Искусственный интеллект уже умеет писать код, искать ошибки, разбирать документацию и за несколько минут погружать специалиста в область, которая раньше потребовала бы недель подготовки. Для инженера это не обязательно угроза профессии. Напротив: ИИ может стать интеллектуальным усилителем, позволяющим выйти далеко за пределы собственной специализации.

Инженер по телевизионным системам теперь может самостоятельно собрать программный прототип, разобраться в работе нейросетевой модели или исследовать незнакомый протокол. Разработчик способен быстрее понять электронику, биолог — обработать данные, а небольшой коллектив — выполнить проект, для которого недавно потребовалось бы несколько отдельных команд.

Но у этого расширения возможностей есть обратная сторона. Если ИИ возьмёт на себя не только рутинную работу, но и задачи, на которых начинающий специалист учится думать, отрасль может получить очень производительных опытных инженеров сегодня — и нехватку новых опытных инженеров завтра.

Два совершенно разных способа использовать ИИ

В разговорах о влиянии ИИ часто смешивают два сценария.

В первом система заменяет действие человека. Она получает задачу, выдаёт готовый результат, а пользователю остаётся скопировать код, принять расчёт или утвердить проект. Работа выполняется быстрее, но понимание процесса почти не растёт.

Во втором сценарии ИИ расширяет возможности специалиста. Человек формулирует задачу, исследует варианты, задаёт уточняющие вопросы, проверяет допущения и постепенно осваивает соседнюю область. Здесь модель не отбирает мышление, а делает доступным то, что раньше находилось слишком далеко по времени, стоимости или порогу входа.

Внешне оба специалиста могут получить одинаковый результат. Но после завершения работы у первого остаётся готовый файл, а у второго — ещё и новая рабочая модель предметной области.

Именно поэтому бессмысленно измерять влияние ИИ только числом сэкономленных часов. Важно понимать, что произошло со знаниями человека: исчезли ли они из процесса или, наоборот, расширились.

Первые изменения уже видны на рынке труда

Авторы работы Stanford Digital Economy Lab проанализировали административные данные ADP по миллионам американских работников. Они не обнаружили массового вытеснения людей искусственным интеллектом по всей экономике. Однако среди работников 22–25 лет в профессиях, наиболее подверженных влиянию ИИ, занятость оказалась на 19% ниже уровня, которого можно было бы ожидать при сохранении динамики менее затронутых профессий.

Разрыв возникал преимущественно не из-за увольнений, а из-за сокращения найма молодых сотрудников. Особенно заметным он оказался в профессиях, где ИИ способен именно заменять человеческие задачи. Там, где технология дополняет работу специалиста, занятость оставалась стабильной или росла.

Исследователи осторожны: это наблюдаемая связь, а не окончательное доказательство того, что причиной всех изменений стал ИИ. На результаты влияют образование, состояние технологического сектора, процентные ставки и другие факторы. Тем не менее обновлённые данные до июня 2026 года показывают, что разрыв продолжает увеличиваться.

Другая работа, основанная на данных о 65 миллионах работников и более чем 280 тысячах американских компаний, также указывает на неравномерный эффект. После внедрения генеративного ИИ численность младших сотрудников в компаниях снижалась относительно организаций, не внедривших технологию, тогда как положение опытных специалистов оставалось гораздо устойчивее.

Так возникает парадокс: компании получают инструмент, повышающий производительность экспертов, но одновременно могут разрушить путь, по которому появляются новые эксперты.

Работа начинающего специалиста — не просто дешёвая работа

Младший инженер нужен организации не только для выполнения простых задач. Эти задачи являются учебным стендом.

Именно во время небольших проектов человек учится находить неверные предположения, читать противоречивую документацию, разбираться в чужом коде и понимать, почему красивое решение отказывается работать в реальной системе. Многие из этих действий выглядят неэффективными. В них есть тупики, повторения и часы отладки.

ИИ способен убрать значительную часть такого трения. Но иногда трение и есть обучение.

Опытный инженер использует модель иначе, потому что уже знает, какие вопросы задавать, где искать слабое место и когда уверенный ответ выглядит подозрительно. Его настоящая ценность заключается не только в знаниях, которые можно изложить текстом. Она включает накопившуюся интуицию: ощущение неправильного результата ещё до того, как найдена конкретная ошибка.

