Пирамида карьерного роста становится ромбом: как растить новых экспертов и руководителей в эпоху ИИ
Каждый, кто сегодня внедряет ИИ, слышит одно и то же: «зачем нам джуны, если модель делает их работу быстрее и дешевле?» С точки зрения бюджета на этот год вопрос логичный. Но через пять лет он оборачивается другим вопросом: где взять старших, если младших никто не вырастил?
Я считаю, что экономия на младших сегодня - одна из самых дорогих ошибок внедрения ИИ. Ниже расскажу почему и что с этим делать: как учить молодых, когда простую работу делает модель, и как растить из них руководителей.
Работа не исчезает, но платят за переход люди
Технологии не убирают работу совсем, они её меняют. Шесть из десяти нынешних профессий в 1940 году не существовало: это посчитали Дэвид Отор и его коллеги из MIT по переписям США (MIT News). И есть профессии, которые тогда были востребованы, а сейчас пропали.
Но трансформация не происходит за день или месяц, она может длиться годами и десятилетиями. В Британии во время промышленной революции выработка на работника за шестьдесят лет выросла на 46 %, а реальная зарплата только на 12 % (Роберт Аллен, «пауза Энгельса»). В итоге всё сложилось, но целое поколение прожило жизнь в этой паузе.
А платят за такой переход люди, которым никто не помогает. Поэтому тот, кто внедряет или создаёт ИИ, отвечает не только за эффект, но и за переход в новую парадигму. И прежде всего за переход людей.
Пирамида становится ромбом
Классическая карьера устроена как пирамида: внизу много младших, выше меньше средних, на вершине несколько старших. Младшие делают простую работу, на ней учатся, часть из них поднимается выше.
Теперь ИИ забирает именно эту простую работу. И пирамида карьерного роста становится ромбом. В компаниях становится меньше младших позиций, но без начального опыта невозможно стать средним и высококвалифицированным специалистом.
Каждой компании по отдельности выгодно не нанимать начинающих: дешевле взять готового специалиста и дать ему ИИ. Бриньолфссон называет это дилеммой заключённого, и я с ним согласен. Если так поступают все, через несколько лет готовых специалистов не будет ни у кого, и компании начнут перекупать друг у друга тех немногих, кто успел вырасти. Сэкономили на джунах - покупаете синьоров у конкурентов, только дороже.
Первые признаки уже видны. По свежим данным Стэнфорда, занятость молодых от 22 до 25 лет в профессиях, сильнее всего открытых ИИ, на 19 % ниже ожидаемой, а год назад разрыв был 15 % (Stanford Digital Economy Lab, август 2026). Паниковать рано: сами авторы называют это описательной картиной, а Йель по рынку в целом сбоя пока не видит. Но мне важнее другое из стэнфордских данных: спад идёт там, где ИИ замещает человека, а где дополняет, занятость ровная или растёт. То есть всё решает не технология, а то, как её применяют.
Про инженеров я этот риск уже описывал летом в статье «Инженер через 5 лет»: мы рискуем выиграть три года производительности и проиграть поколение экспертизы. Теперь видно, что это касается не только инженеров.

Кому ИИ помогает больше
По моему опыту ИИ сильнее всего помогает тем, кто сочетает гибкость и открытость мышления с экспертизой, которой хватает, чтобы поставить задачу и проверить результат.
У новичка гибкость есть, а экспертизы, чтобы проверить модель, нет. И он легко попадает в ловушку ошибок. Модель уверенно ошибается, а он ей верит, потому что сам не знает, как должно быть.
Эксперта ИИ может усилить в три, пять, а то и в десять раз: он знает, что спросить, и сразу видит, где модель врёт. Но эксперты часто зажаты. Они не готовы доверять, у многих снобизм: «я двадцать лет это делаю, что мне подскажет машина». И тогда ИИ им почти ничего не даёт.
