惯性聚合 高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文 在惯性聚合中打开

推荐订阅源

A
About on SuperTechFans
D
DataBreaches.Net
K
KPMG report finds enterprise disconnect between AI and its ROI | CIO
V
Visual Studio Blog
奇客Solidot–传递最新科技情报
奇客Solidot–传递最新科技情报
B
Blog RSS Feed
Recent Announcements
Recent Announcements
The Register - Security
The Register - Security
S
Secure Thoughts
Y
Y Combinator Blog
The Last Watchdog
The Last Watchdog
L
LINUX DO - 最新话题
V2EX - 技术
V2EX - 技术
腾讯CDC
GbyAI
GbyAI
G
Google Developers Blog
博客园 - 司徒正美
博客园 - 三生石上(FineUI控件)
T
The Exploit Database - CXSecurity.com
T
Threat Research - Cisco Blogs
P
Proofpoint News Feed
Schneier on Security
Schneier on Security
Microsoft Security Blog
Microsoft Security Blog
Jina AI
Jina AI
WordPress大学
WordPress大学
aimingoo的专栏
aimingoo的专栏
MyScale Blog
MyScale Blog
Help Net Security
Help Net Security
K
Kaspersky official blog
P
Privacy & Cybersecurity Law Blog
www.infosecurity-magazine.com
www.infosecurity-magazine.com
AI
AI
MongoDB | Blog
MongoDB | Blog
Scott Helme
Scott Helme
J
Java Code Geeks
Engineering at Meta
Engineering at Meta
H
Heimdal Security Blog
H
Help Net Security
D
Darknet – Hacking Tools, Hacker News & Cyber Security
云风的 BLOG
云风的 BLOG
Microsoft Azure Blog
Microsoft Azure Blog
S
Security Affairs
TaoSecurity Blog
TaoSecurity Blog
The GitHub Blog
The GitHub Blog
Hacker News: Ask HN
Hacker News: Ask HN
Martin Fowler
Martin Fowler
cs.AI updates on arXiv.org
cs.AI updates on arXiv.org
Project Zero
Project Zero
T
The Blog of Author Tim Ferriss
Last Week in AI
Last Week in AI

