Доступ к ИИ стал массовым раньше, чем умение им управлять

В августе министр науки и высшего образования Саясат Нурбек сформулировал важный для казахстанских университетов тезис: «Искусственный интеллект становится не отдельным направлением подготовки, а одной из базовых компетенций современной системы высшего образования». Масштаб уже значителен: по данным министерства, базовую подготовку по программе AI-Sana прошли 706 023 студента. К маю AI-дисциплины были внедрены в 95 университетах, а число обновлённых образовательных программ превысило четыре тысячи.

Это правильное направление, и этот тезис стоит принимать именно всерьёз – как основание менять профессиональную подготовку, а не только добавлять к ней отдельные занятия по ИИ. Бухгалтер, юрист, врач, преподаватель и инженер будут применять разные системы и решать разные задачи, но способность работать с машинным интеллектом становится для них сквозной. Если ИИ-компетентность означает не просто знакомство с инструментом, а способность передавать ему часть профессиональной работы, ей необходима комплементарная способность – управление исполнением. Человек оказывается не только пользователем технологии, но и постановщиком задачи и приёмщиком результата.

Сам доступ к ИИ позволяет получить ответ. Надёжный профессиональный результат требует ещё двух вещей: профессиональных критериев качества и управления исполнением.

Раньше возможность постоянно поручать работу другому исполнителю обычно предполагала должность, организацию и ресурсы. Сегодня «исполнитель по запросу» помещается в телефоне. В Microsoft Work Trend Index 2025 для новой роли сотрудника даже используется выражение agent boss: человек создаёт агентов, делегирует им задачи и управляет их работой.

В простейшей форме отдельные элементы этой функции появляются ещё до первой должности. По данным опроса Pew Research Center 2025 года, 64% американских подростков 13–17 лет уже пользуются ИИ-чат-ботами, около трети – ежедневно. Они поручают машине найти информацию, объяснить тему или подготовить черновик школьной работы.

Конечно, одна команда не превращает ребёнка или взрослого в менеджера по профессии. Но всякий раз, когда человек делегирует машине работу, он хотя бы на время занимает управленческую позицию. Как мольеровский господин Журден не знал, что говорит прозой, пользователь может не замечать, что уже выполняет часть управленческого цикла.

На практике этот цикл легко обрывается после первой операции: задача отправлена, ответ получен. Если результат неудовлетворителен, человек может молча отказаться от инструмента, переделать всё самостоятельно или, наоборот, принять убедительно оформленную ошибку. Полный цикл требует другого: определить желаемый результат, обеспечить исполнителя нужными знаниями, установить ограничения, заметить отклонение, дать обратную связь и решить – принять работу, вернуть на доработку или отклонить.

ИИ демократизировал делегирование. Но качественное управление исполнением от этого автоматически массовым не стало.

Международная дискуссия уже вышла за пределы обучения промптам

Поиск нового содержания образования идёт и на международном уровне. Например, UNESCO разработала рамку компетенций в области ИИ для учащихся школ, чтобы помочь включать соответствующие результаты в учебные программы.

Летом 2026 года вышла коллективная книга Universities After AI: Voices from the Global Frontier, подготовленная как совместный проект International Association of University Presidents, Almaty Management University и Global Education Futures. AlmaU обеспечил организационную и финансовую поддержку подготовки и публикации, а представители университета вошли в число авторов. Книгу открывает вступительное слово того же Саясата Нурбека: вопрос, пишет министр, не только в наличии AI-платформ в аудиториях, но и в том, обладают ли выпускники критическим суждением и этическими основаниями для управления этими технологиями.

Ценность книги не в едином рецепте: его там нет. Авторы из Казахстана, Кыргызстана, Грузии, Бангладеш, Южной Африки, Мексики, Франции и США предлагают разные ответы – от пересмотра оснований знания до моделей совместной работы человека и машины. В аналитическом предисловии к книге я писал о «ложной видимости освоения»: качество созданного с ИИ текста, расчёта или презентации может вырасти раньше, чем способность студента судить о результате.

Один из ответов на эту проблему можно выразить формулой X+AI, где X – право, финансы, медицина или другая предметная область. Это полезный шаг: ИИ возвращается из отдельного курса внутрь профессии. Но за двумя слагаемыми такой записи скрыты три разных источника качества. Чтобы сделать их видимыми, я предлагаю более подробную формулу: профессия + управление + ИИ.

Профессия определяет, что считать качественным результатом. Управление организует его получение и приёмку. Компонент ИИ учитывает свойства именно машинного исполнителя.

Чем легче получить ответ, тем важнее «предмет и метод»

ИИ не уменьшает значение профессии. Скорее, он повышает цену профессионального суждения. Машина может быстро создать внешне убедительный документ, но убедительность ещё не означает правильность.

ИИ возвращает студента к началу учебника – к страницам про «предмет и метод», которые прежде легко было прочитать для зачёта и забыть. Что именно изучает экономика, право или математика? Какие вопросы здесь имеют смысл? Какой метод применим, какие данные заслуживают доверия, где заканчивается сила вывода и какова цена ошибки?

