ИИ Автоматизирует Работу, Создающую Экспертов

Когда компании решают, что автоматизировать, они обычно измеряют время, стоимость, ошибки и выход. Они редко измеряют, что задача учит человека, который ее выполняет. Это упущение имеет значение, потому что многие задачи, которые выглядят повторяющимися или неэффективными, также являются частью невидимой системы стажировки, через которую люди становятся способными профессионалами.

Младший аналитик, строящий первую модель, разработчик, отслеживающий базовую ошибку, агент поддержки, обрабатывающий обычную жалобу, и юрист, готовящий первоначальную исследовательскую записку, все производят работу. Они также учатся, как информация соединяется, какие детали имеют значение, где появляются ошибки и когда знакомый шаблон больше не применяется. Если ИИ удаляет задачу без замены процесса обучения, организация может получить выгоду сегодня, ослабляя экспертизу, которая будет нужна позже.

Вопрос о рабочей силе поэтому больше, чем вопрос о том, уменьшит ли ИИ прием на работу на уровне входа. Лидерам нужно задать вопрос, что происходит с практическими циклами, которые когда-то превращали неопытных сотрудников в людей, способных судить, исправлять и контролировать интеллектуальные системы.

Экспертиза Построена Через Исправление

Экспертиза часто описывается как знание, но знание само по себе недостаточно. Опытные люди встречали достаточно случаев, чтобы распознать слабые сигналы, заметить необычные комбинации и понять, когда стандартный ответ небезопасен. Это суждение развивается через повторяющиеся циклы попыток работы, получения обратной связи, исправления ошибок и наблюдения за последствиями решений.

Многие младшие задачи ценны именно потому, что они создают эти циклы. Создание первой версии анализа заставляет кого-то решить, что актуально. Очистка данных показывает, насколько несовершенной может быть реальная информация. Обработка простых дел клиентов учит нормальному шаблону, который позже делает аномальный случай легче распознать. Просмотр готового вывода эксперта не создает той же глубины, потому что трудные выборы уже были сделаны и скрыты.

ИИ может сжать эти циклы. Первый проект появляется до того, как сотрудник сформулировал проблему. Помощник кода предлагает решение до того, как разработчик отслеживает неудачу. Исследовательский инструмент суммирует доказательства до того, как аналитик сравнил источники. Выход может быть лучше и быстрее, но сотрудник получает меньше возможностей построить внутреннюю модель того, почему это правильно.

ИИ Может Ускорить Обучение, Но Конструкция Имеет Значение

Риск не неизбежен. Некоторые из самых сильных доказательств о генеративном ИИ на работе показывают, что он может помочь менее опытным сотрудникам учиться быстрее, когда он используется как руководство, а не как замена участия.

Исследование NBER 5,179 агентов поддержки клиентов показало, что доступ к генеративному помощнику ИИ увеличил производительность на 14 процентов в среднем, с улучшением на 34 процента среди начинающих и менее квалифицированных работников. Исследователи нашли косвенные доказательства того, что система помогла распространить практики более сильных агентов и переместить новых работников вниз по кривой опыта быстрее.

Конструкция этой работы имеет значение. Агенты получали предложения во время реальных разговоров с клиентами, но они все еще должны были интерпретировать ситуацию, выбрать, как ответить, и наблюдать за результатом. Цикл обучения остался целым. ИИ добавил своевременный доступ к шаблонам экспертов без полного удаления сотрудника из решения.

Это отличается от рабочего процесса, в котором система завершает задачу, а сотрудник выполняет быстрое одобрение в конце. Когда люди остаются активными в диагностике, выборе и последствиях, ИИ может функционировать как тренер. Когда они сокращаются до принятия отполированного выхода, технология может увеличить краткосрочную производительность, делая гораздо меньше для долгосрочной способности.

Автоматизация Достигает Задач, Создающих Человеческий Капитал

Легко предположить, что ИИ удалит только низкоквалифицированную, повторяющуюся работу. Текущие доказательства предполагают более сложную модель.