Все публикации подряд на Хабре

Ловим музу за клавиатуру: как айтишнику стать автором Что умеет Midjourney в 2026? Мой немного грустный разбор этого шикарного инструмента Никто не любит писать тесты, но ИИ может исправить это IPv8 выглядит как мечта. Поэтому почти наверняка не взлетит Производители вернули в продажу материнки с DDR3. Что происходит? Управление агентом с телефона через Telegram теперь в KodaCode От координации к лидерству: как меняется роль руководителя разработки Я сделала родителям бизнес вместо пенсии: зарабатываем 70 тысяч, мама не даёт продать В три раза быстрее приемка товара и оптимизация трудозатрат на 73%: как «РСТ-Инвент» помог Gulliver Group ИИ-шечный мир победил? О влиянии искусственного интеллекта на игропром Кремль снижает давление на Телеграмм пока Европа строит интернет по паспорту Как CEO, CTO и CIO за 8 часов собрали ИИ-директора, который умеет держать позицию под давлением Как (не) потерять домен за выходные Вместо 8 разных VPS: как я организовал практику студентам на одном сервере Почему твой Open Source проект не замечают? R&D: искусство управления неопределенностью в разработке AI-дефляция: вакансий для разработчиков больше, а рост зарплат — худший за 15 лет Мы отдали управление роботами OpenClaw. Что из этого вышло Галактический ID: система идентификации для всех форм разумной жизни Шесть основ бизнес-анализа: начинаем с вопроса «Кто в игре?» Код-ревью, в котором дело не в коде Данные переехали. Команда — нет Системной подход к сдаче OSWE в 2025 Почему комната управления реактором покрашена в цвет морской пены 4 YAML-файла вместо PySpark: как аналитикам строить пайплайны без разработчиков LLM-агент для поиска свободных доменов: автоматизируем подбор Когда, зачем и как правильно начинать новую сессию в Claude Code? Как я заставил нейросеть писать макросы для FreeCAD Анатомия ИИ‑агента для подбора персонала. От тысячи резюме к топ‑10 за минуты Опыт разработчика как экономика внимания Автономность как точка невозврата: кто будет субъектом в цифровом будущем Обучение ИИ в «диких» условиях: как рутинные действия превращаются в датасеты Как измерить LLM для задач кибербеза: обзор открытых бенчмарков Где хранить код? Сравнение GitHub, GitLab и Bitbucket Математика объясняет, почему нормальное распределение встречается повсюду Почему ваш FinOps не работает: 12 тезисов от практиков Как подписать проектную документацию УКЭП с использованием бесплатных лицензий Pilot Адаптивное администрирование Sigla Vision Я грузил уран в бочки, а потом 20 лет строил ИТ в атомной отрасли Чем позвонить с Эвереста? История и обзор спутниковой связи. Часть 2 Как языковая модель помогает контролировать качество инструктажей по охране труда в металлургии Как не передать на desktop свой IP в РКН Анатомия SAP Privileges: как устроено управление правами в macOS MoneyDev: Сказка про три главных слова Обновлённый токенизатор видео K-VAE 2.0 от Сбера Как сделать диспетчеризацию дома на 1284 квартиры почти бесплатно Как мы разогнали железную дорогу Мы дали агентам рутину. Теперь надо решить — что делать с освободившимся временем Токсичный контент, промпт-хакинг и защита ИИ — всё о Guardrails для LLM Умный город начинается с точного взгляда: как «Фалькон Тех» меняет пространство к лучшему Навайбкодил приложение для анализа графов Почему Дюну так интересно читать? Упрощаем работу с рутиной или как стать Гендальфом Белым Деконструкция Go: CPU, RAM и что там происходит. Go Assembler база. Часть 1.1 Какие профессии исчезнут из-за ИИ, а какие появятся? И что с этим делать Как мы построили IT-отдел, где хочется расти: архитектурные встречи, прозрачные метрики и книжные подарки Rufler: Делаем из Claude Code автономный рой через один YAML-конфиг Sing-box и белый список приложений Как построить надёжный обмен сообщениями в микросервисах: лучшие практики для enterprise OpenAI строит MLM-пирамиду, а McKinsey и Accenture помогают ей в этом Дом, который не построил Фишер (Часть 2) «Сверхзвуковой математик» против «Вдумчивого логиста»: битва алгоритмов 3D-упаковки Мультимодальные модели – грубый и дорогой инструмент Разговоры ничего не стоят. Код тоже Проверки физических лиц: с кого начнет ФНС Топ-10 бесплатных нейросетей для создания видео в 2026 году Первые слои кода: как наши решения сегодня определяют архитектуру ИИ на десятилетия Разработка нового статического анализатора: PVS-Studio JavaScript Поиск уязвимостей ПО: базовый минимум или роскошный максимум Почему оценка персонала не работает как инструмент управления Как мы разработали ИИ-ассистента и сократили рутину продуктовой команды на 50% Как я ушел из найма, нажарил косточек и продал на маркетплейсах на 168 млн в год Когда 1С:ERP уже внедрена, а нормального производственного плана всё ещё нет Как я сделал Claude мультимодальным, подключив к нему Qwen Omni Как приглашение на вакансию мечты превращается в атаку Infrastructure as Code: философия и лучшие практики IaC Тестируем Yandex Code Assistant на задаче, в которой нужно хранить секреты nxs-universal-chart v3.0: новое поколение универсального Helm-чарта Callback Injection: Техника, которая отправила Microsoft Defender в глухой нокаут «Все идеи на стол»: митап как способ вывести проект из тупика Сегодня я узнал нечто новое о GPU благодаря багу в своей игре Как заставить LLM ̶ ̶г̶а̶л̶л̶ю̶ ̶ эволюционировать Карта событий как фундамент аналитики: практический кейс для E-commerce Что выбрать для AI: x86, ARM или RISC-V? Дайджест железа за март Роль соматических мутаций в развитии аутоиммунных заболеваний: путь к избирательной терапии Mythos от Anthropic — тревожный сигнал для всех, а не только для банков Guardrails для LLM на Java: как приручить промпт‑инъекции и токсичные ответы Green-VLA: как мы собрали VLA-модель для реального антропоморфного робота и не потеряли обобщение Финансовая гонка вооружений: почему умные люди добровольно в ней участвуют Эра ИИ-агентов наступила: выбираем лучшего цифрового сотрудника # Практический опыт внедрения WinCC Redundancy на производственном предприятии Сделал MVP за 3 дня, а потом неделю прикручивал оплату. Оно того стоило? Физика против Маска: почему Starship V3 может оказаться ещё одной катастрофой Нефть Венесуэлы: крупнейшие запасы в мире, но не крупнейшая нефтяная держава JPA 4. Переосмысление Hibernate Почему зеркальная фотокамера Nikon D5 десятилетней давности идеально подошла для миссии «Артемида-2» Проект «Уровень-Спутник» или как мы сделали платформу для гидрологов «Замедлиться, чтобы ускориться»: почему ИИ повышает цену ошибок в требованиях и архитектуре Как с нуля поднять трафик IT-компании на 1657% при бюджете 55 тыс. и выжить Pixel-perfect Downsampling — идеальная отрисовка 50 миллионов точек без потерь
О бедном луддите замолвите слово…
Юрий Кудрин · 2026-05-06 · via Все публикации подряд на Хабре

