.

Однако важно отметить, что человеческое творчество и суждение по-прежнему будут играть свою роль, особенно в отношении контента с высокими ставками . К 2035 году ИИ, возможно, будет самостоятельно обрабатывать пресс-релизы или публикации в блогах, но в журналистских расследованиях, связанных с ответственностью или деликатными темами, СМИ по-прежнему могут настаивать на контроле со стороны человека. В будущем, вероятно, будет применяться многоуровневый подход: ИИ автономно создаёт большую часть ежедневного контента, в то время как люди сосредоточатся на редактировании и создании стратегических или деликатных материалов. По сути, границы того, что считается «рутиной», будут расширяться по мере роста мастерства ИИ.

Кроме того, могут появиться новые формы контента, такие как интерактивные повествования или персонализированные отчёты, создаваемые ИИ . Например, годовой отчёт компании может быть сгенерирован ИИ в нескольких форматах: краткое руководство для руководителей, описательная версия для сотрудников, версия с подробным описанием данных для аналитиков, — каждый из которых будет создаваться автоматически на основе одних и тех же базовых данных. В сфере образования учебники могут динамически создаваться ИИ для разных уровней чтения. Эти приложения могут быть в значительной степени автономными, но подкрепляться проверенной информацией.

Судя по развитию писательской деятельности, к середине 2030-х годов ИИ станет плодовитым автором . Ключом к по-настоящему автономной работе станет доверие к его результатам. Если ИИ сможет стабильно демонстрировать фактическую точность, стилистическое качество и соответствие этическим стандартам, потребность в построчном редактировании человеком сократится. К 2035 году отдельные разделы этой белой книги вполне могут быть подготовлены исследователем ИИ без редактора – перспектива, к которой мы относимся с осторожным оптимизмом, при условии соблюдения надлежащих мер безопасности.

Генеративный ИИ в изобразительном искусстве и дизайне

Способность генеративного ИИ создавать изображения и произведения искусства захватила воображение публики: от картин, созданных ИИ и побеждающих в художественных конкурсах, до фейковых видеороликов, неотличимых от реальных. В области визуального восприятия такие модели ИИ, как генеративно-состязательные сети (GAN) и модели диффузии (например, Stable Diffusion, Midjourney), способны создавать оригинальные изображения на основе текстовых подсказок. Так может ли ИИ теперь функционировать как автономный художник или дизайнер?

Текущие возможности (2025): ИИ как креативный помощник

По состоянию на 2025 год генеративные модели способны создавать изображения по запросу с впечатляющей точностью. Пользователи могут попросить ИИ-компьютер для обработки изображений нарисовать «средневековый город на закате в стиле Ван Гога» и получить убедительное художественное изображение за считанные секунды. Это привело к широкому использованию ИИ в графическом дизайне, маркетинге и индустрии развлечений для создания концепт-артов, прототипов, а в некоторых случаях даже финальных визуальных эффектов. В частности:

Графический дизайн и стоковые изображения: Компании создают веб-графику, иллюстрации или стоковые фотографии с помощью ИИ, что избавляет от необходимости заказывать каждую работу у художника. Многие маркетинговые отделы используют инструменты ИИ для создания вариантов рекламы или изображений продуктов, чтобы проверить, что понравится потребителям.
Искусство и иллюстрация: Отдельные художники сотрудничают с ИИ для мозгового штурма идей или проработки деталей. Например, иллюстратор может использовать ИИ для создания фоновых пейзажей, которые затем интегрировать с нарисованными людьми персонажами. Некоторые создатели комиксов экспериментировали с панелями или раскраской, созданными ИИ.
Медиа и развлечения: Изображения, созданные искусственным интеллектом, появлялись на обложках журналов и книг. Ярким примером служит Cosmopolitan с изображением астронавта — предположительно, это первое изображение на обложке журнала, созданное искусственным интеллектом (DALL·E от OpenAI) по указанию арт-директора. Хотя это и требовало подсказок и выбора, сам рисунок был создан с помощью машинного рендеринга.

Важно отметить, что большинство этих текущих применений по-прежнему предполагают курирование и итерацию человеком . ИИ может выдавать десятки изображений, а человек выбирает лучшее и, возможно, дорабатывает его. В этом смысле ИИ работает автономно, создавая варианты, но люди задают направление творчества и делают окончательный выбор. Он надёжен для быстрой генерации большого объёма контента, но не гарантирует удовлетворения всех требований с первой попытки. Такие проблемы, как неточности в деталях (например, ИИ рисует руки с неправильным количеством пальцев – известная особенность) или непредвиденные результаты, обычно требуют, чтобы арт-директор-человек контролировал качество вывода.

Однако есть области, где ИИ приближается к полной автономности:

Генеративный дизайн: В таких областях, как архитектура и продуктовый дизайн, инструменты ИИ могут автономно создавать прототипы дизайна, соответствующие заданным ограничениям. Например, имея заданные размеры и функции предмета мебели, генеративный алгоритм может выдать несколько жизнеспособных проектов (некоторые из которых весьма нестандартны) без вмешательства человека, выходящего за рамки исходных спецификаций. Эти проекты затем могут быть напрямую использованы или доработаны человеком. Аналогичным образом, в инженерии генеративный ИИ может проектировать детали (например, детали самолёта), оптимизированные по весу и прочности, создавая новые формы, которые человек, возможно, не смог бы придумать.
Ресурсы видеоигр: ИИ может автоматически генерировать текстуры, 3D-модели и даже целые уровни для видеоигр. Разработчики используют это для ускорения создания контента. Некоторые инди-игры начали использовать процедурно сгенерированные изображения и даже диалоги (через языковые модели), чтобы создавать обширные, динамичные игровые миры с минимальным использованием ресурсов, созданных человеком.
Анимация и видео (на стадии разработки): Хотя генеративный ИИ для видео пока менее развит, чем статические изображения, он развивается. ИИ уже может создавать короткие видеоклипы или анимацию по подсказкам, хотя качество не всегда стабильно. Технология дипфейка, которая является генеративной, позволяет создавать реалистичные замены лиц или клоны голоса. В контролируемых условиях студия может использовать ИИ для автоматического создания фоновой сцены или анимации толпы.

В частности, компания Gartner предсказала, что к 2030 году мы увидим крупный блокбастер, 90% контента которого (от сценария до визуальных эффектов) будет создано с помощью ИИ ( Примеры использования генеративного ИИ в отраслях и на предприятиях ). К 2025 году мы ещё не достигли этой цели — ИИ не может самостоятельно снять полнометражный фильм. Но элементы этой головоломки уже разрабатываются: генерация сценария (ИИ для текстов), генерация персонажей и сцен (ИИ для изображений/видео), озвучка (клоны голоса ИИ) и помощь в монтаже (ИИ уже может помогать с монтажными переходами).

Перспективы на 2030–2035 годы: масштабные медиа, созданные с помощью ИИ

Заглядывая в будущее, можно сказать, что роль генеративного ИИ в изобразительном искусстве и дизайне, вероятно, значительно возрастёт. К 2035 году мы ожидаем, что ИИ станет основным создателем контента во многих визуальных медиа, часто работая с минимальным участием человека, за исключением первоначального руководства. Некоторые ожидания:

Фильмы и видео, полностью созданные с помощью ИИ: в ближайшие десять лет вполне возможно, что мы увидим первые фильмы или сериалы, в значительной степени созданные с помощью ИИ. Люди могут обеспечить общее руководство (например, набросок сценария или желаемый стиль), а ИИ будет визуализировать сцены, создавать образы актеров и анимировать все. Ранние эксперименты с короткометражными фильмами, вероятно, начнутся в течение нескольких лет, а попытки создания полнометражных фильмов — к 2030-м годам. Эти фильмы с ИИ могут сначала оказаться нишевыми (экспериментальная анимация и т. д.), но могут стать мейнстримом по мере повышения качества. Прогноз Gartner о 90% к 2030 году фильмов ( Случаи использования генеративного ИИ для отраслей и предприятий ), хотя и амбициозен, подчеркивает веру отрасли в то, что создание контента с помощью ИИ будет достаточно сложным, чтобы взять на себя большую часть нагрузки в кинопроизводстве.
Автоматизация проектирования: В таких областях, как мода или архитектура, генеративный ИИ, вероятно, будет использоваться для автономной разработки сотен дизайн-концепций на основе таких параметров, как «стоимость, материалы, стиль X», оставляя выбор окончательного варианта человеку. Это меняет текущую динамику: вместо того, чтобы создавать проекты с нуля и, возможно, использовать ИИ для вдохновения, будущие дизайнеры будут выступать скорее кураторами, выбирая лучший проект, созданный ИИ, и, возможно, внося в него коррективы. К 2035 году архитектор сможет вводить требования к зданию и получать от ИИ полные чертежи в виде рекомендаций (все они будут конструктивно обоснованы благодаря встроенным инженерным правилам).
Создание персонализированного контента: Возможно, мы увидим, как ИИ будет создавать визуальные эффекты для каждого пользователя на лету. Представьте себе видеоигру или виртуальную реальность 2035 года, где декорации и персонажи адаптируются к предпочтениям игрока, генерируемые ИИ в реальном времени. Или персонализированные комиксы, созданные на основе событий дня пользователя — автономный «ежедневный комикс» ИИ, который автоматически превращает ваш текстовый журнал в иллюстрации каждый вечер.
Мультимодальное творчество: Генеративные системы ИИ становятся всё более мультимодальными, то есть могут одновременно обрабатывать текст, изображения, аудио и т. д. Объединяя эти данные, ИИ может взять простую подсказку, например, «Создайте для меня маркетинговую кампанию для продукта X», и сгенерировать не только текст, но и соответствующую графику, возможно, даже короткие рекламные видеоролики, выдержанные в едином стиле. Подобный набор контента, создаваемый одним кликом, вероятно, станет сервисом к началу 2030-х годов.

ли ИИ художников-людей ? Этот вопрос возникает часто. Вполне вероятно, что ИИ возьмёт на себя значительную часть производственной работы (особенно это касается повторяющихся или быстро реализуемых произведений искусства, необходимых для бизнеса), но человеческое творчество сохранит свою оригинальность и инновационность. К 2035 году автономный ИИ сможет уверенно рисовать картины в стиле известных художников, но создание нового стиля или произведений искусства, вызывающих глубокий культурный резонанс, по-прежнему может оставаться сильной стороной человека (возможно, с участием ИИ). Мы предвидим будущее, в котором художники-люди будут работать бок о бок с автономными «сохудожниками» на основе ИИ. Например, можно будет поручить персональному ИИ непрерывно создавать произведения искусства для домашней цифровой галереи, создавая постоянно меняющуюся творческую атмосферу.

С точки зрения надёжности, визуальный генеративный ИИ в некоторых отношениях имеет более лёгкий путь к автономности, чем текст: изображение может быть субъективно «достаточно хорошим», даже если не идеальным, в то время как фактическая ошибка в тексте представляет большую проблему. Таким образом, мы уже наблюдаем относительно низкорискованное внедрение : если дизайн, созданный ИИ, некрасив или неправилен, вы просто не используете его, но сам по себе он не причиняет вреда. Это означает, что к 2030-м годам компании, возможно, будут спокойно позволять ИИ создавать дизайн без присмотра и привлекать людей только в случае необходимости чего-то действительно нового или рискованного.

Подводя итог, можно сказать, что к 2035 году генеративный ИИ, как ожидается, станет мощным инструментом создания визуального контента, вероятно, отвечая за значительную часть изображений и медиаконтента вокруг нас. Он будет надёжно генерировать контент для развлечений, дизайна и повседневного общения. Автономный художник уже на горизонте, хотя вопрос о том, считать ли ИИ творческим или просто очень умным инструментом, будет развиваться по мере того, как его результаты станут неотличимы от результатов работы человека.

Генеративный ИИ в разработке программного обеспечения (кодирование)

Разработка программного обеспечения может показаться исключительно аналитической задачей, но в ней есть и творческий элемент: написание кода, по сути, представляет собой создание текста на структурированном языке. Современный генеративный ИИ, особенно большие языковые модели, доказал свою эффективность в программировании. Такие инструменты, как GitHub Copilot, Amazon CodeWhisperer и другие, выступают в роли парных программистов ИИ, предлагая фрагменты кода или даже целые функции по мере ввода текста разработчиками. Насколько далеко это может зайти в сторону автономного программирования?

