Евгений Волков – Когда машина отвечает (страница 19)

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.