Экономисты давно признают важность человеческого капитала — навыков и знаний, которыми обладают люди. Более века назад Альфред Маршалл писал, что «наиболее ценный из всех видов капитала — это капитал, вложенный в людей». Мыслители-неэкономисты высказывались в том же духе. Философ Мишель Фуко, размышляя об экономическом подъеме Запада в XVI и XVII веках, задавался вопросом: «Разве это не было обусловлено именно ускоренным накоплением человеческого капитала?». Не будет преувеличением утверждать, что повышение уровня жизни поколения за поколением людей в современных обществах связано с человеческим капиталом.
Недавние достижения в области искусственного интеллекта вызвали озабоченность по поводу вытеснения человеческого капитала. Будут ли ИИ и человеческий капитал существовать, дополняя и повышая производительность друг друга? Или же они будут заменять друг друга? Ответить на эти непростые вопросы помогут три важнейших, но иногда упускаемых из вида компонента человеческого капитала — любознательность, критическое мышление и саморегуляция.
Представьте себе, что все зафиксированные человечеством данные вплоть до 1939 года загрузили в большую языковую модель (LLM). Выбор 1939 года является важным, поскольку тогда еще не родились — и даже не были зачаты — Пол Маккартни и Джон Леннон. Далее, представьте, что мы попросили LLM написать песни, описав их прилагательными, которые использовали музыкальные критики, слушавшие музыку Битлз. Сможет ли LLM создать песню «Yesterday»?
Вот две причины, почему LLM не справится с этой задачей. Во-первых, у модели будет недостаточно информации, чтобы предсказать, каким будет продукт творчества двух еще не родившихся парней из Ливерпуля. Вдохновением для песен, написанных совместно Ленноном и Маккартни, послужил их жизненный опыт. Однако до рождения музыкантов не было почти ничего, что позволило бы предугадать, каким будет этот опыт. Более того, нельзя было с уверенностью предсказать само появление на свет Джона и Пола — невозможно было заранее знать, какие из миллионов отцовских клеток оплодотворят яйцеклетки их матерей.
Во-вторых, наш запрос, не содержащий конкретных подробностей о песнях, будет слишком абстрактным. Песню «Yesterday» наделяли такими эпитетами, как меланхолическая, нестареющая, изящная, лирическая и задушевная. Эти слова, возможно, и верны, но они ненамного сужают поиск. Поэтому до появления Битлз ИИ не смог бы по предсказанию написать их музыку — мы бы так и не узнали, что из себя представляют, по мнению некоторых, лучшие песни в стиле рок-н-ролл. То же самое можно сказать и о произведениях вашего любимого художника, писателя, скульптора и так далее — любого человека, родившегося после 1939 года.
А теперь вместо 1939 года представьте себе наше время. По тем же причинам LLM, в которую загрузили всю имеющуюся до настоящего момента информацию, не заменит талант, творчество и любознательность будущих творцов. Несмотря на то, что ИИ может неплохо справиться с рекомбинацией прежних данных (прошлых книг, пластинок и изображений), он не в состоянии подражать еще не созданным творениям человека.
Это понятие выходит за рамки искусства. В качестве примера можно рассмотреть вопрос государственной политики: «Что можно сделать, чтобы снизить насилие с использованием огнестрельного оружия в Чикаго?». LLM даст ответ, обобщив результаты прошлых исследований, и, возможно, выделит наиболее подходящие для этого города аргументы, но она не сможет эмпирически протестировать новые идеи, чтобы предложить не известный до этого ответ. Сам по себе ИИ не сможет разработать меры государственного вмешательства, обеспечить их финансирование, подготовить счетчиков для переписи населения, обойти с визитом домохозяйства, убедить участников ответить на вопросы, и так далее. Это делают люди, а движет ими их интеллектуальная любознательность. Именно наша любознательность пополняет накопленные знания, от которых зависит ИИ.
Нам предстоит дойти до этапа, на котором вся существующая информация будет загружена в LLM — этапа, получившего название «пика данных». После этого без новой информации (например, исследований о новых стратегиях предотвращения вооруженного насилия) предлагаемые LLM результаты существенно не улучшатся. Если все решат полагаться на выдаваемую LLM информацию, вместо того чтобы финансировать и проводить новые исследования, очень скоро у нас не останется ничего, кроме наших устаревших научных данных, а это, очевидно, нежелательно. Пик данных означает следующее: для того чтобы ИИ учился все лучше отвечать на вопросы, мы, люди, должны неуклонно стремиться к новым знаниям, продолжая задавать вопросы и отвечать на них. Мы должны сохранять творческое начало и любознательность.