Текущие возможности (2025): ИИ как второй пилот в кодировании

К 2025 году генераторы кода на основе ИИ стали неотъемлемой частью рабочих процессов многих разработчиков. Эти инструменты могут автоматически дополнять строки кода, генерировать шаблонный код (например, стандартные функции или тесты) и даже писать простые программы с описанием на естественном языке. Однако, что особенно важно, они работают под контролем разработчика: он анализирует и интегрирует предложения ИИ.

Некоторые актуальные факты и цифры:

К концу 2023 года более половины профессиональных разработчиков внедрили ИИ-помощников по кодированию ( Coding on Copilot: данные за 2023 год указывают на снижение давления на качество кода (включая прогнозы на 2024 год) — GitClear ), что свидетельствует о быстром внедрении. GitHub Copilot, один из первых широко доступных инструментов, по сообщениям, генерирует в среднем 30–40 % кода в проектах, где он используется ( Coding больше не MOAT. 46 % кода на GitHub уже ... ). Это означает, что ИИ уже пишет значительные фрагменты кода, хотя человек управляет им и проверяет его.
Эти инструменты ИИ отлично справляются с такими задачами, как написание повторяющегося кода (например, классов моделей данных, методов геттеров/сеттеров), конвертация одного языка программирования в другой или создание простых алгоритмов, напоминающих обучающие примеры. Например, разработчик может написать комментарий «// функция для сортировки списка пользователей по имени», и ИИ практически мгновенно сгенерирует подходящую функцию сортировки.
Они также помогают в исправлении ошибок и предоставлении пояснений : разработчики могут вставить сообщение об ошибке, и ИИ может предложить решение, или спросить: «Что делает этот код?» и получить объяснение на естественном языке. В некотором смысле это происходит автономно (ИИ может самостоятельно диагностировать проблемы), но решение о применении исправления принимает человек.
Важно отметить, что современные ИИ-помощники в программировании не безошибочны. Они могут предложить небезопасный код или код, который почти решает проблему, но содержит малозаметные ошибки. Поэтому сегодня лучше всего держать человека в курсе событий : разработчик тестирует и отлаживает код, написанный ИИ, так же, как и код, написанный человеком. В регулируемых отраслях или критически важном программном обеспечении (например, в медицинских или авиационных системах) любые разработки с использованием ИИ проходят строгую проверку.

Ни одна из современных программных систем не разрабатывается полностью с нуля с помощью ИИ без контроля разработчика. Однако появляются некоторые автономные или полуавтономные варианты применения:

Автоматически генерируемые модульные тесты: ИИ может анализировать код и создавать модульные тесты для различных случаев. Фреймворк тестирования может автономно генерировать и запускать эти тесты, написанные ИИ, для выявления ошибок, дополняя тесты, написанные человеком.
Платформы с минимальным написанием кода/без написания кода с использованием ИИ: некоторые платформы позволяют непрограммистам описывать свои потребности (например, «создать веб-страницу с контактной формой и базой данных для сохранения записей»), и система генерирует код. Хотя это пока находится на ранней стадии, это намекает на будущее, когда ИИ сможет самостоятельно создавать программное обеспечение для стандартных сценариев использования.
Скриптинг и связующий код: Автоматизация ИТ часто подразумевает написание скриптов для соединения систем. Инструменты ИИ часто могут генерировать эти небольшие скрипты автоматически. Например, при написании скрипта для анализа файла журнала и отправки оповещения по электронной почте ИИ может создать работающий скрипт с минимальными правками или без них.

Перспективы на 2030–2035 годы: на пути к «саморазвивающемуся» программному обеспечению

Ожидается, что в следующем десятилетии генеративный ИИ возьмёт на себя большую долю программирования, приближаясь к полностью автономной разработке программного обеспечения для определённых классов проектов. Некоторые прогнозируемые разработки:

Полная реализация функций: мы ожидаем, что к 2030 году ИИ сможет реализовывать простые функции приложений от начала до конца. Менеджер по продукту может описать функцию простым языком («Пользователи должны иметь возможность сбросить пароль по ссылке в электронном письме»), а ИИ сможет сгенерировать необходимый код (форму интерфейса, логику бэкенда, обновление базы данных, отправку электронных писем) и интегрировать его в кодовую базу. ИИ фактически будет выполнять функции младшего разработчика, способного следовать спецификациям. Инженер-человек может просто проводить ревью кода и тесты. По мере повышения надежности ИИ ревью кода может стать поверхностным, если вообще будет.
Автономное обслуживание кода: Значительная часть разработки программного обеспечения заключается не только в написании нового кода, но и в обновлении существующего — исправлении ошибок, повышении производительности и адаптации к новым требованиям. Будущие разработчики ИИ, вероятно, преуспеют в этом. Имея кодовую базу и директиву («наше приложение падает, когда слишком много пользователей одновременно входят в систему»), ИИ может обнаружить проблему (например, ошибку параллельного доступа) и исправить её. К 2035 году системы ИИ смогут автоматически обрабатывать текущие заявки на обслуживание ночью, выполняя роль неутомимой команды по обслуживанию программных систем.
Интеграция и использование API: Поскольку всё больше программных систем и API поставляются с документацией, доступной для ИИ, агент ИИ может самостоятельно разобраться, как соединить Систему A с Сервисом B, написав связующий код. Например, если компания хочет, чтобы её внутренняя система управления персоналом синхронизировалась с новым API для расчёта заработной платы, она может поручить ИИ «обеспечить взаимодействие этих систем», и он напишет код интеграции после ознакомления со спецификациями обеих систем.
Качество и оптимизация: Будущие модели генерации кода, вероятно, будут включать циклы обратной связи для проверки работоспособности кода (например, запуск тестов или симуляций в «песочнице»). Это означает, что ИИ сможет не только писать код, но и корректировать его самостоятельно, тестируя его. К 2035 году мы могли бы представить себе ИИ, который, получив задачу, будет продолжать итерировать свой код до тех пор, пока все тесты не пройдут успешно — процесс, который человеку, возможно, не придётся отслеживать построчно. Это значительно повысит доверие к автономно сгенерированному коду.

Можно представить себе сценарий, в котором к 2035 году небольшой программный проект, например, специализированное мобильное приложение для бизнеса, будет разрабатываться преимущественно ИИ-агентом, получающим высокоуровневые инструкции. Человек-«разработчик» в таком сценарии скорее выступает в роли менеджера проекта или валидатора, определяя требования и ограничения (безопасность, правила стилистики) и предоставляя ИИ выполнение основной работы по написанию кода.

Однако в случае сложного, масштабного программного обеспечения (операционных систем, продвинутых алгоритмов ИИ и т. д.) эксперты-люди по-прежнему будут активно участвовать в его разработке. Творческое решение проблем и проектирование архитектуры программного обеспечения, вероятно, ещё какое-то время будут осуществляться человеком. ИИ может выполнять множество задач по написанию кода, но выбор того, что разрабатывать, и проектирование общей структуры — это уже другая задача. Тем не менее, по мере того, как генеративный ИИ начинает сотрудничать — несколько агентов ИИ управляют различными компонентами системы — вполне возможно, что они смогут в какой-то степени совместно проектировать архитектуру (например, один ИИ предлагает проект системы, другой его критикует, и они повторяют его под контролем человека).

Одним из основных ожидаемых преимуществ ИИ в программировании является повышение производительности . Gartner прогнозирует, что к 2028 году целых 90% инженеров-программистов будут использовать ИИ-помощников при написании кода (по сравнению с менее чем 15% в 2024 году) ( GitHub Copilot возглавляет исследовательский отчет об ИИ-помощниках при написании кода — журнал Visual Studio ). Это говорит о том, что исключений — тех, кто не использует ИИ, — будет немного. Мы также можем столкнуться с нехваткой разработчиков в некоторых областях, компенсируемой за счет ИИ; по сути, каждый разработчик сможет сделать гораздо больше с помощью ИИ-помощника, способного автономно писать код.

Доверие останется ключевым вопросом. Даже в 2035 году организациям необходимо будет обеспечить безопасность автономно генерируемого кода (ИИ не должен создавать уязвимости) и соответствие юридическим и этическим нормам (например, ИИ не должен включать плагиат кода из библиотеки с открытым исходным кодом без соответствующей лицензии). Мы ожидаем, что усовершенствованные инструменты управления ИИ, способные проверять и отслеживать происхождение кода, написанного ИИ, помогут обеспечить более эффективное автономное программирование без риска.

Подводя итог, можно сказать, что к середине 2030-х годов генеративный ИИ, вероятно, возьмёт на себя львиную долю кодирования для рутинных задач по разработке ПО и значительно поможет в решении сложных. Жизненный цикл разработки ПО станет гораздо более автоматизированным — от требований до развертывания, — при этом ИИ потенциально будет автоматически генерировать и развертывать изменения кода. Разработчики-люди будут больше концентрироваться на высокоуровневой логике, пользовательском опыте и контроле, в то время как агенты ИИ будут разбираться в деталях реализации.

Генеративный ИИ в обслуживании и поддержке клиентов

Если вы недавно взаимодействовали с онлайн-чатом поддержки клиентов, то, скорее всего, хотя бы часть этого взаимодействия выполнял ИИ. Обслуживание клиентов — это область, готовая к автоматизации ИИ: оно включает в себя ответы на запросы пользователей, с чем генеративный ИИ (особенно разговорные модели) справляется довольно хорошо, и часто следует сценариям или статьям базы знаний, которые ИИ может изучить. Насколько автономно ИИ может обслуживать клиентов?

Текущие возможности (2025): чат-боты и виртуальные агенты на передовой

Сегодня многие организации используют чат-ботов на основе искусственного интеллекта в качестве первой точки контакта при обслуживании клиентов. Они варьируются от простых ботов с правилами («Нажмите 1 для выставления счета, 2 для обращения в службу поддержки…») до продвинутых генеративных чат-ботов на основе искусственного интеллекта, которые могут интерпретировать вопросы в свободной форме и отвечать на них в режиме диалога. Ключевые моменты:

Решение распространённых вопросов: ИИ-агенты отлично справляются с ответами на часто задаваемые вопросы, предоставляют информацию (часы работы магазинов, правила возврата средств, инструкции по устранению известных проблем) и сопровождают пользователей по стандартным процедурам. Например, ИИ-чат-бот для банка может самостоятельно помочь пользователю проверить баланс счёта, сбросить пароль или объяснить, как подать заявку на кредит, без участия человека.
Понимание естественного языка: Современные генеративные модели обеспечивают более гибкое и «человеческое» взаимодействие. Клиенты могут задавать вопросы своими словами, и ИИ обычно понимает их намерения. Компании сообщают, что современные ИИ-агенты гораздо более удобны для клиентов, чем неуклюжие боты, которые были несколько лет назад: почти половина клиентов теперь считают, что ИИ-агенты могут быть чуткими и эффективными при решении проблем ( 59 Статистика обслуживания клиентов с использованием ИИ за 2025 год ), что свидетельствует о растущем доверии к услугам на основе ИИ.
Многоканальная поддержка: ИИ — это не только чат. Голосовые помощники (например, системы IVR на телефонах с искусственным интеллектом) начинают обрабатывать звонки, а ИИ также может составлять ответы по электронной почте на запросы клиентов, которые могут быть отправлены автоматически, если будут признаны верными.
Когда в дело вступают люди: Обычно, если ИИ запутался или вопрос оказался слишком сложным, он передаёт управление человеку. Современные системы во многих случаях хорошо понимают свои пределы . Например, если клиент спрашивает что-то необычное или выражает недовольство («Я обращаюсь к вам уже третий раз, и я очень расстроен…»), ИИ может подать сигнал об этом человеку, чтобы тот взял управление на себя. Пороговое значение для передачи управления устанавливается компаниями, чтобы сбалансировать эффективность и удовлетворенность клиентов.

Многие компании сообщают о том, что значительная часть взаимодействий решается исключительно с помощью ИИ. Согласно отраслевым исследованиям, около 70–80% рутинных запросов клиентов сегодня могут быть обработаны чат-ботами на основе ИИ, и около 40% взаимодействий компаний с клиентами по всем каналам уже автоматизированы или поддерживаются ИИ ( 52. Статистика по обслуживанию клиентов на основе ИИ, которую вам следует знать — Plivo ). Индекс внедрения ИИ (Global AI Adoption Index) IBM (2022) показал, что 80% компаний используют или планируют использовать чат-ботов на основе ИИ для обслуживания клиентов к 2025 году.

Интересной разработкой является то, что ИИ не просто отвечает клиентам, но и активно помогает агентам-людям в режиме реального времени. Например, во время онлайн-чата или звонка ИИ может выслушивать человека и мгновенно предлагать ему варианты ответов или актуальную информацию. Это размывает грань автономности: ИИ не взаимодействует с клиентом один на один, а активно взаимодействует без явного запроса со стороны человека. Он фактически выступает в роли автономного консультанта для агента.