О бедном луддите замолвите слово…

Простой

13 мин

5.6K

или "Страшная сказка: продолжение"

Когда появляется очередной прогноз катастрофического характера, в ответ всегда поступают возражения определённых типов. Эти возражения повторяются из дискуссии в дискуссию и обычно строятся на исторических аналогиях («раньше тоже боялись, и всё обошлось»), идеологических убеждениях («рынок решит», «государство справится», «технологии всегда побеждают»), психологических защитах («это не может быть так плохо»).

Часть этих возражений содержит зерно истины — соответствующие исторические паттерны действительно работали в своё время. Но автоматическое перенесение паттерна из прошлого в настоящее — это методологическая ошибка. Условия меняются, и то, что работало в одной конфигурации, не обязательно работает в другой.

Начну, наверное, постепенный сбор таких аргументов и их разбор структурно: что в них верно, что устарело, какие условия должны быть выполнены чтобы они применялись, и почему текущая ситуация эти условия не выполняет.
(Ни для чего... просто из любви к искусству, так сказать)

Это инструмент для дискуссии — чтобы не приходилось каждый раз заново объяснять одно и то же скептику. А также это инструмент для самопроверки — если паттерн применим, прогноз должен быть скорректирован; если нет, нужно понимать почему.

Структура разбора

Каждый паттерн рассматривается по единой схеме:

  1. Формулировка возражения — как обычно звучит в дискуссии

  2. Историческая основа — откуда паттерн взялся, реальные события

  3. Почему паттерн работал тогда — какие условия делали его справедливым

  4. Почему не работает сейчас — структурные отличия текущей ситуации

  5. Что в паттерне есть верного — в каждой "истине" всегда есть доля истины

  6. Вывод — итоговая оценка применимости


«Луддиты и ткацкий станок»

Формулировка возражения

Технологии всегда заменяли людей, и каждый раз люди боялись что наступит конец. Луддиты ломали ткацкие станки в начале XIX века, бунтовали против машин, требовали запретить механизацию. В итоге механизация победила, появились новые профессии, общество переформатировалось, и в долгосрочной перспективе всем стало лучше. То же самое будет с ИИ — потерпим переход, появятся новые роли, всё устаканится.

Иногда добавляется: «Каждое новое поколение технологий вызывает истерику, но человечество всегда адаптируется. Сейчас просто очередная волна страхов, ничего принципиально нового».

Историческая основа

Луддитское движение (1811–1816, Англия). Текстильные рабочие — преимущественно квалифицированные ткачи и стригальщики — разрушали механические ткацкие станки и стригальные машины в Ноттингемшире, Йоркшире, Ланкашире. Названо по имени мифического Неда Лудда (вероятно, не существовавшего как реальная личность).

Что реально произошло в столетие после луддитского движения:

  • Механические ткацкие станки победили, ручное ткачество исчезло как массовая профессия к 1850–1870-м

  • Появились новые профессии, так же производящие ткани, но в большем масштабе и с лучшим качеством: фабричные рабочие (operatives), наладчики станков (mechanics), мастера производства (foremen), инженеры-проектировщики (engineers) и технологи

  • Каждая новая профессия имела свой цикл воспроизводства: ученик → подмастерье → мастер

  • Через 50–100 лет уровень жизни в среднем вырос (хотя в моменте, в первые 30–50 лет, для значительной части рабочего класса — упал)

  • В долгосрочной перспективе индустриальная революция дала рост ВВП на душу, увеличение продолжительности жизни, расширение образования

Это реальный исторический паттерн. На нём строится оптимистическая модель «технологические переходы болезненны, но в итоге выгодны для общества».

