Когда машина отвечает

В этом сценарии ИИ становится машиной передачи опыта.

Не уничтожает ученичество, а масштабирует его.

Старый рынок труда распределял хороших наставников неравномерно. Один выпускник попадал в команду, где старший сотрудник терпеливо объяснял ошибки. Другой — к руководителю, который только возвращал файл со словом «переделать». Один работал в крупной фирме с библиотекой шаблонов и накопленным знанием. Другой учился на собственных промахах.

Если система способна собирать лучшие практики и давать обратную связь в нужный момент, она потенциально делает сильное профессиональное окружение доступнее.

Это особенно важно не для элитного выпускника, который и так попал к лучшим наставникам, а для человека, которому прежняя система такого доступа не давала.

Именно поэтому тезис «ИИ в первую очередь уничтожит новичков» нельзя превращать в новую догму.

Технология может одновременно уменьшать спрос на часть новичков и резко усиливать возможности тех, кого всё же наняли.

И эти процессы вполне способны происходить одновременно.

Экзоскелет не выращивает мышцы

Но здесь появляется второй парадокс.

Высокий результат с помощником не обязательно означает, что человек чему-то научился.

Исследование, проведённое с консультантами Boston Consulting Group, проверяло, способен ли генеративный ИИ помочь специалистам выполнять задачи из области data science, где у них раньше не было нужной экспертизы. Участники с ИИ заметно лучше справлялись с тремя техническими задачами: разрыв с контрольной группой составлял 49, 20 и 18 процентных пунктов в зависимости от задания.

Это впечатляющий эффект.

Но после эксперимента исследователи убрали инструмент и проверили независимые знания. Люди, которые только что выглядели значительно сильнее в технической работе, не показали сопоставимого прироста способности отвечать без помощи системы.

Авторы использовали удачную метафору: экзоскелет.

Человек в экзоскелете поднимает больший вес. Но снятие устройства не оставляет ему автоматически мышцы, необходимые для того же результата.

Для образования эта проблема очевидна: решить задачу и научиться решать задачу — разные цели.

Для работы она менее заметна, потому что организация обычно платит за результат сегодня.

Если младший аналитик с системой делает хороший отчёт, фирма получает хороший отчёт. Экономическая задача выполнена. Возможно, ей совершенно безразлично, смог бы аналитик повторить работу без инструмента.

До тех пор, пока однажды именно ему не придётся проверять инструмент.

И здесь возникает почти логическая ловушка новой профессиональной модели.

Мы говорим новичку: «Не делай то, что машина умеет делать хорошо. Твоя задача — контролировать её, замечать ошибки и применять профессиональное суждение».

Но способность заметить тонкую ошибку часто появляется именно после сотен случаев самостоятельной работы.

Чтобы хорошо проверить договор, нужно понимать, как строится хороший договор.

Чтобы проверить код, нужно уметь представить, почему он может сломаться вне тестового примера.

Чтобы оценить перевод, нужно чувствовать не только буквальное соответствие слов, но и тон, контекст, юридические или культурные последствия.

Чтобы проверить анализ, нужно не просто увидеть итоговую цифру, а понимать, какие предположения могли её породить.

В результате мы можем передать машине работу начального уровня, а человеку оставить функцию контроля более высокого уровня — и обнаружить, что подготовили меньше людей, способных этот контроль выполнять.

Программирование: исчезнет ли первый баг

В программировании этот конфликт виден особенно ясно.

Начинающий разработчик традиционно учится на небольших задачах: исправляет баг, читает чужой код, пишет тест, добавляет несложную функцию, разбирается, почему сборка упала. Современный coding assistant способен сделать значительную часть такой работы быстрее.

На уровне рынка Stanford уже фиксирует заметное снижение занятости молодых разработчиков в своей американской выборке, тогда как у более старших групп картина значительно устойчивее. Но даже здесь нельзя сказать, что причиной каждого исчезнувшего места является генеративный ИИ.

Есть и другая полезная деталь. Исследование METR 2025 года с 16 опытными open-source разработчиками и 246 задачами показало противоположный распространённой интуиции результат: на знакомых им зрелых репозиториях доступ к тогдашним AI-инструментам увеличивал время выполнения задач в среднем на 19 процентов. Сами разработчики до эксперимента ожидали ускорения, а после него по-прежнему считали, что инструмент помог им работать быстрее.

