Дисклеймер: Это, по сути, мое приглашение интересному автору обсудить интересную тему. Без подвоха.

Мне думается, из приведенных Станиславом исследований можно вывести немного другую границу автоматизации.

В исходном посте нам предлагается понятный чек-лист: цифровые входные данные, повторяемая операция, знакомый шаблон результата, дешевая проверка и невысокая цена ошибки. Чем больше совпадений, тем раньше задача уйдет к модели.

Как эвристика это выглядит вполне убедительно. Но если чуть глубже посмотреть на упомянутое исследование Stanford, картина становится интереснее.

Авторы действительно обнаруживают разрыв в занятости молодых специалистов в профессиях с высокой AI-exposure, но в обновлении исследования отдельно появляется важное различие между automation и augmentation. Снижение занятости концентрируется прежде всего там, где наблюдаемое использование ИИ направлено на автоматизацию человеческих задач. Там, где ИИ скорее дополняет человека, такой картины нет.

Есть и вторая важная ось: codified и tacit knowledge. Молодые специалисты сильнее проседают в профессиях, опирающихся на формализованное, документированное знание. Опытные лучше сохраняют позиции там, где существенную роль играет неявное знание, приобретаемое практикой, наставничеством и столкновением с реальными ситуациями.

И здесь мне становится особенно интересно рассмотреть пример Станислава с аналитиком.

Допустим, у нас есть стенограмма встречи, шаблон и достаточно полный контекст. Сделать из этого черновик требований модель действительно может быстро и дешево.

Но в реальной работе аналитика требования часто являются лишь конечным артефактом. До него нужно выяснить, что заказчик на самом деле хочет, обнаружить противоречия между стейкхолдерами, узнать об ограничении legacy-системы, которого нет в документации, договориться с архитектором и безопасностью и понять, почему процесс фактически работает не так, как описан.

Получается любопытная вещь: артефакт действительно дешевеет первым. Но удешевление производства артефакта еще не означает пропорционального удешевления задачи, результатом которой этот артефакт является.

И здесь интересно второе приведенное исследование, Anthropic по примерно 400 тысячам сессий Claude Code. В типичной сессии человек принимает около 70% решений уровня planning, а Claude около 80% решений уровня execution. При этом более высокая предметная экспертиза пользователя в конкретной задаче связана с возможностью передавать агенту больше работы на одну инструкцию и с более успешным результатом.

Причем Anthropic специально отделяет предметную экспертизу от профессии и навыка программирования. Их показательный пример: бухгалтер может не знать Python, но быть экспертом в задаче, если точно знает правила reconciliation и способен обнаружить неправильно обработанный edge case.

Поэтому мне кажется, из приведенных Станиславом исследований можно вывести немного другую границу автоматизации. Возможно, она проходит не столько между повторяемыми операциями и решениями, сколько между исполнением, которое можно передать модели, и контекстом/экспертизой, необходимыми человеку для постановки и проверки этого исполнения.

Тогда появляется и другой вопрос.

Не получается ли, что предсказывать скорость автоматизации задачи только по ее повторяемости, шаблонности и стоимости проверки недостаточно? Нужно еще учитывать доступность необходимого знания модели, долю tacit knowledge и способность человека верифицировать результат.

В таком случае единицей анализа становится уже не просто задача. Степень ее делегируемости ИИ зависит еще и от экспертизы человека: специалист, способный предоставить модели необходимый контекст, точно поставить задачу и проверить результат, может передать ей значительно большую часть исполнения, чем тот, кому для этого не хватает предметного знания.

И тогда граница проходит не совсем между "рутиной" и "решениями". Она проходит где-то внутри связки "человек - его предметная экспертиза - доступный модели контекст - агент - способ проверки результата".

Мне кажется, именно эта связка может быть интереснее всего.