Самый распространённый корпоративный ответ на эту ситуацию прямо сейчас: «Нужно обучить людей работе с AI». Обычно под этим понимают курс по промптингу, набор правил безопасности, список запрещённых данных, несколько примеров хороших запросов и, если повезёт, модуль про галлюцинации.

Это лучше, чем ничего. Но как ответ на проблему развития — вообще мимо. Дело же не в том, умеет ли человек получить от модели «хороший» текст. Важнее, может ли он снять кавычки со слова «хороший», т.е. понять что с этим текстом делать. Может ли он увидеть слабое место. Может ли объяснить, почему принял один фрагмент и отверг другой. Может ли заметить, что AI пишет об одном и том же, но разными словами, просто наполняя объём отчёта. Может ли спорить с моделью, а не просто улучшать промпт до тех пор, пока ответ не станет похож на «ожидаемый».

Курсы промптинга часто обучают людей эффективнее делегировать мышление машине. А новая задача руководителя — научить людей работать с AI так, чтобы собственное мышление не выключалось. Это разные цели. В первом случае сотрудник учится получать результат. Во втором — сохранять суждение при получении результата.

И нет, тут не будет рекламы моего курса работы с AI, который «лучше всех представленных на рынке курсов». У меня его нет.

Поэтому предложение «Надо срочно всех обучить инструментам» не совсем тут подходит. Нужно перепроектировать само ученичество. Не просто добавить AI в старую систему развития, а понять, какие элементы этой системы теперь исчезают, какие надо защитить, а какие — создать заново.

Ведь что было раньше? Рабочая среда сама производила развитие. Да, не идеально, не справедливо, не всегда гуманно, но производила. Новичок попадал в поток задач, где часть работы была скучной, часть — сложной, часть — непонятной, и постепенно обрастал профессиональными паттернами. Теперь среда всё чаще производит результат за этого новичка, без развития. Задача выполнена, документ готов, письмо написано, аналитика собрана, но человек прошёл мимо ключевого для него опыта.

Это и есть разрушение кривой обучения. Раньше младший специалист учился через медленную, местами унизительную и часто довольно скучную работу. Он собирал данные, писал первые плохие черновики, делал неловкие презентации, готовил конспекты, перепроверял таблицы, разбирал десятки похожих кейсов, получал правки, злился, переделывал и постепенно начинал видеть паттерны. Это не всегда называлось обучением. Чаще это называлось «ну ты пока сделай рисёрч», «собери первую версию», «набросай структуру», «посмотри, что у конкурентов», «подготовь черновик письма», «разбери эту табличку».

С точки зрения производительности это была работа с низкой ценностью для бизнеса в моменте. А вот с точки зрения развития — фундаментальная. Потому что именно в этих простых задачах человек учился не только делать, но и различать:

• что важно, а что шум
• где источник надёжный, а где просто красиво оформленная ерунда
• почему один аргумент работает, а другой разваливается, когда опытный товарищ даёт обратную связь
• чем хороший черновик отличается от аккуратного, но пустого текста
• где в данных закономерность, а где случайный всплеск
• почему опытный коллега одним взглядом видит проблему в документе, над которым новичок сидел полдня.

Мы много лет относились к рутине как к врагу развития. Мы всегда ненавидели эту рутину. Она казалась пережитком индустриальной эпохи, чем-то, что нужно автоматизировать в первую очередь. Мечтали освободить людей от механической работы, чтобы они, наконец, занялись чем-то более творческим, стратегическим и человеческим. И в этом было много правды, ведь огромная часть офисной рутины действительно была и есть бессмысленной, бюрократической и плохо спроектированной.

И вот, наконец, мы её автоматизировали и начали выбрасывать. Но вместе с мусором мы рискуем выбросить и тренажёр, который раньше обучал начинающих специалистов и помогал развивать ту самую пресловутую насмотренность.

Почему, собственно, так важно, чтобы начинающие специалисты выполняли рутинные задачи? Нейробиология и когнитивная психология уже давно нам говорят, что людей учат не правильный ответы, а сопротивление, через которое они продираются. Т.е. когда ошибаются, ищут выход, пробуют разные подходы. Дело в том, что процесс медленного, ручного перебора данных формирует в мозге нейронные связи, которые позже становятся основой для интуиции и экспертности. В когнитивной психологии это называется «желательными трудностями» (desirable difficulties) — концепция, предложенная психологом Робертом Бьорком (Robert A. Bjork). Обучение эффективно тогда, когда оно требует усилий. Когда мы заставляем мозг медленно пробираться сквозь хаос неструктурированных данных, вычленять паттерны, ошибаться, получать правки и исправлять себя, мы формируем глубокие когнитивные схемы.

