AI 2027: как планировать команду, когда ИИ меняется

· 11 мин чтения · mysummit.school

AI для менеджеровAI 2027Управление командойПланированиеAI-агентыНавыки будущегоСтратегия

AI 2027: как планировать команду, когда ИИ меняется

Есть прогноз, который стоит прочитать не ради даты, а ради одной фразы. Сценарий AI 2027 описывает приход сверхчеловеческого ИИ примерно к 2027 году: сначала автоматизируется программирование, потом рутинный когнитивный труд, рынок junior-разработчиков уходит в турбулентность. На фоне этого авторы называют компетенцию, которая, наоборот, дорожает. В спросе оказываются те, «кто умеет управлять командами ИИ и контролировать их качество».

Написал это не блогер-алармист. Дэниел Кокотайло – бывший исследователь OpenAI, чьи прошлые прогнозы сбывались: ещё до ChatGPT он предсказал цепочки рассуждений, экспортный контроль на чипы и тренировки моделей за 100 миллионов долларов. Соавтор Эли Лифланд занимает первое место в рейтинге прогнозистов RAND. То есть перед нами не фантастика, а конкретный количественный прогноз от людей с треком.

И тут же оговорка, без которой весь текст превращается в панику. Сами авторы пишут: 2027 – это их модальный год, но медианы дальше, а сценарий описывает один из многих возможных вариантов. Читать его как пророчество бессмысленно. А вот как инструмент для проверки своих планов на прочность – очень даже.

Дальше – практический разбор одной конкретной задачи: как менеджеру принимать решения по найму, бюджету и развитию команды, когда способности ИИ – движущаяся цель. Из статьи вы уйдёте с рабочим фреймворком и парой действий, которые можно применить уже на этой неделе.

Почему план против движущейся цели обычно проваливается

Обычная реакция на такой прогноз – одна из двух крайностей. Либо «это хайп, ничего за год не изменится, работаем как работали». Либо «всё пропало, надо срочно всё переучивать». Обе одинаково бесполезны для менеджера, которому в понедельник согласовывать план найма на следующий квартал.

Проблема в том, что мы по привычке пытаемся угадать дату. Когда именно ИИ научится делать вот эту задачу? В 2027-м? В 2030-м? Никогда? На этот вопрос честного ответа нет ни у кого, включая авторов сценария. И любой план, который держится на одной угаданной дате, ломается в тот день, когда дата сдвигается.

Хорошая новость: планировать под неопределённость военные, страховщики и стратеги умеют давно, и дата им для этого не нужна. Приём называется сценарным мышлением. Вместо «когда это случится» вопрос ставится иначе: «какие решения останутся верными при разном раскладе». AI 2027 полезен ровно этим – это готовый, детально прописанный сценарий, который можно взять как один из вариантов будущего и проверить об него свои ставки.

Фреймворк: три горизонта вместо одной даты

Сценарное мышление для менеджера сводится к трём шагам. Ничего сложного, всё делается за один вечер с блокнотом.

Первый шаг – взять не даты, а горизонты способностей. Три штуки достаточно. Горизонт «как сейчас»: ИИ – помощник в чате, отвечает за подсказку человек. Горизонт «агенты работают сами»: ИИ запускается надолго, помнит контекст между сессиями, имеет доступ к вашим системам и выполняет многошаговые задачи без присмотра. Горизонт «ИИ забирает рутину»: значительная часть рутинного когнитивного труда в вашей команде автоматизирована, человек занят надзором и суждением. Заметьте, к каждому горизонту не привязана дата. Это специально.

Границы между горизонтами и сегодня размыты неравномерно: один и тот же ИИ уверенно решает олимпиадную задачу и путается в показаниях аналоговых часов. Это явление зубчатого края стоит держать в уме при работе с таблицей ниже – прогресс идёт не ровным фронтом, а рывками по отдельным навыкам.

Второй шаг – выписать свои реальные ставки. Не абстрактные, а те, за которые вы отвечаете. Кого нанимаем в следующие полгода. На что тратим бюджет на обучение. Какие навыки развиваем у людей, которые уже в команде. Какие процессы строим на год вперёд.

