Евгений Волков – Когда машина отвечает (страница 18)
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.