Есть старая, почти универсальная история превращения новичка в профессионала. Сначала тебе дают скучную работу: молодой юрист перебирает документы и ищет судебную практику; молодой программист исправляет простые ошибки и пишет небольшие куски кода; начинающий исследователь собирает данные, оформляет таблицы, проверяет ссылки; молодой журналист расшифровывает интервью, читает десятки источников и переписывает неудачный абзац пять раз; врач годами наблюдает типичные случаи, прежде чем начинает мгновенно замечать нетипичные.

Эта работа никогда не была вершиной профессии. Но именно она строила лестницу к вершине. Ты видел сотни случаев, ошибался, сравнивал, получал замечания. Постепенно начинал замечать закономерности, которые невозможно выписать в инструкцию. Из отдельных эпизодов складывалась внутренняя карта профессии. Через десять лет специалист говорил: «Здесь что-то не так», ещё не всегда умея мгновенно объяснить почему. Это мы называли опытом.

И вот теперь появилась машина, которая чрезвычайно хорошо умеет делать именно ту работу, на которой этот опыт традиционно выращивался.

Странная экономика новой профессии

Для работодателя всё выглядит вполне рационально. Если опытный специалист вместе с ИИ способен выполнить работу, для которой раньше требовалось несколько младших сотрудников, зачем нанимать младших? На уровне отдельной компании решение эффективно и логично. На уровне поколения возникает неприятный вопрос: откуда через десять лет возьмутся опытные специалисты, если сегодня мы перестанем нанимать неопытных?

Ещё недавно это можно было считать красивой футурологической проблемой. Теперь появляются первые данные, заставляющие относиться к ней серьёзнее.

Stanford Digital Economy Lab анализирует зарплатные данные миллионов американских работников. В обновлении исследования от августа 2026 года авторы обнаружили, что занятость людей 22-25 лет в профессиях с высокой подверженностью воздействию ИИ примерно на 19% отстаёт от траектории их ровесников в менее затронутых профессиях. Особенно важно другое: разница возникает главным образом из-за снижения найма молодых работников, а у более опытных сотрудников аналогичного провала исследователи не наблюдают. При этом авторы подчёркивают, что признаков массового вытеснения работников во всей экономике пока нет.

Получается странная конструкция: верхние этажи профессиональной иерархии пока стоят. Исчезать начинают ступеньки, по которым туда поднимались.

Ребёнок получает результат раньше, чем способность осмыслить путь его достижения

В образовании происходит почти то же самое. У школьника появился инструмент, способный написать сочинение, решить задачу, составить презентацию, объяснить параграф, придумать гипотезу и исправить ошибку. Результат стал доступным и элементарным. Но выяснилось, что результат и обучение совсем не одно и то же.

Показательный эксперимент был проведён почти с тысячей старшеклассников на занятиях по математике. Во время практики ученики, использовавшие обычную GPT-систему, показывали результаты значительно выше контрольной группы. Но когда ИИ убрали на экзамене, эта группа написала работу в среднем хуже тех, кто изначально учился без него. Совсем иначе вела себя специально спроектированная система, которая не выдавала готовое решение, а подсказывала и заставляла ученика продолжать работу самому.

OECD в Digital Education Outlook 2026 формулирует проблему прямо: успешное выполнение задания с помощью генеративного ИИ не означает обучения. Если система просто снимает интеллектуальную нагрузку, ученик получает красивый результат, но не приобретает навык, который этот результат якобы демонстрирует.

Это и есть главная ловушка.

Раньше ребёнок в процессе решения задачи воспитывал мозг, который однажды научался решать сложные задачи. Теперь он может сразу получить хороший ответ. И мы рискуем перепутать качество ответа с развитием человека.

Эпоха промптов закончится, не успев толком начаться

Некоторое время казалось, что новым фундаментальным навыком станет prompt engineering: надо будет правильно разговаривать с машиной, знать специальные конструкции, тщательно формулировать инструкции. Но это оказался переходный этап.

