Не отдавайте обучение на аутсорс

Источник: https://x.com/addyosmani/status/2056078124346228860

Автор: Addy Osmani

Сейчас слишком легко позволить ИИ писать код, пока вы пропускаете само обучение. Баг исправлен, но ваша ментальная модель не сдвинулась. Со временем она может даже ухудшиться. Мы незаметно меняем будущую способность разбираться на сегодняшнюю скорость, и инструменты не заставят нас поступать иначе. Эта часть должна исходить от вас.

Есть стандартный цикл, в котором большинство из нас уже устроилось. Вы вставляете спецификацию или сообщение об ошибке. Модель выдаёт исправление, симптом исчезает. Вы выкатываете. Где-то внутри этого цикла грязная борьба между проблемой и решением вообще перестаёт происходить.

Я уже писал о когнитивной капитуляции — моменте, когда вердикт ИИ-ревьюера тихо заменяет ваш собственный. Это сольная версия той же петли. Только вы и модель. Модель быстрее, поэтому вы перестаёте соревноваться в понимании. Через тысячи таких маленьких взаимодействий то, что вы реально можете построить без ИИ за плечом, каждую неделю становится чуть слабее. В день, когда это происходит, ни один из этих моментов не выглядит проблемой.

Я не против ИИ. Я пользуюсь этими инструментами каждый день и за последний год выпустил с ними больше, чем за несколько предыдущих лет. Но стандартный способ их использования оптимизирован под одну вещь: закрывать задачи.

Это совершенно другая цель, чем оставаться достаточно сильным специалистом, чтобы управлять ими на протяжении долгой карьеры.

Исследования сходятся в одной точке

За последний год несколько исследований пришли примерно к одному и тому же выводу.

Anthropic провела рандомизированный эксперимент в начале 2026 года: инженеры изучали новую Python-библиотеку, половина — с помощью ИИ, половина — без. Обе группы завершили задания с одинаковой скоростью. Но группа с ИИ провалила последующий тест на понимание: 50% против 67% у группы, работавшей вручную, причём разрыв становился больше на задачах по отладке. Самый интересный срез был внутри самой группы с ИИ. Инженеры, которые использовали ИИ, чтобы задавать концептуальные вопросы, набрали выше 65%. Инженеры, которые копировали и вставляли сгенерированный код, набрали меньше 40%. Результат определил не инструмент. Его определила позиция человека.

Исследование MIT «Your Brain on ChatGPT» сравнивало написание эссе в трёх группах: с LLM, с поисковиком и только собственным мозгом. Измерения ЭЭГ показали, что связность мозга снижалась с каждым новым слоем внешней поддержки. Группа с LLM показала самую слабую связанность. После написания эссе 83% пользователей LLM не смогли процитировать ни одной строки из текста, который только что создали. Исследователи назвали это когнитивным долгом: вы экономите умственное усилие сегодня и платите критическим мышлением завтра.

Исследование CHI 2026 добавило близкий вывод. Когда люди получали доступ к LLM в самом начале задачи, LLM задавала рамку всей проблеме. Даже если дальше человек выполнял остальную работу самостоятельно, это начальное якорение приводило к измеримо худшим решениям. Порядок операций оказался важнее общего объёма использования ИИ.

Разные методологии приходят к одному заключению: использование ИИ без активного намерения учиться незаметно разрушает навык, за который вам платят.

Инструменты по умолчанию заточены под поставку, а не под обучение

Если запустить coding agent и оставить настройки по умолчанию, всё будет настроено под одну метрику: выполнить задачу.

Модель пишет код. Вы принимаете. Цикл повторяется. Ни в один момент инструмент не останавливается и не спрашивает: «Как вы думаете, в чём проблема?» или «попробуйте сначала написать первые пять строк сами».

Сейчас именно так работает UX-гравитация. Продуктовые команды получают награду за смёрженные изменения и более короткие циклы, а не за то, что делают вас более сильным инженером. Мы все хотим меньше набирать руками, поэтому инструменты отшлифовали трение почти до нуля. Проблема в том, что именно в этом трении и жило обучение.

Некоторые компании пытались сопротивляться петлям, которые не подталкивают нас по-настоящему учиться.

Anthropic выпустила Learning Mode для Claude: он использует сократические вопросы и останавливается, чтобы попросить вас написать код, прежде чем продолжить. OpenAI и Google выпустили похожие функции. Но если честно, почти никто не использует их в реальной производственной работе. Мы молча сложили их в папку «для студентов», и это ошибка. Та же функция, которая помогает второкурснику выучить React, помогает сеньор-инженеру выучить Rust. Просто нужно быть готовым снова почувствовать себя новичком.

