Из разговоров с тимлидами и CTO в последние года полтора складывается такая история. Разработчики используют Claude Code, код появляется быстрее, результат на первый взгляд выглядит прилично, но продукт не выходит к клиенту быстрее, баги не исчезают, а на проверку кода уходит больше времени, чем раньше. Менеджер смотрит на метрики и видит, что команда делает больше. Потом смотрит на продукт – и не видит соразмерного результата. В чем дело?

Каждый, кто работает с ИИ, теперь сам принимает решения как разбить задачу на части, сам оценивает качество того, что выдала модель, сам решает доверять ей или нет. Это все управленческие функции. Но тот же ИИ маскирует некомпетентность и создаёт иллюзию продуктивности. Получается, что ИИ превращает исполнителей в менеджеров - только недообученных.

“Нейросети сейчас все чаще забирают задачи джунов, то есть куда больше мидл-специалистов вытягиваются на лидерские позиции (зачастую неофициальные), хотя они по-прежнему далеко не всегда к этому готовы.” Кирилл Пшинник, сооснователь и CEO, Zerocoder. Как управлять командой в эпоху ИИ, 23.04.2026

Кому ИИ действительно помогает (и почему это ловушка)

Brynjolfsson и др. опубликовали в Quarterly Journal of Economics (2025) результаты масштабного эксперимента: более пяти тысяч агентов техподдержки крупной компании работали с ИИ-ассистентом на базе GPT. Новички ускорились на 30%. Работники с двухмесячным стажем показывали результат шестимесячных без ИИ. У самых квалифицированных работников прирост скорости был минимальным, а качество немного упало. Менеджерский вывод: ИИ работает как инструмент онбординга и передачи лучших практик от сильных к слабым.

Аналогичную картину дал эксперимент Dell’Acqua из Гарвардской бизнес-школы совместно с Boston Consulting Group (опубликован в Organization Science, 2026): 758 консультантов BCG получили доступ к GPT-4 для выполнения реальных консалтинговых задач. Исследователи разделили задачи на два типа: те, с которыми ИИ справляется хорошо, и те, где он выдаёт уверенный, но неправильный результат и снижает качество человеческой работы. На задачах первого типа (генерация идей, структурирование, анализ рынка, написание убедительных текстов) – консультанты с ИИ выполняли на 12% больше подзадач, работали на 25% быстрее, а качество было на 32% выше. Наибольший выигрыш получили те, кто изначально показывал слабые результаты.

Задачи второго типа характеризовались как стратегические решения, требующие интеграции разнородных данных (авторы упоминают кейс по бренд-стратегии, требующий сопоставления данных из таблиц с неявными подсказками из интервью). При решении этой задачи контрольная группа без ИИ отвечала правильно в 84.5% случаев, а группа с GPT-4 – лишь в 60-70%.

Подобные этим находки в мета-анализе, опубликованном в California Management Review (2025), говорят о том, что между внедрением ИИ и совокупным повышением производительности устойчивой связи попросту нет. Зато есть нюанс – джунам помогает, сеньорам мешает, а в среднем по больнице температура нормальная. Кодеры пишут шаблоны быстрее, а потом столько же времени тратят на отладку того, что нагенерил AI.

Выглядит это так, что ИИ выравнивает видимый результат, не выравнивая производительность между опытными и неопытными работниками. Джун с ИИ-ассистентом выдаёт код, визуально неотличимый от работы сеньора. При этом он не понимает, где модель ошибается, – и, возможно, даже не знает, что не понимает. ИИ маскирует некомпетентность, а менеджер получает ровную картину производительности, за которой скрывается очень неровный компетентностный ландшафт.

Невидимый сдвиг управленческих функций

Менеджер привык к простой модели: есть человек, у человека есть компетенции, задача менеджера – распределить компетенции по задачам. Человек был неделимой единицей управления. В отраслях с широким внедрением ИИ это уходит в прошлое. Разработчик с ИИ-ассистентом – это связка «человек + модель», и граница вклада одного и другого размыта даже для самого разработчика.

Формулирование промпта – это декомпозиция задачи. Оценка сгенерированного кода – контроль качества. Решение, доверять ли модели в конкретном контексте – управленческое суждение, которое требует понимания продукта, клиента и бизнес-логики. Всё это – управленческие функции. ИИ делает управленческие функции неотъемлемой частью повседневной инженерной практики. Раньше они были сосредоточены у менеджера. Теперь они размазаны по каждому, кто обращается к LLM. Растет нагрузка на исполнителя по координации и контролю, размывается граница между ролями менеджера и разработчика, происходит сдвиг ответственности на последнего.

“Джуны и мидлы в digital-агентствах исчезнут. Все станут тимлидами AI-агентов, - читаем в блоге про AI-агентов, маркетинг и бизнес-процессы. - Я тимлид в IT-Agency. Каждый день я работаю с командой, управляю проектами, ставлю задачи. И каждый день вижу одно и то же: задачи, которые год назад делал джун за полдня, сейчас AI-агент делает за 10 минут. Не хуже. Часто – лучше.”