Этот тезис можно подкрепить, используя аналогию из сферы финансового рынка. Давайте рассмотрим гипотезу эффективных рынков, которая приобрела известность благодаря Юджину Фаме. Идея состоит в том, что в ценах заложена вся имеющаяся информация; поэтому (в отсутствие конфиденциальной информации) переиграть рынок невозможно. Эту концепцию позднее усовершенствовали Сэнфорд Гроссман и Джозеф Стиглиц, которые сформулировали информационный парадокс: если в ценах уже заложена вся имеющаяся информация, то у инвесторов нет стимулов собирать и анализировать информацию. Но если никто не будет собирать такую информацию, то как она может быть отражена в ценах? Участники рынка производят и обрабатывают информацию, потому что это дает им преимущества, и цены отражают такую информацию, хотя этот процесс далек от совершенства и не происходит мгновенно.
Аналогичным образом, ИИ может содержать в себе всею имеющуюся информацию в определенный момент времени, однако для того чтобы она сохраняла актуальность и улучшалась, необходимо, чтобы люди продолжали производить новые знания. С этой точки зрения любознательность и ИИ дополняют, а не заменяют друг друга. В конечном счете ИИ станет лучше, только если люди будут разрабатывать новые и лучшие идеи.
В своей книге «Экономические софизмы», изданной в 1845 году, Фредерик Бастиа описывает интересную дихотомию между точными и общественными науками. Знаниями в области точных наук, по его мнению, могут обладать только ученые, а «обычный человек, несмотря на свое невежество, пользуется ими». Однако, когда речь идет о практическом применении общественных наук, то это касается всех, и «никто не признается в своем невежестве». Люди, как правило, без сомнения принимают на веру слова экспертов в области точных наук, однако, когда речь заходит об общественных науках, они редко следуют этому правилу. Обычные люди не претендуют на то, что лучше знают, как создать компьютерные чипы или авиационный двигатель, однако они нередко берутся утверждать, что могли бы улучшить налоговую систему или эффективнее бороться с бедностью. Описанная Бастиа дихотомия применима и к нашему взаимодействию с ИИ.
Если вы поручите LLM решить задачу по математике, вы получите простой и прямой ответ. Ваше суждение здесь не требуется. Ваши предубеждения не будут влиять на вашу интерпретацию информации, которую вы получите. В общественных и гуманитарных науках зачастую дело обстоит иначе. Попробуйте задать LLM следующие вопросы: как я пойму, что кто-то влюблен в меня? Есть ли Бог? Стоит ли мне иметь детей? За кого мне голосовать на президентских выборах? LLM даст вам ответы, но это будет комбинация высказанного другими до этого — то есть, это никоим образом не будет однозначно правильным ответом. Взвесить аргументы и принять решение — наша задача. В этом смысле критическое мышление становится необходимым.
Есть еще одна причина, по которой критическое мышление имеет значение. Психолог Дональд Кэмпбелл предостерегал, что «чем чаще для принятия решения используется любой количественный общественный показатель, тем больше он будет подвержен давлению коррупции». Закон Кемпбелла распространяется и на ИИ. Поскольку на LLM полагается столько людей, у злоумышленников появляется мотив загружать неверную информацию в данные для обучения модели — этот процесс называется «отравлением данных». Поэтому даже на самом базовом уровне информация, которую выдает LLM, может вводить в заблуждение. Зная это, мы должны сохранять бдительность. Критическое мышление играет ключевую роль в этом процессе.
ИИ может обобщать огромные объемы информации, чтобы помочь нам в принятии решений, но он не определяет то, как мы в итоге поступим. Нам свойственно ошибаться и нередко поддаваться влиянию чувств. LLM может составить для вас идеальный план тренировок, но успех будет зависеть от вашей дисциплины: сможете ли вы следовать плану, даже когда вам не хочется заниматься? ИИ может сказать вашей коллеге, сколько денег ей следует сберегать каждый месяц, чтобы накопить на пенсию, или посоветовать вашему соседу употреблять не больше определенной дозы алкоголя на вечеринках. Однако люди не обязательно будут следовать этим советам, даже если знают, что стоило бы это делать.
Со времен Адама Смита экономисты признавали подверженность человека ошибкам. В своей книге «Теория нравственных чувств», опубликованной в 1790 году, Смит объясняет: «Наиболее полезные для нас качества — это, прежде всего, высший разум и рассудок, … а во вторых, самообладание, благодаря которому мы можем воздерживаться от сиюминутных удовольствий или терпеть невзгоды, чтобы получить большее удовольствие или избежать больших невзгод в будущем». Поэтому речь не только о том, чтобы знать, что для нас полезно. Суть также в том, чтобы обладать достаточной саморегуляцией, чтобы сделать все необходимое для достижения цели.