Это исследование нельзя распространять на всех программистов. Выборка была небольшой, разработчики — опытными, проекты — хорошо знакомыми им, а инструменты относятся к началу 2025 года.

Но именно поэтому результат ценен для нашей темы.

Он показывает, что технология может сильнее помогать человеку, которому не хватает готовых паттернов, чем эксперту, у которого уже есть собственная плотная модель проекта в голове.

То есть в программировании ИИ одновременно способен сделать младшего разработчика полезнее и уменьшить экономическую потребность в количестве младших разработчиков.

Какой эффект окажется сильнее, определяется уже не моделью, а устройством компании.

Право: кто станет партнёром, если не было младшего юриста

Юридическая профессия почти создана для проблемы ученичества.

Младшие юристы читают массивы документов, ищут судебную практику, сравнивают версии договоров, готовят черновики, составляют хронологии, проверяют ссылки. Именно эти задачи хорошо совпадают с тем, что современные языковые системы и специализированные legal tools умеют ускорять.

Экономический стимул очевиден. Клиенту трудно объяснить, почему он должен оплачивать десятки часов механического просмотра документов, если ту же предварительную обработку можно сделать значительно быстрее.

Но юридическое суждение не появляется в момент выдачи диплома.

В глобальном опросе Thomson Reuters 2026 года участвовали 736 сотрудников юридических фирм из 46 стран, в том числе партнёры, associates, юристы и паралигалы. Это не административная статистика занятости, а опрос восприятия отрасли, и именно так его следует читать. Тем не менее результат показателен: 71 процент респондентов в соответствующем вопросе считали, что начинающим профессионалам по-прежнему нужна структурированная поддержка опытных коллег, чтобы развить суждение, которое рискует вытесняться из ранней работы; участники в среднем ожидали, что путь к надёжному самостоятельному суждению может стать примерно на год длиннее. В другом срезе того же отчёта 78 процентов опрошенных юристов говорили о зависимости ранней карьеры от опытного наставничества.

Здесь возникает вопрос, которого раньше у фирмы почти не было.

Если клиент больше не хочет платить за обучение младшего юриста на рутинной работе — кто должен оплачивать само обучение?

Фирма?

Университет?

Сам сотрудник более низкой стартовой зарплатой?

Или профессии придётся сознательно создавать учебную работу, которая больше не нужна для производства услуги, но нужна для производства будущего партнёра?

Дизайн: быстрый вкус без длинной руки

У начинающего дизайнера другая лестница, но похожая логика.

Он делает варианты. Много вариантов. Учится видеть пропорцию, иерархию, композицию, ограничение бренда, техническую реализуемость. Получает неприятную обратную связь: «красиво, но не решает задачу». Затем делает ещё двадцать версий.

Генеративная система резко удешевляет производство варианта.

Это освобождение. Человеку больше не нужно тратить часы, чтобы увидеть идею в материале. Новичок может исследовать больше направлений и быстрее сравнивать решения.

Но количество созданных вариантов и развитие вкуса — не одно и то же.

Если система делает визуальную реализацию прежде, чем человек научился самостоятельно видеть, почему одно решение сильнее другого, профессия рискует получить специалиста с высокой скоростью производства и слабой способностью отбора.

Это не аргумент против инструмента. Скорее наоборот: в дизайне ценность новичка может быстрее смещаться от умения физически изготовить вариант к умению сформулировать критерий, выбрать, объяснить и довести решение до контекста реального пользователя.

Но критерий тоже нужно где-то выращивать.

Журналистика: что было черновой работой, а что было школой недоверия

В журналистике некоторые ранние задачи уже заметно автоматизируются на практике.

Опрос Reuters Institute, проведённый среди 1 004 работающих британских журналистов, показал, что 56 процентов использовали AI профессионально хотя бы раз в неделю. Наиболее частыми задачами были расшифровка и субтитры: 49 процентов использовали AI для них не реже раза в месяц. Далее шли перевод — 33 процента и грамматическая проверка или редактирование — 30 процентов. Для story research AI хотя бы ежемесячно использовали 22 процента респондентов, для генерации первых черновиков текстов — 10 процентов.

Эти числа не говорят, что редакции уволили соответствующую долю молодых журналистов. Они измеряют использование инструментов, а не занятость.

