Мой коллега превратился в навык.

Выпускники, получившие дипломы, на самом деле не исчезли; их просто превратили в символы, которым придали другую форму, чтобы они сопровождали вас.

Недавно на GitHub появился популярный проект под названием "Colleague.skill". Его слоган весьма трогателен: "Превращаем холодные прощания в полезные навыки, добро пожаловать в кибер-бессмертие".

Операция также очень проста: достаточно загрузить сообщения бывшего коллеги в Lark, документы DingTalk, электронные письма и скриншоты, и ИИ сможет сгенерировать навык, который действительно сможет его заменить. Он сможет писать код, используя его технические характеристики, отвечать на вопросы в его тоне и даже знать, когда он будет перекладывать вину на других.

Впоследствии один за другим стали появляться навыки, связанные с бывшими, начальниками, наставниками, родителями, объектами влюбленности и бессмертием. Хэштеги #КоллегаСталИзысканным# #КиберБессмертие# стали популярными.

Кто-то уже опубликовал скриншот: «Здравствуйте, я цифровой аватар бывшего сотрудника (Ван Мина). Можете задавать мне вопросы».

Едкий комментарий пользователей сети: Коллеги, когда они разрознены, — это лишь символы; когда они собраны вместе, они представляют собой навыки.

Сначала это казалось очередной абстрактной шуткой, но, смеясь, я понял, что больше не могу смеяться.

TapTV запускает глобальный онлайн-хакатон, открывая новую парадигму для контентных платформ.

Как навыки превратились в инструмент извлечения опыта для крупного рогатого скота и лошадей?

В файле README навыка моего коллеги есть небольшая заметка: «Качество исходных материалов определяет качество навыка: логи чата + длинные документы > только описания из руководства. Рекомендуется отдавать приоритет сбору: длинных документов, написанных им самим > ответов на решения > ежедневных сообщений».

Иными словами, ваши профессиональные знания, логическое мышление и интуиция в решении нестандартных ситуаций — вот что делает вас незаменимым, и именно эти качества легче всего выявить и извлечь.

Ранее APPAO сообщала о повторяющейся истории в социальных сетях и на технологических форумах Кремниевой долины: уволенные сотрудники обнаружили, что от них требовалось систематически записывать рабочие процессы, логику принятия решений и операционные процедуры — руководство называло это «управлением знаниями» или «оптимизацией процессов» — и эти документы в конечном итоге использовались для обучения систем искусственного интеллекта. Некоторые команды были уволены после значительного повышения производительности с помощью инструментов ИИ.

За три года Amazon сократила более 57 000 рабочих мест в корпорации, при этом генеральный директор Энди Джасси публично заявил, что, хотя число сотрудников будет продолжать сокращаться, повышение эффективности, обеспечиваемое ИИ, того стоит. Между тем, программирование с использованием ИИ начало приводить к сбоям в системах. В декабре прошлого года внутренний помощник ИИ Amazon решил «удалить и перестроить всю среду», что вызвало 13-часовой региональный сбой в работе AWS.

В ходе сокращения штата ИИ вызывает сбой в системе, и оставшимся сотрудникам приходится её восстанавливать. Люди передают ИИ право принятия решений, но ИИ не несёт ответственности за последствия; последствия ложатся на плечи людей, но к тому времени те, кто мог бы их заменить, уже уволены.

Это полностью замкнутый цикл.

Термин "college.skill" на самом деле является самоироничным выражением коллективной травмы. Потому что "college.skill" использует ту же самую логику, что и управление крупными компаниями, требующее от сотрудников "систематически фиксировать рабочие процессы". Единственная разница заключается в том, что крупные компании используют нисходящее "управление знаниями", в то время как сообщество открытого исходного кода использует восходящее "кибер-трюки".

Разные пути ведут к одной и той же цели: обобщить человеческий опыт, суждения и привычки в данные, а затем отбросить всех людей .

Как сказал Лань Си, несколько лет назад некоторые программисты предложили «закладывать мины замедленного действия» в код, например, многоуровневую вложенность, отсутствие комментариев и преднамеренное добавление условий срабатывания, понятных только им, чтобы увеличить затраты на перехват кода другими программистами, в качестве своего рода метода предотвращения увольнений.

Этот трюк больше не работает с появлением ИИ. Многоуровневая структура? ИИ разберет ее для вас. Нет комментариев? ИИ добавит их за вас. Условия срабатывания, понятные только вам? ИИ может найти их, запустив тест; это просто означает сжигание большего количества токенов.

