Особенно уязвимое место — подготовка начинающих специалистов. Если новичок с первого дня передаёт модели анализ, поиск решения и создание итогового документа, внешне он может показывать впечатляющую производительность. Но внутри этого процесса у него не формируется собственная профессиональная модель.
Постепенно такой сотрудник перестаёт понимать, как выполнить задачу без ИИ. А вместе с этим теряет способность качественно её поставить, заметить нетипичную ошибку и проверить результат. О том, как ИИ меняет путь от новичка до эксперта и что с этим делать компаниям, рассказывает Михаил Беляев, руководитель образовательных программ Битрикс24.
Труд смещается, а не исчезает
В исследовании Microsoft среди 319 специалистов использование GenAI было связано со снижением субъективных усилий, затрачиваемых на критическое мышление. При этом сама интеллектуальная работа не исчезает, а перемещается: от создания результата к его проверке и интеграции.
Само по себе это не плохо и не хорошо. Профессии проходили через похожие смещения и раньше, но не через любое из них одинаково спокойно. Когда бухгалтер перестал считать вручную, риска в этом было немного: результат легко сверить с эталоном. Вопрос в том, ко всем ли задачам, которые сейчас передают ИИ, применима эта логика.
Безопасное и опасное делегирование
Здесь важно разделить два типа задач. Если результат можно однозначно проверить — формула решена верно или неверно, поле заполнено правильно или нет, — делегировать её новичку не опасно. Проверка сводится к сверке с критерием, а сам критерий известен заранее. Именно на таких задачах в колл-центрах использование ИИ дало 34% прироста результата у новичков и низкоквалифицированных сотрудников — и почти не сказалось на опытных. Это случай, когда всё складывается хорошо: критерий известен, проверка не требует экспертизы.
Другое дело — задачи с открытым суждением, где нет заранее известного «верно» или «неверно», а есть степень компетентности, взгляда, неопределённости. Здесь, чтобы оценить хорошо или плохо решена задача, нужно самому обладать этой компетенцией. Если её не хватает, остаётся два пути: довериться результату либо пройти собственный исследовательский цикл — спросить модель, какими аргументами она руководствовалась, и уже на уровне логики проверить источники и риски. Ровно эту разницу зафиксировал эксперимент Гарвардской школы бизнеса — случай, когда компетенции для проверки не хватает на той же самой задаче: специалисты, далёкие от домена, с тем же инструментом показали результат на 13% ниже экспертов, притом что на этапе структурирования и поиска идей все работали одинаково хорошо. Ускорение случилось на входе. Разрыв — на выходе, там, где нужно суждение.
Где остаётся человек
Есть роли, где человеческая проверка скоро не понадобится вообще, и это не тема этой статьи. Но граница того, что можно полностью автоматизировать, обычно оказывается уже, чем кажется на старте. Klarna — характерный пример: в 2024 году её ИИ-ассистент закрывал две трети всех обращений в поддержку. Через полтора года компания начала заново нанимать живых операторов для сложных и эмоционально нагруженных обращений, признав, что экономия обошлась потерей качества. Даже там, где казалось, что человек больше не нужен, узкое ядро осталось, просто выяснилось это постфактум, ценой недовольных клиентов.
Важно то, что происходит с этим узким ядром суждения, которое остаётся в каждой профессии — и именно в него сейчас входят новички. Разработчик, дизайнер, маркетолог, который только получает специальность, застаёт профессию, где значительная часть задач уже делегируется ИИ на его собственном, джуниорском уровне. Опыта, чтобы оценить, хорошо ли делегированное выполнено, у него ещё нет. Старой системы обучения для этого уже недостаточно, а новой пока не существует.
Почему старая лестница не работает
Раньше компетенция нарабатывалась опытом: специалист читал, учился, а затем на практике собирал достаточное количество ошибок, чтобы дорасти от джуниора до миддла и синьора. Проблема в том, что делегируется в первую очередь именно то, на чём раньше строился этот путь: анализ, поиск решения, формулирование итогового результата. Новичок получает результат быстрее, но перестаёт проходить через тот материал, из которого формируется профессиональное суждение.