Мидлы в этой картине самый интересный слой. Экспертизы у них уже хватает, чтобы проверить модель на типовой задаче, а гибкость ещё не ушла. По моему опыту именно они быстрее всех получают от ИИ отдачу. Но рисков у них два. Первый: их опыт часто собран на тех самых типовых задачах, которые теперь забирает ИИ. Если не уходить в сложные задачи, мидл застревает: рутины меньше, а до глубины старшего он ещё не дорос. Второй: раньше мидл рос, когда начинал вести младших. Младших меньше, и этой ступеньки тоже нет. Поэтому мидлу я бы давал две вещи: сложные задачи, где ИИ работает его руками, и роль наставника для тех младших, что есть.
Принято считать иначе, что больше всего ИИ помогает новичкам. И на типовых задачах так и есть, там ИИ даёт буст по скорости. В колл-центре с ИИ-подсказчиком выработка новичков выросла на 34 %, а у самых опытных почти не изменилась (QJE, 2025). У консультантов BCG на задачах, с которыми ИИ справляется хорошо, слабые прибавили 43 %, сильные 17 %, а все вместе работали на четверть быстрее (Dell'Acqua и соавторы, 2023).
На сложных задачах картина другая, и ИИ порой просто мешает. В том же эксперименте BCG была задача, специально построенная так, чтобы модель ошиблась. Таблица с данными выглядела полной, а важные детали прятались в заметках из интервью с сотрудниками, и они вели к другому выводу. Без ИИ задачу верно решили почти 85 % консультантов, с ИИ от 60 до 70 %.
Почему так вышло? Не от нехватки опыта: это были сильные консультанты BCG. Ловушка, в которую обычно попадает новичок, сработала и на опытных. Авторы пишут, что проиграли те, кто слепо принимал ответ модели и меньше его проверял. Самое показательное: группа, которой перед экспериментом коротко объяснили, как работать с ИИ, ошибалась чаще остальных, на 24 процентных пункта против 13. Вера в технологию оказалась сильнее собственного опыта. Так что у снобизма экспертов есть основания: иногда ИИ действительно уводит не туда.
Но вывод отсюда не «ИИ для сложных задач не годится». На сложной задаче ИИ становится руками эксперта. И буст он должен давать не по количеству закрытых задач, а по глубине проработки: больше исследований, больше рассмотренных вариантов, больше проверенных гипотез за то же время. Тут очень многое зависит от того, кто и как работает с ИИ и как проверяет результат. Те же авторы описали два рабочих стиля и назвали их кентаврами и киборгами. Кентавры делят работу: это делаю я, это отдаю модели. Киборги вплетают ИИ в каждый шаг и всё время сверяют его с собой. И ещё одно их наблюдение: идеи у тех, кто работал с ИИ, оказались заметно похожи друг на друга. Если просто попросить модель «дай варианты», получите те же варианты, что и все. Глубину надо требовать от модели, а значит, знать, чего требовать.
Поэтому я бы спрашивал не «кому ИИ помогает больше», а что мешает каждому. Новичку не хватает экспертизы, чтобы проверять, и это лечится пятью ходами ниже. Эксперту не хватает гибкости. Тут помогает задача, на которой ИИ заметно быстрее, коллега рядом, который уже так работает, и руководитель, который спрашивает результат, сделанный с ИИ. Мидлу не хватает сложных задач и своих младших, которых можно вести. А сильнее всех выигрывает пара: гибкий младший и эксперт, который перестал сопротивляться.

Как растить новых экспертов: пять ходов
Раньше младший рос на черновой работе: делал простое, ошибался, старший поправлял. Теперь простое делает модель, и путь, по которому вырастали эксперты, надо строить заново. Младшие учатся не на рутине, а на проверке того, что сделал ИИ, и на исключениях. Вот пять ходов, которые я предлагаю руководителю.
1. Младший проверяет ИИ. Он не делает работу сам, а принимает или отклоняет результат модели и объясняет почему. Хороший тренажёр: черновик документа от модели с заранее спрятанными ошибками, который младший проходит по листу приёмки. Проверить можно, только понимая, как должно быть. Это и есть обучение.
2. Исключения, а не поток. Типовые случаи берёт ИИ, младшему достаются нестандартные под присмотром старшего. Так он за несколько месяцев видит то, что раньше встречал раз в год.
3. Учебный режим без ИИ. Главные операции младший какое-то время делает руками, чтобы понимать, что именно проверяет модель. В авиации это давно норма: пилотам рекомендуют регулярно летать вручную, потому что постоянный автопилот ослабляет навык быстро взять управление на себя (FAA, 2013).