Первый плохой черновик — это не просто плохой текст. Это, фактически, снимок того, как человек понял задачу. Первая неудачная аналитика — это не просто ошибка в цифрах. Это демонстрация того, какие связи он видит, а какие пропускает. Неловкая презентация — это не только слабая структура слайдов. Это проявление того, умеет ли человек отделить главное от второстепенного, чувствует ли аудиторию, понимает ли цель разговора.

AI вместе с лишними операциям убирает сопротивление. А без сопротивления не формируется мышца. Когда AI делает эту работу за минуты, выдавая готовый структурированный результат, у новичка не формируется база для экспертности. Он получает ответ, но не понимает архитектуру этого ответа. Как молодой врач, которому сразу дают готовый диагноз, но не позволяют провести осмотр и дифференциальную диагностику: он знает, что у пациента, но не знает, как к этому пришли, и поэтому не сможет спасти пациента с атипичными симптомами.

Кристофер Коттон и Лидия Шолле-Коттон (Christopher Cotton & Lydia Scholle-Cotton) из Queen’s University называют это парадоксом AI-экспертизы: сотрудники и студенты, которые сегодня полагаются на AI и благодаря этому работают почти как эксперты, с меньшей вероятностью станут настоящими экспертами завтра. AI создаёт иллюзию понимания и подрывает процесс, благодаря которому экспертиза исторически формировалась.

В первых частях я уже упоминал исследование от MIT Media Lab, где участникам предлагали написать серию эссе. Группа, использовавшая ChatGPT, показала самую слабую когнитивную вовлечённость по данным ЭЭГ. А ещё ни один из участников этой группы не смог через несколько минут точно воспроизвести работу, которую они «создали». Исследователи назвали это «когнитивным долгом» (cognitive debt): люди не научились, не запомнили, не присвоили то, что машина сделала за них. Более 80% из них не могли потом вспомнить ключевое содержание собственных текстов. А те, кто начинал с собственного мышления и лишь затем привлекал AI для доработки, демонстрировали гораздо более высокую мозговую активность и лучшее запоминание материала. Получается, что чем чаще мы передаём машине промежуточные этапы мышления, тем больше накапливаем долг перед собственным мозгом, который перестаёт тренироваться.

Когда AI делает первую версию за человека, руководитель получает более точный и аккуратный результат, но теряет при этом материал для диагностики. Он уже не видит, как человек думал до того, как модель предложила ему готовый вариант. Он видит только отредактированный гибрид: немного человеческого намерения (в виде промпта), немного машинной структуры, немного стилистической полировки и неизвестное количество неосознанных заимствованных допущений. Конечно, это удобно, но обучает отвратительно.

Профессиональная экспертиза формируется в процессе движения от плохого ответа к лучшему. Между «я не понимаю, что здесь важно» и «теперь я вижу, почему это важно». Между «я просто собрал всё, что нашёл» и «я понял, какие источники можно отбросить». Между «я написал как получилось» и «я могу объяснить, почему выбрал именно такую структуру». Молодой учитель, который получает идеальный конспект урока, может быстрее выйти с новой темой к классу. Но он хуже понимает, как строится урок, где дети могут потеряться, почему один пример работает, а другой нет. Начинающий аналитик, который просит модель объяснить данные, получает гладкий вывод, но может не научиться чувствовать подвох за этими цифрами.

Но это касается не только студентов или молодых специалистов. Новый менеджер, который сразу просит AI подготовить сложный фидбек сотруднику, может получить вежливый и хорошо структурированный текст. Но он не проживёт внутреннюю работу:

• что именно я хочу сказать
• где граница между честностью и жестокостью
• какие последствия вызовет моя формулировка
• почему я избегаю прямого разговора
• какую ответственность я беру на себя как руководитель.

Вот и получается, что вроде бы работа сделана, но специалист не вырос.

Ну что, проблема ясна. Нам надо не только учить людей использовать AI, но и сохранить и усилить их способность мыслить, судить и развиваться в условиях, когда машина берёт на себя много этапов их работы.

Но что же, запрещать теперь пользоваться AI? Нет, конечно. Это глупо и не приведёт ни к чему хорошему. Запретов в нашей жизни и так хватает. Но, с другой стороны, нельзя и полагаться на него во всём. Нужна система, которая удерживает баланс между эффективностью сегодня и экспертизой завтра. Для этого руководителю придётся перепроектировать несколько ключевых элементов обучения.

