Работа, которую вы убираете, может быть тем, как вы выращиваете следующих экспертов

Компания способна автоматизировать работу, на которой люди учатся ею управлять. Именно этот риск часто не замечают при перестройке процессов вокруг ИИ.

Обычное обоснование понятно: убрать передачи между ролями, сократить циклы, дать меньшему числу опытных сотрудников делать больше с ИИ. Во многом это обоснование верно. В июльском исследовании OpenAI 2026 года, основанном на более чем 800 000 рабочих сообщениях американских пользователей ChatGPT, 16,8% всех рабочих сообщений касались задач, которые исторически относились к другой профессии. Среди сообщений, привязанных к конкретной профессии, доля составила 43,5%. Сотрудники уже переходят через границы задач, для которых раньше требовалась передача специалисту.

Но процесс создаёт не только сегодняшний бизнес-результат. Он также создаёт — или не создаёт — завтрашний запас экспертного суждения. Когда ИИ забирает анализ, подготовку текстов, отладку и координацию в связку «старший специалист плюс ИИ», поставка может ускориться, а повторяющиеся, контекстные столкновения с реальной работой, на которых растут менее опытные сотрудники, — исчезнуть.

Это не довод за сохранение неэффективной работы. Это довод за признание: часть работы, которую легко объявить лишней, входит в систему воспроизводства экспертизы компании.

Переход задач меняет путь к экспертизе

OpenAI описывает переход задач между профессиями как признак меняющегося разделения труда, а не как доказательство исчезновения профессий. Различие принципиально. Возможность попробовать задачу, которую прежде выполняла другая профессия, не равна компетентности, праву или ответственности за выполнение значимой работы в этой профессии.

И всё же операционный эффект может быть существенным. Старший аналитик с ИИ готовит материал, на котором младший аналитик раньше учился строить аргумент. Опытный инженер с ИИ диагностирует и исправляет проблему, которая прежде знакомила начинающего инженера с незнакомой системой, слабыми сигналами и ограничениями эксплуатации. Руководитель сводит координационную работу, через которую кто-то раньше понимал, как по организации движутся зависимости, обязательства и исключения.

В каждом случае у работы могло быть две ценности. Её непосредственная бизнес-ценность могла быть невысокой. Её учебная ценность могла быть высокой, потому что она приближала растущего специалиста к реальному контексту, последствиям и суждениям старших коллег. Убрав её без замены, компания не только экономит время. Она сужает путь, по которому люди позже становятся способны нести ответственность.

Этот риск может проявляться неравномерно. OpenAI обнаружила больше переходов между задачами у пользователей с типичным объёмом работы в небольших рабочих пространствах: 18,9% в пространствах с двумя-пятью местами против 16,3% в пространствах со 101 местом и более. Исследование не приравнивает число мест к размеру компании. Но для небольших команд это полезное предупреждение: в них меньше параллельных маршрутов, по которым младшие сотрудники могут наблюдать, пробовать и исправлять ошибки в реальной работе.

Результат с ИИ — не то же самое, что самостоятельная способность

Проблема не в том, что помощь ИИ всегда ухудшает обучение. Данные говорят о более конкретной — и более полезной для организации — вещи.

Anthropic провела рандомизированное контролируемое исследование с 52 преимущественно начинающими инженерами ПО, осваивавшими незнакомую библиотеку Python. Участники, использовавшие ИИ, набрали на 17% меньше на последующем тесте на владение материалом. При этом исследование не выявило статистически значимого общего ускорения выполнения задач. Это небольшое исследование в одной технической среде, а не универсальная оценка деградации навыков у работников умственного труда. Но оно показывает важную возможность: более хороший или просто завершённый результат с помощью ИИ может сочетаться с более слабым самостоятельным владением позже.

Значение имел способ взаимодействия. Участники, которые просили ИИ объяснять, задавали концептуальные вопросы и использовали его для собственного понимания, могли сохранять более сильные результаты обучения. Этот вывод исключает ленивый ответ в виде запрета ИИ в развивающей работе. Вопрос не в том, пользовался ли человек ИИ. Вопрос в том, требовал ли процесс сначала построить и проверить собственную модель ситуации — или позволял системе выдать ответ ещё до того, как такая модель стала необходимой.

Контролируемое исследование логических задач, опубликованное в августе 2026 года, указывает в том же направлении, но в более узкой области. Более дешёвый доступ увеличивал число запросов к ИИ. Те, кто запрашивал помощь, хуже справлялись после её отключения, а их прежние результаты с ИИ завышали последующую самостоятельную способность. Краткосрочное обучение на головоломках — не то же самое, что работа в компании. Но это веская причина не считать пропускную способность с ИИ мерой человеческой компетентности.