Тезис Смита имеет важное значение, когда мы думаем о широком разнообразии человеческой деятельности, которую экономисты называют «производство в секторе домашних хозяйств». Этот термин означает, что мы обычно не потребляем товары, которые мы покупаем, «в исходном виде». Мы используем свои время, усилия и навыки, чтобы преобразовать их. Мы можем купить велотренажер, но нам нужно заниматься на нем. Тот же принцип относится к книге, ингредиентам для приготовления блюд и даже к взаимоотношениям. Мы должны использовать время, усилия и навыки, чтобы получить от них желаемое. Этот процесс укладывается в проблему самого слабого звена, модель которой разработал Майкл Кремер в своей теории, названной теорией «уплотнительного кольца» (по аналогии с деталью космического аппарата многоразового использования, дефект которой привел к катастрофе 40 лет назад). В этом смысле другие средства производства не могут заменить усилия, время и навыки, которые привносят люди. Не имеет значения, насколько прекрасно оснащен ваш спортзал, если вы туда никогда не ходите. Этот же принцип применим и к ИИ: по мере того как его качество повышается, самым слабым звеном будет оставаться наша способность действовать исходя из нашего собственного представления о том, что нам наиболее полезно. Поэтому по мере того как возможности ИИ по предоставлению информации будут совершенствоваться, выгоды от саморегуляции будут повышаться.
Любознательность, критическое мышление и саморегуляция — это формы человеческого капитала, которые развиваются, когда нас постоянно и настойчиво стимулируют проявлять любознательность, критически мыслить и проявлять саморегуляцию. Если вы сомневаетесь в том, что их можно развивать, представьте себе обратную ситуацию: образовательная или рабочая среда, которая отбивает у людей желание задавать вопросы, размышлять и действовать автономно — все это явно приводит к утрате таких навыков.
Читателям, обеспокоенным по поводу сингулярности — момента, когда ИИ превзойдет возможности человеческого интеллекта и сможет самосовершенствоваться — разговоры о LLM могут показаться наивными. Как только это произойдет, ИИ может стать новой формой жизни на земле. Мы можем строить предположения насчет двух будущих сценариев взаимодействия человека и ИИ. Согласно первому, люди и машины — противники, как в фильме Вачовски «Матрица». Накопленный каждым поколением человеческий капитал будет единственной возможностью сопротивляться, поэтому накопление такого капитала будет приоритетной задачей. Во втором сценарии ИИ и человек мирно сосуществуют. Как будут выглядеть наши взаимоотношения с существами, обладающими сверхинтеллектом?
В некотором смысле люди уже вступают в такие взаимоотношения, работая в крупных организациях. Такие «сверхсущества» преследуют собственный интерес и обладают интеллектуальной мощью, намного превосходящей возможности одного человека. Тем не менее они вознаграждают нас за использование наших знаний и навыков, необходимых им для выполнения своих задач. Если наши взаимоотношения с ИИ на этапе после достижения точки сингулярности будут напоминать наши отношения с такими организациями, тогда инвестиции в человеческий капитал все еще будут приносить выгоды. В таком сценарии сосуществования некоторые люди могут предпочесть создавать сообщества, свободные от ИИ. Такие места с низкой концентрацией технологий будут опираться на человеческий капитал своих членов. Поэтому независимо от того, верите ли вы в апокалиптический сценарий или нет, аргументы в пользу инвестиций в человеческий капитал являются убедительными.
Но вернемся к настоящему. Вызывающие резонанс в СМИ усилия компании Meta по привлечению кадров за баснословное вознаграждение для разработки более мощных технологий ИИ показывает, какую важнейшую роль играет человеческий капитал сегодня. Эпоха человеческого капитала не закончилась, она продолжает развиваться. Вспомним механизацию сельского хозяйства, автоматизацию обрабатывающей промышленности и происходящую сейчас «алгоритмизацию» услуг. На каждом этапе человеческий капитал в каких-то сферах высвобождался, а в других потребность в нем возрастала.
Однако не следует рассматривать эти этапы как независимые друг от друга процессы. Человеческий капитал, который высвободился с появлением тракторов, ирригации и удобрений, дал мощный импульс росту в обрабатывающей промышленности. Производственные линии с автоматизированными процессами породили бум в секторе услуг. Благодаря ИИ станет возможным следующий бум. То, что мы не можем представить это сейчас, не означает, что этого не случится. Представьте себе наших пращуров, пытавшихся вообразить то, чем сейчас занимаются компании Google или Nvidia. Как и раньше, человеческий капитал будет оставаться востребованным, но только в новых формах, которые трудно предсказать. В будущем появятся новые отрасли, в которых будет создано много полезного, благодаря навыкам и знаниям, которыми обладают люди.
Пабло А. Пенья — доцент-преподаватель экономического факультета Чикагского университета и автор книги Human Capital for Humans: An Accessible Introduction to the Economic Science of People.
© 2026 International Monetary Fund. All rights reserved.
