Симуляции вместо осмоса: как учить суждению в эпоху ИИ
AI-модели в этой статье
Карл Майес из американского института бухгалтеров сформулировал проблему, которая выходит далеко за пределы его профессии: как узнать, как выглядит хорошо, если ты никогда не делал эту работу руками? Его организация опросила больше тысячи специалистов, и вывод был прямым: у людей не хватает прочного фундамента, чтобы оспорить бота.
Формулировка «оспорить бота» – точнее любой академической. Вся дискуссия о качестве ИИ в итоге упирается в человека, который смотрит на выхлоп и должен сказать «здесь неправильно». Если такому человеку не с чем сравнивать – потому что работу, на которой раньше учились, теперь делает машина, – то проверка вырождается в орфографию.
Профессия Майеса – удобный полигон для этой проблемы, потому что в ней поломка видна в цифрах. С 2019 года США потеряли 340 000 бухгалтеров – больше трети лицензированной рабочей силы. Набор на программы вырос на 25% с 2023 года, то есть люди возвращаются. Но требования к ним изменились: вакансий с обязательными навыками работы с ИИ стало на 67% больше за год – самый большой скачок среди требований. Люди возвращаются в профессию, где вход стал принципиально другим.
Что именно сломалось
Суждение в бухгалтерии, как и в менеджменте, исторически передавалось ученичеством. Ай-Си-Си называет это обучением «осмосом»: джун сидит рядом с опытным коллегой, проходит через дебет, кредит, сверку, и через сотни повторений у него формируется чутьё – где цифра выглядит странно, где объяснение слишком гладкое, где клиенту можно верить на слово.
Осмос требовал трёх условий: физического соседства, большого объёма рутины у новичка и времени старшего на разбор. Гибридная работа убила первое, автоматизация забрала второе, офшоринг – третье. Исследование AICPA «Profession Ready» зафиксировало три пробела у входящих: техническая база (больше половины новичков требуют догоняющего обучения по основам), профессиональные навыки (критическое мышление, коммуникация, скептический настрой) и технологическая компетентность – суждение о том, когда ИИ прав, когда ошибается и что именно надо оспорить.
Третий пробел – самый коварный, потому что его не закроешь курсом. Чтобы спорить с ботом по существу, надо знать, как выглядит правильный результат. А узнать это можно только сделав работу руками. Круг замыкается: та самая работа, которая учила, отдана машине.
Заметьте: проблема шире, чем подготовка джунов. Речь о пути, который производит старших. Через пять лет те, кто должен выйти на роли ведущих специалистов, выучатся на проверке чужого выхлопа без базы под ним. 48% опрошенных профессионалов уже боятся, что ИИ разрушает их самостоятельное суждение – и это страх действующих, а не новичков. Мы касались этой дилеммы в разборе делегирования и ответственности – тогда один менеджер описал её честнее любых исследований: «Если джуниоры узнают, что я делаю презентации через ИИ, они начнут делегировать всё подряд, пропуская этап обучения». Тогда мы не дали решения. У AICPA оно есть.
Прогоны до допуска
Идея простая, и этим она мне нравится. Если рутина исчезла из живой работы, её надо вернуть в учебную. Человек должен выполнить работу сам – много раз, на реалистичных задачах, с разбором – до того, как впервые увидит ИИ-версию этой работы.
Одна фирма из исследования построила геймифицированный внутренний тренажёр: сотрудники проходят декларацию за декларацией в симуляции, и только после этого им показывают автоматизированный выхлоп. Механика статистическая: за десятки прогонов человек насматривается нормальных и ненормальных результатов настолько, что при виде нового чувствует «что-то не так» ещё до того, как найдёт конкретную ошибку. Вот это чутьё и есть суждение.
Переведём на задачи, которые ближе менеджерским командам. Вместо налоговых деклараций – учебный банк из артефактов ваших прошлых проектов: статус-отчёты с подложенной неточностью, оценки сроков с забытым риском, требования с внутренним противоречием, разбор инцидента с неверной причинностью. Джун (или мидл в новой роли) прогоняет задачу, выдаёт вердикт, получает ключ с правильным ответом и разбором.
Рабочее правило для старта: десять прогонов одного типа задачи до допуска к живому выхлопу ИИ по этому же типу. Цифра условная, но критерий окончания прогонов строгий: человек начинает предсказывать ошибку до того, как её находит. Если после десяти прогонов не начинает – тип задачи слишком широкий, дробите.
Идея хорошо ложится на спокойные периоды. В бухгалтерии сезонность встроена в профессию, и AICPA прямо рекомендует: в тихие месяцы – «повторения через симуляцию». У большинства команд тоже есть низкая загрузка – между релизами, в отпуска, в конце квартала. Это естественное время для учебных прогонов, которое иначе съедает текучка.