Современные системы всё лучше восстанавливают намерение из контекста, задают уточнения, работают с документами и инструментами, а агенты способны самостоятельно выполнять длинные последовательности действий. В данных Anthropic за 2026 год уже отдельно приходится учитывать длительные агентные задачи, потому что модель взаимодействия «человек написал запрос - машина ответила» перестала полностью описывать происходящее.

Умение ясно формулировать мысль, конечно, никуда не исчезнет. Но учить ребёнка «правильно писать промпты» как самостоятельной профессии примерно так же перспективно, как когда-то было бы учить его искусству правильно составлять поисковый запрос для Google.

Интерфейс будет становиться всё проще. Ценность будет уходить глубже. Не «как попросить машину сделать работу?», а:

• какую работу вообще стоит делать;

• какая здесь настоящая проблема;

• чего мы пока не замечаем;

• какое предположение лежит в основании ответа;

• почему машина могла ошибиться;

• что произойдёт, если изменить условия;

• какой результат считать хорошим;

• и, наконец, куда идти, если известной дороги вообще нет.

Microsoft Research обнаружила похожее смещение уже у взрослых специалистов. В исследовании 319 работников умственного труда более высокая уверенность в ответах ИИ была связана с меньшими интеллектуальными усилиями со стороны человека. При этом сама структура критического мышления менялась: всё большую роль начинали играть проверка информации, интеграция полученного ответа и управление всей задачей.

То есть машина постепенно передвигает человека вверх по уровню абстракции. Проблема только в одном. Чтобы уверенно работать наверху, раньше надо было долго пожить внизу.

Можно ли перепрыгнуть ученичество?

Здесь история становится интереснее, потому что данные вовсе не говорят, что молодое поколение обречено. Есть исследования с противоположным результатом.

Когда генеративного помощника внедрили в работу более пяти тысяч операторов клиентской поддержки, средняя производительность выросла примерно на 14%, но наибольший эффект получили как раз наименее опытные сотрудники: около 34%. Исследователи предположили, что ИИ фактически передавал новичкам часть неявных приёмов лучших работников. Более того, после временной потери доступа к системе сотрудники сохраняли часть преимущества, что позволяет говорить не только о «костыле», но и о возможном обучении.

И это принципиально важный результат.

Значит, проблема не в самом искусственном интеллекте. ИИ способен и украсть лестницу, и построить новую. Вопрос в том, что именно мы поручаем машине.

Если ИИ получает задачу раньше ребёнка, думает раньше ребёнка, выбирает способ решения раньше ребёнка и выдаёт законченное произведение, человеческое усилие действительно становится лишним.

Если же ИИ появляется после первой гипотезы человека, спорит с ним, показывает противоречие, приносит дополнительный материал, предлагает проверить версию, моделирует последствия и заставляет вернуться к задаче ещё раз, он становится совершенно другим инструментом: не заменителем мышления, но его ускорителем.

Нам придётся искусственно вернуть детям трудность

Звучит парадоксально. Всю историю человечество изобретало технологии, чтобы сделать жизнь легче. А теперь образование, возможно, впервые будет вынуждено сознательно сохранять некоторые трудности именно потому, что машина способна их устранить.

Ребёнку иногда придётся искать самому, хотя ИИ найдёт быстрее. Формулировать гипотезу до обращения к машине. Объяснять собственными словами то, что можно мгновенно сгенерировать. Отстаивать решение перед человеком, который задаёт неудобные вопросы. Работать с неполными данными. Ошибаться. Переделывать. Сравнивать свой первоначальный ход мысли с ответом ИИ. Находить ошибку уже не только в себе, но и в системе. Проверять источник. Менять критерии. Переносить решение из одной области в другую. Делать проекты, последствия которых существуют не только на экране. И это не романтический культ тяжёлого труда.

Никому не нужно заставлять детей вручную выполнять вычисления, которые давно надёжнее делает машина, только ради страдания. Сохранять нужно не старые операции.

Сохранять нужно интеллектуальное усилие.

