Не отдавайте обучение на аутсорс

В майском эссе 2026 года Эдди Османи разбирает сценарий деградации навыков, возникающий, когда инженер привыкает к стандартному циклу работы с ИИ: вставил ТЗ или текст ошибки, принял исправление, отправил в прод, повторил. Внешний симптом каждый раз исчезает, но сам мучительный поиск пути от проблемы к решению полностью выпадает. За тысячи таких микродействий способность собирать работающие системы без подсказки ИИ слабеет с каждой неделей. В момент каждого отдельного действия это совершенно не кажется проблемой.

Османи не выступает против ИИ - он сам пользуется этими инструментами ежедневно и за последний год выпустил больше кода, чем за предыдущие пять лет. Его аргумент касается подхода: интерфейс по умолчанию заточен под быстрое закрытие задач, а это не имеет ничего общего с сохранением навыков, необходимых инженеру на дистанции в несколько десятилетий карьеры.

Три сходящихся исследования

Три независимых исследования, опубликованных за предшествующий выходу эссе год, приводят примерно к одинаковым выводам:

Anthropic (начало 2026 года) провела рандомизированное контролируемое исследование, в котором инженеры изучали новую для себя библиотеку на Python: половина с помощью ИИ, половина без. Обе группы справились с задачей за одно и то же время. Но контрольный срез группа с ИИ провалила: 50% правильных ответов в тесте на понимание против 67% у группы, работавшей вручную, причём в заданиях на отладку разрыв оказался ещё шире. Самый показательный срез обнаружился внутри группы с ИИ: инженеры, задававшие модели концептуальные вопросы, набрали больше 65%, а те, кто просто копировал и вставлял сгенерированный код, - меньше 40%. Результат определял не сам инструмент, а характер работы с ним.
Исследование MIT "Your Brain on ChatGPT" сравнивало написание эссе с помощью ЭЭГ в трёх группах: с использованием LLM, поисковиков и только собственных сил. Нейронная связность мозга падала с каждым новым уровнем внешней поддержки. Группа с LLM показала самую слабую связность. Сразу после окончания работы 83% пользователей LLM не смогли процитировать ни строчки из текста, который они только что сдали. Исследователи назвали этот паттерн cognitive-debt: вы экономите мыслительные усилия сегодня, но завтра расплачиваетесь за это снижением критического мышления.
CHI 2026 добавила наблюдение о последовательности этапов. Если человеку давали доступ к LLM в самом начале задачи, модель задавала фреймворк для всей проблемы целиком. Даже когда остальную часть работы человек делал самостоятельно, эта начальная привязка приводила к заметно худшим решениям. Общий объём использования ИИ влиял меньше, чем то, в какой именно момент рабочего процесса к нему обращались.

Методологии разные, вывод один. Формулировка Османи: использование ИИ без осознанного намерения учиться тихо размывает тот самый навык, за который вам платят.

Почему настройки по умолчанию толкают не туда

Если запустить агент для написания кода со стандартными настройками, рабочий цикл оптимизируется под одну-единственную метрику: завершение задачи. Модель пишет код, вы соглашаетесь, цикл повторяется. Инструмент ни на секунду не делает паузу, чтобы спросить: "а как вы видите эту проблему?" или "попробуйте написать первые пять строк сами".

По мнению Османи, здесь нет никакого заговора - это гравитация UX. Команды разработки инструментов премируют за смерженные PR и сокращение цикла разработки, а не за то, чтобы инженеры становились опытнее и сообразительнее. Мы все хотим нажимать меньше клавиш, поэтому инструменты старательно сглаживают любое трение. Проблема в том, что именно в этом трении и происходило обучение.

Некоторые компании пытались пойти против течения: Anthropic добавила Learning Mode для Claude (сократический диалог, предложение написать код самостоятельно перед продолжением), OpenAI выпустила Study Mode, Google - Guided Learning. В реальной производственной разработке ими почти никто не пользуется. Их записали в категорию инструментов "для студентов" - Османи считает это ошибкой. Та же возможность, которая помогает второкурснику освоить React, отлично подходит сеньору, изучающему Rust. Нужно лишь быть готовым снова почувствовать себя новичком.

