Post #102

Пять ступеней участия человека: проверьте, на каком уровне ваша работа переживёт ML-революцию “Шкала участия человека” и «Карта хочу-могу» разложили 844 профзадачи по цветам светофора — узнайте, в какой зоне окажутся ваши навыки в 2026 Впервые стэнфордское исследование совместило пятиуровневую «шкалу участия человека» с «картой хочу-могу» для 844 профзадач, превратив туманную дискуссию об автоматизации в чёткую дорожную карту того, какие профессии ML поглотит в первую очередь и где человеческие навыки резко вырастут в цене Если отбросить самых упертосамоуверенных, что человек – венец природы, а ML – стохастический попугай, аргументация технооптимистов стоит на 2х ключевых тезисах: • как и при всех прошлых технореволюциях, одни профессии исчезнут, но другие появятся, и потому, в большинстве своем, люди останутся при деле, лишь поменяв профессии • ML просто не способен заменить человека во всем, будущее за гибридными «Профкентаврами людей и ML», где и людям, и ML-агентам найдется достойное место Авторы нового (крайне важного сменой угла зрения и прорывного по методологии) исследования Стэнфордского универа показали примитивность и практическую бесполезность обоих ключевых тезисов • Они хороши, если использовать их в общефилософских дебатах • Но они ничего не дают для выстраивания системы социально-человеческих измерений и внедрения инструментов прогнозирования, необходимых для адаптации общества к цунами грядущего массового внедрения LLM-агентов во все индустрии и на все уровни экономики Что было сделано 104 профессии были разложены на 844 задач оценили по двум измерениям: • куда люди хотят пустить ML-агентов • где это технически возможно Авторы посмотрели на потенциал гибридизации людей и ML не с общих позиций, а конкретно: • хорошо, внедрим профкентавров • так сколько тогда людей в рабочем контуре останется (столько же? больше? меньше чем было?) Для ответа на этот вопрос появилась “Шкала участия человека” Human Agency Scale: пятиуровневая шкала H1–H5, показывающая, сколько человеческого участия требуется при выполнении задачи совместно с ML-агентом 2) Потом авторы составили «Карту желаний и возможностей» («Карту хочу-могу» Desire × Capability), чтобы оценить: • где люди сами просят автоматизировать задачи, а где ML-агенты готовы заменить их вопреки желанию • где автоматизация включит «зелёный свет», а в каких профессиях вырастет ценность человеческого участия Получился двумерный «ландшафт» задач, разбитый на зоны «зелёный свет», «красный свет», «R&D-возможность» и «низкий приоритет» в зависимости от того, насколько работники хотят автоматизации и насколько она технически возможна Ключевые «новинки» исследования Шкала участия человека наконец-то позволила измерить единой линейкой, сколько человека должно оставаться в контуре Это важно для практики: помогает выбирать между полной автоматизацией и ко-работой Карта хочу-могу предоставила разбивка задач на Зеленый цвет (хотим + можем), Красный (можем, но люди против), Надо разрабатывать R&D Opportunity (хотим, но пока не умеем) и Пока неважно Low Priority. Это даёт быстрый «радар» для инвестиций и политики занятости Заточенная на профессии Worker-centric оптика показала, что статистика использования (например, логи Claude.ai) плохо отражает реальный спрос: профессии с самым высоким запросом на автоматизацию составляют лишь 1.26 % текущего использования LLM-чатов Выявлены конкретные сигналы пересборки навыков Проведенный анализ связывает каждую задачу с O*NET-скиллами () база Occupational Information Network Министерства труда США) и показывает: ценность скилов типа «анализа данных» уходит вниз, а «налаживания отношений» и «координации ресурсов» — вверх Это добавляет стратегический слой к чисто количественной оценке прироста производительности Почему это принципиально Про смену угла зрения сказано выше 2 новые карты можно прямо вкручивать в программы рескиллинга, фильтры грантов и регуляторные «светофоры» Риск «красной зоны» - там возможна социальная турбулентность