Онбординг: меньше лекций, больше прогонов
Вторая половина решения радикальнее. Одна крупная фирма из исследования сократила технический тренинг новичков вдвое и заменила освободившееся время упражнениями на критическое мышление и профессиональное суждение. Звучит спорно, но логика прозрачна: техническую базу сегодня дотягивает всё – документация, курсы, тот же ИИ в режиме объяснялки. А суждение не дотягивает ничто, кроме практики с разбором.
Для команды это меняет пропорции онбординга: меньше лекций о процессах, больше прогонов с наставником. Конкретный минимум на первый месяц новичка: двадцать прогонов из учебного банка, из них пять – на задачах с подложенными ошибками, и финальный прогон «найди три проблемы в ИИ-выхлопе», где студент впервые видит работу машины – уже зная, как она делается руками.
Дешевле, чем кажется. Как только банк задач существует, стоимость прогона – час наставника. Сравните с ценой ошибки в живой работе.
Собрать один прогон легко. Сложнее подобрать ошибку, которую новичок действительно должен заметить, и заранее определить критерий зачёта – здесь всё зависит от того, насколько точно вы сами умеете проверять результат ИИ.
Прогоны с подложенными ошибками работают и для самого руководителя. Попробуйте 9 практических задач менеджера с проверкой – бесплатно в первом модуле курса.
Доступ сразу после регистрации
Генератор учебных прогонов руками
Самый частый вопрос к этой схеме: где взять банк задач с ошибками. Ответ эпохи ИИ парадоксален и логичен: генератор ошибок – тоже ИИ. Модель отлично производит правдоподобные артефакты, в которых надо что-то найти, – это ровно то, что нам нужно от неё в учебном контуре.
Ниже промпт, который собирает учебный прогон целиком: реалистичный артефакт с тремя типовыми ошибками для джуна и закрытый ключ для проверяющего. Прогоняем на двух моделях – я выбрал их по нашим описаниям моделей: Claude Fable 5 великолепна в сценариях диалогов и оценке сотрудников, Kimi K3 сильна в планировании и готовых скриптах для управления командой и доступна из России напрямую. В ответе смотрите на две вещи: насколько ошибки в артефакте правдоподобны (не карикатурны) и насколько ключ годится для разбора с наставником – с причиной каждой ошибки и признаками, по которым её стоило заподозрить.
Дальше механика за вами: артефакт джуну, ключ – себе. После пяти-десяти таких прогонов вы заметите главное – вердикты перестают быть «вроде нормально» и становятся «число не бьётся со строкой три». В этот момент суждение появилось.
Единственное предупреждение: не давайте одному и тому же человеку один и тот же артефакт дважды и не выпускайте ключ в общий доступ. Знакомый ответ уже ничего не проверяет.
Границы метода
Скептические оговорки, без которых статья была бы рекламой.
Данные – из accounting и профессиональных услуг США, опросные. «Срок формирования доверенного суждения сожмётся на год» – это ожидание респондентов Future of Professionals 2026, а не измеренный факт. Перенос на инженерные и продуктовые команды – экстраполяция, хотя и правдоподобная: механизм осмоса от профессии не зависит.
Симуляция не заменяет живую работу полностью. Учебный прогон стирает цену ошибки, а часть суждения – про то, как действовать, когда цена реальна. Поэтому прогоны должны постепенно переходить в живую работу под присмотром, а не жить в песочнице вечно.
И симуляции не решают проблему тех, кто уже работает с ИИ без фундамента. Для действующей команды нужен другой инструмент – тренировка рефлекса оспаривания, про него следующая часть серии. Симуляции строят фундамент с нуля; оспаривание калибрует то, что уже стоит.
Последнее. Если в вашей команде люди среднего звена первыми увидели разрыв между обещаниями ИИ и реальностью и закрываются от темы – симуляционный трек работает и как удержание: сильные мидлы хотят учить и учиться, это мы разбирали в статье про сигналы ухода. Дайте им роль наставника в разборах – и учебный контур удержит обе стороны: тех, кто учит, и тех, кто учится.
Суждение развивается только практикой
В Фундаменте курса есть глава «Критическое мышление и ограничения ИИ»: систематика типовых ошибок, проверка любого ответа модели за 60 секунд и матрица «отдать ИИ / делать вместе / делать самому».
Часто задаваемые вопросы
Что не так с обучением через осмос при внедрении ИИ?
Что такое симуляционное обучение команды?
Сколько прогонов нужно до допуска к проверке ИИ?
Можно ли строить симуляции с помощью самого ИИ?
Stanislav Belyaev
Engineering Leader в Microsoft18 лет в управлении инженерными командами. Основатель mysummit.school. 700+ выпускников в Яндекс Практикуме и Стратоплане.