ИИ забирает задачи у новичков: кто станет следующим экспертом

Опасение, что ИИ устраняет не только рабочие места, но и путь к профессиональному мастерству, получило новое эмпирическое уточнение после публикации исходного тезиса. В июле 2026 года исследование развития программистов описало, как небольшие задачи переходят от новичков к связке «опытный инженер — ИИ». Авторы опросили восемь начинающих и шесть старших специалистов в Южной Корее, поэтому результат показывает возможный механизм, но не доказывает его распространённость во всех профессиях и странах.

Сам риск Ахмад Аль-Дахле сформулировал 16 мая 2026 года в авторской колонке VentureBeat: системы автоматизируют задания, на которых люди раньше учились замечать ошибки, хотя именно квалифицированная человеческая оценка пока нужна для совершенствования ИИ. На официальной странице руководства Airbnb Аль-Дахле указан как технический директор, отвечающий за технологическую стратегию, инженерные и аналитические команды компании.

ИИ может заменить задачу, но не процесс взросления специалиста

Экономическая логика автоматизации выглядит убедительно: если опытный сотрудник с помощником на базе ИИ самостоятельно выполняет поиск, первичный анализ, подготовку документа или небольшой фрагмент кода, компании требуется меньше времени других работников. Проблема возникает, когда руководство считает такую задачу только единицей производства и не учитывает её вторую функцию — обучение.

Начинающий специалист приобретает профессиональное суждение не из одного учебника. Он сравнивает варианты, допускает контролируемые ошибки, получает замечания и постепенно учится распознавать ситуацию, для которой ещё нет готовой инструкции. Если первые стадии работы полностью забирает автоматизированная система, исчезает часть практики, связывающей формальное образование с самостоятельной ответственностью.

Аль-Дахле называет это проблемой формирования экспертов. Сегодняшние старшие сотрудники прошли через множество небольших поручений, которые по отдельности могли казаться рутинными. В совокупности они создали запас контекстного знания: понимание исключений, слабых сигналов, неоднозначных требований и последствий решения.

Почему новое исследование важно — и чего оно не доказывает

Работа южнокорейских исследователей добавляет к исходному тезису наблюдаемую организационную деталь. Опрошенные старшие инженеры рассказывали, что благодаря генеративному ИИ могут сами закрывать задачи, прежде передававшиеся младшим коллегам. В результате часть работы, служившей входом в профессию, перестаёт доходить до новичков.

Одновременно от кандидатов начинают ожидать более зрелого понимания предметной области и умения решать плохо определённые задачи. Возникает замкнутый круг: для первой позиции требуется суждение, которое раньше формировалось уже после найма, однако доступ к соответствующей практике сокращается. Исследователи также связывают обучение с «продуктивной борьбой» — самостоятельными попытками, ошибками и исправлениями, которые нельзя полностью заменить наблюдением за готовым ответом модели.

Но границы результата существенны. Это препринт с 14 интервью, а не многолетнее наблюдение за карьерой большой группы работников. Все участники связаны с программной инженерией, исследование проведено в специфической трудовой и образовательной среде Южной Кореи. Оно помогает понять механизм, но не позволяет заключить, что ИИ уже вызвал нехватку экспертов во всей экономике или что любой отказ от младшей позиции обязательно приведёт к утрате знаний.

Почему обычные показатели эффективности пропускают этот риск

Экономия проявляется быстро: команда закрывает больше задач прежним составом или сокращает время выполнения. Цена утраченного обучения становится заметна позднее — когда требуется новый технический руководитель, независимая проверка необычного решения или специалист, способный распознать уверенную, но ошибочную выдачу модели.

Такой разрыв во времени искажает стимулы. Руководитель, автоматизировавший первичный анализ сегодня, получает измеримый результат в текущем периоде. Возможный дефицит людей, способных проверять сложные решения через несколько лет, относится уже к другой команде, бюджету или управленческой каденции.

Особенно плохо в стандартных отчётах видна потеря неявного знания. Его нельзя полностью превратить в перечень правил: оно проявляется в выборе уточняющего вопроса, сомнении в правдоподобном результате и способности заметить исключение. Формальная рубрика полезна для повторяемой проверки, но отражает лишь заранее сформулированные критерии и поэтому не гарантирует обнаружения новой категории ошибки.

Как автоматизировать работу, не закрывая путь в профессию

Из тезиса не следует, что компании должны отказаться от ИИ или искусственно сохранять бессмысленную ручную работу. Практический вывод другой: производственный процесс и процесс подготовки следующего поколения специалистов нельзя считать одним и тем же. Если задача исчезает из рабочего потока, её обучающую функцию нужно перенести в другое место осознанно.

Перед полной автоматизацией руководству полезно определить, какие навыки формировала конкретная категория поручений. Для первичного просмотра это может быть выделение существенных деталей; для исправления небольших ошибок в коде — построение и проверка гипотез; для исследования — оценка качества доказательств. После этого можно решить, где сотрудник получит сопоставимую практику и кто проверит, что она действительно состоялась.

• Сохранять контролируемую самостоятельность. Новичок сначала выполняет часть задания без готового решения модели, а затем сравнивает подходы и объясняет расхождения.
• Разделять выпуск результата и обучение. В рабочей системе ИИ может ускорять производство, а в учебной среде сотрудник должен проходить этапы анализа, проверки и исправления.
• Оценивать ход рассуждения. Итоговый ответ не показывает, умеет ли человек обнаружить неверное допущение, запросить недостающие данные и отказаться от необоснованного вывода.
• Следить за кадровой воронкой. Число младших сотрудников, доступных им содержательных заданий, качество наставничества и переход к самостоятельной ответственности дополняют краткосрочную метрику производительности.

Ответственность нельзя перекладывать только на новичка советом «учиться глубже». Распределение настоящих задач, время наставников и право на контролируемую ошибку определяет организация. Если эти условия исчезают ради локальной экономии, отдельный мотивированный сотрудник не способен восстановить их самостоятельно.

Поэтому риск Аль-Дахле стоит рассматривать не как доказанный прогноз исчезновения человеческой экспертизы, а как проверяемую управленческую гипотезу. Компаниям важно выяснять не только сколько часов сэкономила автоматизация, но и кто после неё научится независимо оценивать результат. Иначе высокая текущая производительность может скрыть ослабление именно той человеческой способности, которая нужна при выходе ИИ за пределы стандартного сценария.

Читайте также:

• ИИ меняет задачи, а не отменяет профессии: кто под наибольшим давлением
• Технический писатель – кто это такой, что должен знать и уметь и как им стать
• 5 простых способов развивать осознанность для тех, кто ненавидит медитировать