ПОЛОЖИТЕЛЬНЫЕ И ОТРИЦАТЕЛЬНЫЕ СТОРОНЫ ИСПОЛЬЗОВАНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ЭКОНОМИЧЕСКОЙ СРЕДЕ

Искусственный интеллект за несколько лет перешёл из области научных исследований в повседневную практику компаний: алгоритмы машинного обучения используются в банковском скоринге, управлении запасами и обслуживании клиентов, а генеративные модели – при подготовке текстов и анализе документов. В России развитие этого направления закреплено Национальной стратегией развития искусственного интеллекта на период до 2030 года [1]. Вместе с ожиданиями роста производительности распространение ИИ вызывает и опасения, связанные с занятостью, неравенством и защитой данных. Цель работы – систематизировать положительные и отрицательные последствия применения ИИ в экономической среде.

Экономическую природу ИИ удобно объяснять через подход А. Агравала, Дж. Ганса и А. Голдфарба, которые рассматривают его как технологию, резко удешевляющую прогнозирование [2]. Когда прогноз дешевеет, его начинают применять там, где раньше решения принимались по опыту или интуиции, а ценность дополняющих ресурсов – данных и человеческого суждения – растёт. Поэтому ИИ меняет относительную стоимость разных видов труда, и его последствия неизбежно оказываются двойственными.

К положительным сторонам прежде всего относится рост производительности за счёт автоматизации рутинных интеллектуальных операций: обработки первичных документов, сверки платежей, классификации обращений клиентов, подготовки типовой отчётности. Второе преимущество – более точные прогнозы и управленческие решения: оценка спроса с учётом сезонности, оптимизация складских остатков, выявление мошеннических транзакций в реальном времени. Для банков это означает снижение потерь от проблемных кредитов, для торговли – сокращение затрат на хранение излишков.

Третье преимущество – снижение барьеров для малого бизнеса. Начинающий предприниматель без штата маркетологов и аналитиков может с помощью доступных сервисов подготовить рекламные материалы, выполнить простые расчёты или составить черновик договора. Результат требует проверки, но стартовые издержки заметно снижаются. Наконец, ИИ порождает новые задачи и профессии: Д. Аджемоглу и П. Рестрепо показывают, что автоматизация не только вытесняет труд из прежних задач, но и создаёт новые, в которых человек сохраняет преимущество [3].

Однако у тех же процессов есть обратная сторона. Главный риск связан с рынком труда. По оценке Т. Элунду и соавторов, большие языковые модели потенциально способны затронуть не менее 10 % рабочих задач примерно у 80 % работников США, а примерно у 19 % – половину задач и более, причём в зоне наибольшего воздействия оказываются и высокооплачиваемые профессии [4]. Если вытеснение труда будет опережать появление новых задач, доля оплаты труда в доходах начнёт снижаться [3].

Второй риск – непрозрачность решений. Многие модели выдают результат, не объясняя его логику, а будучи обученными на исторических данных, воспроизводят заложенные в них перекосы. В кредитовании или отборе персонала это ведёт к скрытой дискриминации, которую трудно оспорить. Третий риск касается данных: эффективность ИИ зависит от объёма информации, в том числе персональной, что повышает вероятность утечек и использования сведений без согласия их владельца, несмотря на действующее регулирование [5]. К этому добавляется зависимость от зарубежных платформ и вычислительных мощностей.

Четвёртый риск – концентрация рынка: разработка крупных моделей требует ресурсов, которыми располагают в основном крупные компании, поэтому выигрыш от ИИ распределяется неравномерно, а барьеры входа для новых участников растут. Кроме того, генеративные модели способны выдавать правдоподобные, но неверные утверждения, и при чрезмерном доверии к ним такие ошибки попадают в отчёты и управленческие решения.

Подходы к регулированию различаются. Европейский союз выбрал риск-ориентированную модель: системы ИИ разделены по уровням риска, наиболее опасные практики запрещены, а для систем высокого риска установлены обязательные требования [6]. В России преобладает мягкое регулирование: наряду со стратегическими документами действует Кодекс этики в сфере ИИ, к которому организации присоединяются добровольно [7]. Жёсткие правила снижают риски, но могут тормозить внедрение технологий; мягкие стимулируют инновации, но перекладывают часть рисков на бизнес и граждан. Сводное соотношение плюсов и минусов по сферам экономики приведено в таблице 1.

Таблица 1.

Таким образом, ИИ не является ни однозначным благом, ни угрозой: он действует как усилитель. При наличии качественных данных, квалифицированного персонала и выстроенных процессов он повышает эффективность, при их отсутствии – масштабирует ошибки. Предприятиям важно оставлять за человеком итоговое решение в чувствительных вопросах, проверять модели на корректность и переобучать сотрудников, государству – развивать программы переподготовки, требования к объяснимости алгоритмов в социально значимых сферах и отечественную инфраструктуру данных. При этих условиях внедрение ИИ станет источником роста, а не фактором усиления диспропорций.