Самым дефицитным станет не знание ответа

В сложных профессиях постепенно меняется сама цена человеческого участия. Техническое исполнение, получение информации, первичный анализ дешевеют. Создание первого варианта текста, программы, изображения, модели или исследования тоже стремительно падает в цене.

Дороже становятся контекст, критерий, вкус, способность увидеть систему целиком, сформулировать направление поиска и распознать красивый, убедительный, но неправильный ответ.

Но и здесь я бы не слишком успокаивала себя привычной формулой «зато машина никогда не научится творчеству». Научится ли она создавать всё более неожиданные комбинации? Почти наверняка. Научится ли отходить от наиболее вероятного пути? Уже учится. Научится ли генерировать идеи, которые человеку покажутся оригинальными? Безусловно. Поэтому последний человеческий остров, вероятно, расположен глубже. Не просто придумать новый вариант, а захотеть того, чего ещё нет.

Сформулировать цель, которой никто не задавал.

Почувствовать, что существующая постановка задачи неправильна.

Решить, какое будущее вообще стоит строить.

Придать чему-то значение.

Мечтать не потому, что в датасете обнаружилась подходящая комбинация, а потому что человеку почему-то не даёт покоя возможность иной реальности.

И затем взять ответственность за попытку эту реальность создать.

Вот это сегодня кажется гораздо более устойчивым основанием человеческой роли, чем техника написания текстов, программирования или даже генерации идей сама по себе.

Школа Естествознания и Любознательности

Когда обсуждалась модель ШЕЛ, многие её элементы выглядели просто педагогическими предпочтениями. Сегодня они начинают складываться в более серьёзную конструкцию.

В ШЕЛ искусственный интеллект встроен в образовательную среду, но ученик не должен автоматически получать прямой путь от вопроса к готовому ответу.

ИИ доступен учителю. Он помогает искать материал, строить занятие, менять траекторию разговора, подбрасывать новые факты и усложнять задачу. А интеллектуальное движение должен совершать ребёнок.

Предположить.

Спросить.

Ошибиться.

Поспорить.

Увидеть связь между вещами, которые раньше казались несвязанными.

Изменить гипотезу.

Попробовать снова.

Учитель в такой системе всё меньше похож на человека, передающего правильные ответы, и всё больше на менеджера интеллектуального проекта. И внезапно это стало не просто красивой методикой, но оказалось моделью образования для мира, в котором ответы практически бесплатны. В ШЕЛ не пытаются защитить ребёнка от искусственного интеллекта - это бессмысленно, но пытаются отстоять тот короткий и чрезвычайно важный промежуток между «я ещё не знаю» и «теперь я понял», который нельзя без последствий полностью передать машине.

Построить новую лестницу

Нашим детям предстоит жить в принципиально новую эпоху. Возможно, впервые молодому специалисту будет трудно получить работу не потому, что он ничего не умеет, а потому, что машина уже умеет слишком много из того, на чём раньше учились новички. Остановить этот процесс невозможно. Да и не нужно.

Но тогда обязанность взрослых состоит не в том, чтобы запрещать детям пользоваться ИИ и не в том, чтобы как можно раньше научить их перекладывать на него ещё больше работы. Нам придётся построить другую лестницу к мастерству.

На ней будет меньше механических операций и больше исследований.

Меньше воспроизведения и больше выбора.

Меньше готовых задач и больше ситуаций, в которых сначала приходится понять, какова вообще задача.

Меньше оценки результата и больше разговора о ходе мысли.

ИИ на этой лестнице тоже будет. Но не вместо ступеней – рядом.

А конечной целью образования станет уже не человек, способный выполнить работу без машины – таких работ будет всё меньше. Нам нужен человек, который способен работать вместе с машиной и при этом оставаться тем, кто понимает, зачем они вообще куда-то идут.

Пожалуй, именно этому нынешним детям придётся научиться лучше всех предыдущих поколений. Потому что впервые рядом с ними растёт интеллект, которому очень скоро не понадобится объяснять, как. И человеку остаётся гораздо более трудные вопросы: что, зачем и почему именно это?