Статья в журнале McKinsey Quarterly, написанная Брайаном Хэнкоком и Шарлоттой Зайлер, рассматривает трансформацию систем наставничества и обучения молодых специалистов в условиях автоматизации рутинных задач с помощью ИИ. Характер работы на начальном уровне изменился так, что организациям приходится пересматривать подход к развитию профессиональных навыков, объединяя управление знаниями, разработку должностных инструкций, обучение и коучинг в единую систему.
Данные опроса McKinsey показывают, что использование ИИ нового поколения начинает влиять на потребность в вакансиях начального уровня в некоторых организациях.
Хотя эта тенденция заслуживает внимания, руководители, участвующие в опросах McKinsey, нацелены на привлечение и подготовку молодых специалистов, даже если их число меньше, чем раньше. А некоторые организации сохраняют свои показатели на прежнем уровне.
Например, Bank of America в 2026 году примет на работу почти 4000 летних стажеров и выпускников вузов на полную ставку — что соответствует прошлогоднему объему найма из кадрового резерва, охватывающего более 500 учебных заведений, — при этом с самого первого дня явно переориентируя эти должности на работу с ИИ. Директор по персоналу банка называет этот подход «целенаправленным и долгосрочным».
Часто для бизнеса вопрос даже не в том, сколько сотрудников начального уровня нужно нанимать, а в том, для каких задач нужны эти должности. Организации все чаще стремятся нанимать сотрудников, обладающих начальными навыками интерпретации данных, генерируемых ИИ, и способных работать вместе с ИИ-агентами. Для разработки стратегии, которая станет ориентиром для таких сотрудников, руководители должны сосредоточиться на четырех направлениях:
1. Управление знаниями
2. Пересмотр должностных обязанностей
3. Обучение в процессе работы
4. Коучинг со стороны руководителей
Организации должны эффективно использовать знания для разработки рабочих процессов на базе ИИ. Цель в том, чтобы сделать экспертные знания применимыми, надежными и интегрированными в повседневные рабочие процессы. Кодифицированный опыт отражает особенности мышления лучших исполнителей — концептуальные рамки, правила принятия решений, допущения и прошлые суждения — и структурирует эти знания таким образом, чтобы к ним могли получить доступ крупные языковые модели (LLM). Сюда входят очищенные данные, тщательно отобранные материалы по конкретным случаям и стандартным ситуациям.
Например, рассмотрим младшего юриста юридической фирмы, работающего над договором о слиянии и поглощении. Система на базе ИИ может выявить наиболее релевантные прецеденты с учетом характеристик сделки и выделить положения, компромиссные решения и схемы ведения переговоров, которые использовали ведущие партнеры в аналогичных ситуациях. Таким образом, она не только ускоряет процесс составления документа, но и раскрывает логику ключевых решений, помогая молодому юристу сформировать собственное суждение в процессе работы.
Нужно также разобраться, какую ценность имеют разные типы данных. Сотрудник инженерной компании, проработавший три года, может четко и точно задокументировать работу над своим проектом для клиента. Однако руководитель высшего звена, опираясь на многолетний опыт работы над множеством проектов, может подготовить аналитические материалы, отражающие более общие закономерности, компромиссы и долгосрочные последствия. Оба вида информации ценны, но они не равнозначны. Для обеспечения эффективности управления знаниями в среде, основанной на ИИ, организациям необходимы способы различать единичный опыт и накопленное суждение. Системы могут присваивать данным весовые коэффициенты, учитывая такие факторы, как глубина опыта, воспроизводимость результатов и релевантность в различных контекстах. Тогда инструменты ИИ и младшие сотрудники будут ориентироваться не только на то, что задокументировано, но и на то, что отражает наиболее глубокую экспертизу.
По сути, современное управление знаниями позволяет индексировать и расставлять приоритеты информации таким образом, который отражает процесс формирования экспертных знаний, включая экспертную проверку, циклы обратной связи и четкое определение ответственности. Система совершенствуется по мере использования, фиксируя новые идеи и уточняя критерии «качественного» результата. Это позволяет менее опытным сотрудникам быстрее формировать собственное суждение и приступать к решению более сложных задач на ранних этапах своей карьеры.