4. Пара со старшим или мидлом на реальной задаче. Обучение без сопровождения - это расход, а не вложение. Курс даёт знание, а навык появляется только на своей задаче с обратной связью (подробнее об этом в статье «Обучение персонала: системный подход»). Наставник проговаривает, почему принял решение, а ИИ освобождает ему на это время. Для мидла это ещё и своя ступенька роста: он учится вести людей.
5. Ротация по процессу. Раньше рост шёл вглубь одной операции. Теперь он идёт вширь: младший проходит процесс целиком и учится видеть связи. Глубину по любой отдельной теме модель даст по запросу, а увидеть картину целиком и задать правильный вопрос может только человек.
Метрика для руководителя одна: через сколько месяцев младший начинает сам ловить ошибку модели. Если этот срок не сокращается, подготовку вы не перестроили, а просто убрали ступеньку, по которой растут ваши будущие старшие.

Как растить руководителей
С руководителями та же история, только заметнее. Раньше путь в управление шёл через первую команду: человеку давали двух-трёх подчинённых, и на них он учился ставить задачи, проверять и отвечать за результат. Теперь первая «команда» появляется раньше, и это агенты.
Ставить задачу агенту и принимать его результат - это та же управленческая работа, только в малом масштабе. Нужно понять, что на самом деле нужно, сформулировать задачу с границами и критериями, а потом честно проверить, что получилось, и не нажимать «принять» не глядя. Исполнение подешевело, постановка подорожала. Ровно этому и надо учить будущих руководителей. Как устроена среда, в которой агент работает и не срывается, я разбирал в статье «Обвязка ИИ-агента».
Поэтому я бы давал молодым специалистам постановку задач ИИ как можно раньше, но не бесконтрольно. Пусть сформулируют задачу, получат результат, защитят его перед старшим и разберут, где модель ошиблась и почему они этого не заметили. Через год у вас будет человек, который умеет ставить задачи и отвечать за итог. А это и есть основа управленца.
Россия: в ИТ вход сужается, в промышленности людей не хватает
У нас картина двойная. В ИТ вход в профессию действительно сужается: в начале 2026 года вакансий без опыта там было около 10 %, а по рынку в целом почти 38 % (SuperJob через «Эксперт»). Правда, пока это скорее заморозка проектов и поток выпускников курсов, чем ИИ.
А в промышленности, логистике и продажах людей просто не хватает: спрос на молодых без опыта за год вырос примерно на 40 % (New Retail по данным hh.ru, HRlink и ПЭК). Для промышленности ИИ скорее ответ на дефицит кадров, чем угроза рабочим местам.
Но вопрос «на чём они будут учиться» стоит и там. Молодого технолога или мастера вы наймёте, а простые задачи, на которых он раньше учился, уже забрал агент. Знание ветерана цеха, если оно ушло в систему, само себя младшему не передаст.
Что сделать руководителю
Если вы внедряете ИИ, добавьте в план две строки рядом со строкой экономии.
Первая - переход людей. Сколько сотрудников, чьи задачи ушли модели или агенту, через полгода-год работают на новых задачах внутри компании. С владельцем и сроком. Если в плане есть только экономия ФОТ, вы оптимизируете бюджет, а не трансформируете компанию.
Вторая - вход в профессию. Сколько младших позиций вы держите на ближайшие два-три года и как их учите. Курсы «работы с ИИ» для всех не в счёт. Считается то, что описано выше: проверка ИИ, исключения, ручной режим, пара со старшим или мидлом, ротация.
И одна метрика на всё: через сколько месяцев ваш младший сам ловит ошибку модели. Начните считать её сейчас. Через пять лет от неё будет зависеть, кто у вас будет старшим.
Что почитать дальше
Книга Джимшера Челидзе «Искусственный интеллект. С неба на землю» - о том, как внедрять ИИ в компании и какие люди для этого нужны: те, кто понимает предметную область и умеет ставить задачу ИИ и проверять его результат. Скачать бесплатную редакцию.
Обучение и консультации по внедрению ИИ - на главной странице сайта.



