ИИ забирает работу у джунов — и этим создает проблему для всей индустрии

У генеративного ИИ есть очевидный бизнес-кейс: поручить машине то, за что раньше платили человеку. Черновики, ресайзы, расшифровки, варианты заголовков, простая аналитика, первичный ресерч — список расширяется почти ежемесячно.

Для руководителя экономика выглядит прекрасно. Задача, на которую младший специалист тратил три часа, выполняется за двадцать минут. Значит, можно делать больше тем же составом или не расширять команду.

Но в августе Sostav сформулировал менее удобную сторону этой эффективности: ИИ лишает креативную индустрию «тренировочной площадки» для молодых специалистов. Через несколько лет может не хватить людей, способных оценивать результаты работы технологий.

Это не философский страх перед роботами. Это конкретная кадровая проблема.

Сильный редактор когда-то писал слабые тексты. Арт-директор когда-то двигал плашки и подбирал референсы. Аналитик вручную чистил таблицы и ошибался в формулах. Рутинная работа была не только дешевым производством, но и обучением. На ней человек набирал тысячи микрорешений и постепенно начинал видеть качество.

Теперь часть нижних ступеней карьерной лестницы можно удалить. Но верхние ступени не начинают автоматически производить специалистов.

Возникает странная организация: сверху несколько опытных людей, снизу мощные AI-инструменты, а между ними — пустота. Пока сеньоры есть, система работает. Через пять лет компания обнаруживает, что ей некого повышать.

Особенно опасна иллюзия, что навык работы с промптом заменяет предметную компетенцию. Нейросеть действительно может предложить десять концепций рекламной кампании. Но чтобы понять, какая из них банальна, какая юридически рискованна, какая противоречит бренду, а какая имеет шанс сработать, нужен насмотренный человек.

Именно оценка становится дефицитным навыком. Генерировать варианты становится дешево; отвечать за выбор — дороже.

Что делать компаниям? Сохранять бессмысленную ручную работу ради воспитания молодежи было бы странно. Нужна другая модель обучения. Джуну можно дать ИИ, но нельзя отдавать ему только кнопку «сгенерировать». Пусть сотрудник объясняет выбор, проверяет факты, сравнивает версии, защищает решение и разбирает ошибки вместе с наставником.

То есть обучение смещается с производства первого черновика на редактуру, постановку задачи и контроль качества. Это сложнее для менеджера: раньше новичка можно было посадить на поток простых задач, теперь ему нужен осмысленный контур обратной связи.

Есть еще одна опасность: молодой специалист может получать от ИИ приемлемый результат слишком рано и перестать замечать собственные пробелы. Внешне работа выглядит профессионально, но человек не понимает, почему решение работает. Пока ситуация типовая, это незаметно. На нестандартной задаче компетенция рассыпается.

Поэтому компаниям придется оценивать не только результат, но и способность сотрудника объяснить логику. Это возвращает ценность разборов, ревью, устной защиты и работы без подсказки в контрольных точках.

Парадокс в том, что компании, которые агрессивнее всех сокращают младшие позиции, могут первыми столкнуться с дефицитом старших специалистов. Они экономят на зарплате сегодня, но вынимают из системы механизм воспроизводства компетенций.

ИИ повышает производительность. Но производительность и развитие команды — разные показатели. Возможно, главным HR-вопросом ближайших лет станет не «какие профессии заменит ИИ», а «как научить человека профессии, если ИИ уже выполняет работу новичка». И у компаний, которые найдут ответ раньше других, появится преимущество, которое нельзя купить подпиской на очередную модель.

Для руководителя отсюда следует еще один вывод: экономию от ИИ нельзя считать только в сокращенных человеко-часах. В модель стоит добавить стоимость проверки, наставничества и риск ошибки. Если сеньор тратит половину дня на исправление убедительно написанной, но неверной работы машины и новичка, автоматизация может выглядеть эффективной только потому, что контроль спрятан в другой статье затрат.

И это важное различие для управленческого решения: цифры стоит использовать не как повод срочно повторить модный прием, а как сигнал проверить собственную модель на реальных данных компании. Рынок меняется быстрее годового медиаплана, поэтому гипотеза сегодня ценнее догмы, а короткий измеримый тест — ценнее уверенного прогноза без проверки.