Первое и самое важное — руководитель должен научиться различать два типа задач: те, которые решаются «на результат», и те, которые нужны «на развитие».

Задача на результат существует ради внешнего эффекта. Нужно быстро подготовить письмо, собрать саммари, найти варианты, ускорить анализ, обработать большой массив данных, снять часть нагрузки с команды. Здесь AI уместен, если риски понятны, данные валидны, а человек способен проверить итог.

Задача на развитие существует ради формирования способности. Её результат важен, но не единственно важен. В ней нужно, чтобы человек сам прошёл через определённый когнитивный путь: сформулировал гипотезу, сделал первую структуру, ошибся, получил обратную связь, увидел разницу между своей версией и более зрелой, объяснил, что изменил и почему.

В первом случае оптимально использовать AI на полную мощность, чтобы получить лучший результат за минимальное время. Запрещать тут AI бессмысленно. Это примерно как запрещать калькулятор бухгалтеру, потому что «надо тренировать арифметику». В какой-то момент это уже не развитие, а странный ритуал страдания.

Во втором случае AI нельзя просто включать по умолчанию. Иногда его нужно подключать позже. Иногда ограничивать. Иногда использовать не как автора, а как оппонента. Иногда прямо создавать «область работы без AI». В этом случае ценность не в результате, а в пути до этого результата.

В Microsoft 2026 Work Trend Index отмечается, что наиболее продвинутые пользователи AI («frontier professionals») сознательно оставляют часть задач без AI-помощи. 43% из них делают это, чтобы сохранить свои навыки в тонусе. Кажется, что для руководителя было бы здорово институционализировать эту практику для всей команды, особенно для новичков.

Как это может выглядеть на практике:

1. Чётко проговаривать в начале каждой задачи: «Это задача на развитие. AI не используем» или «Это задача на результат. AI — ваш главный помощник». Без такого фрейминга люди по умолчанию будут выбирать самый быстрый путь (открыть GPT) и лишать себя развития.
2. Создавать «области работы без AI», т.е. периоды времени или конкретные проекты, где инструменты генеративного AI сознательно отключены. Это не борьба с технологией, а тренировочный полигон для мышления.
3. Систематически возвращать команду к задачам, которые выполнялись с помощью AI, и проверять глубинное понимание. Подход «Сначала я, потом AI», т.е. сотрудник фиксирует собственные соображения до того, как обратиться к модели.
4. Пересмотреть онбординг джуна в новой роли. Первые недели или месяцы работы могут проходить в режиме минимального использования AI, т.е. именно в тот период, когда формируется базовая ментальная модель предметной области.

У хорошего спортивного тренера есть упражнения, где нельзя использовать все преимущества. Боксёр работает одной рукой не потому, что в реальном бою ему свяжут вторую, а потому что так тренируется конкретный навык. Музыкант играет медленно не потому, что концерт будет медленным, а потому что скорость без контроля только закрепляет ошибки. В развитии команды нужна та же логика. Иногда сотрудник должен сделать хуже, медленнее и менее красиво, чтобы сформировать способность, которая потом позволит ему работать лучше, быстрее и глубже.

Руководителю придётся защищать этот «медленный» подход. Организация будет давить в обратную сторону, потому что руководство хочет эффективности, а клиенты хотят результата. И тут главное не попасться на соблазн AI-искусителя: зачем ждать черновик новичка, если модель выдаёт приличную версию за минуту?

Ответ простой:

потому что вы растите не документ, а человека.

Если забыть (или забить) об этом, через пару лет может оказаться, что документов стало больше, а людей, способных их по-настоящему понимать, меньше.

В эпоху тотальной цифровизации идея намеренного замедления и запрета технологий звучит как ересь. Мы привыкли к тому, что прогресс — это снятие ограничений, уменьшение трения, устранение барьеров. Но для обучения трение необходимо. Повторю банальную мысль: без сопротивления среды мышцы не растут.

Под искусственным трением я понимаю не бюрократию, не запрет ради запрета и не романтизацию ручного труда. Это осознанно спроектированные ограничения, которые заставляют человека включить собственное суждение до того, как он получит помощь модели.

