Может ли ИИ делать открытия: «прыжок Эйнштейна» и роль руководителя

«Учёные доказали, что ИИ никогда не станет Эйнштейном» — такой вывод звучит убедительнее, чем позволяет исследование, на которое он ссылается. Для бизнеса из него легко сделать ещё один поспешный вывод: нейросети можно поручить рутину, а стратегию она якобы не способна даже обсуждать.

Оба упрощения мешают использовать ИИ с пользой. Модель может предложить неожиданную идею, а руководитель — ошибиться в собственной. Практический вопрос в другом: как отличить интересную гипотезу от красивой истории, проверить её и определить, кто принимает решение.

Работа Тома Захави, исследователя Google DeepMind, представлена в официальной программе ICML 2026 как Position: LLMs can't jump. Это аргументированная исследовательская позиция. Само включение в программу конференции не превращает её выводы в доказанную теорему или официальную позицию всей компании. ICML 2026 · Position: LLMs can't jump · Tom Zahavy ↗

Автор различает поиск закономерностей, логический вывод и создание новых объясняющих предпосылок. На примере Эйнштейна он утверждает, что нынешним LLM не хватает механизма последнего перехода — абдуктивного «прыжка». Возможность вывести теорию из уже заданных предпосылок в работе обсуждается как предположение, а не результат проведённого теста модели. Tom Zahavy · LLMs can’t jump · author-hosted position paper ↗

Утверждение «пока не показано» слабее утверждения «невозможно». Чтобы доказать невозможность для целого класса систем, нужно точно определить этот класс, допустимые механизмы и сам критерий открытия. Исторический пример и концептуальный аргумент полезны для постановки вопроса, но не устанавливают предел возможностей любого будущего ИИ.

LLM — большая языковая модель: система, обученная на данных и генерирующая продолжение с учётом контекста. В рабочем продукте к ней могут добавляться поиск, вычисления, память, программные инструменты и проверки. Оценивать полезность такого продукта только по одиночному ответу в чате недостаточно.

Для разговора о мышлении удобно различать три способа рассуждения. Дедукция даёт необходимое следствие при верных предпосылках и правильном выводе. Индукция обобщает наблюдения. Абдукция связана с объясняющими гипотезами; термин используют и для их выдвижения, и для выбора лучшего объяснения. Эти значения не полностью совпадают. Stanford Encyclopedia of Philosophy · Abduction ↗

В последней строке таблицы нет доказанного диагноза. Клиенты могут откладывать покупку по другой причине: сезонность, остановка проекта, изменение бюджета. Ценность гипотезы проявится в том, поможет ли она придумать проверку, различающую эти варианты.

Здесь же проходит важная граница между логикой и ответом модели. Дедукция как корректный метод сохраняет истинность предпосылок. Текст LLM, похожий на доказательство, сам по себе такой гарантии не имеет. Расчёт нужно пересчитать, ссылку — открыть, а утверждение о работе компании — сопоставить с данными.

Мысленный эксперимент со свободным падением помогает увидеть, что значит изменить описание явления. В небольшой падающей кабине наблюдатель и окружающие предметы движутся вместе: локально возникает невесомость. Это не исчезновение гравитации во Вселенной, а важное свойство выбранной системы отсчёта. Приливные эффекты ограничивают такое приближение. Принцип эквивалентности стал одним из исходных пунктов общей теории относительности. Markus Pössel · Einstein Online · The equivalence principle ↗

Для нашей темы важен сам приём: посмотреть на знакомую ситуацию из другой позиции. В бизнесе вопрос «как заставить менеджера звонить чаще?» уже предполагает, что именно частота звонков ограничивает результат. Вопрос «на каком этапе клиент теряет интерес?» допускает больше объяснений и требует других наблюдений.

Однако смена формулировки бизнес-задачи не равна созданию новой физической теории. Предложить подписку вместо разовой продажи или партнёрский канал вместо прямого — известные варианты, которые способен предложить и ИИ. Использовать их как доказательство исключительной человеческой способности к открытиям было бы ошибкой.