Перспективы на 2030–2035 годы: взаимодействие с клиентами будет в значительной степени осуществляться с помощью искусственного интеллекта

Ожидается, что к 2030 году большинство взаимодействий с клиентами в сфере обслуживания будет осуществляться с использованием искусственного интеллекта, а многие из них будут полностью контролироваться ИИ от начала до конца. Прогнозы и тенденции, подтверждающие это:

Решаются более сложные запросы: По мере того, как модели ИИ интегрируют обширные знания и совершенствуют свои рассуждения, они смогут обрабатывать более сложные запросы клиентов. Вместо того, чтобы просто отвечать на вопрос «Как мне вернуть товар?», будущий ИИ сможет решать многоэтапные задачи, например, «У меня нет интернета, я пробовал перезагрузить устройство, можете ли вы помочь?», диагностируя проблему в диалоговом режиме, помогая клиенту пройти расширенные процедуры устранения неполадок и только в случае неудачи назначив вызов специалиста — задачи, которые сегодня, вероятно, потребовали бы участия специалиста службы поддержки. В сфере обслуживания клиентов здравоохранения ИИ может полностью отвечать за запись пациентов на приём или вопросы по страхованию.
Решение сквозного обслуживания: Возможно, мы увидим, как ИИ не просто говорит клиенту, что делать, но и фактически выполняет это от его имени в рамках внутренних систем. Например, если клиент говорит: «Я хочу изменить свой рейс на следующий понедельник и добавить ещё один багаж», в 2030 году агент на базе ИИ сможет напрямую взаимодействовать с системой бронирования авиакомпании, вносить изменения, обрабатывать оплату багажа и подтверждать клиенту заказ — всё это автономно. ИИ становится полнофункциональным агентом, а не просто источником информации.
Вездесущие агенты ИИ: Компании, вероятно, будут внедрять ИИ во всех точках взаимодействия с клиентами – по телефону, в чате, по электронной почте и в социальных сетях. Многие клиенты могут даже не понимать, разговаривают ли они с ИИ или с человеком, особенно по мере того, как голоса ИИ становятся всё более естественными, а ответы в чате – более контекстно-зависимыми. К 2035 году обращение в службу поддержки клиентов может часто означать взаимодействие с умным ИИ, который запоминает ваши предыдущие взаимодействия, понимает ваши предпочтения и адаптируется к вашему тону – по сути, это будет персонализированный виртуальный агент для каждого клиента.
Принятие решений ИИ при взаимодействии: помимо ответов на вопросы, ИИ начнёт принимать решения, которые сейчас требуют одобрения руководства. Например, сегодня человеку-агенту может потребоваться одобрение руководителя, чтобы предложить возврат средств или специальную скидку, чтобы успокоить разгневанного клиента. В будущем ИИ может быть доверено принятие таких решений, в определённых пределах, на основе расчётной ценности жизненного цикла клиента и анализа настроений. Исследование Futurum/IBM прогнозирует, что к 2030 году около 69% решений, принимаемых в ходе взаимодействия с клиентами в режиме реального времени, будут приниматься умными машинами ( Чтобы переосмыслить переход к CX, маркетологи должны сделать эти 2 вещи ) — по сути, ИИ будет выбирать наилучший курс действий при взаимодействии.
100%-ное участие ИИ: в одном из отчётов предполагается, что ИИ в конечном итоге будет играть свою роль в каждом взаимодействии с клиентом ( 59 Статистика ИИ-обслуживания клиентов за 2025 год ), как непосредственно, так и в фоновом режиме. Это может означать, что даже если человек взаимодействует с клиентом, ИИ будет ему помогать (предлагая рекомендации, получая информацию). В качестве альтернативы, ни один запрос клиента не останется без ответа — даже если человек офлайн, ИИ всегда рядом.

К 2035 году мы можем обнаружить, что специалисты службы поддержки клиентов специализируются только на самых деликатных или требующих много внимания ситуациях (например, работа с VIP-клиентами или решение сложных жалоб, требующих человеческого участия). Обычные запросы – от банковских услуг до розничных продаж и технической поддержки – могли бы обрабатываться группой агентов ИИ, работающих круглосуточно и без выходных, постоянно обучаясь на каждом этапе взаимодействия. Такой сдвиг может сделать обслуживание клиентов более стабильным и быстрым, поскольку ИИ не заставляет людей ждать на линии и теоретически может выполнять несколько задач одновременно, обслуживая неограниченное количество клиентов.

Для реализации этой концепции необходимо преодолеть некоторые трудности: ИИ должен быть очень надёжным, чтобы справляться с непредсказуемостью поведения клиентов. Он должен уметь справляться со сленгом, гневом, замешательством и бесконечным разнообразием способов общения. Кроме того, ему необходимы актуальные знания (что бессмысленно, если информация ИИ устарела). Инвестируя в интеграцию ИИ с базами данных компании (для получения информации в режиме реального времени о заказах, сбоях и т. д.), можно преодолеть эти препятствия.

С этической точки зрения компаниям необходимо будет решить, когда сообщать о том, что «вы общаетесь с ИИ», и обеспечить справедливость (ИИ не относится к некоторым клиентам по-разному и негативно из-за предвзятого обучения). Если эти факторы будут контролироваться, то бизнес-кейс будет весомым: обслуживание клиентов с помощью ИИ может значительно сократить расходы и время ожидания. Прогнозируется, что к 2030 году рынок ИИ в сфере обслуживания клиентов вырастет до десятков миллиардов долларов ( Отчёт об использовании ИИ в сфере обслуживания клиентов за 2025-2030 годы: Кейс ) ( Как генеративный ИИ стимулирует логистику | Райдер ) по мере того, как организации будут инвестировать в эти возможности.

Подводя итог, можно ожидать будущего, в котором автономное обслуживание клиентов с помощью ИИ станет нормой . Получение помощи часто будет означать взаимодействие с умной машиной, которая сможет быстро решить вашу проблему. Люди по-прежнему будут контролировать и решать особые ситуации, но в большей степени в качестве руководителей сотрудников ИИ. Результатом может стать более быстрое и персонализированное обслуживание клиентов — при условии, что ИИ будет должным образом обучен и будет контролироваться, чтобы избежать разочарований, связанных с «роботизированными горячими линиями» прошлого.

Генеративный ИИ в здравоохранении и медицине

Здравоохранение — область, где ставки высоки. Идея работы ИИ без человеческого контроля в медицине вызывает одновременно энтузиазм (в плане эффективности и охвата) и опасения (в плане безопасности и эмпатии). Генеративный ИИ начал проникать в такие области, как анализ медицинских изображений, клиническая документация и даже разработка лекарств. Что он может сделать ответственно самостоятельно?

Текущие возможности (2025): помощь врачам, а не их замена

В настоящее время генеративный ИИ в здравоохранении в первую очередь выполняет функцию мощного помощника для медицинских работников, а не автономного инструмента принятия решений. Например:

Медицинская документация: Одно из самых успешных применений ИИ в здравоохранении — помощь врачам в оформлении документов. Модели естественного языка могут расшифровывать записи визитов пациентов и создавать клинические записи или выписки. В компаниях есть «ИИ-писцы», которые слушают осмотр (через микрофон) и автоматически составляют черновик записи визита для проверки врачом. Это экономит время врачей на набор текста. Некоторые системы даже автоматически заполняют части электронных медицинских карт. Это можно сделать с минимальным вмешательством — врач просто исправляет мелкие ошибки в черновике, что означает, что написание записи происходит практически автономно.
Радиология и визуализация: ИИ, включая генеративные модели, может анализировать рентгеновские снимки, МРТ и КТ для выявления аномалий (таких как опухоли или переломы). В 2018 году FDA одобрило систему ИИ для автономного обнаружения диабетической ретинопатии (заболевания глаз) на изображениях сетчатки — в частности, ей было разрешено делать заключение без проверки специалиста в этом конкретном контексте скрининга. Эта система не была генеративным ИИ, но она показывает, что регулирующие органы разрешили автономную диагностику с помощью ИИ в ограниченных случаях. Генеративные модели используются для создания подробных отчетов. Например, ИИ может изучить рентгенограмму грудной клетки и составить заключение рентгенолога со следующим текстом: «Нет острых результатов. Легкие чистые. Сердце нормальных размеров». Затем рентгенолог просто подтверждает и подписывает. В некоторых стандартных случаях эти отчеты, вероятно, могли бы выходить без правок, если бы рентгенолог доверял ИИ и просто проводил быструю проверку.
Средства проверки симптомов и виртуальные медсестры: чат-боты на основе генеративного ИИ используются для проверки симптомов на передовой. Пациенты могут ввести свои симптомы и получить рекомендации (например, «Возможно, это обычная простуда; покой и приём жидкости, но обратитесь к врачу, если возникнет X или Y»). Такие приложения, как Babylon Health, используют ИИ для предоставления рекомендаций. В настоящее время эти рекомендации, как правило, носят информационный, а не окончательный характер, и в случае серьёзных проблем рекомендуют обратиться к врачу-консультанту.
Разработка лекарств (генеративная химия): Генеративные модели ИИ могут предлагать новые молекулярные структуры для лекарств. Это скорее относится к исследовательской области, чем к уходу за пациентами. Эти ИИ работают автономно, предлагая тысячи соединений-кандидатов с заданными свойствами, которые затем изучаются и тестируются химиками-людьми в лаборатории. Такие компании, как Insilico Medicine, использовали ИИ для создания новых потенциальных лекарств за значительно меньшее время. Хотя это и не предполагает прямого взаимодействия с пациентами, это пример того, как ИИ автономно создает решения (модели молекул), на поиск которых у людей ушло бы гораздо больше времени.
Операции в здравоохранении: ИИ помогает оптимизировать планирование, управление поставками и другие логистические аспекты в больницах. Например, генеративная модель может моделировать поток пациентов и предлагать корректировки расписания для сокращения времени ожидания. Хотя это и не так очевидно, ИИ может принимать такие решения с минимальными ручными изменениями.

Важно отметить, что по состоянию на 2025 год ни одна больница не позволит ИИ самостоятельно принимать важные медицинские решения или назначать лечение без одобрения человека. Диагностика и планирование лечения по-прежнему полностью находятся в руках человека, а ИИ вносит свой вклад. Доверие, необходимое для того, чтобы ИИ полностью автономно сообщил пациенту «У вас рак» или назначил лекарство, пока отсутствует, и не должно быть достигнуто без тщательной проверки. Медицинские работники используют ИИ как вторую пару глаз или инструмент экономии времени, но они проверяют критически важные результаты.

Перспективы на 2030–2035 годы: ИИ как коллега врача (а также, возможно, медсестры или фармацевта)

В следующем десятилетии мы ожидаем, что генеративный ИИ будет самостоятельно выполнять больше рутинных клинических задач и расширит охват услуг здравоохранения:

