Доклад АйКЫНа начинается не с прогноза «ИИ заберёт работу», а с более неприятного вопроса: что будет, если исчезает не профессия, а канал, через который люди в эту профессию попадали, учились, ошибались и становились достаточно компетентными, чтобы передавать ремесло дальше.
Эта рамка важнее привычной паники про автоматизацию. Профессия редко исчезает одномоментно. Но путь к ней может стать непрозрачным: стажировки сжимаются, junior-позиции исчезают, учебные задания делаются через LLM, резюме и презентации перестают быть сильными сигналами, а работодатель больше не понимает, что именно человек умеет сам.
Не исчезновение профессий, а исчезновение подготовки
АйКЫН описывает исследование как гуманитарное по теме, но техническое по методу. Он собрал около двух сотен сигналов из новостей, законов, публикаций и наблюдений о том, как большие языковые модели влияют на профессиональное действие и обучение. Дальше эти сигналы раскладываются через теорию игр: кто что выигрывает, кто что теряет, какие стимулы меняются и почему участники начинают вести себя не так, как раньше.
Главный вывод звучит жёстко: проблема не в том, что «профессии исчезают». Проблема в том, что исчезает канал подготовки кадров. Образование — только часть этого канала. В него входят первые задачи, ошибки, наставники, дешёвые позиции для входа, маленькие проекты, проверяемые артефакты, репутация и понятные сигналы качества.
Когда студент приносит домашнее задание, сделанное LLM и даже не прочитанное, он не просто обманывает преподавателя. Он пропускает ту часть пути, где должна была появиться собственная компетенция. Когда кандидат на собеседовании постоянно смотрит в ChatGPT, работодатель видит уже не человека и его знания, а гибрид человека, модели и неизвестного качества проверки.
Сигналы стали дешёвыми
Раньше резюме, презентация, диплом, выступление или красивое портфолио могли работать как сигнал. Не идеальный, но достаточно понятный: человек что-то делал, где-то участвовал, как-то себя проявлял. С появлением генеративных инструментов эти сигналы резко дешевеют.
Если презентацию можно собрать за вечер, текст написать за минуты, а тестовое задание сделать с подсказками модели, то вопрос смещается: не «что ты показал», а «как доказать происхождение твоей квалификации». АйКЫН использует слово provenance — происхождение и проверяемость компетенции.
В этом смысле многие профессии начинают жить в логике художников и музыкантов. Недостаточно сказать «я работал десять лет». Нужно снова и снова предъявлять работу, следы, процесс, качество решений и способность отвечать за результат.
Четыре участника одного кризиса
Доклад называет кризис сцепленным, потому что в нем одновременно застряли четыре группы: работодатель, сотрудник, образование и государство.
Работодатель не понимает, как нанимать. Нужны ли джуниоры, если часть их задач теперь делает LLM? Можно ли доверять тестовым заданиям? Как отличить самостоятельное мышление от хорошего интерфейса к модели?
Сотрудник не понимает, как оставаться востребованным. Одни успокаивают себя фразой «ИИ меня не заменит», другие пытаются полностью делегировать развитие инструменту и оказываются без фундамента.
Образование не понимает, чему и как учить, если домашние задания становятся промптами, а проверка результата больше не показывает путь мышления.
Государство не понимает, как регулировать новый рынок квалификаций, где старые документы и формальные статусы теряют часть веса.
Именно поэтому это сцепленный кризис: каждый участник ждёт, что кто-то другой стабилизирует правила игры, но правила меняются у всех одновременно.
Джуниорский провал и рынок без лестницы
Самый болезненный практический эффект — сжатие входных позиций. Если компании решают, что простые задачи можно закрывать AI-инструментами или сильными специалистами с поддержкой LLM, то джуниоры теряют пространство для роста. Но без джуниоров через несколько лет неоткуда взять мидлов и сеньоров.
Это и есть кризис воспроизводства профессии. Рынок может временно выиграть в эффективности, но потерять лестницу, по которой люди поднимались внутрь ремесла.
Доклад важен тем, что не предлагает простого рецепта. АйКЫН прямо говорит: он занимается диагностикой. Но диагноз уже полезен. Если проблема в канале подготовки, то решение не сводится к запрету ИИ или к восторгу от ИИ. Нужно заново проектировать проверяемые практики обучения, работы и найма.
Что делать с компетенцией в эпоху LLM
Из доклада вырастает несколько практических ориентиров.
Первый — сильнее смотреть на процесс, а не только на результат. Нужно видеть, как человек думает, как проверяет модель, как исправляет ошибки, как объясняет решения.
Второй — строить артефакты с происхождением: публичные проекты, журнал решений, ревью, воспроизводимые эксперименты, следы самостоятельной работы.
Третий — не ломать junior-лестницу окончательно. Если вход в профессию исчезает, вся система получает отложенный кадровый долг.
Четвёртый — признать, что ИИ меняет не только инструменты, но и экономику доверия между людьми.
Главная мысль доклада поэтому звучит не как анти-AI позиция. Скорее наоборот: если инструмент настолько силен, что меняет цену сигналов и траекторию обучения, то к нему нельзя относиться как к очередному удобному автодополнению. Он уже вмешался в воспроизводство профессий.