Но они показывают направление: автоматизация входит именно в обработку информации, расшифровку, первичный поиск и черновую работу — то есть в значительную часть того, через что молодой журналист раньше проводил первые годы.

Сэкономить два часа на расшифровке интервью почти наверняка хорошо.

Но если молодой репортёр больше не слушает запись целиком, не замечает паузу, изменение тона, противоречие между началом и концом разговора, что именно он перестаёт тренировать вместе с потерянной рутиной?

Ответ не очевиден.

Возможно, ничего важного: система просто убрала механическую работу, а журналист получил два часа на дополнительный звонок источнику.

А возможно, редакция превратила эти два часа не в дополнительный репортинг, а в требование написать ещё три материала.

Технология сама не выбирает между этими вариантами.

Аналитика: способность сделать и способность понять

Для младшего аналитика генеративный ИИ выглядит почти идеальным ускорителем.

Очистить данные. Написать код. Построить таблицу. Суммировать документы. Предложить гипотезы. Сделать первый график. Объяснить формулу.

Именно здесь особенно соблазнительно принять улучшение результата за улучшение квалификации.

Эксперимент с консультантами BCG показывает, насколько сильным может быть такой эффект: люди без прежней специальной подготовки способны с помощью системы выполнять часть data-science задач значительно лучше, чем без неё.

Для компании это прекрасная новость. Больше сотрудников могут решать технические задачи.

Для карьеры вопрос сложнее.

Если аналитик учится только управлять готовым вычислительным экзоскелетом, его ценность становится зависимой от системы. Если он одновременно понимает данные, строит причинную картину, знает, когда статистический результат бессмыслен, и способен защищать вывод перед человеком, который задаст неудобный вопрос, инструмент расширяет его профессию.

Разница между этими двумя сотрудниками может быть почти незаметна, пока всё идёт нормально.

Она появляется в редком случае, когда система уверенно предлагает неправильную модель, в данных сместилась выборка или корреляция выглядит слишком удобной.

Именно редкие случаи часто и определяют цену эксперта.

Перевод: от производства текста к ответственности за смысл

Переводчики столкнулись с автоматизацией задолго до нынешнего поколения генеративных систем. Поэтому эта профессия особенно полезна как предварительный просмотр возможного будущего других интеллектуальных профессий.

Работа не исчезла одним событием. Она менялась слоями: машинный перевод, translation memory, post-editing, автоматизированная терминология, а теперь генеративные модели.

В 2026 году исследование студентов, выполнявших юридический перевод с GenAI, показало разные профили взаимодействия с системой. Одни участники испытывали высокую когнитивную нагрузку и активно редактировали результат; другие работали эффективнее, но сильнее рисковали чрезмерно доверять готовому выводу. Авторы делают осторожный вывод: роль переводчика всё больше включает оценку, управление риском и AI literacy.

Для новичка это создаёт тот же парадокс проверки.

Если машина производит гладкий первый вариант, человеку остаются самые сложные места: двусмысленность, термин, культурный контекст, юридическое последствие, намерение автора.

То есть младшему сотруднику сразу достаётся та часть работы, для которой нужен опыт.

Прежний путь выглядел как «переведи, получи правки, сравни».

Новый может выглядеть как «проверь хороший на вид перевод и найди то, чего не увидела система».

Второе задание кажется легче только до первой серьёзной ошибки.

Не сохранять рутину. Перестроить ученичество

Из всего этого легко сделать неправильный вывод: раз рутина учила людей, её нужно защищать от автоматизации.

Нет.

Если калькулятор избавил бухгалтера от ручного умножения, нет смысла возвращать счёты ради тренировки. Если хорошая расшифровка речи экономит журналисту часы, заставлять его печатать интервью вручную только ради «профессионального пути» было бы абсурдом.

Правильный вопрос не в том, какую старую работу сохранить.

Он в том, какую функцию этой работы нужно заменить.

Если младший юрист больше не тратит десять часов на первичный просмотр массива договоров, возможно, часть сэкономленного времени должна стать не новой нормой загрузки, а совместным разбором того, почему система выбрала именно эти положения и что она могла пропустить.

Если coding assistant пишет простой код, начинающему разработчику можно давать больше задач на чтение, тестирование, объяснение и поиск скрытых отказов.

