Ступеньки лестницы, которых больше нет: как учить новичков оценивать работу ИИ

Топ-менеджер задаёт консультанту Дилану Дэвису вопрос: молодые сотрудники присылают ему результаты работы ИИ, даже не прочитав их, так откуда им вообще знать, что такое хороший результат? Спустя несколько недель тот же вопрос задают юристы, строители и инвестиционная фирма. Совпадение неслучайное: за ним стоит структурная проблема, и вопрос как оценивать результаты ИИ касается не только новичков.

Рутина как плата за обучение

Раньше при приёме на работу действовала негласная сделка. Человек берёт на себя много скучных задач: разбирает документы, готовит черновики презентаций, сводит цифры. Взамен он получает практику. Разбирая документы, понимаешь, что важно, а что нет. Получая правки от руководителя, формируешь критерии качества. Глядя на таблицы, учишься замечать, где обычно прячутся ошибки.

Теперь именно эти задачи отдают ИИ, и обучение в процессе работы истончается. Цифры из видео это подтверждают: за три года число вакансий начального уровня сократилось на 35%. Крупные банки урезали набор аналитиков на две трети. По данным Гарварда, который изучил около 62 миллионов работников, через 18 месяцев после внедрения ИИ компании сокращали примерно 10% младших должностей, а старшие почти не затрагивались. Нижние ступени карьерной лестницы буквально срезаются.

Ошибки ИИ не похожи на человеческие

Эксперт привык проверять людей. Человеческие ошибки видны сразу: небрежность, пропуски, спешка. Результат ИИ выглядит отшлифованным и уверенным, а ошибки в нём спрятаны глубже. Поэтому навык проверки приходится строить заново, и здесь новичок и опытный сотрудник стартуют с одной линии. Для начинающих это шанс: можно сразу учиться оценивать, а не выполнять.

Что делают Deloitte и Уолл-стрит

Deloitte перестроила программы обучения. Новичков учат находить ошибки ИИ и, что важнее, чётко объяснять, почему это ошибка. Тут есть побочный эффект для наставников: многие эксперты раньше просто делегировали обучение самой работе. Теперь интуицию нужно переводить в явные критерии. Это трудно, но такие критерии потом пригодятся и людям, и самому ИИ.

Банки и хедж-фонды на Уолл-стрит добавляют практические тренировки. Для узких ключевых навыков сотрудник выполняет задачу вручную, пусть даже начерно. Затем ту же задачу делает ИИ, и результаты сравнивают. Так видны слабые места обеих сторон, а выводы идут в улучшение промптов и процессов. Аналогия со спортом точная: тренируются до соревнований, а не вместо них. Метод медленный и ручной, поэтому применять его стоит выборочно.

Какие навыки сохранять, а какие отпустить

Часть навыков мы отдадим машинам, как отдали GPS и калькуляторы. Вопрос в том, что оставить за собой сейчас. Дилан предлагает практический порядок:

• составить два списка: что делегируем ИИ, а что сохраняем;
• навык оценки результатов ИИ положить в список «сохраняем»;
• обучать оценке на примерах с разбором, почему результат плох;
• ручную практику со сравнением оставить для немногих критичных навыков;
• пересматривать списки каждые пару месяцев, с выходом новых моделей.

Граница будет смещаться. Уже в программировании ревью кода всё чаще отдают другому ИИ, потому что кода слишком много. Внимание человека уходит выше: к вкусу и решениям о том, куда вообще направлять ИИ.

Вывод

Исчезла не работа новичков, а привычный способ учиться. Компании, которые это поймут, будут целенаправленно растить умение отличать хороший результат от гладкого, но неверного. Для тех, кто работает с ИИ и инструментами вроде Claude Code, это практический совет: не принимайте результат на веру и учитесь формулировать, чем именно он плох. Именно этот навык остаётся за человеком дольше других.