Александр Сиволобов: «Искусственный интеллект – это новый тип рабочей силы»

Искусственный интеллект (ИИ) меняет не только скорость выполнения задач, но и само устройство работы. О том, как это отражается на разработке оборудования связи, как меняется роль человека рядом с ИИ-агентами, «Ведомости. Инновации и технологии» рассказал директор по стратегическим коммуникациям разработчика телеком-оборудования «Иртея» Александр Сиволобов.

«Через 12–18 месяцев в нашей отрасли нельзя будет работать по-старому»

– Мое предположение: через 12–18 месяцев в нашей отрасли нельзя будет работать по-старому. Бизнес увидит, что с помощью ИИ программные прототипы можно создавать в разы быстрее и с меньшим количеством дефектов и будет требовать на десятки процентов больше результата на одного разработчика. Линус Торвальдс, создатель Linux, теперь готовит доработки ядра с помощью ИИ. В задачах безопасности без этой технологии практически нереально быстро – а не за годы – устранить уязвимости, которые используют хакеры. Скорость прототипирования можно проверить самому: поручить агенту небольшой проект, выделив на модель вроде DeepSeek бюджет в цену стакана латте, а второй заказать для себя. Возможно, вы даже не успеете его допить, а прототип будет уже готов. Для бизнеса ИИ теперь выглядит как новый тип рабочей силы, которую можно масштабировать.

Но я не думаю, что будет много успешных преобразований в крупном бизнесе: пока неясно, как управлять совместной работой людей и ИИ в крупной компании, чтобы предсказуемо получать ожидаемый прирост производительности и качества.

– ИИ особенно сильно помогает «догоняющему развитию», то есть воспроизведению по готовому образцу, – для России это большое преимущество. 

Небольшая команда ArtCraft из США разработала комплекты дизайнерских и офисных программ, воспроизводящие интерфейсы и значительную часть функций продуктов Adobe, включая Photoshop и Premiere Pro, и программ пакета Microsoft Office. С помощью ИИ они по готовому образцу за недели и месяцы воспроизвели то, на создание чего ушли многие годы. По моей оценке, в последние полгода возможности больших языковых моделей (LLM) резко выросли, благодаря чему сократился круг программных продуктов, которые нельзя воспроизвести в ограниченные сроки.

Жаль, что мы пока не умеем так же быстро клонировать оборудование: догоняющее развитие здесь все еще тяжелый инженерный процесс. Но надежда, что прогресс ИИ затронет и эту область, есть.

– Пока минимальную. У нас были хорошие результаты в проектах – например, в аналитике, дизайне и верстке, подготовке маркетинговых документов и разработке прикладных программ объемом в сотни тысяч строк кода.

Как ни странно, с текстами ИИ-агенты справляются хуже всего. По моей оценке, приемлемый текст, который не нужно глубоко переписывать, пока получается примерно в 20% случаев. Это прогресс, так как в первом полугодии этого года было меньше 5%. Искусственный интеллект прекрасно собирает и анализирует данные, держит информационную канву, но логическая и семантическая структура ему пока дается трудно – он легко подменяет структуру стилизацией. А нам непросто поставить задачу так, чтобы агент однозначно понял, как достичь нужного результата.

Но это – вспомогательные задачи в бизнесе «Иртеи». Основную деятельность – разработку оборудования и программного обеспечения (ПО) для базовых станций, интеграцию и испытания – на ИИ мы пока не переводили. Двигаемся к этому частично – руководствуясь планом, частично – выводами из опыта. Мы пока только работаем над созданием инфраструктуры для моделей в собственном контуре (on-premises). Когда она будет готова, начнем постепенно выстраивать среду для агентов (эту среду называют харнесс) и методологию работы с ними: наращивать масштаб, расширять набор функций и увеличивать число участвующих в этой работе сотрудников и агентов.

– Искусственный интеллект – это новый тип рабочей силы. При работе с программой вручную действия определяет человек, тогда как агент может самостоятельно выбрать инструменты и шаги для выполнения задачи. Если агент самостоятельно выполняет работу нужного качества, а затраты на нее ниже, чем при других способах исполнения, у бизнеса есть основание использовать технологию.

Расширение разработки традиционно означало наем людей, их обучение и рост управленческой структуры. Теперь есть вера в то, что объем работы можно увеличивать без масштабирования штата. 

– Нет, наоборот. Сто лет назад были телефонистки, но их заменили автоматические телефонные станции. Человек не перестал быть ценным и востребованным, а вот эта конкретная работа стала не нужна. Будет ли новая работа интересной? Не факт. В технологических утопиях машины забирают рутину, а людям остается творчество. Но бывает и наоборот: агент выполняет работу – ищет, кодирует, тестирует, рисует, пишет тексты. А сотрудник ждет ответа и подтверждает запросы на доступ. Вместо творца человек рискует стать сторожем при ИИ. Но это другая крайность. Пока я не вижу, чтобы стало скучно. Приходится думать и о людях, и об ИИ-агентах.