Почему паттерн работал тогда

Несколько структурных условий, обязательных для срабатывания:

1. Замещение как трансформация. Ткацкий станок заменял одну конкретную профессию (ткач) в одной отрасли (текстиль). При этом сама отрасль сохраняла и даже наращивала качественное состояние (об этом чуть далее). Фактически отрасль просто прорастала новыми связями с соседними отраслями, что влияло на разнообразие профессий в ней.

2. Замещение профессии равноценной по конечному продукту. Это главное условие, важнее остальных. Ручное ткачество не просто заменилось «какой-то» новой профессией — оно заменилось промышленным ткачеством, которое производит тот же конечный продукт (ткань) равноценного или более высокого качества. Конкретно:

  • Объём производства тканей рос, не падал

  • Качество тканей в среднем росло (стандартизация, контроль)

  • Цена тканей падала, делая их доступнее

  • Ассортимент расширялся

Система не теряла функцию «производство тканей», она получала эту функцию в улучшенном виде. Профессия в социальном смысле трансформировалась (ручной ткач → оператор станка → наладчик → инженер), но конечный продукт сохранился и стал лучше.

Это критически важно. Технологические переходы успешно проходились в истории именно когда функция в системе замещалась равноценным или превосходящим аналогом. Не просто «появились какие-то новые профессии», а производительная функция системы выиграла или как минимум не пострадала.

3. Среда для новой профессии создавалась самой технологией. Фабрика как организационная единица, инженерные школы, профессиональные ассоциации, технические журналы, культура мастерства в новой профессии — всё это возникло вокруг ткацкого станка. Технология строила инфраструктуру для своих будущих специалистов.

4. Растянутость во времени. Механизация ткачества развивалась с 1770-х (Аркрайт, Кромптон) до 1850-х. Это 80 лет. За такое время одно поколение успевало уйти, другое — прийти и адаптироваться. Социальные системы (образование, рынок труда, политика) успевали реагировать.

5. Сохранение цепочки экспертизы от точки входа до точки формирования правил среды. Это, возможно, самое глубокое условие из всех. Ткацкий станок не просто «заменил снизу» — он создал полную, работающую цепочку передачи экспертизы:

В этой цепочке:

  • Точка входа существует и доступна (ученик-фабричный)

  • Каждое звено воспроизводится через предыдущее: подмастерье учится у мастера, наладчик растёт из старшего оператора

  • Верхние звенья (инженер, нормотворец) формируют среду — пишут руководства, методички, стандарты безопасности, процессы обучения

  • Эти верхние звенья сами прошли все нижние, поэтому понимают, что именно нужно формализовать, а что должно остаться в живой передаче

Замещение ручного ткачества промышленным создало новую цепочку, эквивалентную старой по структуре. Ремесленный цех имел свою цепочку (ученик → подмастерье → мастер → цеховой надзорщик → гильдейский эксперт). Промышленная фабрика создала свою. Старая цепочка постепенно умерла, новая встала на её место и стала производить экспертизу следующего уровня (промышленных инженеров, проектировщиков, нормотворцев индустриальной эпохи).

Технологический переход успешен только тогда, когда после него остаётся полная цепочка — от точки входа до точки, где люди формируют среду для всей системы. Без этой цепочки системы не существует.

6. Внешняя экспансия как клапан. Часть избыточной рабочей силы уходила в колонии, эмигрировала в США, Австралию, Аргентину. Это снимало социальное давление в Европе.

7. Существование «доноров компетенции». Инженерная экспертиза в одной стране могла быть импортирована в другую через миграцию специалистов. Британские инженеры строили заводы в России, Германии, США. Это поддерживало глобальный технологический прогресс.

При выполнении всех этих условий паттерн работал: общество переформатировалось, новые профессии заменили старые, цикл воспроизводства экспертизы продолжался, через 2–3 поколения жизнь в среднем стала лучше.