Вот несколько примеров практик такого трения:

1. Самая простая практика — «Сначала я, потом AI». Перед тем как обратиться к модели, сотрудник должен зафиксировать собственную версию. Не идеальную, не длинную, не отшлифованную. Достаточно двух-трёх соображений: как я понимаю задачу, какие вижу варианты, где ожидаю риск, что считаю главным критерием готовности. Только после этого можно подключать AI.

2) Вторая практика — сравнение версий. Сотрудник делает свою первую структуру, затем получает AI-версию и обязан объяснить различия. Где модель предложила более сильную версию? Где она упростила? Где добавила банальность? Где увидела то, что человек пропустил? Где, наоборот, человек понимает контекст лучше модели?

3) Третья практика — «Покажи промпт и ход проверки». Раньше наставник проверял результат: текст, таблицу, презентацию, план, код. Теперь этого недостаточно. Нужно проверять процесс взаимодействия с AI. Какой запрос ты задал? Какой контекст дал? Какие ограничения указал? Какие источники проверил? Где модель могла ошибиться? Почему ты взял именно этот фрагмент? Что отверг и почему?

4) Четвёртая практика — «Найди ошибку». Руководитель или наставник даёт команде AI-сгенерированный документ с несколькими встроенными проблемами: фактическими, логическими, этическими, контекстными. Задача людей в поиске слабых мест. Это тренирует не промптинг, а валидацию. Фактически, профессиональное недоверие.

5) И пятая практика — AI как оппонент, а не автор. Команда сначала формулирует собственную позицию, а потом просит модель её пошатать: найти слабые допущения, альтернативные объяснения, проигнорированные риски второго порядка, неприятные факты.

Отсюда вытекает и новый процесс взаимодействия «наставник–стажёр». В классической модели наставник проверял результат стажёра. Он брал черновик, читал его, находил ошибки, исправлял и объяснял, почему нужно делать иначе. Стажёр рос через работу с обратной связью по его артефактам.

Сегодня результат стажёра уже не показатель. Наставник читает его и не знает, кто это написал — человек или модель. Проверять результат становится бессмысленно: он может быть отличным, но при этом полностью оторванным от понимания сотрудника.

Поэтому теперь наставник должен проверять не результат, а процесс взаимодействия стажёра с AI. Представьте себе школьника, который списывает решение задачи у отличника. Учитель может поставить ему пятерку за правильный ответ в тетради, но он знает, что ребёнок не научился математике. В корпоративном мире AI — это отличник, который даёт списать. Задача наставника — поймать момент «списывания» и превратить его в обучение.

На практике это означает, что наставник должен задавать совершенно другие вопросы. Не «Что ты написал?», а:

• Какой промпт ты задал и почему именно так?
• На какие части ответа модели ты опираешься и почему доверяешь им?
• Где, по твоему мнению, AI мог ошибиться или галлюцинировать?
• Какой контекст ты не стал включать в промпт, и как это могло исказить результат?
• Если бы у тебя не было AI, с чего бы ты начал решать эту задачу?

Да, это сложнее для наставника. Прочитать и поправить текст — это 10 минут. Разобрать ход мысли стажёра, его гипотезы и логику делегирования машине — это 40 минут глубокого разговора. Но только так можно вырастить эксперта, а не профессионального «промпт-копипастера». Менеджер становится не просто контролёром качества, а тренером когнитивных процессов. Он должен оценивать, как сотрудник формулирует задачу себе и машине, как сомневается в полученном ответе и как принимает решение о том, что можно принять, а что нужно переделать.

Но тут важно помнить про ловушку замещения. Если менеджер сам в неё попал, то он не сможет научить этого сотрудника. Нельзя проверить чужой процесс взаимодействия с AI, не имея собственного опыта осмысленного взаимодействия. Поэтому новое ученичество начинается с руководителя. Он должен сам пройти через практику «сначала я, потом AI», чтобы иметь право требовать этого от команды.

Все эти практики ведут нас к переопределению того, что вообще значит «быть экспертом» в эпоху AI. Раньше мы считали компетентным того, кто знает ответ. Того, кто прочитал больше книг, видел больше кейсов, накопил больше паттернов в своей памяти. Теперь AI «знает» этот ответ часто лучше и даёт быстрее. Нет смысла соревноваться с LLM в объёме памяти или скорости перебора вариантов. Нужен тот, кто понимает, почему этот ответ правильный, какие у него есть ограничения, в каком контексте он применим, а где опасен.

