Sarah Guo de Conviction : pourquoi LLM ne remplacera pas le travail que l'on ne peut pas mesurer

Основательница AI-фонда Conviction Сара Гуо опубликовала анализ, который переосмысляет главный вопрос об AI и труде: не «заменит ли AI людей», а «какую именно работу AI заменит — и почему не всю».

Где LLM упираются в потолок Языковые модели учатся только там, где есть чёткий обучающий сигнал.

Правильный ответ в задаче по математике, код, который проходит тесты, диагноз, который можно верифицировать — всё это поддаётся разметке, оценке и, значит, обучению. Но Гуо указывает на структурное ограничение: огромный пласт ценной работы нельзя стандартизировать или измерить с достаточной точностью. Обучение с подкреплением по определению требует функции вознаграждения — оценки того, насколько хорош результат. Если такой оценки нет, нет и сигнала для улучшения. Это не временная проблема, которую решит следующая версия GPT. Это архитектурное ограничение, присущее самой природе обучаемых моделей.

Какая работа остаётся за людьми

Гуо выделяет несколько категорий работы, которую нельзя «задатасетить»: Решения в условиях неопределённости — когда правильный ответ неизвестен заранее, а результат виден спустя годы. Венчурная инвестиция — классический пример. Построение доверия — между людьми, компаниями, инвесторами. Отношения не оцифровываются и не оцениваются в реальном времени. Суждение о единичных ситуациях — без исторических аналогов, без прецедента. Каждый крупный бизнес-разворот уникален. Интерпретация неявных сигналов — интонация в переговорах, культурный контекст, невысказанные ожидания клиента. * Создание нового — идей, категорий продуктов, стратегий, которых ещё не существовало. Датасет для этого пуст по определению. Общий признак: нет разметки, нет бенчмарка, нет способа верифицировать результат с точностью, достаточной для обучения.

Почему

Application Layer получает венчурные деньги Именно этим объясняется логика, которой руководствуются фонды вроде Conviction (~$300 млн под управлением) и Mento VC: они последовательно инвестируют не в создателей фундаментальных моделей, а в продукты, построенные поверх них. Фундаментальные модели — GPT-5, Claude, Gemini — постепенно превращаются в commodity. Они конкурируют между собой, их возможности выравниваются, стоимость доступа к frontier-качеству снижается с каждым кварталом. Устойчивая ценность создаётся не в самой модели, а в контексте её применения — в том, чего модели по своей природе не хватает. Application Layer аккумулирует именно это: отраслевую экспертизу, накопленные поведенческие данные, workflows, которые невозможно скопировать без глубокого знания домена, доверие клиентов и — главное — человеческое суждение там, где автоматизация структурно невозможна.

«Есть работа, которую невозможно свести к стандарту или измерить.

Раз нельзя измерить — нельзя обучить модель делать её лучше» — в этом тезисе Гуо ключ к пониманию, какие стартапы получают венчурные деньги, а какие нет.

Что это значит Аргумент Гуо даёт инвесторам и основателям практичный фильтр.

Компании, построенные на измеримых задачах — обработка документов, генерация контента по шаблону, базовый анализ данных — находятся под максимальным давлением со стороны самих моделей и с трудом могут объяснить устойчивое конкурентное преимущество. Те, кто работает в зоне неизмеримого, получают структурное преимущество, которое не исчезнет с выходом следующей версии GPT. Для инвесторов вопрос звучит просто: если ценность продукта полностью определяется качеством базовой модели — слабая инвестиция. Если ценность живёт в том, что модель в принципе не может воспроизвести — это интересно.