В прошлом году у меня вышла небольшая заметка с рассуждениями на тему потенциала использования аналитических систем на базе ИИ для задач прогнозирования и форсайта с очень сдержанными оценками его реальных возможностей.
Спустя год хочу вернуться к этой теме: сдвиги в ИИ очень динамичны, в центре внимания сейчас агентский подход и мультиагентные системы, которые уже достаточно крепко стоят на ногах.
Одновременно с этим, сложилась и закрепилась уже практически шаблонная риторика относительно «правильного» использования ИИ в работе аналитика: не доверяй чату джипити, будь экспертом, ставь правильные постановки, валидируй результат и будет тебе счастье (договоримся, что здесь и далее под «чатом джипити» мы понимаем любой ИИ, условно пригодный для аналитической работы). И вся эта логика называется очень модным словом «гибридный подход» или даже «гибридный интеллект». Подчеркну, что под данным понятием я имею ввиду именно логику, а не конкретное техническое решение.
Давайте разберемся, насколько такая концепция оправдана и действительно ли МАС качественно меняют ситуацию на сцене ИИ-аналитики для задач форсайта, прогнозирования и принятия решений.
Гибридный интеллект: красивая формула для операционки
Начнем с так называемой гибридности «человек-машина-человек». Подход красивый и стройный, но не является тем не менее продуктовой, аналитической и управленческой инновацией.
Примечательно, что сама по себе концепция гибридного интеллекта, предложенная, например, в статье BCG «Data Alchemy Can Give Decision Making the Golden Touch» 2021 года, т.е. задолго до расцвета идеи о всемогуществе ИИ, была лишена той упрощённой прямолинейности, которая сегодня закрепилась в профессиональном менталитете. Авторы видели в тандеме человека и алгоритма итеративный процесс, где каждая из сторон отвечает за свой уникальный вклад, а не просто перекладывает зоны ответственности. Однако со временем экспертно-аналитическое сообщество незаметно для себя адаптировало эту модель под собственные представления о комфортной работе. В ней закрепилось и стало почти догмой искажённое представление: аналитику достаточно загрузить в ИИ некий набор данных (которые он субъективно считает «качественными»), чтобы на выходе получить готовый набор «одинаково хороших» вариантов решения, из которых останется лишь выбрать любой, не боясь ошибиться. Тем самым концепция «гибридного интеллекта» стала удобным инструментом не столько для повышения качества решений, сколько для легитимизации снятия с эксперта значительной доли профессиональной нагрузки и ответственности за конечный результат.