Автоматизированная предварительная диагностика: к 2030 году ИИ сможет надёжно выполнять первичный анализ при многих распространённых заболеваниях. Представьте себе систему ИИ в клинике, которая считывает симптомы пациента, историю болезни, даже тон и выражение лица с помощью камеры, и предоставляет диагностическое предложение и рекомендуемые анализы — всё это ещё до того, как врач-человек осмотрит пациента. Затем врач может сосредоточиться на подтверждении и обсуждении диагноза. В телемедицине пациент может сначала пообщаться с ИИ, который сузит круг вопросов (например, вероятная инфекция околоносовых пазух или что-то более серьёзное), а затем при необходимости соединит его с врачом. Регуляторы могли бы разрешить ИИ официально диагностировать некоторые незначительные заболевания без человеческого контроля, если будет доказана высокая точность — например, ИИ может диагностировать простую ушную инфекцию по снимку отоскопа.
Персональные мониторы здоровья: С распространением носимых устройств (умных часов, датчиков здоровья) ИИ будет непрерывно следить за пациентами и самостоятельно предупреждать о проблемах. Например, к 2035 году ИИ вашего носимого устройства сможет обнаружить нарушение сердечного ритма и самостоятельно записать вас на срочную виртуальную консультацию или даже вызвать скорую помощь при обнаружении признаков сердечного приступа или инсульта. Это переходит в область автономного принятия решений – определения ситуации как чрезвычайной и последующего действия – что является вероятным и жизненно важным применением ИИ.
Рекомендации по лечению: Генеративный ИИ, обученный на медицинской литературе и данных пациентов, может предлагать персонализированные планы лечения. К 2030 году в случае сложных заболеваний, таких как рак, онкологические комиссии с использованием ИИ смогут анализировать генетический состав и историю болезни пациента и самостоятельно составлять рекомендуемую схему лечения (план химиотерапии, выбор препаратов). Врачи-люди будут рассматривать её, но со временем, по мере роста уверенности, они могут начать принимать разработанные ИИ планы, особенно в стандартных случаях, корректируя их только при необходимости.
Виртуальные медсестры и уход на дому: ИИ, способный общаться и давать медицинские рекомендации, может взять на себя значительную часть задач по последующему наблюдению и мониторингу хронических заболеваний. Например, пациенты с хроническими заболеваниями, находящиеся дома, могут ежедневно сообщать о своих показателях ИИ-помощнице медсестры, которая даёт советы («У вас немного повышен уровень сахара в крови, попробуйте скорректировать вечерний перекус») и подключает медсестру-человека только в случае выхода показаний за пределы нормы или возникновения проблем. Такой ИИ может работать практически автономно под удалённым наблюдением врача.
Медицинская визуализация и лабораторный анализ – полностью автоматизированные процессы: К 2035 году в некоторых областях интерпретация медицинских снимков может осуществляться преимущественно с помощью ИИ. Рентгенологи будут контролировать работу систем ИИ и обрабатывать сложные случаи, но большинство обычных снимков (которые действительно являются нормальными) сможет «считывать» и подписывать непосредственно ИИ. Аналогичным образом, анализ гистологических препаратов (например, обнаружение раковых клеток в биопсийных образцах) может выполняться автономно для первичного скрининга, что значительно ускорит получение результатов лабораторных исследований.
Разработка лекарств и клинические испытания: ИИ, вероятно, будет не только разрабатывать молекулы лекарств, но и генерировать синтетические данные пациентов для испытаний или находить оптимальных кандидатов. Он может автономно проводить виртуальные испытания (моделируя реакцию пациентов), чтобы сузить круг возможных вариантов перед реальными испытаниями. Это позволит быстрее выводить лекарства на рынок, сокращая количество экспериментов, проводимых человеком.

Концепция врача-человека ИИ -врачом пока далека от реальности и вызывает споры. Даже к 2035 году ожидается, что ИИ будет коллегой врачей, чем заменой человеческого взаимодействия. Сложная диагностика часто требует интуиции, этических принципов и умения общаться с пациентами для понимания контекста — в таких областях врачи-люди преуспевают. При этом ИИ может взять на себя, скажем, 80% рутинной работы: оформление документов, ведение простых случаев, мониторинг и т. д., позволяя врачам-клиницистам сосредоточиться на сложных 20% и на отношениях с пациентами.

Существуют значительные препятствия: регулирующие органы требуют строгого одобрения автономного ИИ в здравоохранении (что вполне обоснованно). Системам ИИ потребуется обширная клиническая валидация. Возможно, мы увидим постепенное признание — например, ИИ будет разрешено автономно диагностировать и лечить пациентов в районах с недостаточным уровнем медицинского обслуживания, где нет врачей, что позволит расширить доступ к здравоохранению (представьте себе «клинику ИИ» в отдалённой деревне к 2030 году, работающую под периодическим теленаблюдением со стороны городского врача).

Этические вопросы приобретают особое значение. Необходимо решить такие проблемы, как подотчётность (если автономный ИИ ошибётся в диагнозе, кто будет нести ответственность?), информированное согласие (пациенты должны знать, участвует ли ИИ в их лечении) и обеспечение равенства (ИИ одинаково эффективен для всех групп населения, избегая предвзятости). Если эти вопросы будут решены, к середине 2030-х годов генеративный ИИ может стать неотъемлемой частью системы здравоохранения, выполняя множество задач, освобождая людей, оказывающих медицинскую помощь, и потенциально помогая пациентам, которые в настоящее время имеют ограниченный доступ к услугам.

Подводя итог, можно сказать, что к 2035 году здравоохранение, вероятно, получит глубоко интегрированный ИИ, но в основном он будет работать «под капотом» или выполнять вспомогательные функции. Мы будем доверять ИИ выполнение многих задач самостоятельно — анализировать результаты сканирования, следить за жизненными показателями, составлять планы, — но при этом сохранится контроль со стороны человека для принятия критически важных решений. Результатом может стать более эффективная и отзывчивая система здравоохранения, в которой ИИ возьмёт на себя основную работу, а люди обеспечат эмпатию и вынесут окончательное решение.

Генеративный ИИ в образовании

Образование — ещё одна область, где генеративный ИИ производит фурор: от ботов-репетиторов на базе ИИ до автоматизированной оценки и создания контента. Преподавание и обучение предполагают коммуникацию и креативность, которые являются сильными сторонами генеративных моделей. Но можно ли доверить ИИ обучение без надзора со стороны учителя?

Текущие возможности (2025): репетиторы и создатели контента на поводке

В настоящее время ИИ используется в образовании в основном как дополнительный инструмент, а не как самостоятельный преподаватель. Примеры текущего использования:

Репетиторы на основе ИИ: такие инструменты, как Khanmigo от Khan Academy (на базе GPT-4) или различные приложения для изучения языков, используют ИИ для имитации индивидуального репетитора или собеседника. Учащиеся могут задавать вопросы на естественном языке и получать ответы или объяснения. ИИ может давать подсказки для решения домашних заданий, объяснять понятия разными способами или даже разыгрывать роли исторических личностей на интерактивном уроке истории. Однако эти репетиторы на основе ИИ обычно используются под контролем; учителя или специалисты по поддержке приложений часто отслеживают диалоги или устанавливают ограничения на темы, которые может обсуждать ИИ (чтобы избежать дезинформации или нежелательного контента).
Создание контента для учителей: Генеративный ИИ помогает учителям, создавая вопросы для тестов, конспекты прочитанного, планы уроков и т. д. Учитель может попросить ИИ «Сгенерировать 5 практических задач по квадратным уравнениям с ответами», что сэкономит время на подготовку. Это автономное создание контента, но учитель обычно проверяет результат на точность и соответствие учебной программе. Так что это скорее инструмент для экономии труда, чем полностью независимый.
Оценка и обратная связь: ИИ может автоматически оценивать экзамены с несколькими вариантами ответов (в этом нет ничего нового) и всё чаще может оценивать короткие ответы или эссе. Некоторые школьные системы используют ИИ для оценки письменных ответов и предоставления обратной связи учащимся (например, исправления грамматических ошибок, предложения по расширению аргументации). Хотя это и не является генеративной задачей, новые ИИ могут даже создавать персонализированный отчёт об успеваемости учащегося, указывая области, требующие улучшения. На этом этапе учителя часто перепроверяют эссе, оцененные ИИ, из-за опасений по поводу нюансов.
Адаптивные системы обучения: это платформы, которые корректируют сложность или стиль материала в зависимости от успеваемости учащегося. Генеративный ИИ дополняет эту функцию, оперативно создавая новые задачи или примеры, адаптированные к потребностям учащегося. Например, если учащийся испытывает трудности с какой-либо концепцией, ИИ может сгенерировать другую аналогию или практический вопрос, ориентированный на эту концепцию. Это работает в некоторой степени автономно, но в рамках системы, разработанной преподавателями.
Использование учащимися в учебных целях: учащиеся сами используют такие инструменты, как ChatGPT, для помощи в обучении, запрашивая разъяснения, переводы или даже используя ИИ для получения отзывов на черновик эссе («улучшить вводный абзац»). Это происходит самостоятельно и может происходить без ведома учителя. В этом случае ИИ выступает в роли репетитора или корректора по запросу. Задача состоит в том, чтобы учащиеся использовали его для обучения, а не только для получения ответов (что соответствует академической честности).

Очевидно, что к 2025 году искусственный интеллект в образовании станет мощным инструментом, но, как правило, он будет работать в тесном контакте с человеком-преподавателем, который будет курировать его вклад. Осторожность вполне понятна: мы не хотим доверять ИИ передачу неверной информации или обработку конфиденциальных взаимодействий с учениками в отрыве от основной деятельности. Учителя рассматривают ИИ-репетиторов как полезных помощников, которые могут дать ученикам больше практики и мгновенные ответы на повседневные вопросы, освобождая время преподавателей для более глубокого наставничества.

Перспективы на 2030–2035 годы: персонализированные ИИ-репетиторы и автоматизированные помощники преподавателей

Мы ожидаем, что в следующем десятилетии генеративный ИИ обеспечит более персонализированный и автономный опыт обучения , в то время как роли учителей изменятся:

Персональные репетиторы на основе ИИ для каждого ученика: к 2030 году видение (разделяемое такими экспертами, как Сэл Хан из Khan Academy) заключается в том, что к 2030 году каждый ученик сможет получить доступ к репетитору на основе ИИ, который будет во многих отношениях столь же эффективен, как и репетитор-человек ( по словам его создателя, этот репетитор на основе ИИ может сделать людей в 10 раз умнее ). Эти репетиторы на основе ИИ будут доступны 24/7, будут досконально знать историю обучения ученика и соответствующим образом адаптировать свой стиль преподавания. Например, если ученик является визуалом и испытывает трудности с концепцией алгебры, ИИ может динамически создавать визуальное объяснение или интерактивную симуляцию, чтобы помочь. Поскольку ИИ может отслеживать прогресс ученика с течением времени, он может автономно решать, какую тему повторить следующей или когда переходить к новому навыку, эффективно управляя планом урока для этого ученика в микросмысле.
Сокращение нагрузки на учителя по рутинным задачам: выставление оценок, составление рабочих листов, подготовка учебных материалов — эти задачи могут быть практически полностью переданы ИИ к 2030-м годам. ИИ мог бы генерировать индивидуальные домашние задания для класса на неделю, оценивать все задания прошлой недели (даже задания открытого типа) с обратной связью и указывать учителю, каким ученикам может потребоваться дополнительная помощь по темам. Это могло бы происходить с минимальным участием учителя, возможно, достаточно было бы беглого взгляда, чтобы убедиться в справедливости оценок ИИ.
Автономные адаптивные обучающие платформы: мы можем увидеть курсы, полностью управляемые искусственным интеллектом, по некоторым предметам. Представьте себе онлайн-курс без преподавателя-человека, где ИИ-агент представляет материал, приводит примеры, отвечает на вопросы и корректирует темп обучения в зависимости от потребностей студента. Опыт студента может быть уникальным и формироваться в режиме реального времени. Некоторые корпоративные программы обучения и программы обучения взрослых могут перейти на эту модель раньше, и к 2035 году сотрудник сможет сказать: «Я хочу изучить продвинутые макросы Excel», и ИИ-преподаватель будет обучать его по индивидуальной программе, включая создание упражнений и оценку решений, без участия человека.
ИИ-помощники в классе: В реальных или виртуальных классах ИИ может прослушивать обсуждения в классе и оперативно помогать учителю (например, нашептывая ему подсказки через наушник: «Несколько учеников, похоже, не понимают эту концепцию, возможно, стоит привести другой пример»). Он также может модерировать онлайн-форумы класса, отвечать на простые вопросы учеников («Когда нужно сдать задание?» или даже прояснять тему лекции), чтобы учителю не приходилось забрасывать его электронными письмами. К 2035 году присутствие ИИ-помощника в классе, пока учитель-человек сосредоточен на более высоких уровнях руководства и мотивации, может стать стандартом.
Глобальный доступ к образованию: автономные ИИ-репетиторы могут помочь в обучении учащихся в регионах с нехваткой учителей. Планшет с ИИ-репетитором может служить основным преподавателем для учащихся, которые в противном случае имеют ограниченное образование, охватывая основы грамотности и математики. К 2035 году это может стать одним из самых эффективных применений ИИ — он будет преодолевать пробелы там, где нет учителей-людей. Однако обеспечение качества и культурной адекватности ИИ-образования в различных контекстах будет иметь решающее значение.

Заменит ли ИИ учителей? Полностью — вряд ли. Преподавание — это больше, чем просто предоставление контента. Это наставничество, вдохновение, социально-эмоциональная поддержка. ИИ сложно воспроизвести эти человеческие качества. Но ИИ может стать вторым учителем в классе или даже первым учителем в передаче знаний, предоставив педагогам-людям сосредоточиться на том, что у них получается лучше всего: сопереживать, мотивировать и развивать критическое мышление.

Необходимо решить ряд задач: обеспечить точность информации, предоставляемой ИИ (отсутствие образовательных галлюцинаций, основанных на ложных фактах), избежать предвзятости в образовательном контенте, обеспечить конфиденциальность данных учащихся и поддерживать их интерес (ИИ должен мотивировать, а не только давать правильные ответы). Вероятно, мы увидим аккредитацию или сертификацию образовательных систем на основе ИИ — подобно тому, как утверждаются учебники — для обеспечения их соответствия стандартам.