При этом не происходит соответствующей организационной перестройки. Те же грейды, те же должностные инструкции, та же система ответственности. Разработчик де-факто принимает более ответственные управленческие решения, но де-юре никакой ответственности за них не несёт и не вознаграждается за них. Фактическая структура труда расходится с организационной.

frustrated_developer_in_tech_workspace

Угроза пролетаризации

ИИ одновременно делает две вещи, которые противоречат одна другой. С одной стороны, он передаёт разработчику управленческие функции, а для них нужно больше компетенций: понимание контекста, продукта, клиента. И одновременно подрывает способность эти компетенции формировать.

У французского философа Бернара Стиглера есть понятие «пролетаризации», которое обозначает процесс утраты людьми различных форм знания и навыков под воздействием технологий (утрата ремесленных умений, способности к критическому мышлению и рефлексии, способности к совместной деятельности с другими людьми). Это приводит к зависимости от технологических систем и утрате автономии в принятии решений. У Стиглера пролетаризация имеет три измерения, и данные 2025–2026 гг вполне укладываются в эту схему.

Первый уровень – утрата практического умения. MIT Technology Review (2025) рассказывает о разработчике, который после полугода интенсивной работы с Copilot обнаружил, что некоторые задачи стали даваться ему с трудом, если он работал без ИИ. Навык не устарел, он атрофировался от неиспользования.

Второй уровень – утрата способности к самостоятельному суждению. Исследование METR (рандомизированный контролируемый эксперимент, июль 2025): 16 опытных разработчиков с ИИ-инструментами работали на 19% медленнее, но оценивали себя на 20% быстрее. Они утратили способность корректно оценивать собственную продуктивность – не могли отличить «я сделал хорошо» от «модель выдала гладкий результат». Второй раунд их исследования провалился, потому что разработчики массово отказывались работать без ИИ. Не потому что не умели – а потому что не хотели. Это уже не инструмент, это протез, без которого ты чувствуешь себя неполноценным.

Третий уровень – утрата способности к критическому мышлению. В упомянутом эксперименте Harvard/BCG консультанты с GPT-4 на задаче, требовавшей сопоставления табличных данных с интервью, перестали проводить собственный анализ, полностью положившись на GPT, дававший неверные ответы. Причина провала – не недостаток информации, а чрезмерное доверие к выдаче модели.

Эти три вещи складываются в замкнутый круг: чем больше разработчик зависит от ИИ, тем больше управленческих функций на него ложится – и тем хуже он с ними справляется.

Что не видит менеджер

Раньше подчиненный знал о своей работе больше, чем начальник. Но сейчас подчинённый сам не вполне знает, что именно он делает, где заканчивается его суждение и начинается сгенерированное моделью.

При этом у менеджера нет надёжного инструмента, чтобы различить задачу внутри «зоны комфорта ИИ» (где ИИ ускоряет и улучшает) от задачи за ее пределами (где ИИ роняет качество). Dell’Acqua и коллеги назвали эту границу «зубчатым фронтиром» – она неровная, неочевидная и постоянно смещается. Задачи по обе стороны могут выглядеть одинаково, а результат различаться на десятки процентных пунктов.

Что продают и что замалчивают

На фоне этого бизнес-школы энергично продают курсы «ИИ для руководителей и бизнеса» и «Как применять ИИ в управлении командами». Промо-страницы используют цифры из отчётов McKinsey и Deloitte: «57% рабочих часов могут быть автоматизированы», «20% позиций среднего менеджмента будут сокращены».

Но те же самые отчёты содержат другие цифры. Cisco (Q1 2025): 97% CEO планируют внедрить ИИ, но только 2% считают себя готовыми CMR, 2025. По данным Deloitte, 68% руководителей не смогли перевести в продакшн даже треть своих GenAI-экспериментов; McKinsey нашёл лишь 11% компаний, масштабировавших GenAI (там же). Мета-анализ в California Management Review (2025), охвативший десятки систематических обзоров, зафиксировал, что совместная работа человека и ИИ в большинстве контекстов даёт результат хуже, чем работа каждого по отдельности. Единственное исключение – креативные задачи. Для всего остального формула «человек + ИИ = суперсила» – маркетинговый слоган, а не эмпирический факт.

Бизнес-школы берут из отчётов первый хайповый слайд – и строят на нём программы. Продают инструментальные навыки (как писать промпты, как настроить Copilot). А реальный вызов – структурный. ИИ сдвинул границу между исполнением и управлением. Заметили ли организации этот сдвиг? Вопрос для менеджера в 2026 году – не «как внедрить ИИ в команду», а как перестроить ролевую архитектуру под реальность, в которой каждый исполнитель принимает управленческие решения, не имея для этого ни подготовки, ни полномочий, ни – что опаснее всего – осознания, что он это делает.

[EOF]