Индекс Anthropic январь 2026 Economic Index показал, что задачи, охваченные Claude, требовали больше образования, чем среднее значение по экономике. В экспериментальной оценке исследователи обнаружили, что удаление этих задач, охваченных ИИ, из профессий произведет первый эффект дескиллинга работы, потому что многие из этих задач представляли собой компоненты высшего образования роли. Anthropic был осторожен, чтобы сказать, что это не было прогнозом, поскольку профессии могут эволюционировать и появляться новые задачи, но это должно изменить, как компании думают об автоматизации.

Рутинная и развивающаяся не являются противоположностями. Подготовка анализа может стать рутинной для опытного сотрудника, оставаясь важной практикой для младшего. Создание стандартных контрактов, отладка знакомых ошибок, подготовка прогнозов и просмотр истории клиента могут быть автоматизированы, но они также подвергают сотрудников структуре профессии.

Это создает стратегическую проблему. Самая легкая задача для автоматизации также может быть задачей, через которую новый сотрудник учится контексту, необходимому для обработки трудной задачи позже.

Парадокс Верификации

Многие организации отвечают, говоря, что люди перейдут от производства к верификации. ИИ будет генерировать работу, а люди будут проверять точность, применять контекст и оставаться ответственными. Это звучит разумно, но оно содержит парадокс: верификация сама по себе требует экспертизы, которую автоматизированная работа использовала для создания.

Исследование Microsoft Research (MSFT ) с участием 319 работников знаний и 936 примеров использования генеративного ИИ показало, что большая уверенность в ИИ была связана с меньшими усилиями критического мышления. Исследование также показало, что ИИ сместил критическое мышление в сторону верификации, интеграции и управления задачами. Эти деятельности ценны, но человек не может хорошо проверить без достаточного знания области, чтобы распознать, что может быть отсутствовать.

Непосредственный сотрудник может проверить, является ли ответ явно несовместимым или не поддерживается. Гораздо труднее заметить, что анализ использовал неправильную основу, проигнорировал операционное ограничение или достиг правдоподобного вывода по неправильной причине. Отполированный выход ИИ может скрыть отсутствие понимания, потому что он выглядит завершенным до того, как сотрудник разработал суждение, чтобы его расследовать.

Исследование “колючего технологического фронтира” делает проблему более конкретной. В эксперименте с 758 консультантами пользователи ИИ завершили задачи в пределах технологического фронтира на 25,1 процента быстрее и произвели результаты более чем на 40 процентов выше качества. На задаче вне этого фронтира, однако, пользователи ИИ были на 19 процентных пунктов менее вероятны достичь правильного решения, чем участники, работающие без ИИ.

Критическая способность поэтому не просто использование ИИ. Это распознавание, когда система работает вне границы надежной производительности. Эта граница редко очевидна, и обучение, чтобы увидеть ее, требует опыта как успешных случаев, так и неудач.

Скрытый Риск Сукцессии

Отчет Всемирного экономического форума о будущем работы 2025 показал, что работодатели ожидают, что 39 процентов основных навыков работников изменятся к 2030 году. Он также показал, что 63 процента работодателей уже рассматривают пробелы в навыках как значительный барьер для трансформации, в то время как 77 процентов планируют повысить навыки сотрудников и 41 процент ожидают сократить численность работников, поскольку ИИ автоматизирует задачи.

Эти стратегии могут конфликтовать, если организации удаляют слишком много работы, через которую навыки формируются. Компания может сократить прием на работу на уровне входа, полагаться на старших сотрудников, чтобы контролировать ИИ, и все еще сообщать о сильной производительности в течение нескольких лет. Слабость появляется позже, когда опытные люди уходят, спрос растет или организация нуждается в сотрудниках, способных справиться с ситуациями, которые система не видела.

Старшие эксперты также могут стать новым операционным ограничением. Если ИИ увеличивает объем работы, а только небольшая группа может проверить трудные выходы, эти люди тратят больше времени на просмотр и исправление, а не на обучение. Компания получает производственную мощность, но концентрирует суждение в меньшем количестве рук.