Ещё одна проблема — чрезмерная зависимость: если ИИ-репетитор даёт ответы слишком легко, ученики могут не научиться упорству и решению задач. Чтобы смягчить это, будущие ИИ-репетиторы могут быть спроектированы так, чтобы иногда позволять ученикам испытывать трудности (как это делают люди-репетиторы) или поощрять их решать задачи с помощью подсказок, а не предлагать готовые решения.

К 2035 году класс может преобразиться: каждый ученик получит устройство, подключенное к ИИ, которое будет направлять его в удобном темпе, а учитель организует групповые занятия и обеспечивает человеческую поддержку. Образование может стать более эффективным и персонализированным. Обещание заключается в том, что каждый ученик получит необходимую помощь тогда, когда она ему нужна, – настоящий «персональный репетитор» в широком масштабе. Существует риск потери человеческого фактора или злоупотребления ИИ (например, списывания учеников с помощью ИИ). Но в целом, при грамотном управлении, генеративный ИИ способен демократизировать и улучшить процесс обучения, став постоянно доступным и компетентным спутником на пути учащегося к образованию.

Генеративный ИИ в логистике и цепочке поставок

Логистика – искусство и наука перемещения товаров и управления цепочками поставок – может показаться нетрадиционной областью применения «генеративного» ИИ, но творческое решение задач и планирование играют в ней ключевую роль. Генеративный ИИ может помочь в моделировании сценариев, оптимизации планов и даже управлении роботизированными системами. Цель логистики – эффективность и экономия средств, что хорошо согласуется с сильными сторонами ИИ в анализе данных и предложении решений. Насколько же автономным может быть ИИ в управлении цепочками поставок и логистическими операциями?

Текущие возможности (2025): оптимизация и оптимизация под контролем человека

Сегодня ИИ (включая некоторые генеративные подходы) применяется в логистике в первую очередь как инструмент поддержки принятия решений :

Оптимизация маршрутов: такие компании, как UPS и FedEx, уже используют алгоритмы ИИ для оптимизации маршрутов доставки, гарантируя водителям выбор наиболее эффективного пути. Традиционно это были алгоритмы исследования операций, но теперь генеративные подходы помогают изучать альтернативные стратегии маршрутизации в различных условиях (пробки, погода). ИИ предлагает маршруты, а диспетчеры или менеджеры устанавливают параметры (например, приоритеты) и могут при необходимости их переопределять.
Планирование загрузки и пространства: для загрузки грузовиков или морских контейнеров ИИ может генерировать оптимальные планы загрузки (какой ящик куда положить). Генеративный ИИ может создавать несколько конфигураций упаковки для максимального использования пространства, по сути, «создавая» решения, из которых человек может выбирать. Это было подчеркнуто в исследовании, в котором отмечается, что в США грузовики часто ездят на 30% пустыми, и более эффективное планирование с помощью ИИ может сократить эти потери ( Основные примеры использования генеративного ИИ в логистике ). Эти планы загрузки, созданные ИИ, направлены на снижение расходов на топливо и выбросов, а на некоторых складах они выполняются с минимальными ручными изменениями.
Прогнозирование спроса и управление запасами: модели ИИ могут прогнозировать спрос на продукцию и разрабатывать планы пополнения запасов. Генеративная модель может моделировать различные сценарии спроса (например, ИИ «представляет» всплеск спроса в связи с приближающимся праздником) и соответствующим образом планировать запасы. Это помогает менеджерам по цепочке поставок подготовиться. В настоящее время ИИ предоставляет прогнозы и рекомендации, но окончательное решение об объёмах производства или заказе обычно принимают люди.
Оценка рисков: Глобальная цепочка поставок сталкивается со сбоями (стихийные бедствия, задержки в портах, политические проблемы). Системы ИИ теперь анализируют новости и данные, чтобы выявлять грядущие риски. Например, одна логистическая компания использует ИИ высокого уровня для сканирования интернета и обозначения опасных транспортных коридоров (районов, где могут возникнуть проблемы, например, из-за надвигающегося урагана или беспорядков) ( Основные примеры использования генеративного ИИ в логистике ). Используя эту информацию, специалисты по планированию могут самостоятельно перенаправлять грузы в обход проблемных участков. В некоторых случаях ИИ может автоматически рекомендовать изменения маршрута или вида транспорта, которые затем утверждаются людьми.
Автоматизация склада: Многие склады полуавтоматизированы, и роботы выполняют функции подбора и упаковки. Генеративный ИИ может динамически распределять задачи между роботами и людьми для оптимизации потока. Например, ИИ может каждое утро формировать очередь заданий для роботов-сборщиков на основе заказов. Часто этот процесс выполняется полностью автономно: менеджеры просто отслеживают ключевые показатели эффективности (KPI). При неожиданном резком увеличении количества заказов ИИ корректирует работу самостоятельно.
Управление автопарком: ИИ помогает планировать техническое обслуживание транспортных средств, анализируя закономерности и создавая оптимальные графики, минимизирующие время простоя. Он также может группировать поставки для сокращения количества рейсов. Эти решения могут приниматься программным обеспечением на базе ИИ автоматически при условии соответствия требованиям к обслуживанию.

В целом, по состоянию на 2025 год люди ставят цели (например, «минимизировать затраты, но обеспечить доставку в течение двух дней»), а ИИ генерирует решения или графики для их достижения. Системы могут работать ежедневно без вмешательства, пока не случится что-то необычное. Многие логистические процессы предполагают повторяющиеся решения (когда должен быть отправлен этот груз? с какого склада выполнить этот заказ?), которые ИИ может научиться принимать последовательно. Компании постепенно доверяют ИИ принятие этих микрорешений и оповещают менеджеров только в случае возникновения исключений.

Перспективы на 2030–2035 годы: самоуправляемые цепочки поставок

В следующем десятилетии мы можем предвидеть гораздо более автономную координацию в логистике под управлением ИИ:

Автономные транспортные средства и дроны: Самоуправляемые грузовики и беспилотные летательные аппараты, хотя и являются более широкой темой ИИ/робототехники, напрямую влияют на логистику. К 2030 году, если будут преодолены нормативные и технические проблемы, ИИ может стать обычным водителем грузовиков на автомагистралях, а дроны будут осуществлять доставку «последней мили» в городах. Эти ИИ будут принимать решения в режиме реального времени (изменение маршрута, объезд препятствий) без участия водителей. Генеративный аспект заключается в том, как эти ИИ транспортных средств обучаются на основе обширных данных и моделирования, фактически «тренируясь» на бесчисленных сценариях. Полностью автономный автопарк может работать круглосуточно, а люди будут лишь дистанционно контролировать его работу. Это исключает значительную часть человеческого фактора (водителей) из логистических операций, значительно повышая автономность.
Самовосстанавливающиеся цепочки поставок: Генеративный ИИ, вероятно, будет использоваться для постоянного моделирования сценариев цепочек поставок и разработки планов действий в чрезвычайных ситуациях. К 2035 году ИИ сможет автоматически определять закрытие завода-поставщика (через новости или потоки данных) и немедленно переключаться на альтернативных поставщиков, которых он уже проверил в ходе моделирования. Это означает, что цепочка поставок «исцеляется» сама от сбоев, причем инициатива исходит от ИИ. О действиях ИИ будут уведомлены менеджеры-люди, а не те, кто инициировал обходной путь.
Сквозная оптимизация запасов: ИИ сможет автономно управлять запасами по всей сети складов и магазинов. Он будет решать, когда и куда перемещать запасы (возможно, используя для этого роботов или автоматизированные транспортные средства), поддерживая достаточный запас в каждой точке. ИИ фактически управляет цепочкой поставок: отслеживает все потоки и вносит корректировки в режиме реального времени. К 2035 году идея «самоуправляемой» цепочки поставок может означать, что система будет самостоятельно определять оптимальный план дистрибуции каждый день, заказывать продукцию, планировать запуски фабрик и организовывать транспортировку. Люди будут контролировать общую стратегию и устранять исключения, выходящие за рамки текущего понимания ИИ.
Генеративный дизайн в логистике: мы могли бы увидеть, как ИИ проектирует новые сети цепочек поставок. Предположим, компания расширяется в новый регион; ИИ может сгенерировать оптимальное расположение складов, транспортные маршруты и политику управления запасами для этого региона на основе данных — то, чем сегодня занимаются консультанты и аналитики. К 2030 году компании, возможно, будут полагаться на рекомендации ИИ при выборе структуры цепочек поставок, доверяя ему более быстрый взвешивание факторов и, возможно, поиск креативных решений (например, неочевидных распределительных центров), которые люди не замечают.
Интеграция с производством (Индустрия 4.0): логистика не существует сама по себе; она тесно связана с производством. Заводы будущего, возможно, будут оснащены генеративным ИИ, который будет планировать производственные циклы, заказывать сырье точно в срок и затем отдавать команды логистической сети на немедленную доставку продукции. Такая интегрированная система ИИ может означать сокращение человеческого фактора в планировании в целом – непрерывную цепочку от производства до доставки, управляемую алгоритмами, оптимизирующими затраты, скорость и устойчивое развитие. Уже к 2025 году высокоэффективные цепочки поставок будут управляться данными; к 2035 году они могут в значительной степени управляться ИИ.
Динамическое обслуживание клиентов в логистике: ИИ-системы, работающие на основе ИИ в сфере обслуживания клиентов, могут напрямую взаимодействовать с клиентами. Например, если крупный клиент хочет в последнюю минуту изменить свой оптовый заказ, ИИ-агент может обсудить возможные варианты (например, «Мы можем доставить половину сейчас, половину на следующей неделе из-за ограничений»), не дожидаясь ответа менеджера-человека. Это предполагает, что генеративный ИИ понимает обе стороны (потребности клиентов и производственные мощности) и принимает решения, обеспечивающие бесперебойную работу и удовлетворение потребностей клиентов.

Ожидаемое преимущество — более эффективная, устойчивая и адаптивная логистическая система. Компании предвидят значительную экономию: по оценкам McKinsey, оптимизация цепочек поставок с помощью ИИ может значительно сократить расходы и повысить уровень обслуживания, что потенциально может принести триллионы долларов прибыли в различных отраслях ( Состояние ИИ в 2023 году: прорывной год генеративного ИИ | McKinsey ).

Однако передача большего контроля ИИ также несёт в себе риски, такие как каскадные ошибки, если логика ИИ несовершенна (например, печально известный случай, когда цепочка поставок ИИ непреднамеренно исчерпала запасы компании из-за ошибки моделирования). Такие меры предосторожности, как «участие человека в принятии важных решений» или, по крайней мере, панели управления, позволяющие быстро перехватывать управление человеком, вероятно, сохранятся до 2035 года. Со временем, по мере того как решения ИИ будут доказывать свою состоятельность, люди начнут спокойнее отходить от дел.

Интересно, что, оптимизируя производство ради эффективности, ИИ иногда может принимать решения, противоречащие человеческим предпочтениям или традиционным практикам. Например, чистая оптимизация может привести к очень скудным запасам, что эффективно, но может показаться рискованным. Специалистам по цепочкам поставок в 2030 году, возможно, придётся скорректировать свои интуитивные представления, поскольку ИИ, обрабатывая огромные объёмы данных, может продемонстрировать, что его необычная стратегия на самом деле работает лучше.

Наконец, необходимо учитывать, что физические ограничения (инфраструктура, скорость физических процессов) ограничивают скорость изменений в логистике, поэтому революция здесь заключается в более разумном планировании и использовании активов, а не в совершенно новой физической реальности. Но даже в этих рамках креативные решения и неустанная оптимизация генеративного ИИ могут значительно улучшить перемещение товаров по всему миру с минимальным ручным планированием.

Подводя итог, можно сказать, что к 2035 году логистика может напоминать хорошо отлаженную автоматизированную машину: товары будут эффективно перемещаться, маршруты будут адаптироваться к сбоям в режиме реального времени, склады будут управляться роботами, а вся система будет постоянно обучаться и совершенствоваться на основе данных — и все это будет организовано генеративным искусственным интеллектом, который будет выступать в роли мозга всей операции.

Генеративный ИИ в финансах и бизнесе

Финансовая отрасль активно работает с информацией – отчётами, аналитикой, взаимодействием с клиентами, – что создаёт благоприятную почву для развития генеративного ИИ. От банковского дела до управления инвестициями и страхования – организации используют ИИ для автоматизации и получения аналитических данных. Вопрос в том, какие финансовые задачи ИИ может надёжно решать без человеческого контроля, учитывая важность точности и доверия в этой области?