Почему паттерн не работает для ИИ-кризиса

Каждое из ключевых условий нарушено:

1. Не локальность, а глобальность замещения. ИИ-автоматизация не касается одной профессии или отрасли. Она поражает большинство профессий с высшим образованием одновременно: программирование, юриспруденция, медицина (диагностика), журналистика, маркетинг, бухгалтерия, HR, переводы, графический дизайн, базовое образование, финансовый анализ, многое другое. Нагрузка на систему суммируется собираясь по каплям в мощный поток. И проблема не в потенциальной безработице, а в общей устойчивости системы которая начала меняться "вся вдруг".

2. Замещение деградирующее по конечному продукту, не равноценное. Это главное структурное отличие. Ткацкий станок дал равноценную или лучшую замену конечного продукта (ткани): больше, дешевле, качественнее, разнообразнее. ИИ-замещение даёт деградирующую замену конечного продукта, что эмпирически наблюдаемо в каждой автоматизированной области:

  • Код: ИИ-генерируемое ПО в среднем хуже по архитектуре, безопасности, поддерживаемости. Объём кода растёт, а качество падает — гомогенные уязвимости, отсутствие архитектурного мышления, хрупкость, накопление технического долга. Прецеденты: Sonar Survey 2026, GitHub Copilot security study NYU 2021, серия инцидентов с обновлениями Windows и NVIDIA.

  • Тексты и контент: ИИ-генерируемые статьи, посты, маркетинговые материалы — в среднем хуже оригинальных по точности, оригинальности, способности удержать внимание. Происходит «энтропизация» информационной среды.

  • Юридические документы: ИИ-генерация работает для типовых случаев, но в нестандартных ситуациях даёт деградирующее качество — пропуск важных деталей, неучёт прецедентов, поверхностная аргументация.

  • Медицинская диагностика: ИИ-системы дают преимущество в типовых случаях, но проигрывают на сложных и редких. Совокупное качество медицинской помощи в массе — под вопросом.

  • Образование: ИИ-помощь в обучении даёт быстрый результат, но слабое понимание предмета (Anthropic study: 50% против 67%).

Гибридные роли (Prompt Engineer, AI Auditor) не воспроизводят функцию системы в равноценном виде — они обслуживают деградирующее замещение, а не создают новую качественную замену. Они:

  • Требуют меньше людей чем традиционные профессии

  • Сами автоматизируются по мере улучшения ИИ

  • Не дают глубокого понимания предметной области

  • Не воспроизводят классический путь junior → senior → master

Получается обратная механизации картина: ткацкий станок производил больше тканей лучшего качества. ИИ производит больше кода/контента/документов худшего качества. Системная функция деградирует, а не улучшается. Это противоположный паттерн.

И поскольку конечный продукт деградирует — обещание паттерна «через 50–100 лет всем станет лучше» не работает. Через 50–100 лет в этой логике системе станет хуже, потому что конечный продукт во всех автоматизированных областях будет хуже.

3. Среда не строится — разрушается. Ткацкий станок строил вокруг себя инфраструктуру: фабрики, инженерные школы, профессиональные сообщества, нормативную базу. ИИ подрывает существующую инфраструктуру:

  • Образование деградирует через автоматизацию учебных задач (студенты не учатся, потому что ИИ делает за них)

  • Профессиональные сообщества теряют связность по мере исчезновения junior-уровня

  • Стандарты и нормативы становятся формальными по мере утраты экспертизы

  • ИИ-индустрия сама подвержена этому процессу — третий контур самоподрыва: программисты ИИ-инфраструктуры тоже теряют senior-уровень

4. Сжатые сроки. Механизация ткачества заняла 80 лет. ИИ-революция идёт за 5–15 лет на каждом этапе. Социальные системы физически не успевают реагировать. Образование, рынок труда, политика, культура — всё это работает в горизонте десятилетий, не лет.

5. Разрыв цепочки на самом основании, при сохранении видимости работы остальных звеньев. Это критическое отличие от ткацкого станка. Промышленное ткачество создало новую полную цепочку, эквивалентную старой по структуре. ИИ не создаёт новой цепочки — он разрывает существующую на её точке входа, оставляя верхние звенья работать в иллюзии нормальности:

ученик-программист (автоматизируется ИИ) →
junior (автоматизируется) →
средний программист (есть, работает с ИИ) →
senior (есть, мало, работает с ИИ) →
архитектор (есть, мало) →
разработчик стандартов и методологий (есть, работает)

В моменте система выглядит работающей — senior’ы и архитекторы на месте, стандарты пишутся, методологии обновляются. Но точка входа закрылась. Через одно поколение middle/senior уровень начинает деградировать (нет притока подготовленных людей снизу). Через два поколения — архитекторов и нормотворцев становится критически мало. Через три — цепочка обрушается полностью, потому что никто из существующих звеньев не воспроизвёлся.

