Anthropic et Amazon montrent comment l’AI au travail érode les compétences

Новый разбор о так называемой ИИ-деквалификации сводит в одну картину несколько тревожных сигналов из разработки, медицины и корпоративного ИТ. Главная мысль проста: если генеративный ИИ слишком долго делает за человека самую сложную умственную работу, продуктивность может расти только на поверхности, а реальные навыки — слабеть.

Как проявляется риск

Один из самых наглядных примеров — история софтверного консультанта Джоша Андерсона, который попробовал построить приложение Road Trip Ninja почти целиком с помощью ИИ. На старте эксперимент выглядел обнадёживающе, но по мере роста проекта всё упёрлось в масштаб: кодовая база перевалила за 100 тысяч строк, диалоги с ботом стали занимать часы, а прогресс почти остановился. Формально человек мог вмешаться и закончить систему сам, но на практике разбирать большой массив слабо структурированного ИИ-кода оказалось слишком тяжело.

Проблема не ограничивается одним кейсом. В материале приводятся наблюдения разработчиков, которые почувствовали резкое падение собственной эффективности во время недавних сбоев Claude: когда ассистент исчезал, привычный темп работы ломался. На этом фоне особенно показательно внутреннее исследование Anthropic: компания обнаружила, что генеративные инструменты для программирования могут ухудшать навыки отладки и понимания кода.

Если специалист уже привык, что черновую архитектуру, шаблонные функции и часть проверок делает модель, вернуть полный контроль над задачей оказывается сложнее, чем кажется.

Почему навыки тают Для этого эффекта уже появились рабочие термины.

Один из них — «эффект отскока ИИ»: система как будто повышает производительность, но одновременно сжимает ментальные модели, которые человек использует в сложной работе. Похожую логику исследователи описывают как «когнитивный долг»: сотрудник быстрее закрывает задачи сегодня, но перестаёт тренировать критические навыки, которые нужны завтра. В итоге появляется опасная смесь из зависимости от инструмента и ложной уверенности в результате.

«Когда автоматизация берёт на себя детали, ситуационная

осведомлённость притупляется».

• Человек реже отлаживает проблему вручную и хуже видит корень ошибки Снижается привычка проверять промежуточные шаги, а не только финальный ответ Растёт зависимость от доступности модели, её обновлений и внешнего поставщика * Ошибки модели легче пропустить, потому что у пользователя меньше собственной практики ## Где бизнес платит Авторы материала ссылаются сразу на несколько исследований из разных сфер. В бухгалтерии автоматизация уже связывалась с эрозией навыков и снижением критического мышления. В исследовании Carnegie Mellon при поддержке Microsoft 319 работников умственного труда сообщили о потере части критических навыков при активном использовании генеративного ИИ. В медицине вывод похожий: ассистенты могут ускорять отдельные действия врача, но если убрать систему, качество работы способно просесть ниже прежней нормы, потому что часть профессиональной рутины уже перестала регулярно тренироваться. Для бизнеса это не только вопрос удобства, но и вопрос устойчивости. Если ИИ-сервис недоступен, меняет правила работы или просто ошибается в критический момент, команде всё равно нужны люди, способные взять задачу на себя. Именно здесь всплывает пример Amazon: после сокращений и усиления оставшихся команд ИИ у компании, по версии автора, не хватило инженерной экспертизы для предотвращения и быстрого устранения крупных сбоев. Есть и второй риск: модели нужно постоянно дообучать на качественных данных, а эти данные создают квалифицированные специалисты. Если их уровень проседает, со временем хуже становится и сам ИИ.

Что это значит

Главный вывод не в том, что ИИ надо выключить, а в том, что его опасно превращать в замену мышлению. Пока компании меряют эффект скоростью выполнения задач, они могут не заметить медленную потерю компетенций внутри команд. Если этот тренд закрепится, рынок получит работников, которые умеют хорошо работать только вместе с ассистентом, но всё хуже справляются без него именно там, где ошибка стоит дороже всего.