Опрос Microsoft среди 319 работников умственного труда добавляет связанный сигнал. Большая уверенность в генеративном ИИ была связана с меньшими самооценками усилий критического мышления, а большая уверенность в себе применительно к конкретной задаче — с большими. Опрос также показал сдвиг от непосредственного исполнения к проверке, интеграции и управлению задачами. Это самооценочные связи, а не долгосрочное доказательство потери навыков. Но кадровый вывод ясен: компании, переносящей работу в проверку, нужны люди, которые способны самостоятельно распознать правдоподобный, но неверный результат.

“Дефицитный актив — не готовый черновик и не закрытый патч. Это организационный механизм, который создаёт следующего человека, способного им возразить.

Постройте два пути внутри критичных процессов

Практический ответ — двойная архитектура критичных процессов. Первый путь — производственный: он должен быть рассчитан на надёжную поставку результата, с использованием ИИ там, где это улучшает результат или убирает ненужные усилия. Второй путь — формирующий: он должен создавать будущих операторов через отобранное участие в настоящей работе.

Эти пути будут пересекаться, но их нельзя смешивать. Производственный путь вполне обоснованно направит срочный инцидент с высокими последствиями самой сильной доступной связке «старший специалист плюс ИИ». Формирующий путь может оставить развивающемуся сотруднику живой случай с ограниченными последствиями, сохранив участие старшего. Цель — не учебное упражнение в отрыве от операций. Цель — намеренное знакомство с условиями, в которых формируется суждение: неполной информацией, локальной историей, компромиссами, обратной связью и ответственностью.

Начните с классификации задач по двум осям: бизнес-ценность и учебная ценность. Высокая учебная ценность не означает, что нужно защищать каждую повторяющуюся задачу для младших сотрудников. Некоторые задачи дают только механическое повторение и должны исчезнуть. Важна другая категория: работа, которая снова и снова знакомит человека с режимами отказа, контекстом системы, реальностью клиента, диагностикой, компромиссами или стандартами приемлемого результата.

У формирующего пути есть конкретные решения

• Оставляйте развивающимся сотрудникам отдельные живые задачи с низкими последствиями. Работа должна быть достаточно реальной, чтобы нести контекст, и достаточно ограниченной, чтобы надзор и восстановление были практичны.
• Требуйте прогноз, диагноз или формулировку проблемы до того, как ИИ покажет сгенерированный ответ. Так сохраняется момент, когда оператор обязан зафиксировать собственную модель ситуации.
• Если цель — самостоятельное мышление, сначала используйте ИИ как наставника, симулятор или критика. Пусть он объясняет альтернативы, оспаривает допущения или создаёт практические случаи, а не молча завершает задачу.
• Постепенно расширяйте область работы по мере доказанной компетентности. Для способностей, которые компания не может безопасно потерять, должен быть явный маршрут от наблюдения к исполнению с поддержкой и затем к самостоятельной работе.
• Сохраняйте проверку старшего специалиста на реальной работе. Курс может дать понятия, но не обязательно воспроизведёт организационный контекст, в котором эксперты узнают важные сигналы и понимают, какие сокращения пути не работают.

Измеряйте воспроизводство навыка, а не только выпуск

Для каждой способности, потеря которой опасна, определите цель воспроизводства навыка. Это не общий показатель обучения ИИ и не очередной призыв к большему числу проверок. Это вопрос дизайна: какой опыт здесь создаёт компетентного специалиста? Сколько людей сейчас проходит через этот опыт? Какие свидетельства показывают, что работа с помощью ИИ стала самостоятельной способностью?

Свидетельства должны соответствовать работе. Это может быть самостоятельная диагностика незнакомого случая, объяснение обоснованности предложенного результата, успешное выполнение ограниченного живого задания или оценка старшего на основе наблюдаемой практики. Одних показателей завершения и пропускной способности с ИИ недостаточно: они могут измерять способность системы и скрывать способность оператора.

Основателям и функциональным руководителям стоит задавать неудобный вопрос всякий раз, когда инициатива с ИИ убирает слой работы: где следующее поколение будет получать суждение, которое раньше формировалось в этом слое? Если ответ — общий курс, редкий воркшоп по промптам или ничего, то перестройка, вероятно, приняла экспертизу за запас, а не за воспроизводимую способность.

Компания может на некоторое время расходовать накопленную экспертизу. Но нельзя считать, что она автоматически восстановится после устранения работы, которая её формировала. ИИ позволяет легко не заметить этот выбор, потому что немедленный результат может выглядеть превосходно. Архитектурная задача — сохранить эффективность поставки и одновременно живой маршрут от участия новичка к самостоятельному суждению.