Терренс Тао — лауреат Филдсовской премии, фактически нобелевки в математике — публично заявил, что ИИ может впервые в истории принести в математику разделение труда. До сих пор каждый исследователь был обязан держать в голове весь путь: постановку задачи, перебор подходов, верификацию каждого шага. Делегировать было некому. Теперь это меняется.
Контекст
Математика — одна из немногих интеллектуальных дисциплин, где фабричный подход исторически не работал. Физики делают эксперименты командами, программисты пишут код в тысячах параллельных веток, биологи распределяют анализ по лабораториям. В математике разделить доказательство было почти невозможно: слишком тонкие зависимости между шагами, слишком высока цена ошибки на любом из этапов. Каждый участник должен понимать всё — иначе не поймёт, где и почему что-то сломалось.
ИИ-инструменты последних двух лет начали это менять. Системы формальной верификации типа Lean и Coq позволяют машине проверять каждый шаг доказательства механически, без понимания смысла. Языковые модели — o3, Gemini, Claude — демонстрируют неожиданно высокий уровень математического рассуждения. В 2024 году система AlphaProof от Google DeepMind решила задачи уровня Международной математической олимпиады, что ещё недавно считалось горизонтом недостижимости для машин.
Тао видит следствие: возникает «промышленная математика» — большие команды, где разные участники (включая модели) специализируются на разных фазах работы: кто-то формулирует гипотезы, кто-то ищет аналогии, кто-то верифицирует. Роль человека сужается до «вдохновенных догадок» — интуитивных скачков, которые модели пока не умеют делать надёжно.
Аналитика
Это заявление важно не только для математики. Тао описывает паттерн, который будет проигран во всех интеллектуальных профессиях, где «весь путь в одной голове» — текущая норма. Юрист, который держит дело от первого интервью до апелляции. Архитектор, который знает здание от фундамента до фасада. Разработчик, который понимает систему от инфраструктуры до UI. ИИ бьёт именно туда — не в отдельный навык, а в монолитную компетентность.
Разделение труда в математике — если оно реализуется — означает, что темп производства новых доказательств может вырасти нелинейно. Сейчас узкое место — количество людей, способных держать в голове конкретную область на нужном уровне. Если ИИ берёт верификацию и часть поиска аналогий, то один математик уровня Тао может «дирижировать» десятками параллельных направлений одновременно. Это не ускорение на 20% — это смена модели производства знаний.
Для AI-first бизнеса здесь прямой сигнал: любой рабочий процесс, который сейчас требует одного человека «от начала до конца», — кандидат на декомпозицию. Не потому что ИИ умнее, а потому что он снимает требование к сквозной компетентности на каждом шаге. Человек нужен на развилках и инсайтах — машина закрывает промежутки.
Кейсы применения в бизнесе
B2B-SaaS стартап. Команда из трёх разработчиков держит в голове весь продукт — типичная ситуация до раунда A. Каждый новый модуль — риск: кто-то должен понять всю систему, прежде чем трогать новую часть. Сценарий: Claude или Cursor-агент ведёт «карту системы» в реальном времени, принимает задачи уровня «добавь такой-то эндпоинт», верифицирует соответствие архитектуре и выдаёт готовый PR. Разработчик остаётся на решениях об архитектуре и продуктовой логике. Фаза ревью сокращается, новый джуниор входит в контекст за день, а не за неделю.
Корпорация с legacy. Правовой или финансовый отдел, где каждый аналитик знает «свои» регуляции — и не знает соседних. Перекрёстный анализ требует нескольких экспертов и занимает недели. Сценарий: RAG-система на внутренних нормативных документах + LLM-агент для первичной верификации перекрёстных ссылок. Эксперт работает с выводами, а не с поиском. Скорость анализа растёт, а стоимость «полного погружения» снижается.
SMB и локальный бизнес в КР/СНГ. Небольшая компания не может позволить себе специалиста, который одновременно знает налоговое право, бухучёт и операционные процессы. Сценарий: агент на базе Claude или GPT обученный на местном законодательстве берёт рутинную верификацию документов, оставляя бухгалтеру только нетипичные случаи. Даже без крупного бюджета — через API или локальные модели типа Qwen — этот стек становится доступным.
Кейсы в личной жизни
Разработчик. Ты пишешь новый сервис и не хочешь держать в голове всю кодовую базу. Подключи агентную среду (Cursor, Claude Code, Aider) — пусть модель ведёт контекст и предлагает совместимые реализации. Твоя задача — ревью архитектурных решений и нетривиальные баги. Темп работы растёт, когнитивная нагрузка снижается.
Контент-мейкер. Видео требует ресёрча, скрипта, монтажа, SEO-оптимизации — четыре роли в одном человеке. Используй LLM для параллельной проработки каждой фазы: один промпт на структуру, другой на ресёрч, третий на адаптацию под платформу. Ты остаёшься на редактуре финального смысла и голосе бренда.
Студент или исследователь. Длинные статьи на arXiv, объём которых растёт быстрее, чем способность их читать. Сценарий: модель делает первичный разбор — выделяет основную идею, связи с другими работами, слабые места аргументации. Ты читаешь уже с картой, а не с нуля. Скорость обработки литературы кратно выше.
Как применить сегодня
- Возьми любой процесс в своей работе, где «один человек знает всё» — и опиши его шаги. Какие из них можно передать модели для верификации или черновой проработки прямо сейчас?
- Протестируй Claude или o3 на задаче, которую считаешь «слишком сложной для ИИ» — уровень reasoning-моделей в 2026 году часто удивляет.
- Если работаешь с кодом — попробуй Claude Code в агентном режиме: дай задачу целиком, не помогай с деталями, посмотри, где модель остановится и попросит твоего суждения. Это и есть твоё реальное узкое место.
- Для математики или точных наук: установи Lean или используй онлайн-верификатор — формальная верификация шагов доступна сегодня бесплатно.
- Прочитай оригинальное эссе Тао о роли ИИ в математике — он один из немногих учёных высшего уровня, который пишет об этом конкретно и без хайпа.
«Вдохновенные догадки» останутся за людьми — всё остальное машина может взять на себя уже сейчас.