Ни одна организация не может автоматизировать стажировку, а затем предположить, что она будет продолжать покупать опыт на рынке. Если многие компании следуют одной и той же стратегии, внешний пул опытных талантов в конечном итоге становится тоньше и более дорогим.

Измерьте Развивающее Значение Работы

До автоматизации задачи компании должны оценить ее на двух измерениях. Первое – это выходное значение: насколько важно, дорого и чувствительно к времени результат? Второе – это развивающее значение: какая способность строится, выполняя задачу?

Задачи с низким выходным значением и низким развивающим значением являются очевидными кандидатами на полную автоматизацию. Перестановка рутинных документов или передача информации между системами может научить мало после достижения базовой компетентности.

Задачи с высоким выходным значением, но низким развивающим значением, могут часто быть автоматизированы с соответствующим контролем. Организация все еще нуждается в управлении, потому что результат имеет значение, но сохранение ручного процесса может внести мало в рост сотрудников.

Самая упущенная категория содержит задачи с скромным немедленным выходным значением, но высоким развивающим значением. Первый проект младшего сотрудника может не быть коммерчески важным, потому что старший человек пересмотрит его, но его производство создает ценное сравнение между первоначальным рассуждением и обратной связью эксперта. Удаление этого шага экономит время, но также удаляет практику.

Задачи с высоким выходным значением и высоким развивающим значением должны обычно быть дополнены, а не полностью делегированы. Сотрудники могут использовать ИИ для исследования, вариантов и критики, но они должны сохранить значительную ответственность за формулировку проблемы, объяснение решения и обучение на результате.

Постройте Слой Стажировки Намеренно

Как только развивающие задачи были выявлены, компании могут переработать их, а не сохранять неэффективные рабочие процессы неизменными. Цель не состоит в том, чтобы заставить сотрудников повторять каждый ручной процесс из прошлого. Это реконструкция опыта, которые строят суждение в более быстрой, намеренной форме.

Одним из вариантов является сохранение первого подхода к мышлению. До того, как увидеть рекомендацию ИИ, сотрудник записывает первоначальный диагноз, прогноз или решение. Система может затем предоставить альтернативу, и сотрудник должен объяснить, где они различаются и какой подход они будут использовать.

Организации также могут построить библиотеки неудач ИИ, пограничных случаев и спорных решений. Просмотр только успешных выходов учит сотрудников доверять системе. Изучение того, где она неудачно, помогает им распознать условия, которые требуют эскалации, дополнительных доказательств или вмешательства человека.

Менеджеры должны оценить, может ли обучение передаваться за пределы инструмента. Может ли сотрудник объяснить рассуждение, лежащее в основе окончательного выхода? Может ли он выявить предположения, которые сделали бы его неправильным? Может ли он адаптироваться, когда контекст меняется или ИИ недоступен? Эти вопросы раскрывают больше о готовности, чем количество использованных подсказок или выполненных задач.

Самое главное, младшие сотрудники все еще нуждаются в реальной ответственности. Симуляции и структурированная практика помогают, но экспертиза также зависит от последствий, обратной связи и контакта с реальной сложностью. ИИ должен сделать эти переживания более безопасными и частыми, а не удалять их полностью.

Преимущество Рабочей Силы Будет Происходить От Быстрого Развития Экспертизы

Самые сильные организации не будут теми, которые автоматизируют наибольшее количество младших задач. Они будут теми, которые удаляют низкоценную работу, ускоряя развитие людей, которые могут использовать, оспаривать и контролировать ИИ ответственно.

Это требует более широкого определения возврата на автоматизацию. Время, сэкономленное, и выход произведенный, важны, но лидерам также следует измерять, укрепляет ли новый рабочий процесс будущий запас суждения организации или ослабляет его. Процесс, который снижает затраты, нанося ущерб трубопроводу экспертизы, может быть эффективным только на коротком временном горизонте.

До утверждения следующего проекта автоматизации лидерам следует задать один дополнительный вопрос: что люди узнали, выполняя эту работу, и где это обучение произойдет после автоматизации работы?

Ответ определит, будет ли ИИ просто производить больше выхода или поможет произвести следующее поколение экспертов.