«Если ИИ может это сделать, зачем мне понимать?»

Справедливый вопрос. Для части работы ответ может быть: возможно, вам и не нужно. Если это шаблонный код, связующий слой или одноразовый CI-скрипт, к которому вы больше никогда не вернётесь, делегируйте. Альтернативная стоимость запоминания синтаксиса слишком высока.

Но в настоящем программном обеспечении чистое делегирование ломается в нескольких конкретных местах.

Когда что-то ломается. Код, сгенерированный ИИ, падает так же, как человеческий. «Это написал агент» не помогает отлаживать проблему. Кто-то в команде должен понимать архитектуру.

Когда он уверенно ошибается. LLM всё ещё могут галлюцинировать. Единственная защита от правдоподобно выглядящего неверного ответа — достаточная экспертиза, чтобы его заметить. Пластыри вроде skills, CLI и прочего помогают лишь до определённого предела.

Когда меняется фундамент. Код временен; системы долговечны. Когда фреймворки обновляются или security review находит структурную проблему, нельзя просто «допромптить» себе выход. Нужны инженеры, которые понимают систему достаточно хорошо, чтобы её мигрировать.

Когда вы уходите от медианы. ИИ великолепен в задачах, которые миллион раз решались на GitHub. Чем дальше вы от типового случая, тем хуже он справляется. Сложные, недокументированные проблемы — те самые, которые оправдывают зарплату сеньор-инженера, — всё ещё требуют глубокого понимания.

Когда рынок адаптируется. Инженеры, которые могут поставлять результат только с ИИ и не могут без него, входят в рынок труда, где стоимость экспертизы уже пересчитывается. Если вы используете ИИ, чтобы пропускать обучение, вы меняете будущую востребованность на чуть более лёгкий вторник.

Исправление — в том, как вы промптите

Хорошая новость: те же инструменты, которые создают когнитивный долг, могут делать инженеров сильнее. Разница в том, чего вы от них просите.

Сформулируйте гипотезу до того, как спрашивать. Прежде чем просить исправление, запишите два-три предложения о том, в чём, по вашему мнению, проблема. Используйте ответ модели, чтобы проверить свою теорию, а не заменить её.

Просите объяснение до кода. В незнакомой области первый промпт должен звучать примерно так: «Объясни, как это работает, какие есть альтернативы и какие компромиссы». Просите код только после того, как схватили концепции.

Включайте Learning Mode, когда вы не в своей глубине. Да, это ощущается медленнее. В этом и смысл.

Относитесь к выводу ИИ как к PR от младшего инженера. Прочитайте. Покритикуйте. Возразите. Вы бы смёржили это просто потому, что тесты прошли? Если нет — не мёржите и здесь.

Время от времени выводите вещи заново вручную. Возьмите кусок кода, который модель написала за вас, и попробуйте воссоздать его с нуля. Это калибровочная проверка, которая показывает, сколько вы тихо потеряли.

Попросите модель научить вас тому, что она только что сделала. После того как она написала умную функцию, спросите, какие концепции она использовала и что стоит прочитать, чтобы понять это проектное решение. Один дополнительный промпт меняет то, что вы уносите из сессии.

Ничего из этого не драматично. Это маленькие изменения позиции внутри тех же инструментов, которыми вы уже пользуетесь.

Две метрики, а не одна

Я начал заканчивать coding-сессии простым вопросом: я сегодня чему-то научился или просто закрыл задачи?

Иногда честный ответ — «я просто закрыл задачи», и это нормально. Если такой ответ повторяется месяцами подряд, когнитивный долг накапливается в фоне.

Поставка и обучение — две разные метрики. Ваш менеджер и ваши клиенты всегда будут спрашивать только о первой. Вторая — на вас.

Я предпочёл бы поставить 80% того, что мог, и выучить 100% того, что должен был, чем наоборот. За годы эти две стратегии создают очень разных инженеров.

Вам не нужно выбирать между использованием ИИ и обучением. Но вам нужно выбрать workflow, который делает и то и другое, потому что настройки по умолчанию за вас этого не выберут. Инструменты готовы, когда будете готовы вы.

Следующая скучная задача, которую вы собирались делегировать, — хорошее место, чтобы начать.