Эксперт — это тот, кто может докинуть контекст там, где AI бессилен. Модель не знает, что финансовый директор сегодня в плохом настроении, и не включит это в план переговоров. Модель не знает, что два отдела ненавидят друг друга (и не знает причин этой ненависти), и предложит стратегию интеграции, которая приведёт к саботажу. Модель не чувствует этики. Экспертность смещается из плоскости «знать факты» в плоскость «чувствовать контекст, различать подделку и брать на себя ответственность в условиях неопределённости».

Но и тут возникает парадокс, ведь чтобы стать таким экспертом, чтобы научиться видеть галлюцинации, нужно, как говорится, «нахлебаться опыта», «поплавать» в той рутине, которую мы автоматизируем. Нужно своими руками перебрать тысячи строк данных, чтобы на тысячу первой почувствовать «Тут что-то не так», ещё до того, как мозг успеет это логически обосновать. Это и есть интуиция. А интуиция, как известно, это не что иное, как сжатый опыт. AI забирает опыт, отдавая готовый результат. Наша задача — не позволить ему забрать интуицию.

В прошлых главах я уже разбирал критически важные компетенции, которые с приходом AI очень важно развивать:

1. Контекстуальное суждение. Способность оценивать, работает ли знание здесь и сейчас, учитывая конкретную ситуацию, людей, ограничения.

2. Мета-познание. Понимание того, как ты мыслишь, как принимаешь решения, когда и почему можешь ошибаться.

3. Алгоритмическая эмпатия. Способность понимать, как модель пришла к своему ответу, какие данные использовала, какие ограничения в ней заложены, где она может быть слепа.

4. Валидация. Умение отделять правдоподобное от истинного, согласованное от проверенного, логичное от фактического.

Тут можно было бы поставить точку, признать проблему сложной, немного повздыхать про будущее профессий, сослаться на неизбежность технологий и разойтись по своим делам. Всё описанное выше — это не философская тревога про AI и не очередная тема для корпоративного вебинара. Для меня это вопрос управленческой ответственности. Если в вашей команде AI уже участвует в работе (а он участвует, даже если вы не видите), значит, он уже участвует и в формировании будущих специалистов. Вопрос только в том, делаете вы это осознанно или отдаёте процесс на самотёк.

Недостаточно сказать людям «Пользуйтесь AI разумно», купить им подписки, провести обучение и назначить владельца инициативы. Руководителю придётся самому разбираться, где команда должна ускоряться, а где — намеренно замедляться. Где результат важнее обучения, а где быстрый результат сегодня разрушает способность думать завтра.

Поэтому дальше не выводы, а то как я предлагаю действовать руководителю:

1. Во-первых, осознать проблему. AI уже тихо разрушает кривую обучения ваших специалистов. Если вы этого не видите, это не значит, что проблема не существует. Спросите себя: «Какие задачи, которые раньше были тренировочными для новичков, теперь выполняет AI? Чему учатся новички в этой новой реальности?».

2. Проектировать, а не запрещать. Нельзя просто запретить AI или, наоборот, уверовать в его силу. Можно спроектировать среду, где его использование не подрывает развитие. Разделяйте задачи «на результат» и «на развитие». Вводите искусственное трение. Создавайте тренировочные контуры.

3. Сдвинуть фокус оценки обучения. Перестаньте измерять успех обучения количеством «AI-грамотных» сотрудников. Измеряйте его тем, насколько команда сохранила и усилила критическое мышление, суждение, способность работать в неопределённости.

4. Обновить компетенции. Включите в модели компетенций мета-познание, контекстуальное суждение, алгоритмическую эмпатию.

5. Действовать сейчас. Каждый месяц, когда вы не пересматриваете, как ваша команда учится и развивается, вы рискуете будущим своего объекта управления. Эрозия навыков происходит незаметно, но её последствия будут разрушительными. Почитайте про эрозию почвы в аграрном хозяйстве. Там, кстати, можно много дельных советов почерпнуть.

Звучит как лишняя нагрузка на руководителя? Ну да, так и есть, это лишняя нагрузка. AI не снимает с менеджера задачу развития людей. Он делает её более сложной и менее видимой. Раньше слабый черновик сам показывал, где человек не понимает. Теперь слабое понимание может прятаться за сильным результатом.

В мире, где AI забирает черновую работу, растить специалистов стало сложнее, но и важнее, чем когда-либо. На протяжении всей серии я сравниваю менеджера с архитектором. Так вот сейчас лидеру необходимо становиться архитектором когнитивного развития команды. Иначе завтра вам будет некому доверить даже самую простую задачу — потому что некому будет заметить, что машина делает её неправильно.