Раскол между пользователями искусственного интеллекта

02.02.2026 · 5 мин

Автор статьи наблюдал картину маслом: финансовый директор компании на триста человек — человек без технического бэкграунда вообще — сидел в чёрном окне терминала и писал Python-скрипт для анализа cash flow под диктовку Claude Code. Через два часа у него был работающий код с unit-тестами и интеграцией курсов валют через API ЦБ РФ. Он заменил тридцатилистовую модель Excel монструозной сложности на чистый код за один рабочий день.

Это был момент озарения о том, как глубок раскол между людьми по ту сторону экрана искусственного интеллекта.

Великий раскол

Сейчас вырисовываются два лагеря. Они совершенно разные.

Первые живут в браузере и воспринимают ChatGPT как улучшенный Google поисковик. Задают бытовые вопросы («напиши письмо клиенту», «объясни закон Ома»), получают текстовые ответы. И всё сохраняется примерно там же, где были до появления LLM (Large Language Model — большая языковая модель, которая генерирует текст, предсказывая следующее слово). Ничего не изменилось.

Это большинство офисных работников, которым IT-отдел разрешил только корпоративный Microsoft Copilot, потому что он «безопасный» и входит в подписку M365.

Вторые выглядят странновато. Они запускают локальные модели через Ollama, используют Claude Code прямо в терминале, подключают MCP (Model Context Protocol — протокол, позволяющий ИИ-агенту получать доступ к базам данных, файловым системам и другим инструментам). У них домашний сервер или хотя бы Docker Desktop. Они автоматизируют рутину через скрипты, которые пишутся голосом за минуты.

Самое парадоксальное: второй лагерь часто состоит из маркетологов, юристов, финансистов. Людей, которые никогда не учили программирование. Технарям порой сложнее переступить барьер «это же просто autocomplete». Они цепляются за свои привычные IDE (Integrated Development Environment — редактор кода со всеми плюшками), игнорируя революцию, которая происходит прямо под носом.

Почему корпорации застряли в прошлом

Корпорации находятся в зоне турбулентности. Часто можно наблюдать, как CISO (Chief Information Security Officer — главный по информационной безопасности) запрещает Python. Причина: «это интерпретатор может выполнять произвольный код». Результат — финансовый аналитик месяцами копирует данные из SAP ERP (ERP — Enterprise Resource Planning, система управления ресурсами предприятия) — legacy-софт, часто без нормального API (Application Programming Interface — интерфейс программирования приложений, позволяющий программам общаться друг с другом).

Ловушка энтерпрайз архитектуры     Реальность современных процессов 
────────────────────────────     ────────────────────── 

[Legacy ERP/SAP]           [Modern SaaS with REST API]
    │                    │
    ▼                    ▼ 
[Excel export only]          [Direct database queries]
    │                    │
    ▼                    ▼ 
[Manual copy-paste]          [Agent automation via MCP]
    │                    │
    └──► Hours of monkey work ◄──────────────┘

Реальность политик безопасности:

User request     Corporate response      Actual risk level 
───────────────────────────────────────────────────────────────────── 
Install Python    Blocked by Group Policy   High bureaucracy  
Use cloud AI     Only M365 Copilot allowed  Vendor lock-in   
Run local script   VM without internet     Missed opportunity 
Access database    Ticket to IT for 3 weeks   Shadow IT growth
Почему корпорации превращаются in digital museums while startups fly

Microsoft особенно цинична: она продает enterprise-клиентам M365 Copilot, который представляет собой жалкую имитацию интерфейса ChatGPT. Медленную, глючную версию, которая плохо справляется даже с большими файлами Excel. При этом сам Microsoft использует Claude Code во внутренних командах разработки, хотя имеет доступ к собственному GitHub Copilot почти бесплатно.

Это создаёт абсурдную ситуацию: senior management пробует корпоративный AI, получает посредственные результаты, решает, что «нейросеть — это баловство», и блокирует все попытки департаментов использовать более эффективные инструменты.

Нечестное преимущество маленьких команд

Между тем компании поменьше, которые не тащат за собой двадцатилетний багаж legacy-систем, показывают фантастическую производительность. Есть примеры команд из пяти человек, которая обрабатывает объём данных, требующий у конкурента-giant corp целого департамента data engineers.

Секрет простой. У них есть bash (командная оболочка Unix-систем), локальное Python-окружение, доступ к PostgreSQL через read-only connection strings, возможность установить любой open source инструмент за минуту. Когда такая команда получает доступ к LLM, они могут автоматизировать процессы, которые у конкурентов занимают недели переписки между procurement, IT security and business units.

Тот самый финансовый директор, теперь может запустить Monte Carlo simulation (метод статистического моделирования, когда тысячи случайных входных данных генерируются для оценки вероятностных распределений результатов) своей финансовой модели за пару минут. Построить интерактивный dashboard, pull данные из CRM (Customer Relationship Management — система управления клиентскими отношениями) через RESTful API (архитектурный стиль передачи данных по HTTP) напрямую, без экспорта CSV (comma separated values — текстовый формат таблиц).

У его коллеги из Fortune 500 corporation таких возможностей нет. Not because they are stupid, but because their laptop is locked down tighter than Fort Knox.

Что будет дальше

Будущее knowledge work выглядит так, где стандартная связка будет выглядеть так: локальный sandbox (изолированная виртуальная машина, где можно безопасно выполнять код), programming environment (окружение разработки — например, VS Code terminal или Jupyter notebook), agentic harness (обёртка, позволяющая LLM действовать автономно — например, Claude Desktop or similar tools) and access to internal APIs (programmatic interfaces to company data warehouses, CRMs and other systems).

Стек будущего работника знаний    
═══════════════════════════════════════ 

Намерение пользователя (язык)     
     ↓              
┌─────────────────┐          
│  LLM Agent   │◄── Контекстное окно 
│  Orchestrator │  память проекта 
└────────┬────────┘          
     ↓              
┌─────────────────┐          
│  Sandbox VM  │ безопасное исполнение  
│  with tools  │          
└────────┬────────┘          
     ↓              
  ┌────┴────┬─────────┬───────────┐  
  ↓     ↓     ↓      ↓  
[SQL DB] [Files]  [APIs]   [Reports]
               PDF/Excel/Web
 
Традиционные приложения устаревают    
Word Excel PowerPoint → Генерируются "на лету" из кода и данных
Будущее, где ты описываешь желаемый результат, а agent синтезирует его, исполняя код против твоих данных

Эта комбинация bash, python, api access effectively replaces почти все классические productivity applications. Тебе не нужен Excel, когда ты можешь описать голосом нужную таблицу, получить pandas DataFrame (двумерная структура данных, похожая на таблицу SQL), экспортировать её куда угодно — CSV, PDF, HTML, or even interactive web app — одной командой.

Бифуркация реальна и ускоряется. Компании, которые смогут дать сотрудникам безопасные песочницы для работы с ИИ-агентами, получат преимущество на десятилетие. Те, кто держится за закрытые корпоративные среды и списки «одобренных вендоров», рискуют безнадежно отстать.

Ссылки