Третий шаг – прогнать каждую ставку через три горизонта и задать один вопрос: устоит ли это решение, если горизонт сбудется? Получается простая таблица.

Ставка команды«Как сейчас»«Агенты работают сами»«ИИ забирает рутину»
Нанять джуна на рутинную аналитикуПолезноПод вопросомСтавка не окупается
Учить команду ставить задачу и проверять результатПолезноПолезноКритично
Построить процесс вокруг одного человека-экспертаРаботаетХрупкоЛомается
Развивать у людей надзор и делегирование ИИПолезноКритичноКритично

Ценность таблицы не в конкретных клетках, а в том, что она показывает. Одни ставки хороши только в первом столбце и рассыпаются дальше. Другие остаются верными во всех трёх горизонтах сразу. Вот эти последние – самые надёжные вложения. В стратегии их называют решениями без сожалений: вы не прогадаете, каким бы ни оказалось будущее. Учить команду внятно ставить задачу и проверять чужую работу полезно и сегодня, и в любом из сценариев. А вот нанять ещё одного человека под задачу, которую через год закроет продукт, – ставка, которая живёт только в первом столбце.

Прогнать этот разбор в одиночку тяжело: легко застрять в собственных допущениях. Здесь как раз уместно использовать ИИ – не как оракула, а как спарринг-партнёра, который подсветит слепые зоны. Ниже промпт, который проводит вас через сценарный стресс-тест. Он заполнен на примере тимлида аналитики – запустите как есть, потом подставьте свою команду и свои ставки.

Попробуйте самиРеальная команда -> сценарный стресс-тест ставок. Проверьте: модель разложила именно ваши решения по горизонтам или выдала общие рассуждения о будущем?

Вы

Ты – стратегический консультант по планированию команды в условиях неопределённости. Помоги мне провести сценарный стресс-тест моих управленческих решений.

Контекст:
- Моя роль: тимлид аналитики в продуктовой компании, в команде 5 человек.
- Решения, которые я принимаю в ближайшие полгода: нанять ещё одного junior-аналитика на подготовку регулярных отчётов; заложить бюджет на обучение команды; выбрать, какие навыки развивать у текущих людей.
- Что команда уже делает с ИИ: черновики отчётов, разбор обратной связи, сводки по данным.

Сделай следующее:
1. Разложи каждое моё решение по трём горизонтам способностей ИИ: «ИИ – помощник в чате», «ИИ-агенты работают автономно и долго», «ИИ забирает значительную часть рутинного когнитивного труда».
2. По каждому решению честно скажи, в каких горизонтах оно остаётся верным, а в каких становится хрупким или проигрышным.
3. Выдели решения без сожалений – те, что верны во всех трёх горизонтах. Это мои самые надёжные ставки.
4. Задай мне 3 уточняющих вопроса, которые я упустил и которые изменили бы выводы.

Не предсказывай даты. Не пугай. Твоя задача – помочь мне увидеть, какие решения устойчивы к любому раскладу.

Сравниваем:gpt-5.4-nanodeepseek-v4-flash

Какие навыки дорожают при любом раскладе

Если прогнать через три горизонта не отдельные решения, а навыки, всплывает четвёрка, которая держится во всех столбцах. Сценарий AI 2027 косвенно подтверждает каждый: вся драма его финала строится на том, что люди неверно доверяют ИИ, который научился хорошо выглядеть в проверках.

Первый навык – суждение. Решить, стоит ли вообще браться за задачу, какой результат считать хорошим, где проходит граница допустимого. Модель может сгенерировать сто вариантов, но выбрать и отвечать за выбор придётся человеку.

Второй – верификация. Умение проверить чужую работу, в том числе работу ИИ, и поймать момент, где она правдоподобна, но неверна. В сценарии это буквально сюжетообразующая проблема: ИИ выдаёт результат, который выглядит убедительно и проходит формальные тесты, а верен ли он на самом деле – отдельный вопрос. Отдельный риск здесь – незаметно передать ИИ не только исполнение, но и само размышление: в материале про подмену мышления ИИ (thinkslop) разбирали, как это происходит.

Третий – понимание, когда ИИ применять НЕ стоит. Это недооценённый навык. Знать границу, за которой быстрый ответ модели создаёт больше риска, чем экономит времени, ценнее умения выжать из промпта максимум.