Сложность иногда состоит в выборе правильной задачи. Но удачная постановка становится полезной только вместе с проверкой её предпосылок.

Утверждение «нейросеть только повторяет чужое» слишком сильное. В AlphaEvolve языковые модели предлагают программы, автоматические оценщики проверяют кандидатов, а эволюционный поиск развивает удачные варианты. Google DeepMind сообщает о новых алгоритмических результатах и улучшениях вычислительной инфраструктуры. Это пример системы для открытия и оптимизации алгоритмов с внешней проверкой результата. Google DeepMind · AlphaEvolve: algorithm discovery and optimization ↗

Такой результат не обязательно означает изобретение принципиально нового языка физики. Но и обесценивать его словом «комбинация» нет оснований: новая работоспособная конструкция может иметь большую научную и практическую ценность. Полезнее уточнять, что именно было получено, как проверено и какие условия задавали люди.

Для собственника компании вывод прикладной. Не нужно ждать ответа на философский вопрос о сознании, чтобы использовать ИИ для поиска решений. Нужно определить, по какому признаку решение будет лучше прежнего. Если этот признак ошибочен, качественный поиск будет особенно эффективно улучшать не тот результат.

Например, система может помогать увеличивать число назначенных встреч. Если при этом встречаются люди без потребности и бюджета, календарь заполнится, а продажи не вырастут. Критерий успеха должен учитывать дальнейший результат, качество контакта и затраты команды.

Представим условную компанию, где месячная выручка снизилась на 18%. Это иллюстративный сценарий, а не кейс клиента AI Office. Первая задача — проверить само число: сравнимы ли периоды, одинаково ли учтены возвраты, не изменилась ли выгрузка, не выпала ли крупная разовая сделка.

Затем можно разложить изменение: число обращений, доля подходящих клиентов, конверсия по этапам, средний чек, повторные покупки. Корпоративный ИИ с нужными интеграциями может подготовить расчёты, найти документы и собрать наблюдения. Но доступ к CRM не означает знание всех причин, по которым клиент отказался.

Предположим, в заметках часто встречается слово «дорого». Возможны разные объяснения: цена действительно выше альтернатив; предложение плохо раскрывает ценность; клиенту нужен другой способ оплаты; менеджер отмечает «дорого» как удобную причину любого отказа. Модель может помочь составить этот список. Частота слова ещё не выбирает верную причину.

Далее руководитель и команда решают, какую неопределённость проверять первой. Полезный запрос к ИИ звучит так: «Для каждой гипотезы укажи подтверждающие данные, противоречия, недостающие сведения и способ проверки». Ответ «снизьте цену на 10%» без такой цепочки слишком рано превращает догадку в действие.

Проверка может состоять из разбора проигранных сделок и ограниченного сравнения двух вариантов предложения. Нужно заранее определить результат и учитывать различия групп, сезонность и изменения каналов. Простое сравнение продаж до и после не всегда позволяет приписать эффект новому предложению.

Предложение продавать продукт как сервис может прийти от человека или модели. Дальше всё равно появляются вопросы: кто финансирует оборудование, кто отвечает за обслуживание, как меняется денежный поток, готовы ли клиенты к регулярной оплате? Название бизнес-модели не заменяет ответы.

ИИ можно поручить подготовить сценарии, проверить арифметику и перечислить слабые места. Руководителю нужно определить ограничения: допустимые вложения, качество сервиса, обязательства перед командой, уровень риска. Разные цели дают разные «лучшие» решения даже при одинаковых исходных данных.

Например, максимизация выручки в ближайший месяц, сохранение долгосрочных клиентов и снижение перегрузки сотрудников — три разные цели. Иногда они совпадают, иногда требуют компромисса. Его нельзя незаметно заменить одной удобной метрикой только потому, что её проще считать.