Архитектуру обучения приходится перестраивать: переносить её из периода перед работой внутрь самого рабочего процесса. Раньше человек сначала учился на курсах, по книгам, у наставника, а затем шёл работать и постепенно достраивал компетенцию через собственные ошибки. Теперь этот порядок переворачивается: учиться приходится по ходу самой работы.
Ускорение — драйвер изменений
Делегирование ускоряет вход в профессию и сокращает непродуктивное время сотрудника внутри бизнеса. Бизнес будет использовать эту возможность, и правильно сделает. Вопрос в другом: как компенсировать то, что опыт, который раньше нарабатывался в процессе выполнения задачи, теперь не нарабатывается сам собой. Компания, которая искусственно тормозит делегирование ради обучения, рискует не меньшим: она теряет скорость там, где конкуренты, уже перенёсшие обучение внутрь процесса, получают то же ускорение без этой цены.
Что делать бизнесу
Наравне с автоматизацией бизнесу придётся спроектировать сохранение экспертизы. Где-то новичку нужно сначала выполнить часть работы самостоятельно, а затем сравнить её с результатом модели. Где-то процесс стоит разбить на небольшие этапы, чтобы человек видел, как принимаются промежуточные решения. Это управляемое распределение знаний: что можно вынести во внешний инструмент, а что должно остаться у специалиста, чтобы он сохранял способность управлять процессом.
Для этого распределения уже есть рабочая рамка — когнитивное ученичество, методология, которая учит передавать ученику ход мысли эксперта. Сначала эксперт показывает рассуждение, затем даёт обратную связь на собственную попытку ученика, затем постепенно снимает поддержку по мере роста компетенции. Рассуждающие модели — те, что показывают цепочку своих шагов перед ответом, — уже дают часть этой методологии, но только первую, пассивную стадию: продемонстрировать ход мысли. Этого недостаточно. Ученик, который просто наблюдает за чужим рассуждением, не пробует свою руку и не получает обратной связи на собственную попытку. Без этого профессиональное суждение не формируется.
Обратную связь и рефлексию нужно превратить в обязательный процесс компании. Практически это может выглядеть как регрессионный разбор: команда делегировала задачу, получила результат, не смогла сразу оценить его качество, приняла, а затем по регламенту разобрала, что произошло и почему. Формат может быть любым: еженедельное ретро, пятнадцать минут ежедневно. Управлять этим процессом должен бизнес — рассчитывать на дисциплину отдельного новичка рискованно.
Представим менеджера, который поручил модели свести ежемесячный отчёт по продажам. Результат выглядит убедительно: аккуратные графики, логичные выводы. На пятничном разборе команда обнаруживает, что модель объединила два разных периода отчётности из-за путаницы в названии столбцов — ошибку, которую опытный аналитик заметил бы с первого взгляда, а новичок принял на веру. Именно эта пятиминутная разборка, а не сам отчёт, и есть тот опыт, который раньше нарабатывался бы месяцами проб и ошибок.
Разобранные таким образом кейсы можно почти сразу превращать в тренировочный материал — симулятор опыта для следующих новичков. Раньше подобные тренажёры строились на исторических данных с неизбежным разрывом: поведение аудитории и систем успевало измениться, пока кейс готовили. Сейчас, если разбор происходит внутри самого рабочего цикла, этот разрыв сокращается до нескольких дней или недель. На новичков можно раскатывать актуальный, ещё живой опыт команды вместо архивных ситуаций.
Карьерную лестницу от джуна до синьора не получится оставить прежней и просто ускорить нейросетью. Её нужно перестроить так, чтобы ступени формировались внутри самой работы. Компании, которые сделают это осознанно, получат специалистов, способных отвечать за решения, принятые вместе с ИИ. Те, кто отложит вопрос до момента, когда разница станет заметна на цифрах, получат именно то поколение операторов, которого хотели избежать.
Источник: Михаил Беляев, руководитель образовательных программ Битрикс24