Самое опасное в этой схеме — что разрушение происходит не сразу, а с накоплением, маскируется сохранением формы. Нынешние senior’ы продолжают работать, их экспертиза реальна — но она была получена через цепочку, которой больше нет. Когда они уйдут, заменить их будет некем, потому что замещающие должны были пройти junior-этап, который ИИ автоматизировал.

Это и есть рекурсивный провал: разрушение нижнего звена через 1–2 поколения убивает все верхние звенья, включая то, которое формирует среду. А без формирования среды (методологий, стандартов, культуры профессии) новая цепочка тоже не может возникнуть — нет институционального каркаса, в который могли бы встать новые ученики, даже если бы они появились.

Сравнение с "ткацким станком":

  • Ткацкий станок: разрушает старую цепочку → создаёт новую полную цепочку → система работает

  • ИИ-кризис: разрушает точку входа в существующие цепочки → не создаёт эквивалентных новых → через 2–3 поколения цепочки схлопываются → системы не работают

Это противоположные структурные паттерны, хотя на поверхности оба выглядят как «технология заменяет работу».

6. Нет внешнего клапана. В XIX веке избыточное население ушло в колонии — это снимало социальное давление в метрополии. Сейчас земля заселена, климатические катастрофы создают встречные миграционные потоки в развитые страны (а не из них). Социальное давление некуда сбросить.

7. Политическая глобальность процесса — нет «доноров компетенции». Британские инженеры могли строить заводы в России в XIX веке потому, что в Англии экспертиза была. В сценарии ИИ-кризиса экспертиза деградирует синхронно во всём мире — потому что все страны используют одни и те же ИИ-инструменты, и кадровый кризис идёт одновременно. Откуда импортировать senior’ов, если их нигде не хватает?

8. Природа замещаемой деятельности. Ткацкий станок заменял повторяющиеся механические действия. ИИ заменяет аналитические и творческие действия. Это качественно другое — потому что в первом случае «передача навыка» была относительно проста (можно научить ребёнка работать на простом станке за пару недель), во втором — передача невозможна без многолетней практики на реальных задачах.

Что в паттерне есть верного

Некоторые элементы паттерна действительно работают и в текущей ситуации:

  • Адаптация возможна на длительных сроках. Если бы хватало 100 лет — общество, скорее всего, нашло бы новую конфигурацию.

  • Отдельные люди адаптируются успешно. Те, кто увидел тренд раньше, переучивается, занимает гибридные роли — выигрывают лично.

  • Технологический прогресс продолжается. ИИ как инструмент действительно даёт реальные возможности, и они будут использованы.

Кажется также, что «часть профессий трансформируется» — программист в «архитектора ИИ-системы», юрист в «контролёра правовых аспектов ИИ-генерируемых документов». Но здесь нужно очень аккуратно различать два типа ролей, потому что именно на этом различии часто строится оптимистическая иллюзия.

Обслуживающая роль vs воспроизводящая роль

В любой профессии существует функциональное разделение:

  • Воспроизводящая роль — создаёт новое в предметной области. Программист, проектирующий новый язык программирования. Инженер, разрабатывающий новый класс конструкций. Врач, открывающий новый метод диагностики. Технолог по тканям, создающий новый материал с новыми свойствами. Эти люди расширяют саму профессию.

  • Обслуживающая роль — работает с существующим результатом, контролирует, оптимизирует, адаптирует под конкретные задачи. Программист, использующий существующие фреймворки. Инженер, применяющий типовые решения. Врач, работающий по утверждённым протоколам. Оператор станка, ткущий материал по существующей технологии.

В нормально работающей профессии обе роли воспроизводятся через одну и ту же цепочку экспертизы. Сначала junior работает с существующим (обслуживающая роль), потом senior начинает создавать новое (воспроизводящая роль), потом master формирует среду для следующих поколений (воспроизводство самой воспроизводящей функции).