Текущие возможности (2025): автоматизированные отчеты и поддержка принятия решений

На сегодняшний день генеративный ИИ вносит свой вклад в финансовую сферу несколькими способами, часто под контролем человека:

Генерация отчетов: Банки и финансовые компании выпускают многочисленные отчеты — сводки доходов, рыночные комментарии, анализы портфелей и т. д. ИИ уже используется для их составления. Например, Bloomberg разработал BloombergGPT , большую языковую модель, обученную на финансовых данных, для помощи в таких задачах, как классификация новостей и вопросы и ответы для своих конечных пользователей ( Генеративный ИИ приходит в финансы ). Хотя его основное предназначение — помогать людям находить информацию, это показывает растущую роль ИИ. Automated Insights (компания, с которой работало AP) также создавала финансовые статьи. Многие инвестиционные информационные бюллетени используют ИИ для обзора ежедневных движений рынка или экономических показателей. Обычно люди просматривают их перед отправкой клиентам, но это быстрое редактирование, а не написание с нуля.
Коммуникация с клиентами: В розничном банкинге чат-боты на основе ИИ обрабатывают запросы клиентов о балансе счетов, транзакциях или информации о продуктах (интегрируясь в сферу обслуживания клиентов). Кроме того, ИИ может генерировать персонализированные финансовые рекомендации или подсказки. Например, ИИ может определить, что клиент может сэкономить на комиссиях, и автоматически составить сообщение с предложением перейти на другой тип счета, которое затем будет отправлено с минимальным вмешательством человека. Именно такое масштабное персонализированное общение является актуальным применением ИИ в сфере финансов.
Обнаружение мошенничества и оповещения: Генеративный ИИ может помочь в создании описаний или объяснений аномалий, обнаруженных системами противодействия мошенничеству. Например, при обнаружении подозрительной активности ИИ может сгенерировать пояснительное сообщение для клиента («Мы заметили вход с нового устройства…») или отчёт для аналитиков. Обнаружение автоматизировано (с использованием обнаружения аномалий с помощью ИИ/МО), и коммуникация становится всё более автоматизированной, хотя окончательные действия (блокировка учётной записи) часто требуют проверки человеком.
Финансовое консультирование (ограниченное): Некоторые роботы-консультанты (автоматизированные инвестиционные платформы) используют алгоритмы (не обязательно генеративный ИИ) для управления портфелями без участия человека. Генеративный ИИ внедряется, например, генерируя комментарии о причинах совершения определённых сделок или сводку эффективности портфеля, адаптированную под клиента. Однако чисто финансовые консультации (например, сложное финансовое планирование) по-прежнему в основном выполняются человеком или алгоритмически, основанными на правилах; генеративные консультации в свободной форме без контроля рискованны из-за ответственности в случае ошибки.
Оценка рисков и андеррайтинг: Страховые компании тестируют ИИ для автоматического составления отчётов об оценке рисков или даже проектов страховых полисов. Например, имея данные об имуществе, ИИ может создать проект страхового полиса или отчёт андеррайтера с описанием факторов риска. В настоящее время эти результаты проверяются людьми, поскольку любая ошибка в договоре может привести к серьёзным последствиям.
Анализ данных и аналитика: ИИ может анализировать финансовую отчётность или новости и генерировать сводки. Аналитики используют инструменты, которые могут мгновенно резюмировать ключевые моменты 100-страничного годового отчёта или извлекать основные выводы из стенограммы телефонной конференции, посвящённой финансовым результатам. Эти сводки экономят время и могут быть использованы непосредственно при принятии решений или переданы дальше, но осмотрительные аналитики перепроверяют важные детали.

По сути, современный ИИ в финансах действует как неутомимый аналитик/писатель , генерируя контент, который затем корректируется людьми. Полностью автономное использование в основном встречается в чётко определённых областях, таких как новости на основе данных (не требующие субъективных суждений) или обслуживание клиентов. Прямое доверие ИИ в принятии решений, связанных с финансами (например, перемещение средств, проведение сделок вне рамок заданных алгоритмов), встречается редко из-за высоких ставок и пристального внимания со стороны регулирующих органов.

Перспективы на 2030–2035 годы: аналитики ИИ и автономные финансовые операции

Заглядывая в будущее, можно сказать, что к 2035 году генеративный ИИ может глубоко внедриться в финансовые операции, потенциально выполняя многие задачи автономно:

Финансовые аналитики на основе ИИ: Мы можем увидеть системы ИИ, которые смогут анализировать компании и рынки и выдавать рекомендации или отчеты на уровне аналитика по исследованиям человеческого капитала. К 2030 году ИИ, вероятно, сможет читать все финансовые отчеты компании, сравнивать их с отраслевыми данными и самостоятельно выдавать инвестиционные рекомендации (с обоснованием «Купить/Продать»). Некоторые хедж-фонды уже используют ИИ для генерации торговых сигналов; к 2030-м годам отчеты об исследованиях на основе ИИ могут стать обычным явлением. Менеджеры портфелей, работающие с людьми, могут начать доверять анализу, сгенерированному ИИ, как одному из входных данных. Существует даже потенциал для автономного управления портфелями с помощью ИИ: непрерывного мониторинга и ребалансировки инвестиций в соответствии с предопределенной стратегией. Фактически, алгоритмическая торговля уже в значительной степени автоматизирована — генеративный ИИ может сделать стратегии более адаптивными, самостоятельно генерируя и тестируя новые торговые модели.
Автоматизированное финансовое планирование: консультанты на основе ИИ, работающие с потребителями, смогут заниматься рутинным финансовым планированием для отдельных лиц. К 2030 году вы сможете сообщить ИИ свои цели (покупка дома, накопление на колледж), и он сможет сгенерировать полноценный финансовый план (бюджет, распределение инвестиций, рекомендации по страхованию), адаптированный под ваши нужды. Поначалу его может изучить финансовый консультант-человек, но по мере роста доверия такие советы могут предоставляться непосредственно потребителям с соответствующими оговорками. Ключевым моментом станет обеспечение соответствия рекомендаций ИИ нормативным требованиям и наилучшего соответствия интересам клиента. Если эта проблема будет решена, ИИ может сделать базовые финансовые консультации гораздо более доступными и недорогими.
Автоматизация бэк-офиса: Генеративный ИИ может автономно обрабатывать множество документов бэк-офиса – заявки на кредит, отчёты о соответствии требованиям, аудиторские заключения. Например, ИИ может собирать все данные о транзакциях и формировать аудиторский отчёт, отмечая любые нарушения. В 2035 году аудиторы будут тратить больше времени на проверку исключений, отмеченных ИИ, вместо того, чтобы самостоятельно всё проверять. Аналогичным образом, в целях обеспечения соответствия требованиям ИИ сможет генерировать отчёты о подозрительной активности (SAR) для регулирующих органов, без необходимости участия аналитика в их написании с нуля. Автономная генерация этих рутинных документов, при переходе к человеческому контролю на основе исключений, может стать стандартной.
Страховые претензии и андеррайтинг: ИИ может автоматически обрабатывать страховые претензии (с фотоподтверждением и т.д.), определять страховое покрытие и формировать решение о выплате. Мы можем достичь момента, когда простые претензии (например, по ДТП с чёткими данными) будут полностью урегулированы ИИ в течение нескольких минут после подачи. Андеррайтинг новых полисов может быть аналогичным: ИИ оценивает риск и формирует условия полиса. К 2035 году, возможно, только сложные или пограничные случаи будут передаваться андеррайтерам-людям.
Мошенничество и безопасность: ИИ, вероятно, станет ещё более важным инструментом для выявления и реагирования на мошенничество и киберугрозы в финансовой сфере. Автономные ИИ-агенты могут отслеживать транзакции в режиме реального времени и принимать немедленные меры (блокировать счета, замораживать транзакции) при достижении определённых критериев, а затем предоставлять обоснование. Скорость здесь имеет решающее значение, поэтому желательно минимальное участие человека. Генеративная часть может заключаться в чётком информировании клиентов или регулирующих органов о таких действиях.
Поддержка руководства: Представьте себе «руководителя аппарата» на базе ИИ, способного оперативно генерировать бизнес-отчёты для руководителей. Спросите: «Каковы результаты нашего европейского подразделения в этом квартале и каковы основные факторы по сравнению с прошлым годом?», и ИИ предоставит краткий отчёт с точными диаграммами, основанный на данных. Такой тип динамической, автономной отчётности и анализа может стать таким же простым, как разговор. К 2030 году запросы к ИИ для бизнес-аналитики и доверие к нему в получении правильных ответов могут в значительной степени заменить статические отчёты и, возможно, даже некоторые аналитические роли.

Интересный прогноз: к 2030-м годам большая часть финансового контента (новостей, отчётов и т. д.) может быть создана с помощью искусственного интеллекта . Такие агентства, как Dow Jones и Reuters, уже используют автоматизацию для подачи некоторых новостных фрагментов. Если эта тенденция сохранится, и учитывая взрывной рост объёма финансовых данных, ИИ может взять на себя фильтрацию и распространение большей их части.

Однако доверие и верификация будут играть ключевую роль. Финансовая индустрия строго регулируется, и любой ИИ, работающий автономно, должен будет соответствовать строгим стандартам:

Обеспечение отсутствия галлюцинаций (вы не можете позволить аналитику на основе искусственного интеллекта изобрести финансовую метрику, которая не является реальной, — это может ввести рынки в заблуждение).
Избегать предвзятости или незаконных действий (например, непреднамеренного ограничения кредитных решений из-за предвзятых данных обучения).
Проверяемость: регулирующие органы, вероятно, потребуют, чтобы решения ИИ были объяснимыми. Если ИИ отказывает в кредите или принимает решение о сделке, должно быть обоснование, которое можно проверить. Генеративные модели могут быть своего рода «черным ящиком», поэтому следует ожидать разработки объяснимых методов ИИ , которые сделают их решения прозрачными.

В ближайшие 10 лет, вероятно, будет наблюдаться тесное сотрудничество между ИИ и финансовыми специалистами, постепенно расширяя границы автономности по мере роста доверия. Первые успехи будут достигнуты в области автоматизации с низким уровнем риска (например, в формировании отчётности). Сложнее будет принимать ключевые решения, такие как кредитные решения или инвестиционный выбор, но даже здесь, по мере накопления опыта ИИ, компании могут предоставить ему больше автономии. Например, возможно, фонд на базе ИИ будет управляться человеком-контролёром, который будет вмешиваться только в случае отклонения результатов от ожидаемых или если ИИ зафиксирует неопределённость.

С экономической точки зрения, по оценкам McKinsey, ИИ (особенно ИИ высокого уровня) может ежегодно приносить банковскому сектору порядка 200–340 миллиардов долларов прибыли, а также оказывать аналогичное значительное влияние на страхование и рынки капитала ( Состояние ИИ в 2023 году: год прорыва генеративного ИИ | McKinsey ) ( Каково будущее генеративного ИИ? | McKinsey ). Это достигается за счёт эффективности и принятия более качественных решений. Чтобы получить эту выгоду, значительная часть рутинного финансового анализа и коммуникации, вероятно, будет передана системам ИИ.

Подводя итог, можно сказать, что к 2035 году генеративный ИИ может стать подобием армии младших аналитиков, консультантов и клерков, работающих в финансовом секторе, выполняя большую часть черновой работы и часть сложного анализа автономно. Люди по-прежнему будут ставить цели и заниматься разработкой стратегии высокого уровня, взаимоотношениями с клиентами и надзором. Финансовый мир, проявляя осторожность, будет постепенно расширять автономию, но направление ясно: всё большая часть обработки информации и даже рекомендаций по решениям будет поступать от ИИ. В идеале это приводит к более быстрому обслуживанию (мгновенные кредиты, круглосуточные консультации), снижению затрат и потенциально большей объективности (решения на основе шаблонов данных). Но поддержание доверия будет критически важным; одна резонансная ошибка ИИ в финансах может привести к огромному ущербу (представьте себе внезапный сбой, вызванный ИИ, или ошибочный отказ в выплате пособия тысячам людей). Следовательно, ограничения и человеческий контроль, вероятно, сохранятся, особенно в отношении действий, связанных с потребителями, даже по мере того, как процессы бэк-офиса становятся в высокой степени автономными.