ИИ переводит обязанности новичков от исполнения к контролю и совершенствованию результатов. Целью становится формирование способности людей понимать, когда следует доверять результатам, полученным с помощью ИИ, когда их следует подвергать сомнению, а когда — игнорировать.
«Модель ключа» работает так: сначала сотрудник выполняет задание сам, затем ИИ оценивает его работу, а после этого сотрудник встречается с руководителем, который обсуждает с ним различия. В этой модели ИИ не заменяет обучение, а преобразует его, ускоряя процесс обратной связи и сохраняя при этом условия, необходимые для развития профессионального мастерства.
В одной риэлторской компании ИИ-агент генерировал чрезвычайно подробные рыночные оценки, которые по своей полноте превосходили те, что мог самостоятельно подготовить сотрудник начального уровня. Вместо того чтобы полагаться исключительно на этот инструмент, компания предложила младшим сотрудникам составлять собственные оценки самостоятельно: обходить районы, изучать географию и особенности дорожного движения, а также формировать независимое мнение. Затем они сравнивали свой анализ с результатами, сгенерированными ИИ. Этот процесс стал инструментом обучения, так как подсвечивались и пробелы, и упущенные факторы, и правильные гипотезы.
Данные из других отраслей подтверждают, что именно этап сравнения играет ключевую роль в обучении. В клинических исследованиях простое предоставление врачам модели LLM практически не улучшило их долгосрочные диагностические прогнозы; а вот рабочий процесс, в рамках которого врачам приходилось сравнивать и согласовывать свои собственные рассуждения с выводами нейронной модели, позволил повысить эффективность их работы.
В целях управления рисками многие организации расширяют использование изолированных тестовых сред для молодых специалистов, находящихся в начале карьеры. Bank of America с самого первого дня проводит для стажеров обучение в области ИИ. В условиях симуляции они могут сформировать те навыки принятия решений, которые раньше приобрели бы, выполняя подобные задачи в течение первого-второго года работы, а сейчас эти задачи выполняет ИИ или другие технологии.
Некоторые организации перестраивают должности с учетом системного подхода «от начала до конца» и более широкого круга обязанностей (Aili McConnon, «The bottom rung returns as AI reshapes entry-level jobs,» IBM, March 2, 2026). Например, вместо того чтобы нанимать аналитика по продажам, компания может открыть вакансию на более широкую должность, охватывающую экспертизу в области продаж, маркетинга и коммерческой деятельности. Поскольку универсальные специалисты располагают инструментами, позволяющими адаптироваться к конкретной задаче или контексту, рабочие процессы можно организовывать с большим учетом их потребностей.
Организации внедряют ИИ-агентов для обучения по модели «ключ к ответу», которая измеряет развитие навыков через сокращение разрыва между самостоятельной попыткой сотрудника и эталонным результатом ИИ. Это делает «обучение в процессе работы» конкретным: младший персонал создает реальный продукт, используя ИИ как встроенного наставника.
Поскольку ИИ берет на себя рутину, для людей, в том числе для младших сотрудников, остается более значимая работа: интерпретация результатов, поиск компромиссных решений и сопоставление выводов в разных контекстах. Характер производительности меняется, поскольку сотрудники начального уровня вносят более весомый вклад на более ранних этапах своей карьеры. ИИ-инструменты могут предлагать следующие шаги, сигнализировать о рисках и давать мгновенную обратную связь, поэтому руководители могут переключиться с контроля механики выполнения задач на развитие аналитического мышления подчиненных.
Некоторые организации уделяют особое внимание начальному этапу обучения, используя для этого короткие симуляции или структурированную программу адаптации новых сотрудников, другие сразу дают молодым сотрудникам реальные рабочие задачи. В обоих случаях модель одна и та же: сотрудники учатся на практике, а ИИ сокращает время, необходимое для накопления опыта и завоевания доверия специалисту.