ИИ-кризис сохраняет обслуживающую часть через гибридные роли — «архитектор ИИ-системы», «AI Auditor», «промпт-архитектор» — и уничтожает воспроизводящую. Эти роли работают с тем, что ИИ умеет делать сейчас. Они не создают новые языки программирования, новые алгоритмы, новые архитектурные парадигмы, новые медицинские методы, новые юридические концепции. Они не могут даже воспроизвести то, что есть в моменте. Если существующая технология сломается, потребует серьёзного ремонта или восстановления с нуля — они не справятся, потому что воспроизводящая экспертиза, способная создать заново, у них отсутствует. Они обслуживают существующий уровень технологии пока он работает — но не расширяют его и не восстанавливают при поломке.

Аналогия с ткацким станком — что было бы при ИИ-сценарии

Если бы паттерн ткацкого станка реализовался по сценарию ИИ-кризиса, картина выглядела бы так:

Что осталось бы:

  • Операторы станков (используют существующие настройки)

  • Старшие операторы (контролируют процесс)

  • Наладчики (поддерживают работающие станки)

  • Промежуточные технические руководители (управляют производством)

Что исчезло бы:

  • Технологи по тканям — те, кто разрабатывает новые материалы со специфическими свойствами

  • Изобретатели новых типов станков — те, кто проектирует следующее поколение оборудования

  • Создатели новых стандартов — те, кто формирует методологию работы с новыми материалами

  • Учёные текстильной промышленности — те, кто понимает фундаментальные принципы

В такой конфигурации фабрики продолжали бы работать некоторое время — наладчики поддерживали бы старые станки, операторы выпускали бы существующие ткани. Но не появлялись бы новые материалы, не разрабатывались бы новые типы тканей, не строились бы новые типы оборудования. Через 30–50 лет существующие станки износились бы, технологи, понимающие как их сделать заново, ушли бы — и текстильная промышленность обрушилась бы, несмотря на сохранение производственных операторов.

Это и есть то, что происходит с программированием, юриспруденцией, медициной, инженерией в сценарии ИИ-кризиса. Нынешние «архитекторы ИИ-системы» — это эквивалент мастеров-наладчиков, поддерживающих существующее. Они не создают новое поколение технологий. Через 30–50 лет, когда нынешние senior’ы (получившие воспроизводящую экспертизу через работающую цепочку) уйдут — заменить их будет некем, потому что нынешние гибридные роли воспроизводят только обслуживающую функцию, не воспроизводящую.

Поэтому

Кажущаяся трансформация профессий — это половина профессии, причём не самая важная для долгосрочного выживания системы. Обслуживающая часть сохраняется, воспроизводящая — нет. Через одно-два поколения это различие становится катастрофическим: обслуживать нечего, потому что новое больше не создаётся.

В паттерне «луддиты и ткацкий станок» обе функции были сохранены через создание новой полной цепочки. В ИИ-кризисе сохраняется только обслуживающая. Это не «трансформация профессий» — это усечение профессий до их обслуживающей части с разрушением воспроизводящей.

Эти элементы — частичные. Они работают для отдельных людей и отдельных функциональных уровней, не для системы в целом.

Вывод

Паттерн «Луддиты и ткацкий станок» не применим к ИИ-кризису, потому что:

  • Условия его применимости системно нарушены — сжатые сроки, глобальность, отсутствие нового цикла воспроизводства, разрушение среды вместо её создания, синхронность процесса

  • Это другая категория технологических изменений — не равноценное замещение функции в системе с улучшением конечного продукта, а деградирующее замещение с одновременным разрушением циклов воспроизводства экспертизы во многих отраслях

  • Историческая аналогия даёт ложное успокоение: «раньше переживали, и сейчас переживём» — потому что игнорирует структурные различия

Использование этого паттерна как аргумента в дискуссии — методологическая ошибка. Скептик, ссылающийся на луддитов, либо не разобрался в структурных особенностях текущей ситуации, либо использует поверхностную аналогию для психологической защиты от тяжёлого прогноза.

Правильное использование исторического паттерна:

Ткацкий станок учит, что технологические переходы могут быть успешно пройдены — при определённых условиях. Эти условия известны. Текущая ситуация эти условия не выполняет. Значит, нужно либо найти способы создать недостающие условия (почти невозможно при текущей геополитической и социальной конфигурации), либо принимать тот факт, что переход будет существенно тяжелее аналогичных в истории.

Третий вариант — «авось как-нибудь обойдётся, как всегда обходилось» — это отказ от анализа, а не аргумент.