Роль человека здесь не нужно защищать тезисом о вечной интеллектуальной уникальности. Для проекта достаточно ясного распределения полномочий: кто задаёт цель, кто может менять бюджет, кто принимает предложение и кто отвечает за последствия. Более сильная модель повышает ценность такой ясности.

Название AI Chief of Staff можно перевести как ИИ-помощник руководителя по координации и подготовке решений. Полезная версия такой роли собирает контекст, выявляет расхождения, следит за поручениями и помогает сравнивать варианты. Полномочия на действия определяются отдельно от способности написать рекомендацию.

Хорошая управленческая записка от ИИ должна содержать не только вывод. В ней нужны источник и дата данных, допущения расчёта, альтернативные объяснения, ожидаемый эффект и условия, при которых рекомендацию следует пересмотреть. Недостающие сведения должны оставаться видимыми.

Разделите три операции: подготовить предложение, разрешить его и выполнить. Для типовых действий можно заранее установить допустимые границы. Для изменения цен, бюджета, условий договора или обязательств перед людьми понадобится определённый компанией порядок согласования. Одна убедительная формулировка модели не расширяет её права.

Захави предлагает связать рассуждение с физически согласованными моделями мира, в которых можно действовать и наблюдать последствия. Это предложенное направление исследования, а не показанное преодоление обсуждаемого ограничения. Tom Zahavy · LLMs can’t jump · author-hosted position paper ↗

World model моделирует, как среда изменяется и реагирует на действия. Это позволяет исследовать сценарии с обратной связью. Однако правдоподобная симуляция не обязательно точна: например, в описании Project Genie Google отдельно предупреждает, что создаваемые миры могут не соответствовать реальной физике. Google · Project Genie: interactive worlds and limitations ↗

Для бизнеса аналогичный предел встречается даже в обычной таблице. Можно идеально пересчитать продажи при снижении цены, если заранее задать рост спроса. Но если этот рост придуман, аккуратные формулы не делают прогноз достоверным. Модель сценария и наблюдение за реальными клиентами выполняют разные задачи.

Выберите один повторяющийся управленческий вопрос: причины задержек проектов, качество входящих обращений или расхождения плановой и фактической маржи. Соберите документы, определите владельца данных и заранее сформулируйте, что будет считаться полезным результатом.

Проверьте систему на обычных случаях, исключениях и неполных данных. Хороший ответ иногда состоит в признании, что информации недостаточно. Если помощник уверенно объясняет любой результат, даже когда в таблице пропущен месяц, это проблема, а не проявление глубины анализа.

• Проверяйте, воспроизводятся ли расчёты и открываются ли указанные источники.
• Смотрите, отделяет ли система наблюдения от предположений.
• Просите альтернативные объяснения и признаки, которые их различают.
• Измеряйте время подготовки принятого решения вместе с проверкой и исправлениями.
• Убедитесь, что новые рекомендации не приводят к действиям за пределами разрешений.

Важен и перенос освобождённого времени. Если руководитель быстрее получает сводку, но всё остальное время тратит на исправление неполных данных, эффект ограничен. Если появляется возможность поговорить с клиентами, проверить новый способ работы и снять реальное ограничение, автоматизация приносит практическую пользу.

AI Office мы предлагаем строить вокруг данных и процессов конкретной компании. Локальная AI-станция, поиск по базе знаний, подготовка материалов и сценарии координации могут стать основой помощника руководителя. Набор функций, интеграции, качество ответов и права действий определяются и проверяются в проекте.

Локальное размещение помогает организовать контроль над данными. Оно не превращает модель в безошибочного стратега. Для решений нужны актуальные источники, прозрачные допущения, проверка и согласованные полномочия независимо от того, где выполняются вычисления.

Наша цель — освободить руководителю время для клиентов, команды и проверки новых направлений. ИИ может участвовать и в поиске идей, и в анализе, и в исполнении. Начать стоит с одного процесса, где можно увидеть качество этого участия на реальных материалах вашей компании, а затем решать, какие обязанности передавать дальше.