Проблемы и этические соображения

Во всех этих областях, по мере того как генеративный ИИ берёт на себя всё больше автономных функций, возникает ряд общих проблем и этических вопросов. Обеспечение надёжности и пользы ИИ как автономного агента — это не только техническая, но и общественная задача. Здесь мы описываем основные проблемы и способы их решения (или того, что необходимо будет решить):

Надежность и точность

Проблема галлюцинаций: модели генеративного ИИ могут выдавать неверные или полностью сфабрикованные результаты, которые выглядят уверенно. Это особенно опасно, когда в процессе нет человека, который мог бы выявлять ошибки. Чат-бот может дать клиенту неверные инструкции, а отчет, написанный ИИ, может содержать выдуманную статистику. По состоянию на 2025 год, неточность признана организациями главным риском генеративного ИИ ( Состояние ИИ в 2023 году: год прорыва генеративного ИИ | McKinsey ) ( Состояние ИИ: Глобальный опрос | McKinsey ). В дальнейшем для минимизации галлюцинаций будут использоваться такие методы, как проверка фактов по базам данных, улучшение архитектуры моделей и обучение с подкреплением с обратной связью. Автономным системам ИИ, вероятно, потребуется тщательное тестирование и, возможно, формальная верификация для критических задач (например, генерация кода, которая может привести к ошибкам/уязвимостям безопасности, если она будет выполнена неправильно).

Стабильность: системы ИИ должны работать надёжно с течением времени и в любых сценариях. Например, ИИ может хорошо справляться со стандартными вопросами, но давать сбои в крайних случаях. Для обеспечения стабильной работы потребуется обширный набор обучающих данных, охватывающих разнообразные ситуации, и непрерывный мониторинг. Многие организации планируют использовать гибридные подходы: ИИ работает, но случайные выборки проверяются людьми, чтобы оценивать текущую точность.

Защита от сбоев: Когда ИИ работает автономно, критически важно, чтобы он осознавал свою неопределённость. Система должна быть спроектирована так, чтобы «знать, когда не знает». Например, если врач-ИИ не уверен в диагнозе, он должен подать сигнал человеку для проверки, а не давать случайные предположения. Встраивание оценки неопределённости в выходные данные ИИ (и установка пороговых значений для автоматической передачи диагноза человеку) — это активное направление разработки.

Предвзятость и справедливость

Генеративный ИИ обучается на исторических данных, которые могут содержать предубеждения (расовые, гендерные и т. д.). Автономный ИИ может увековечить или даже усилить эти предубеждения:

При приеме на работу или принятии на работу лицо, принимающее решения на основе ИИ, может допустить несправедливую дискриминацию, если его данные для обучения будут предвзятыми.
В сфере обслуживания клиентов искусственный интеллект может реагировать на пользователей по-разному в зависимости от диалекта или других факторов, если его тщательно не проверить.
В творческих областях ИИ может недооценивать некоторые культуры или стили, если обучающая выборка была несбалансированной.

Решение этой проблемы требует тщательного отбора данных, проверки предвзятости и, возможно, корректировки алгоритмов для обеспечения справедливости. Прозрачность — ключ к успеху: компаниям необходимо будет раскрывать критерии принятия решений с использованием ИИ, особенно если автономный ИИ влияет на чьи-либо возможности или права (например, получение кредита или работы). Регулирующие органы уже обращают на это внимание; например, Закон ЕС об ИИ (разработка которого начата в середине 2020-х годов) вероятно, потребует оценки предвзятости для систем ИИ с высоким уровнем риска.

Подотчетность и юридическая ответственность

Кто несёт ответственность, когда система искусственного интеллекта, работающая автономно, причиняет вред или совершает ошибку? Правовая база постепенно меняется:

Компании, внедряющие ИИ, вероятно, будут нести ответственность, аналогичную ответственности за действия сотрудников. Например, если ИИ даст неверный финансовый совет, приведший к убыткам, компании, возможно, придётся выплатить клиенту компенсацию.
Ведутся споры о «личности» ИИ и о том, может ли продвинутый ИИ нести частичную ответственность, но это пока скорее теоретические вопросы. На практике же вина будет возложена на разработчиков или операторов.
Могут появиться новые страховые продукты на случай сбоев в работе ИИ. Если беспилотный грузовик станет причиной аварии, страховка производителя может покрыть её, аналогично страховке ответственности производителя за качество продукции.
Документирование и протоколирование решений ИИ будут важны для проведения постмортемов. Если что-то пойдёт не так, необходимо будет провести аудит решений ИИ, чтобы извлечь уроки и определить ответственных. Именно по этой причине регулирующие органы могут потребовать обязательного протоколирования действий автономного ИИ.

Прозрачность и объяснимость

В идеале автономный ИИ должен уметь объяснять свои рассуждения понятными человеку терминами, особенно в важных областях (финансы, здравоохранение, правосудие). Объяснимый ИИ — это область, стремящаяся открыть «чёрный ящик»:

В случае отказа в выдаче кредита со стороны искусственного интеллекта, нормативные акты (например, ECOA в США) могут требовать от заявителя указания причины. Поэтому искусственный интеллект должен предоставить в качестве объяснения факторы (например, «высокое соотношение долга к доходу»).
Пользователи, взаимодействующие с ИИ (например, студенты с репетитором на базе ИИ или пациенты с приложением для здравоохранения на базе ИИ), заслуживают знать, как он выдает советы. Ведутся работы по повышению прослеживаемости рассуждений ИИ, либо путём упрощения моделей, либо путём использования параллельных объяснительных моделей.
Прозрачность также означает, что пользователи должны понимать , когда имеют дело с ИИ, а не с человеком. Этические принципы (и, вероятно, некоторые законы) склоняются к требованию раскрытия информации, если клиент общается с ботом. Это предотвращает обман и позволяет получить согласие пользователя. Некоторые компании теперь явно добавляют теги к контенту, написанному ИИ (например, «Эта статья создана ИИ»), чтобы поддерживать доверие.

Конфиденциальность и защита данных

Генераторному ИИ часто требуются данные, включая потенциально конфиденциальные персональные данные, для работы или обучения. Автономные процессы должны обеспечивать конфиденциальность:

Агент службы поддержки клиентов на базе искусственного интеллекта получит доступ к информации об учетной записи, чтобы помочь клиенту; эти данные должны быть защищены и использоваться только для данной задачи.
Если преподаватели на базе искусственного интеллекта имеют доступ к профилям учащихся, то в соответствии с такими законами, как FERPA (в США), необходимо обеспечить конфиденциальность образовательных данных.
Большие модели могут непреднамеренно запоминать детали из своих обучающих данных (например, воспроизводить адрес человека, увиденный во время обучения). Такие методы, как дифференциальная конфиденциальность и анонимизация данных в процессе обучения, важны для предотвращения утечки личной информации в генерируемых результатах.
Такие правила, как GDPR, предоставляют людям право на автоматизированные решения, затрагивающие их интересы. Люди могут потребовать, чтобы человеческая проверка или решения не были полностью автоматизированы, если они оказывают на них существенное влияние. К 2030 году эти правила могут развиваться по мере распространения искусственного интеллекта, возможно, включая право на разъяснение или отказ от обработки данных искусственным интеллектом.

Безопасность и злоупотребления

Автономные системы искусственного интеллекта могут стать объектами взлома или использоваться для совершения вредоносных действий:

Генератор контента с использованием ИИ может быть использован для масштабного распространения дезинформации (видеороликов с дипфейками, фейковых новостных статей), что представляет собой социальный риск. Этичность публикации очень мощных генеративных моделей вызывает жаркие споры (например, изначально OpenAI с осторожностью относилась к возможностям обработки изображений GPT-4). Среди решений — нанесение водяных знаков на контент, создаваемый ИИ, для выявления фейков и использование ИИ для борьбы с ИИ (например, алгоритмы обнаружения дипфейков).
Если ИИ управляет физическими процессами (дроны, автомобили, промышленные системы), его защита от кибератак критически важна. Взлом автономной системы может нанести реальный ущерб. Это подразумевает надёжное шифрование, отказоустойчивость и возможность вмешательства человека или отключения системы в случае её скомпрометированности.
Существует также опасение, что ИИ выйдет за установленные рамки (сценарий «неконтролируемого ИИ»). Хотя современные ИИ не обладают ни агентностью, ни намерениями, если будущие автономные системы станут более агентными, потребуются строгие ограничения и мониторинг, чтобы гарантировать, что они, например, не совершат несанкционированные сделки или не нарушат законы из-за неверно сформулированной цели.

Этическое использование и воздействие на человека

Наконец, более общие этические соображения:

Вытеснение рабочих мест: если ИИ может выполнять задачи без участия человека, что происходит с этими рабочими местами? Исторически технологии автоматизируют одни рабочие места, но создают другие. Этот переход может быть болезненным для работников, чьи навыки используются в задачах, которые становятся автоматизированными. Обществу необходимо будет справиться с этим посредством переподготовки, образования и, возможно, переосмысления экономической поддержки (некоторые предполагают, что ИИ может потребовать таких идей, как всеобщий базовый доход, если большая часть работы будет автоматизирована). Опросы уже демонстрируют смешанные чувства: одно исследование показало, что треть работников обеспокоены тем, что ИИ заменит рабочие места, в то время как другие считают, что он избавит от рутинной работы.
Размывание человеческих навыков: Если ИИ-преподаватели будут обучать, ИИ-автопилоты управлять машинами и ИИ-программы писать, потеряют ли люди эти навыки? Чрезмерная зависимость от ИИ в худшем случае может привести к снижению квалификации; образовательным и учебным программам необходимо будет это учитывать, чтобы гарантировать, что люди будут продолжать осваивать основы, даже если ИИ поможет.
Этическое принятие решений: ИИ не обладает способностью к человеческому моральному суждению. В здравоохранении или юриспруденции решения, принимаемые исключительно на основе данных, могут в отдельных случаях противоречить принципам сострадания или справедливости. Возможно, нам потребуется запрограммировать этические принципы в ИИ (область исследований этики ИИ, например, согласование решений ИИ с человеческими ценностями). Как минимум, целесообразно держать людей в курсе принятия этически значимых решений.
Инклюзивность: Обеспечение широкого распространения преимуществ ИИ — этическая цель. Если только крупные компании могут позволить себе продвинутый ИИ, малый бизнес или бедные регионы могут остаться без внимания. Работа над проектами с открытым исходным кодом и доступными решениями на основе ИИ может способствовать демократизации доступа. Кроме того, интерфейсы должны быть разработаны таким образом, чтобы любой мог использовать инструменты ИИ (разные языки, доступность для людей с ограниченными возможностями и т. д.), чтобы не создавать новый цифровой разрыв между «у кого есть ИИ-помощник, а у кого нет».

Текущее снижение рисков: Положительным моментом является то, что по мере внедрения компаниями технологий ИИ высокого уровня осведомлённость и действия по решению этих проблем растут. К концу 2023 года почти половина компаний, использующих ИИ, активно работали над снижением таких рисков, как неточность ( Состояние ИИ в 2023 году: прорывной год генеративного ИИ | McKinsey ) ( Состояние ИИ: глобальный опрос | McKinsey ), и это число растёт. Технологические компании создали советы по этике в области ИИ; правительства разрабатывают нормативные акты. Ключевым моментом является внедрение этических принципов в разработку ИИ с самого начала («Этика по умолчанию»), а не принятие мер на более поздних этапах.

В заключение о проблемах: предоставление ИИ большей автономии — палка о двух концах. Оно может обеспечить эффективность и инновации, но требует высокой ответственности. В ближайшие годы, вероятно, появятся технологические решения (для улучшения поведения ИИ), процессные решения (политика и системы надзора), а также, возможно, новые стандарты или сертификации (системы ИИ могут проходить аудит и сертификацию так же, как сегодня проходят двигатели или электроника). Успешное решение этих проблем определит, насколько гладко мы сможем интегрировать автономный ИИ в общество, способствуя повышению уровня благосостояния и доверия людей.

Заключение

Генеративный ИИ быстро превратился из нового эксперимента в преобразующую технологию общего назначения, затрагивающую все аспекты нашей жизни. В этом документе рассматривается, как к 2025 году системы ИИ уже пишут статьи, разрабатывают графику, программируют программное обеспечение, общаются с клиентами, составляют медицинские записи, занимаются репетиторством, оптимизируют цепочки поставок и составляют финансовые отчеты. Важно отметить, что во многих из этих задач ИИ может работать практически без участия человека , особенно в случае четко определенных, повторяющихся задач. Компании и частные лица начинают доверять ИИ автономное выполнение этих задач, получая преимущества в скорости и масштабировании.