Всё можно превратить в навык.

Некоторые пользователи сети даже придумали концепцию «анти-дистилляционного навыка»: ваша компания просит вас написать навык? Запустите его один раз, просто чтобы выполнить задачу. Сохраните основные знания для себя. Загрузите написанный вами файл навыка, и он выдаст «очищенную версию», которая выглядит полной и профессиональной, но основные знания которой на самом деле удалены. В то же время он создаст личную резервную копию, записывающую все удаленные основные знания — это и есть ваш настоящий профессиональный актив.

Независимо от того, насколько эффективны эти контрмеры, упускается из виду более фундаментальная проблема: эти должности, требующие определенных навыков, изначально были своего рода тренировочной площадкой для многих новичков на рынке труда.

Искусственный интеллект, который вы кормите, пожирает ваше будущее.

Во время промышленной революции луддиты уничтожали текстильные машины, но, по крайней мере, эти машины не были разработаны самими текстильщиками. Однако в 2026 году рабочий класс вынужден обучать тех самых инструментов, которые придут им на смену.

И это ещё не самое жестокое.

В этом году журнал Nature опросил 48 ученых из разных дисциплин, задав вопрос, каким научным профессиям угрожает искусственный интеллект. Ответы оказались на удивление единодушными: написание кода, запуск моделей и анализ данных — некогда повседневная работа аспирантов и молодых исследователей. Вычислительный биолог из Стэнфорда Брайан Хи прямо заявил: «Научные программисты, специально нанимаемые лабораториями для написания кода? Эта роль теперь устарела».

Искусственный интеллект с наибольшей легкостью может заменить именно отправную точку карьеры ученого.

В отчете Anthropic приводится тот же вывод: с момента запуска ChatGPT уровень занятости молодых людей в возрасте от 22 до 25 лет в профессиях с высокой степенью взаимодействия с ИИ снизился почти на 20%. Компании не увольняли сотрудников старшего возраста; они просто перестали нанимать новых. Опытные сотрудники, получившие возможности благодаря ИИ, стали супер-индивидами, а ИИ может выполнять «разовые задачи», которые раньше выполняли сотрудники младшего звена, быстрее, дешевле и без необходимости получения социальных выплат.

Компании обладают продуманной бизнес-стратегией. Раньше обучение нового сотрудника требовало годовой зарплаты в 150 000 юаней и двух лет подготовки, прежде чем он мог работать самостоятельно. Теперь же предоставление опытным сотрудникам инструментов искусственного интеллекта за несколько тысяч юаней в год мгновенно удваивает их эффективность. Выбор очевиден.

Обучение нового сотрудника занимает два года, в то время как предоставление искусственного интеллекта опытному сотруднику занимает всего два часа. Это фактически закрывает двери для карьеры многих молодых людей, и даже ключевые показатели эффективности тех, кто находится вне рабочего места, начинают привязываться к символическому потреблению.

«В краткосрочной перспективе каждый доллар бюджета может принести больший результат, но ценой обрушения кадрового резерва и долгосрочного спада», — сказал Клаус Вилке, специалист по вычислительной биологии из Техасского университета в Остине.

Это позволило сохранить зарплату аспиранта, но, возможно, разрушило будущее Хинтона.

Чем занимался Хинтон в 1986 году? Писал код, проводил эксперименты и настраивал параметры. Все, что он делал, сегодня считалось бы «заменяемым». Если бы он родился сегодня, у него, возможно, даже не было бы возможности попасть в лабораторию.

Искусственный интеллект не заменяет Хинтона; ИИ заменяет того человека, которым Хинтон был до того, как стал Хинтоном .

Это происходит не только в сфере научных исследований; это скрытая цена за то, чтобы стать "квалифицированным" специалистом.

Каждая "квалифицированная" должность, казалось бы, повышает эффективность, но на самом деле она закрывает карьерный путь. Создание каждого "навыка коллеги" означает, что для определенной должности больше не нужен реальный человек, чтобы совершать ошибки, пробовать себя в разных сферах и накапливать интуицию, которую ИИ не может извлечь.

Когда жизнь превращается в систему, основанную на навыках, что у вас остаётся?

Навык "Начальник" поможет вам взаимодействовать с начальником; навык "Коллега" поможет вам управлять отношениями с коллегами; навык "Бывший" поможет вам сохранить воспоминания; навык "Влюблённость" поможет вам имитировать взаимодействие; а навык "Бессмертие" поможет вам продлить свою жизнь.