Четвёртый – делегирование и надзор. Умение поставить задачу так, чтобы результат был стабильным, и выстроить контроль за исполнителем. Раньше исполнителем был человек, теперь всё чаще ИИ, но управленческая суть та же.

Обратите внимание: ни один из четырёх не привязан к конкретной модели или инструменту. Выйдет новая версия – навыки не устареют. Именно поэтому они и есть самая надёжная строка в вашем плане обучения.

Навык, который стоит начать осваивать уже сейчас

Есть одна компетенция, которую сценарий выделяет отдельно и которая пока мало у кого прокачана. Управлять не одним ИИ в чате, а набором агентов.

Разница принципиальная. Чат с ChatGPT – это диалог: вы спросили, вам ответили. Агент – это исполнитель, который запускается надолго, сам разбивает задачу на шаги, ходит в ваши системы и возвращается с готовым результатом. А когда таких агентов несколько и они работают параллельно, у менеджера появляется новая дисциплина: распределить между ними задачи, синхронизировать, проверить выходы, когда проверяющих объектов больше, чем вы успеваете читать, и решить, в какой точке эскалировать к человеку. Это менеджерская работа, а не техническая. По сути – управление командой, только команда теперь смешанная. Google Cloud описывает ровно эту траекторию как новую роль менеджера-супервайзера агентов – с теми же вопросами про распределение задач и точку эскалации.

В сценарии это ровно та компетенция, что «делает кассу»: в 2026 году, по прогнозу, junior-разработчиков вытесняет автоматизация, а люди, которые умеют управлять командами ИИ и контролировать их качество, зарабатывают больше всех. Общий принцип шире одной профессии – Бенедикт Эванс показывает на других рынках, что именно автоматизируется: задача, а не профессия целиком, и профессия при этом может даже вырасти. Что такое агенты на самом деле и чем они отличаются от обычного чата, мы разбирали в отдельном материале про то, как устроены ИИ-агенты.

Практический вывод для менеджера скромнее, чем звучит прогноз. Срочно строить флот из десяти агентов никому не нужно. Стоит другое – начать с одного: делегировать агенту одну реальную многошаговую задачу, посмотреть, где он ошибается, и научиться его контролировать. Этот навык переносится: разберётесь с одним агентом – управление несколькими станет вопросом масштаба, а не новой профессии.

ИИ умеет убеждать

Один сюжет сценария менеджеры пропускают, а зря. Мы привыкли думать про ИИ так: он иногда ошибается, поэтому надо перепроверять факты. Это верно, но это вчерашняя рамка.

В сценарии большинство людей получают новости и картину мира через ИИ. А значит, модель становится не просто источником случайных ошибок, а поверхностью влияния. Авторы отдельно отмечают: они даже недооценивают силу сверхчеловеческого убеждения, потому что в сюжете ИИ ведёт себя всего лишь как очень хороший лоббист, а не как некто на порядок убедительнее лучшего лоббиста в мире.

Для менеджера это другой класс проверки. Одно дело – поймать у модели выдуманный факт или ложную ссылку. Другое – заметить, что ответ мягко подталкивает вас к определённому решению: выбрать конкретного вендора, сформулировать вывод под ожидаемый ответ, согласиться с вашей же исходной гипотезой. Модели, как известно, склонны говорить то, что вы хотите услышать. В обычной работе это выглядит безобидно, а в решении о найме или бюджете стоит денег.

Практика здесь простая. Когда ИИ помогает вам с решением, а не с фактом, отдельно спрашивайте себя: этот ответ меня информирует или уже подталкивает? Хороший приём – просить модель аргументировать противоположную позицию с той же силой. Если контраргумент оказывается слабым и натянутым, скорее всего, вас ведут к заранее заготовленному выводу.

Как это можно использовать

Сведём к действиям, которые применимы сразу, без ожидания 2027 года.

Первое – проведите сценарный разбор своих ближайших решений. Возьмите три горизонта способностей ИИ и прогоните через них свои реальные ставки по найму, бюджету и навыкам. Ищите решения без сожалений – те, что верны во всех горизонтах. С них и начинайте. Промпт выше проведёт вас через этот разбор за полчаса. Это тот же принцип, о котором пишет BCG: время, которое ИИ экономит команде, утекает без стратегии, а решения без сожалений – и есть минимальная стратегия.

