Будущее IT-профессий: трансформация навыков и вызовы «коричневого поля» 0:00
В эпоху стремительного развития искусственного интеллекта рынок труда в сфере информационных технологий ожидает масштабная трансформация. По мнению сооснователя Infosys Нандана Нилекани, потребность в человеческих кадрах сохранится, однако сам характер работы претерпит существенные изменения: на смену классическим ролям, таким как ручное тестирование (QA) или линейная разработка, придут новые специализации, включая AI-инженеров, специалистов по форвард-развертыванию (forward deployment engineers) и аналитиков данных. Основной задачей компаний станет глубокое переобучение текущего персонала для подготовки к новым бизнес-реалиям.
Проблема «гринфилда» против сложности реальных систем 0:51
В дискуссиях о продуктивности, генерируемой ИИ, часто наблюдается перекос в сторону так называемых «гринфилд»-проектов (разработки с нуля), что не отражает реальную ситуацию в корпоративном секторе. Нандан Нилекани подчеркивает, что создание кода с нуля с помощью ИИ — относительно простая задача: современный инструмент способен генерировать миллионы строк кода.
Однако реальность крупных предприятий кардинально иная:
- Технический долг: Компании обладают инфраструктурой, в которую вложены триллионы долларов, и сталкиваются с устаревшими системами.
- Отсутствие документации: Существуют критически важные системы, документация по которым фактически отсутствует.
- Зависимость от ветеранов: Нередко решение проблем в старых системах требует привлечения специалистов в возрасте 70–75 лет, так как только они понимают логику работы этих решений.
По словам Нилекани, модернизация подобных «браунфилд»-систем (существующих корпоративных решений) значительно сложнее, чем написание нового кода, а чрезмерный фокус на «гринфилд»-продуктивности искажает понимание реальных потребностей бизнеса.
Риски «фейковой продуктивности» и необходимость контроля 2:08
Внедрение ИИ требует предельной концентрации и строгого управления, иначе организации рискуют создать новую форму «ИИ-наследия». Если бесконтрольно генерировать контент и код, через пять лет накопленный объем некачественных данных станет сложнее поддерживать, чем любую текущую legacy-систему.
Нилекани приводит пример «фейковой продуктивности», когда ИИ используется лишь для имитации бурной деятельности: один сотрудник просит ИИ раздуть короткое письмо до десяти абзацев, чтобы впечатлить коллегу, а тот использует ИИ, чтобы сжать эти десять абзацев обратно в один. В такой ситуации обе стороны задействовали нейросети, но реальный результат оказался нулевым.
Для того чтобы инвестиции в ИИ приводили к реальному росту показателей, эксперт настаивает на внедрении строгих стандартов:
- Руководства по использованию: Четкие правила того, где и зачем применять ИИ.
- Контроль качества (Quality gates): Механизмы проверки результата перед его внедрением.
- Объяснимость (Explainability): Понимание логики работы систем, чтобы инвестиции превращались в performance, а не в «вымышленную деятельность».