Если начинающий сотрудник всегда получает готовое решение, эта интуиция может просто не сформироваться.

Урок автоматизации, который авиация уже усвоила

Похожая проблема давно известна в авиации. Автоматизация сделала полёты безопаснее и сняла с экипажа огромный объём рутинной нагрузки. Однако чем больше времени пилот наблюдает за автоматикой, тем меньше у него практики ручного управления — хотя вмешательство человека обычно требуется именно в сложной и нестандартной ситуации.

Поэтому авиационные регуляторы не предлагают отказаться от автопилота. Федеральное управление гражданской авиации США рекомендует авиакомпаниям сохранять обучение и регулярную практику ручного пилотирования, когда условия позволяют делать это безопасно. Ручной полёт рассматривается как основа других технических навыков.

Для инженерной работы напрашивается тот же принцип: автоматизировать нужно не всё, что возможно автоматизировать, а всё, что можно автоматизировать без потери критически важных человеческих компетенций.

Как работать с ИИ и не отдавать ему профессию

Полностью отключать ИИ ради сохранения навыков было бы столь же странно, как отказаться от вычислительных программ и снова считать сложные системы на бумаге. Нужен не запрет, а осмысленное разделение ролей.

Перед обращением к модели инженер может сначала сформулировать собственную гипотезу. При поиске неисправности — воспроизвести проблему и определить вероятную область причины. При генерации кода — самостоятельно описать архитектуру, ограничения и критерии проверки. После получения результата — потребовать объяснение, проверить ключевые допущения и испытать решение на случаях, которые модель не предложила.

Для начинающих специалистов полезны задачи, в которых ИИ не выдаёт немедленный ответ, а задаёт вопросы, указывает на противоречия и предлагает альтернативы. Эксперименты с такими «провокациями» показывают, что правильно спроектированное взаимодействие способно возвращать в работу критическое и метакогнитивное мышление.

В командах можно создавать участки обязательной человеческой практики: самостоятельную диагностику перед подсказкой модели, ручной разбор критических ошибок, защиту архитектурных решений и регулярное выполнение отдельных задач без генерации готового ответа. Это не ритуальное страдание во имя старых времён. Это тренировка тех навыков, которые понадобятся, когда автоматическая система ошибётся.

При этом ИИ особенно ценен именно как средство расширения специализации. Он позволяет инженеру быстрее освоить программирование, моделирование, анализ данных или работу с нейросетями. Но расширение происходит только тогда, когда человек сохраняет ответственность за постановку задачи и проверку результата.

Главный вопрос — не использовать ли ИИ, а как его использовать

ИИ способен одновременно усиливать специалиста и ослаблять систему подготовки специалистов. Противоречия здесь нет: всё зависит от организации работы.

Для человека с фундаментальной инженерной подготовкой модель может стать экзоскелетом интеллекта — дать доступ к новым дисциплинам и позволить одному специалисту выполнять проекты совершенно другого масштаба. Для новичка тот же инструмент может превратиться в лифт, который доставляет на верхний этаж, не научив подниматься по лестнице.

Задача компаний и самих инженеров — сохранить лестницу, не отказываясь от лифта.

Производительность ближайшего квартала легко измерить. Гораздо сложнее оценить, сколько компетентных людей останется в организации через пять или десять лет. Но если ИИ будет выполнять всю работу, на которой раньше формировалось инженерное мышление, однажды может выясниться, что контролировать его работу уже некому.

Источники и дополнительные материалы

  1. IEEE Spectrum — AI Efficiency Could Cost Us the Next Generation of Experts: https://spectrum.ieee.org/ai-engineer-skills
  2. Stanford Digital Economy Lab — Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence: https://digitaleconomy.stanford.edu/publication/canaries-in-the-coal-mine-six-facts-about-the-recent-employment-effects-of-artificial-intelligence/
  3. Hosseini Maasoum, Lichtinger — Generative AI as Seniority-Biased Technological Change: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5425555
  4. FAA — SAFO 17007: Manual Flight Operations Proficiency: https://www.faa.gov/sites/faa.gov/files/2022-11/SAFO17007.pdf
  5. Drosos et al. — “It makes you think”: Provocations Help Restore Critical Thinking to AI-Assisted Knowledge Work: https://arxiv.org/abs/2501.17247