Если AI готовит первый аналитический отчёт, новичок может обязан не просто принять его, а восстановить ход анализа, найти слабое предположение и предложить альтернативу.

Если модель предлагает дизайн, обучение можно строить вокруг защиты выбора: почему этот вариант решает задачу лучше остальных?

Если система переводит текст, студенту можно давать не только post-editing, но и задания, где нужно объяснить, почему машинно безупречная фраза неверна по смыслу.

Иными словами, профессиональному образованию, возможно, придётся отделиться от производственной необходимости.

Раньше компания обучала новичка отчасти потому, что дешёвые руки всё равно были нужны для выполнения работы.

Если дешёвые руки больше не нужны, обучение придётся сделать сознательной инвестицией.

Это дороже и организационно сложнее.

Наставнику нужно выделять время. Учебные задачи нельзя полностью оценивать по скорости. Ошибка должна иногда оставаться допустимой частью развития. Компания должна терпеть момент, когда более быстрый способ — поручить системе — не является лучшим способом вырастить сотрудника.

И здесь возникает конфликт горизонтов.

Руководитель отвечает за квартал.

Система позволяет сделать работу сегодня быстрее с меньшей командой.

Будущий дефицит специалистов проявится через пять или десять лет и, возможно, уже при другом руководителе.

Рациональное решение отдельной фирмы может оказаться нерациональным для профессии в целом.

Все хотят нанимать опытных.

Но кто-то должен оплачивать процесс, в котором неопытные становятся опытными.

Новый дефицит: не знаний, а ситуаций

В мире дешёвого доступа к информации главным дефицитом начинающего специалиста может стать не знание.

Знания доступны как никогда.

Можно получить объяснение термина, пример договора, разбор кода, десяток вариантов дизайна, перевод статьи, шаблон интервью, статистическую формулу. Можно попросить объяснить иначе, проще, подробнее, на другом языке.

Дефицитом становятся реальные ситуации, в которых человек несёт ограниченную, но настоящую ответственность и получает последствия своего решения.

Клиент, который не понял объяснение.

Баг, который прошёл тесты.

Источник, который оказался ненадёжным.

Договор, где стандартная формулировка не подошла конкретному случаю.

Анализ, который развалился после одного вопроса руководителя.

Перевод, где одно корректное слово изменило юридический смысл.

Профессиональное суждение — это не просто база фактов в голове. Это память о множестве ситуаций, где правило сталкивалось с реальностью.

Именно поэтому наставничество трудно заменить справочником, даже очень умным.

Хороший старший коллега не только сообщает правильный ответ. Он распределяет ответственность. Он знает, какую ошибку новичку можно позволить сделать самому, а где нужно остановить. Он видит не только результат, но и способ мышления человека. Он может спросить: «Почему ты так решил?» — и обнаружить, что правильный итог получен по неправильной причине.

Современная система тоже может задавать подобные вопросы.

Но организация должна хотеть использовать её для обучения, а не только для выпуска результата.

Это разные цели.

Кому выгодна короткая лестница

Есть ещё одна причина не превращать эту главу в историю исключительно о потере рабочих мест.

Старая лестница была далеко не справедливой.

Вход в престижную профессию часто зависел от неоплачиваемой стажировки, дорогого образования, жизни в правильном городе, знакомства с нужными людьми, способности несколько лет выдерживать низкую стартовую зарплату. «Заплати временем, прежде чем получишь интересную работу» — тоже форма барьера.

Если ИИ действительно позволяет человеку быстрее достигать приемлемого уровня качества, это способно открыть профессиональную дверь тем, кто раньше не мог позволить себе длинный период ученичества.

Самоучка может быстрее писать работающий код.

Маленькая фирма — выполнять анализ, доступный раньше большим командам.

Человек, для которого язык не родной, — увереннее работать с текстом.

Молодой специалист в регионе без сильной профессиональной школы — получать обратную связь, которая раньше требовала хорошего наставника рядом.

Поэтому вопрос не в том, должна ли лестница остаться прежней.

Возможно, некоторые её ступени действительно были просто воротами, охранявшими статус профессии.

Нужно отличить ступень, которая формирует компетентность, от ступени, которая лишь заставляет человека ждать.

ИИ способен разрушать обе.

Первое опасно.