Где делегирование ломается

Османи признает резонный вопрос: "если ИИ умеет это делать, зачем мне разбираться самому?" Шаблонный код, склейка компонентов, одноразовые скрипты для CI - всё это действительно стоит делегировать. Альтернативные издержки заучивания синтаксиса YAML слишком высоки. Но слепое делегирование полностью отказывает в пяти конкретных ситуациях:

Когда что-то ломается. Код от ИИ падает точно так же, как написанный человеком. Фраза "это сгенерировал агент" никак не помогает в отладке.
Когда модель уверенно ошибается. Единственная защита от правдоподобного, но неверного ответа - достаточный уровень экспертизы, позволяющий вовремя заметить подвох.
Когда меняется фундамент. Фреймворки обновляются, аудиты безопасности выявляют архитектурные изъяны - выкрутиться из масштабной миграции простым подбором промптов не получится.
Когда задача выходит за рамки медианы. LLM великолепно справляются с типовыми задачами, решенными миллионы раз на GitHub. Чем дальше от медианы, тем хуже результат. Сложные недокументированные проблемы по-прежнему требуют глубокого понимания.
Когда перестраивается рынок. Падение занятости среди джуниор-разработчиков на 20% с 2022 года показывает: рынок труда уже пересматривает ценность реальной экспертизы.

Рецепт: меняем подход к работе

Те же самые инструменты могут развивать инженерные навыки. Всё дело в том, о чем именно вы спрашиваете:

Сформулируйте гипотезу перед тем, как задать вопрос. Два-три предложения о том, в чем, по-вашему, заключается проблема. Используйте ответ модели для проверки своей теории, а не вместо неё.
Просите объяснений до генерации кода. На незнакомой территории первым промптом должно быть: "объясни, как это устроено, какие есть альтернативы и в чем компромиссы". Код - строго потом.
Включайте Learning Mode, когда тема вам незнакома. Да, это замедлит работу. В этом и смысл.
Относитесь к коду от ИИ как к PR от джуниор-разработчика. Внимательно читайте, критикуйте, требуйте переделки.
Время от времени собирайте решения заново вручную. Возьмите кусок кода, написанный моделью, и воспроизведите его с нуля. Это калибровочный тест, показывающий, сколько знаний вы незаметно растеряли.
Просите модель объяснить, что именно она только что сделала. Один дополнительный промпт кардинально меняет то, с чем вы выйдете из сессии.

Ничего радикального в этих шагах нет. Это небольшие изменения в привычках работы с инструментами, которые вы уже используете.

Две метрики

Финал у Османи такой: заканчивайте каждую сессию кодинга вопросом: "я сегодня чему-то научился или просто закрывал тикеты?" Иногда честным ответом будет второй вариант, и это нормально. Но если так продолжается месяцами подряд, cognitive-debt начинает расти в фоновом режиме.

Поставка кода в прод и обучение - это две разные метрики. Ваш менеджер и заказчики всегда будут спрашивать только о первой. Вторая остается исключительно вашей заботой.

Ссылки

cognitive-debt - концепт, описанный в исследовании MIT; структурная основа для предложенных рекомендаций
skill-atrophy-supervision-paradox - более жесткий взгляд Ларса Файе на ту же динамику на уровне сеньор-инженеров и надзора за агентами
agentic-coding-fatigue - взгляд 0xsid через призму усталости от принятия решений; недостающая деталь в том, что усталость накапливается на фоне снижения понимания
agentic-coding-is-a-trap - надзор требует навыков, которые разрушаются при использовании агентов; рецепт Османи - практический способ сохранить форму и избежать этой ловушки
building-syntaqlite-ai - тот же аргумент о подходе со стороны практики создания проектов: 8 лет желания и 3 месяца дисциплинированного проектирования вместе с ИИ
no-silver-bullet-llms - аргумент Беннетта о том, что данные DORA и CircleCI уже фиксируют угасание прироста продуктивности; то же направление мысли, другие доказательства
claude-emotion-concepts - исследования интерпретируемости на стороне модели; на стороне человека аналогичная задача - сохранять собственные ментальные концепции
ai-assisted-workflow - семиэтапный рабочий процесс планирования от Барберо, ставящий осмысление впереди написания кода; процедурное дополнение к правилу Османи "сначала сформулируй гипотезу"
a-voice-from-nowhere - те же аргументы из энциклики Льва XIV Magnifica humanitas §140, где угасает само желание задавать вопросы, а не только навык
pl-education-in-the-age-of-ai - курс Кришнамурти по агентной разработке показал, что новички не способны формулировать концептуальные вопросы, на которых строится этот подход, а обращение к Claude разрушает обратную связь с преподавателями