Заглядывая в 2035 год, мы стоим на пороге эпохи, когда ИИ станет ещё более вездесущим помощником — зачастую невидимой цифровой рабочей силой , которая возьмёт на себя рутину, позволяя людям сосредоточиться на чём-то исключительном. Мы ожидаем, что генеративный ИИ будет надёжно управлять легковыми и грузовыми автомобилями на наших дорогах, управлять запасами на складах в течение ночи, отвечать на наши вопросы как компетентный личный помощник, проводить индивидуальные занятия со студентами по всему миру и даже помогать открывать новые лекарства — и всё это при всё меньшем прямом контроле. Граница между инструментом и агентом будет размываться по мере того, как ИИ перейдёт от пассивного следования инструкциям к проактивному созданию решений.

Однако на пути к этому автономному будущему ИИ необходимо проявлять осторожность. Как мы уже отмечали, каждая область имеет свой набор ограничений и обязанностей:

Проверка реальности сегодня: ИИ не безошибочен. Он превосходно распознаёт образы и генерирует контент, но ему не хватает настоящего понимания и здравого смысла в человеческом понимании. Поэтому пока человеческий контроль остаётся подстраховкой. Крайне важно понимать, где ИИ готов действовать самостоятельно (а где нет). Многие успехи сегодня обусловлены командной работы человека и ИИ , и этот гибридный подход будет по-прежнему ценен там, где полная автономия пока нецелесообразна.
Завтрашний день: С развитием архитектуры моделей, методов обучения и механизмов контроля возможности ИИ будут продолжать расширяться. Следующее десятилетие исследований и разработок может решить многие текущие проблемы (уменьшить галлюцинации, улучшить интерпретируемость, согласовать ИИ с человеческими ценностями). Если это так, то к 2035 году системы ИИ могут стать достаточно надёжными, чтобы им можно было доверить гораздо большую автономность. Прогнозы, представленные в этой статье, – от ИИ-учителей до практически самостоятельных предприятий – вполне могут стать нашей реальностью или даже быть превзойденными инновациями, которые сегодня трудно представить.
Роль человека и адаптация: Вместо того, чтобы полностью заменить людей ИИ, мы предвидим эволюцию их ролей. Профессионалам в каждой области, вероятно, потребуется освоить навыки работы с ИИ, управляя им, проверяя его работу и уделяя особое внимание тем аспектам работы, которые требуют ярко выраженных человеческих качеств, таких как эмпатия, стратегическое мышление и решение сложных задач. Образование и подготовка кадров должны быть направлены на акцентирование внимания на этих уникальных человеческих навыках, а также на повышение уровня грамотности в области ИИ для всех. Политикам и руководителям бизнеса следует планировать изменения на рынке труда и обеспечивать системы поддержки для тех, кто пострадает от автоматизации.
Этика и управление: Возможно, самое важное, что в основе этого технологического роста должна лежать система этичного использования и управления ИИ. Доверие — это валюта принятия: люди позволят ИИ управлять автомобилем или помогать в хирургии только в том случае, если будут уверены в его безопасности. Создание такого доверия требует тщательного тестирования, прозрачности, взаимодействия с заинтересованными сторонами (например, привлечения врачей к разработке медицинских ИИ, учителей — к разработке образовательных инструментов для ИИ) и надлежащего регулирования. Для решения таких проблем, как дипфейки или использование ИИ в военных целях, может потребоваться международное сотрудничество, обеспечивающее соблюдение глобальных норм ответственного использования.

В заключение, генеративный ИИ выступает в качестве мощного двигателя прогресса. При разумном использовании он может избавить людей от тяжёлой работы, раскрыть творческий потенциал, персонализировать услуги и устранить пробелы (привнести экспертные знания туда, где их не хватает). Ключ к успеху — использовать его таким образом, чтобы он усиливал человеческий потенциал, а не маргинализировал его . В краткосрочной перспективе это означает, что люди должны быть в курсе развития ИИ. В долгосрочной перспективе это означает закладывание гуманистических ценностей в основу систем ИИ, чтобы даже действуя независимо, они действовали в наших общих интересах.

Домен	Надежная автономия сегодня (2025)	Ожидаемая надежная автономия к 2035 году
Написание и контент	- Автоматическая генерация текущих новостей (спорт, доходы). - Обзоры продуктов, составленные искусственным интеллектом. - Черновики статей или электронных писем для редактирования человеком. ( Филана Паттерсон – профиль сообщества ONA ). ( Amazon улучшает работу с отзывами клиентов с помощью искусственного интеллекта ).	- Большая часть новостного и маркетингового контента пишется автоматически с фактической точностью. - ИИ создает полные статьи и пресс-релизы с минимальным контролем. - Высоко персонализированный контент, создаваемый по запросу.
Изобразительное искусство и дизайн	- ИИ генерирует изображения на основе подсказок (человек выбирает лучшие). - Концептуальное искусство и варианты дизайна создаются автономно.	- ИИ создает полноценные видео/киносцены и сложную графику. - Генеративный дизайн продуктов/архитектуры, отвечающих спецификациям. - Персонализированные медиа (изображения, видео), создаваемые по запросу.
Программное кодирование	- ИИ автоматически дополняет код и пишет простые функции (проверено разработчиками). - Автоматизированная генерация тестов и предложений об ошибках. ( Программирование на Copilot: данные за 2023 год указывают на снижение давления на качество кода (включая прогнозы на 2024 год) - GitClear ) ( GitHub Copilot возглавляет исследовательский отчет об ИИ-помощниках по кодированию -- Visual Studio Magazine )	- ИИ надежно реализует все функции из спецификаций. - Автономная отладка и обслуживание кода для известных шаблонов. - Создание приложений с минимальным написанием кода и минимальным участием человека.
Обслуживание клиентов	- Чат-боты отвечают на часто задаваемые вопросы, решают простые проблемы (передают сложные случаи). - ИИ обрабатывает около 70% обычных запросов по некоторым каналам. ( 59 Статистика обслуживания клиентов с помощью ИИ за 2025 год ) ( К 2030 году 69% решений во время взаимодействия с клиентами будут ... )	- ИИ обрабатывает большинство взаимодействий с клиентами от начала до конца, включая сложные запросы. - ИИ принимает решения в режиме реального времени по уступкам в обслуживании (возврат средств, повышение класса обслуживания). - Люди-агенты только для эскалаций или особых случаев.
Здравоохранение	- ИИ составляет медицинские записи; предлагает диагнозы, которые проверяют врачи. - ИИ читает некоторые сканы (рентгенологические) под контролем; проводит сортировку простых случаев. ( Количество продуктов медицинской визуализации с использованием ИИ может увеличиться в пять раз к 2035 году )	- ИИ надежно диагностирует распространенные заболевания и интерпретирует большинство медицинских изображений. - ИИ следит за пациентами и инициирует уход (например, напоминания о приеме лекарств, оповещения о чрезвычайных ситуациях). - Виртуальные «медсестры» ИИ выполняют обычные последующие действия; врачи сосредотачиваются на сложном уходе.
Образование	- Преподаватели на основе ИИ отвечают на вопросы студентов, создают практические задания (учитель контролирует). - ИИ помогает в оценке (с проверкой учителем). ([Генеративный ИИ для образования K-12	Исследовательский отчет Applify]( https://www.applify.co/research-report/gen-ai-for-k12#:~:text=AI%20tutors%3A%20Virtual%20AI,individual%20learning%20styles%20and%20paces ))
Логистика	- ИИ оптимизирует маршруты доставки и упаковку (люди устанавливают цели). - ИИ выявляет риски в цепочке поставок и предлагает способы их снижения. ( Основные примеры использования генеративного ИИ в логистике )	- В основном беспилотные доставки (грузовики, дроны) под контролем контроллеров на базе ИИ. - ИИ самостоятельно перенаправляет грузы в случае сбоев и регулирует запасы. - Координация всей цепочки поставок (заказ, распределение) осуществляется под управлением ИИ.
Финансы	- ИИ генерирует финансовые отчеты/новостные сводки (проверяемые человеком). - Роботы-консультанты управляют простыми портфелями; чат ИИ обрабатывает запросы клиентов. ( Генеративный ИИ приходит в финансы ).	- Аналитики на базе ИИ предоставляют инвестиционные рекомендации и отчеты о рисках с высокой точностью. - Автономная торговля и ребалансировка портфеля в установленных пределах. - ИИ автоматически одобряет стандартные кредиты/заявки; исключения обрабатываются людьми.

Ссылки:

Паттерсон, Филана. Автоматизированные истории о доходах множатся . Associated Press (2015) – Описывает автоматизированную генерацию тысяч отчетов о доходах агентством Associated Press без участия человека ( Автоматизированные истории о доходах множатся | Associated Press ).
McKinsey & Company. Состояние ИИ в начале 2024 года: внедрение ИИ-поколения растёт и начинает приносить пользу . (2024) – Сообщается, что 65% организаций регулярно используют генеративный ИИ, что почти вдвое больше, чем в 2023 году ( Состояние ИИ в начале 2024 года | McKinsey ), а также обсуждаются меры по снижению рисков ( Состояние ИИ: Глобальный опрос | McKinsey ).
Gartner. Beyond ChatGPT: Будущее генеративного ИИ для предприятий (2023) – Прогнозирует, что к 2030 году 90% блокбастеров может быть создано с помощью ИИ ( Примеры использования генеративного ИИ для отраслей и предприятий ), и освещает такие примеры использования генеративного ИИ, как разработка лекарств ( Примеры использования генеративного ИИ для отраслей и предприятий ).
Twipe. 12 способов, которыми журналисты используют инструменты ИИ в редакции . (2024) – Пример ИИ «Клара» в новостном агентстве, который пишет 11% статей, при этом редакторы-люди проверяют весь контент ИИ ( 12 способов, которыми журналисты используют инструменты ИИ в редакции - Twipe ).
Новости Amazon.com. Amazon улучшает работу с отзывами покупателей с помощью ИИ . (2023) – Анонсирует создание сводок отзывов с помощью ИИ на страницах товаров, чтобы помочь покупателям ( Amazon улучшает работу с отзывами покупателей с помощью ИИ ).
Zendesk. 59 Статистика обслуживания клиентов с использованием ИИ за 2025 г. (2023 г.) — показывает, что более двух третей организаций, занимающихся обслуживанием клиентов, считают, что генеративный ИИ добавит «теплоты» в обслуживание ( 59 Статистика обслуживания клиентов с использованием ИИ за 2025 г. ) и прогнозируют, что в конечном итоге ИИ будет использоваться в 100% взаимодействий с клиентами ( 59 Статистика обслуживания клиентов с использованием ИИ за 2025 г. ).
Futurum Research и SAS. Experience 2030: Будущее клиентского опыта . (2019) – Исследование показало, что бренды ожидают, что к 2030 году около 69% решений в процессе взаимодействия с клиентами будут приниматься умными машинами ( чтобы переосмыслить переход к CX, маркетологи должны сделать эти 2 вещи ).
Dataiku. Основные примеры использования генеративного ИИ в логистике . (2023) – Описывает, как GenAI оптимизирует загрузку (сокращая примерно на 30% пустое пространство в грузовике) ( Основные примеры использования генеративного ИИ в логистике ) и отмечает риски в цепочке поставок, сканируя новости.
Visual Studio Magazine. GitHub Copilot возглавляет исследовательский отчет об искусственных помощниках по кодированию . (2024) – Стратегические предположения Gartner по планированию: к 2028 году 90% корпоративных разработчиков будут использовать искусственных помощников по кодированию (по сравнению с 14% в 2024 году) ( GitHub Copilot возглавляет исследовательский отчет об искусственных помощниках по кодированию -- Visual Studio Magazine ).
Bloomberg News. Представляем BloombergGPT . (2023) – Подробно описывается 50-параметрическая модель Bloomberg, предназначенная для решения финансовых задач, встроенная в Терминал для вопросов и ответов и поддержки анализа ( Генеративный ИИ приходит в сферу финансов ).

Статьи, которые вам может быть интересно прочитать после этой:

🔗 Профессии, которые ИИ не сможет заменить, и какие профессии ИИ заменит?
Глобальный взгляд на меняющийся ландшафт труда с анализом того, какие профессии защищены от разрушительного воздействия ИИ, а какие подвержены наибольшему риску.

🔗 Может ли ИИ предсказывать фондовый рынок?
Подробный анализ возможностей, ограничений и этических аспектов использования ИИ для прогнозирования фондового рынка.

🔗 Как генеративный ИИ может быть использован в кибербезопасности?
Узнайте, как генеративный ИИ применяется для защиты от киберугроз: от обнаружения аномалий до моделирования угроз.

Вернуться в блог

Страна/регион