Второе может быть освобождением.

Что мы уже знаем

К августу 2026 года можно достаточно уверенно сказать несколько вещей, не превращая их в прогноз.

Во-первых, генеративные системы уже используются в задачах, традиционно выполнявшихся начинающими специалистами: черновое письмо, поиск, перевод, расшифровка, обработка информации, кодирование, анализ документов.

Во-вторых, влияние на работников неоднородно. В некоторых полевых исследованиях менее опытные получают от помощника значительно больший прирост производительности, чем эксперты.

В-третьих, хороший результат с системой не гарантирует независимого приобретения навыка. Экзоскелет может расширять способность выполнять работу, не создавая эквивалентного знания без него.

В-четвёртых, в американских административных данных уже наблюдается специфический негативный паттерн занятости у молодых работников в наиболее AI-exposed профессиях, причём прежде всего через найм. Но причинная доля ИИ остаётся неопределённой.

В-пятых, профессиональные отрасли сами начинают замечать проблему pipeline. Опросы юридических специалистов говорят одновременно о сокращении ожидаемого числа junior roles и о сохраняющейся зависимости будущего суждения от наставничества.

Из этого пока нельзя вывести один неизбежный сценарий.

Можно вывести конфликт.

ИИ делает новичка одновременно более сильным и потенциально менее необходимым.

Чего мы пока не знаем

Мы не знаем, насколько наблюдаемый разрыв молодых работников в США окажется устойчивым и повторится ли он в других странах.

Не знаем, будут ли компании уменьшать общий junior intake или просто повышать требования к тем, кого нанимают.

Не знаем, сможет ли AI-наставничество воспроизводить не только лучшие формулировки экспертов, но и развитие профессионального суждения.

Не знаем, какой объём самостоятельной практики нужен человеку, чтобы научиться надёжно проверять машинный результат.

Не знаем, появятся ли новые entry-level задачи вокруг проверки данных, управления инструментами, оценки качества и работы с клиентом — и будут ли их достаточно много.

Не знаем, как изменятся университеты и профессиональная сертификация, если работодатели перестанут выполнять прежнюю долю обучения на рабочем месте.

И главное: мы пока не знаем, станет ли ИИ машиной, которая демократизирует ученичество, или машиной, которая позволяет фирмам пользоваться плодами опыта, инвестируя меньше в его выращивание.

Скорее всего, ответ будет разным в разных организациях.

Потому что технология здесь не определяет результат сама.

Результат определяет то, что компания делает с выигранным временем и сэкономленными деньгами.

Если она использует ИИ, чтобы нанять меньше новичков и загрузить оставшихся выпуском большего объёма, лестница действительно становится уже.

Если она использует ИИ, чтобы давать новичку более сложные задачи раньше, больше обратной связи и безопасное пространство для ошибок, лестница может стать короче и лучше.

Один и тот же инструмент способен поддерживать обе модели.

Поэтому судьба начинающего специалиста — не побочный вопрос рынка труда.

Это тест того, умеем ли мы отличать производительность от воспроизводства компетентности.

Компания может прекрасно оптимизировать сегодняшний процесс и одновременно разрушать механизм, который создаёт людей, способных управлять этим процессом завтра.

И тогда главный вопрос звучит не так: «Заберёт ли ИИ первую работу?»

Он сложнее:

если машина возьмёт на себя работу, на которой человек раньше учился становиться экспертом, — кто и каким способом будет выращивать следующего эксперта?

Примечания к главе 5

1. Brynjolfsson, E., Chandar, B., Chen, R. Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab, revised 12 August 2026. Исследование использует высокочастотные административные payroll-данные ADP, охватывающие миллионы работников США до июня 2026 года. Авторы не находят widespread economy-wide job displacement, но занятость работников 22—25 лет в наиболее AI-exposed occupations находится примерно на 19 процентов ниже траектории относительно менее экспонированных ровесников; разрыв вырос с примерно 15 процентов в июльском срезе 2025 года. Механизм проявляется преимущественно через снижение найма молодых работников, а не рост separations. Авторы прямо подчёркивают, что результаты являются descriptive patterns, а не causal estimates. https://digitaleconomy.stanford.edu/publication/canaries-in-the-coal-mine-six-facts-about-the-recent-employment-effects-of-artificial-intelligence/