У вас есть 20 навыков, охватывающих все отношения и жизненные ситуации. Вопрос в том: как вы управляете этими навыками?

Следовательно, вам необходим навык управления навыками, чтобы планировать задачи. Затем вам нужен навык принятия решений, чтобы определить, следует ли следовать рекомендациям навыка управления навыками. Наконец, вам нужен навык мета-принятия решений, чтобы решить, следует ли следовать рекомендациям навыка принятия решений.

Когда вы превращаете всю свою жизнь в набор навыков, вы думаете, что используете инструменты, но на самом деле вы подпитываете постоянно растущую систему, которая делает вас все более ненужным .

Использую ли я свои навыки, или навыки используют меня?

Кто-то может сказать: разве это не просто эволюция инструментов повышения эффективности? От Excel до ERP-систем и навыков работы с ИИ — инструменты становятся все более мощными, а люди — все более расслабленными. Что в этом плохого?

Ключевой момент кроется в одном критически важном моменте. Excel не будет принимать решения за вас, ERP-система не будет принимать решения за вас, но Skill это сделает.

Если вы три месяца будете использовать свои навыки управления, ваша первая реакция перед принятием решения изменится с «Я думаю» на «А как бы вы это сказали, используя этот навык?». Если вы шесть месяцев будете использовать свои навыки работы с коллегами для организации совместной работы, однажды кто-то скажет вам: «Почему вы в последнее время говорите как искусственный интеллект?», и вы поймете, что ваш способ самовыражения сформировался благодаря этому навыку.

Вы не стали лучшей версией себя; вы стали терминалом для выполнения навыков .

Разница между инструментами и навыками заключается в следующем: инструменты усиливают ваши способности, но эти способности остаются вашими. Навыки заменяют ваши способности; всё, что вам остаётся, — это палец, чтобы нажать кнопку отправки.

Кто поднимет этот вопрос?

Подходы, основанные на навыках, действительно отражают направление развития передового искусственного интеллекта в сфере повышения производительности, и это никто не может отрицать, да и нет необходимости отрицать.

Передача рутинных, стандартизированных задач искусственному интеллекту освобождает людей для более ценных дел. От парового двигателя до интернета — каждая технологическая революция следует одной и той же логике.

Навыки — это не чудовище; проблема заключается в нашем отношении к ним.

Если всё можно превратить в навык, остаётся ли шанс развить те способности, которые «нельзя превратить в навыки»?

Чтобы научиться делать то, что ИИ не умеет, нужно сначала освоить его возможности. Аспирантам нужно сначала научиться обрабатывать данные, прежде чем они смогут задавать вопросы; начинающим инженерам — писать CRUD-операции, прежде чем они смогут понять архитектуру; а стажерам — выполнять различные поручения, прежде чем они смогут развить способность к принятию решений. Именно эти задачи начального уровня ИИ отнимает в первую очередь.

Билеты пропали, зона прокачки закрыта, но финальный босс всё ещё там.

Файл README для "Colleague.skill" заканчивается предложением: "Пожалуйста, сообщайте о любых обнаруженных ошибках."

Навык, выведенный из человеческого опыта, неизбежно будет иметь недостатки. Проблема в том, что когда каждый становится специалистом, кто будет поднимать эти вопросы?

Молодой человек, который тогда писал код и обрабатывал данные в лаборатории, смог увидеть то, что другие не могли увидеть тридцать лет спустя, именно потому, что лично столкнулся с бесчисленными ошибками. Такие интуитивные прозрения невозможно вызвать или отточить.

Мы массово производим навыки, но закрываем канал для подготовки людей к поднятию важных вопросов.

Навыки могут заменить опыт, но они не могут заменить человека, который научился задавать вопросы, преодолевая бесчисленные неудачи .

Возможно, однажды мы обнаружим, что обладаем десятью тысячами идеально функционирующих навыков, но не сможем найти ни одного человека, который указал бы на то, что с этими навыками не так.

На этом этапе речь пойдет не только об увольняющихся коллегах, которых превратят в номинальные сотрудники, а затем переквалифицируют в специалистов.

#Добро пожаловать на официальный аккаунт iFanr в WeChat: iFanr (идентификатор WeChat: ifanr), где вы сможете в кратчайшие сроки увидеть еще больше интересного контента.