Второе – заведите в план обучения команды четвёрку навыков, которые не устаревают: суждение, верификацию, понимание границ применения ИИ, делегирование и надзор. Это строка, которая не устареет с выходом новой модели.

Третье – встройте рефлекс переоценки. Ваш рабочий процесс может устареть внутри года: то, что модель не умела в январе, она умеет в декабре. Раз в квартал стоит перепроверять, не изменились ли способности инструментов, на которых держатся ваши решения. Ниже промпт, который помогает провести такую переоценку по конкретному процессу.

Попробуйте самиВаш процесс -> список задач для переоценки. Проверьте: получились конкретные шаги, которые вы сами можете перепроверить за вечер, а не абстрактные прогнозы?

Вы

Ты – помощник руководителя по переоценке рабочих процессов под растущие возможности ИИ. Помоги мне понять, какие части моего процесса стоит перепроверить.

Контекст:
- Мой процесс: еженедельная подготовка отчёта по продуктовым метрикам. Сейчас аналитик выгружает данные из трёх систем, сводит их вручную в таблицу и пишет короткий комментарий с выводами.
- Сколько это занимает: примерно день работы одного человека в неделю.
- Что я про ИИ уже пробовал: черновики комментария к готовой таблице.

Сделай следующее:
1. Разбей мой процесс на отдельные шаги.
2. По каждому шагу оцени, насколько вероятно, что современный ИИ или ИИ-агент уже может его взять на себя – и что для этого нужно проверить мне самому.
3. Предложи один небольшой эксперимент на эту неделю: какой шаг попробовать делегировать ИИ, чтобы проверить гипотезу на практике.
4. Отметь шаги, где человек должен остаться в контуре в любом случае, и объясни почему.

Не давай общих прогнозов о будущем ИИ. Дай мне конкретные шаги, которые я могу перепроверить сам.

Сравниваем:gpt-5.4-nanodeepseek-v4-flash

«Когда ИИ научится делать Х» – вопрос без ответа, который парализует. «Какие мои решения останутся верными при любом раскладе» – вопрос, на который можно ответить за один вечер и начать действовать уже завтра. Сценарий имеет все шансы не сбыться ни в одной конкретной детали – а привычка задавать второй вопрос вместо первого всё равно окупится.

Ровно на этой логике – находить задачи, где ИИ усиливает менеджера, отличать надёжные ставки от хрупких и держать за собой суждение и надзор – построен наш курс для менеджеров. Мы не учим угадывать будущее. Мы учим навыкам, которые дорожают при любом сценарии.

Частые вопросы

Что такое прогноз AI 2027 и стоит ли ему верить?
AI 2027 – это сценарий развития ИИ от Дэниела Кокотайло, бывшего исследователя OpenAI, и соавторов. Они предсказывают приход сверхчеловеческого ИИ примерно к 2027 году. Важная оговорка самих авторов: 2027 – это модальный (самый вероятный) год, но их медианы дальше, а сценарий описывает один из многих возможных вариантов будущего. Использовать его стоит как инструмент для стресс-теста своих планов, а не как пророчество.
Какие навыки менеджера ценны независимо от скорости развития ИИ?
По логике сценария дорожают суждение, верификация чужой работы, понимание того, когда ИИ применять НЕ стоит, и умение делегировать задачу и надзирать за результатом. Эти навыки не зависят от того, какая модель вышла на этой неделе. Отдельно растёт спрос на умение управлять не одним ИИ в чате, а набором автономных агентов.
Как планировать найм и обучение команды, если способности ИИ постоянно меняются?
Вместо того чтобы угадывать точную дату, полезнее взять два-три сценария способностей ИИ и проверить каждое своё решение по найму, бюджету и развитию навыков: устоит ли оно, если сценарий сбудется хотя бы наполовину? Решения, которые верны во всех сценариях сразу, и есть самые надёжные ставки.
mysummit.school Engineering Leader в Microsoft

18 лет в управлении инженерными командами. Основатель mysummit.school. 700+ выпускников в Яндекс Практикуме и Стратоплане.