Научные основы модели «ключ к ответу» начинают обретать четкую форму. В одном из экспериментов студенты первого курса медицинского факультета, которые в течение пяти дней отвечали на вопросы по клиническим случаям, сгенерированные ИИ, и получали автоматизированную персонализированную обратную связь, показали лучшие результаты, чем студенты второго курса — которые опережали их по программе обучения на целый год. Результаты были получены при постановке целевых диагнозов на экзамене с использованием видеозаписей, в том числе и при повторной проверке через две недели. Этот эффект обучения сохранялся, что свидетельствует о том, что цикл «попытка — проверка» может формировать устойчивые навыки, а не только временную компетентность.
Организации по-новому подходят к вопросу о том, кого следует нанимать. Вопрос меняется с «Что вы изучали?» на «Как вы мыслите?» Помимо цифровой грамотности работодатели отдают приоритет таким качествам, как креативность, умение решать проблемы, устойчивость к стрессу и способность к логическому мышлению. Эта тенденция отражается в данных о найме: когда работодатели оценивают навыки, которые наиболее важны для сотрудников начального уровня, именно эти навыки занимают верхние строчки списка.
В должностях, требующих навыков работы с ИИ, почти в два раза чаще требуются также аналитическое мышление, устойчивость к стрессу или гибкость. Этот сдвиг также открывает возможности для более широкого круга работников, в том числе для тех, кого некоммерческая организация Opportunity@Work называет «STAR» (Skilled Through Alternative Routes — «квалифицированные по альтернативным путям») — людей, не имеющих диплома о четырехлетнем высшем образовании, но приобретших навыки благодаря практическому опыту. Происходит отход от традиционной модели найма, в которой на ранних этапах ценилась глубокая специализация.
Обучение навыкам межличностного общения приобретает еще большее значение. Новый сотрудник может оказаться в ситуации, когда ему придется взаимодействовать с высокопоставленными заинтересованными сторонами раньше, чем это было бы в прошлом. Нужно уметь представлять не только «то, что показывают данные», а задавать продуманные вопросы и учитывать другие точки зрения.
Коучинг может быть направлен на то, чтобы помочь новым сотрудникам сформировать контекстуальное понимание. Новым сотрудникам необходимо научиться интерпретировать закономерности, распознавать динамику отрасли и четко формулировать причины, лежащие в основе данных. Коучи-руководители могут ускорить процесс обучения с помощью обратной связи в режиме реального времени, рассказов и встроенных «микроуроков», объясняющих, как на самом деле работает бизнес. Некоторые предлагают взять за образец медицинскую резидентуру для формализации коучинга в рамках рабочего процесса, придать ему институциональный вес. Организации должны рассматривать коучинг как ключевой инструмент развития молодых специалистов, а не как нечто второстепенное.
Если младшие сотрудники изначально снижают производительность, зачем какой-либо компании нести расходы на формирование профессионального суждения, которое может перехватить конкурент? Компании всегда сталкивались с риском подготовки талантов для конкурентов, но сейчас ИИ заставляет некоторых ставить под сомнение целесообразность сохранения карьерных траекторий для начинающих специалистов. Ответ один: организации, которые продолжают инвестировать в молодых специалистов, одновременно перестраивая должностные обязанности с учетом взаимодействия с ИИ, имеют больше шансов сформировать квалифицированный кадровый резерв, который им понадобится в будущем. Одним из наиболее примечательных выводов ранней эпохи ИИ может стать тот факт, что иерархия ключевых навыков мало изменилась, даже несмотря на то, что планка требований к работе на начальном уровне становится все выше.
По мотивам: McKinsey Quarterly, 14.07.2026: Building expertise in the age of AI: Who trains the next generation? (by Bryan Hancock with Charlotte Seiler)
Оставьте свои контактные данные и наш специалист свяжется с вами в ближайшее время.