Еще один интересный вопрос обсуждали на сессии LTD в прошлую пятницу. Если мы доверяем всю работу большим языковым моделям, то не превратимся ли мы в поколение «операторов кнопки»? Мне кажется, что, во-первых, не так уж плохо быть таким оператором. Это часто лучше, чем все делать своими руками. Какой смысл юристу сидеть неделями в офисе без окон и перелопатить сотни договоров, чтобы искать типовые оговорки или переписывать в таблицу условия, как это было стандартом при due diligence или discovery? Лучше буду оператором кнопки, даже если при этом какие-то навыки атрофируют. Так всегда было.
В юности, будучи ботаником, я проходил курсы стенографии и печатание на пишущей машинке. Тогда думал, что мне это сильно пригодится при учебе в вузе. Это был своеобразный IRL-тиндер 80-х: я - единственный тинейджер лет 16 среди 20 секретарш от 20 до 35. В итоге учебу начал в России, где немецкая стенография ни к чему. Да и на пишущей машинке не успел печатать много, поскольку еще в институте начал работать на компьютере. Так что иногда с определенным навыками придется расстаться, и освоить новые.
Во-вторых, за пределами той работы, которую сегодня можно с высокой степенью уверенности отдавать ИИ, есть юридическая работа, с которой ИИ в одиночке справится не так однозначно. Да, ее доля в общей работе существенно меньше, но за эту работу клиенты будут готовы платить. Сколько они готовы - зависит от вашей экспертизы и от гибкости спроса. И нет, так называемые «думающие модели» (reasoning models) тут не помогут. Эти модели тоже не думают. Они просто на себя берут ту работу, которую вам лень сделать самому. Они разбивают проблему на части (chain-of-thought), структурируют вопрос, анализируют свои ответы (self reflection), в общем - имитируют процесс мышления. Но основной принцип работы модели при этом не меняется - это все еще «стохастический попугай». Результат часто лучше, чем у «не думающих» моделей, но качество ответов падает с возрастающей комплексностью проблемы. Инженеры Apple тестировали разные «reasoning models» и обобщали результат в статьи « https://arxiv.org/abs/2506.06941». Сухой остаток - производительность не масштабируется с увеличением сложности задачи.
Это не означает, что «reasoning models» просто маркетинг, чтобы толкать вас на более дорогую подписку. Для задач средней комплексности они, в паре с человеком, очень хорошо подходят. Для задач низкой комплексности эффективнее использовать «простые» модели чисто по соображениям количества потраченных на решение токенов. А для задач высокой комплексности все еще победит ваш собственный мозг. Навык пользоваться им остается навыком №1.
#ai