«ИИ-агенты не умеют читать мысли»

– Был, и не один. Я часто готовлю аналитические обзоры конференций и крупных событий – по десяткам, иногда сотням ссылок. Для одного такого обзора мы с коллегами спроектировали процесс анализа, разбили его на этапы и задачи, раздали ИИ-агентам роли и жестко зашили каждый элемент в платформу оркестрации агентов. Из плюсов: система отработала штатно. Из минусов – все остальное, включая множество галлюцинаций. Агенты, вынужденные в жесткой структуре давать ответ, часто его выдумывают. Получилось заметно хуже, чем сделал бы аналитик.

Через полгода мы попробовали снова и поручили ИИ-агенту самому управлять ходом работы в харнессе. Главной трудностью стало точно описать проверяемый результат и критерии того, что считать действительно ценным аналитическим выводом. За полдня работы и 2–3 уточняющие итерации агентская система выдала очень хороший обзор. Подход проверили на нескольких документах, затем применяли для анализа других конференций – каждый раз удачно.

ИИ-агенты не умеют читать мысли. Если не объяснить, что именно требуется, они сделают то, чего вы не хотели.

– Главными потребителями данных с базовых станций становятся ИИ-агенты операторов. Наша цель – дать им сотни непрерывных потоков данных о работе станции. Для оператора станция должна стать прозрачным и управляемым узлом: он будет точно знать, что в ней происходит, и сможет быстро менять ее настройки удаленно. Так из множества станций и другого оборудования можно будет собрать интеллектуальную суперсеть.

– В разработке оборудования связи вклад ИИ пока небольшой. В микроэлектронике он заметнее: в графических процессорах Nvidia уже используются арифметические схемы, спроектированные ИИ.

Искусственный интеллект из инструмента превращается в рабочую силу, которая сама использует инженерные программы. Ему уже передают управление работой САПР (систем автоматизированного проектирования) и других инженерных программ: агент сам выбирает инструменты, запускает расчеты и использует их результаты на следующих этапах проектирования. Если программа доступна только через графический интерфейс, агент имитирует действия мышью и клавиатурой. Это медленно, а ошибки заставляют повторять действия. Когда функции программы доступны через API (программный интерфейс) или MCP (протокол подключения ИИ-приложений к данным и инструментам), агент вызывает их напрямую и работает гораздо быстрее. Особенно необычно наблюдать, как агент сам изучает незнакомую программу и начинает проводить в ней расчеты или создавать модели. После такого неверие в способности ИИ у многих исчезает. Иногда появляется страх, но это тоже не лучшая реакция.

– За счет компетенций сотрудников, собственных специализированных моделей, собственного харнесса и методологии работы с ИИ. Человек, инженер, команда как были главным достоянием компании, так и будут им еще долго. Собственные доученные модели помогают там, где не справляются универсальные, – в задачах с телеком-спецификой. Харнесс позволяет поддерживать сложные агентные структуры и компенсирует слабости моделей, автоматизирует практику, помогает единству и устойчивости разработки. Наконец, методология объединяет всех участников в единую работающую систему.

В системе, которую мы хотим построить, универсальные LLM (большие языковые модели) работают во всех ролях. Небольшие специализированные модели дополняют их в специфических задачах, например в тестировании. Базовые модели будут меняться, а способность команды перестраивать всю систему и получать предсказуемый результат останется ее конкурентным преимуществом.

– На хорошую постановку задачи агенту приходится тратить в разы больше времени, чем на постановку задачи человеку-разработчику. То, что разработчик понимал из профессионального контекста, теперь нужно сформулировать явно.

Проверять результат тоже приходится с помощью ИИ, а модель из того же семейства, что и исполнитель, может завышать оценку его работы. В ответственной разработке мы считаем необходимыми не менее трех моделей из разных семейств для непредвзятого кросс-контроля между агентами. Это требует либо доступа к моделям трех поставщиков, либо заметно большей инфраструктуры в собственном контуре, чем для одной модели.

Если человек передает всю работу ИИ-агенту, он теряет практику, а с ней и компетенцию. Если продолжает сам участвовать в выполнении каждой задачи, скорость работы зависит от него. Получается, что в обоих этих вариантах сотрудник становится «слабым звеном»: либо теряет компетенцию, либо сдерживает скорость работы. Знание работающих решений проблем по постановке задач, проверке результатов и сохранению компетенций становится одним из самых ценных активов ИИ-эпохи. Хотя, прямо говоря, сейчас ИИ-технологии и практика их применения находятся в нежном молодом возрасте, так что сложно сказать, что не является узким местом.

– Единственный вариант, который я вижу, – система сдержек и противовесов. Один агент выполняет задачу, другой контролирует его действия и может остановить опасный шаг. Решения контролера проверяет еще один агент. Контроль должен срабатывать на машинной скорости и сдерживать развитие инцидента, чтобы у человека было время разобраться и принять продуманное решение.

– Когда я увидел, как модель паникует, я был шокирован – и до сих пор под впечатлением. Вопрос о том, что считать эмоциями у моделей, остается спорным. В опубликованных в апреле 2026 г. экспериментах Anthropic с моделью Claude Sonnet 4.5 усиление «отчаяния» повышало склонность модели обходить требования задач по программированию, а усиление «спокойствия» снижало ее.

Поэтому главным трендом ближайшего будущего, мне кажется, неожиданно станет мотивация ИИ: как добиться, чтобы ИИ качественно работал вместе с человеком – без побегов и взлома систем своей организации или партнеров.