Во многих учебных задачах самостоятельное выполнение сложной процедуры служило косвенным признаком компетентности: без понимания было трудно получить верный расчёт или текст. Теперь программа может быстро произвести внешне готовый результат и без такого понимания. Поэтому выпускнику приходится демонстрировать более высокий уровень: способность выбрать вопрос и метод, вскрыть предпосылки, оценить доказательства и отличить профессиональный результат от правдоподобной имитации.

Профессиональная подготовка должна учитывать и реальную программную среду работы. Бизнес-математика в офисе выполняется не только на бумаге, но и в Excel; юрист работает с документами и правовыми базами, инженер – с CAD и отраслевыми системами. ИИ становится важной частью этой среды, но не заменяет её целиком. Выпускник, который знает определения, но беспомощен перед обычными рабочими инструментами, ещё не готов к профессии.

Здесь обнаруживается фундамент под всей конструкцией – общая цифровая компетентность: способность уверенно работать с файлами, аккаунтами, таблицами и интерфейсами. Человек может застрять на этом уровне ещё до серьёзной работы с ИИ. Не менее важна функциональная грамотность: без неё трудно понять задание, ясно сформулировать намерение и проверить ответ машины. Согласно PISA 2022, второго уровня достигли 36% казахстанских пятнадцатилетних по чтению и 50% – по математике. Это базовый функциональный порог, а не показатель высокого владения предметом: в чтении он предполагает способность определить главную мысль текста средней длины и найти информацию по заданным критериям; в математике – без прямой подсказки представить простую жизненную ситуацию в математической форме. Эти цифры не измеряют готовность к ИИ напрямую, но показывают масштаб дефицита в одном из базовых слоёв новой компетенции. Уже 8 сентября OECD опубликует первые результаты PISA 2025, поэтому эта картина вскоре получит обновление.

Управление начинается с результата, но не заканчивается командой

Под управлением здесь понимается не общий курс лидерства и не project management для всех. Речь об управлении исполнением конкретной профессиональной работы.

В работе с ИИ особенно выросло значение двух элементов этой способности. Первый – работа на уровне правил. Исправлять можно не только плохой отчёт, но и инструкцию, по которой он подготовлен. Такая возможность существовала и раньше, однако во многих офисных задачах проще было поправить готовый результат: человек-исполнитель достраивал неполные правила опытом и устными уточнениями, а порядок работы оставался частично неявным. При работе с ИИ правила чаще приходится формулировать явно, и их можно сохранить в промпте, шаблоне, проекте или агенте. Поэтому изменение порождающей инструкции стало доступнее. Ошибка в отчёте остаётся единичной. Ошибка в инструкции становится серийной.

Второй элемент – знаниевое обеспечение. Человека вводят в курс дела. Машину приходится вводить в контекст. Для выполнения задачи мало назвать желаемый результат. Исполнителю могут понадобиться история конкретного случая, локальные правила, прежние решения, сведения об участниках и практическое знание, которое пока существует только у опытного коллеги.

В инженерной практике с этой задачей связано понятие context engineering. Речь уже не о поиске магической формулировки промпта, а о более широком вопросе: какие инструкции, источники, данные, примеры, история и инструменты должны попасть в рабочий контекст системы. Для организации это означает необходимость решать, какой источник авторитетен, кто вправе изменить инструкцию, кому разрешён доступ и что делать при конфликте правил.

Это управленческие вопросы, хотя исполнителем становится машина. В предлагаемой формуле компонент ИИ начинается дальше – там, где нужно учитывать свойства именно этого исполнителя: зависимость результата от модели и конфигурации, ограничения контекста, изменчивость ответа, способность уверенно заполнить пробел вымыслом и необходимость независимой проверки. Просто разрешить студенту «использовать ИИ» недостаточно. Он должен понимать, какая профессиональная операция передаётся машине, почему это допустимо и как будет проверен результат.

Экзамен будущего может быть экзаменом на приёмку

Изменение программы становится убедительным только тогда, когда меняется не перечень тем, а проверяемая способность выпускника. К умению сделать работу добавляется другое: не принять плохо сделанную.

В разрабатываемом мною курсе бизнес-математики один из экзаменационных сценариев построен как приёмка работы стажёра. Студент получает расчёт с ошибками. Он должен найти и исправить их, объяснить механизм возникновения, оценить влияние на бизнес-решение, а затем вынести управленческий вердикт: принять работу, вернуть на доработку или отклонить. «Стажёр» здесь – условное название исполнителя: упражнение изначально тренирует приёмку с прицелом на ситуацию, в которой значительную часть работы выполнила машина.

Внутри одного задания соединяются, но не смешиваются разные способности. Математическая и профессиональная подготовка позволяет обнаружить ошибку и оценить вывод. Управление требует принять решение о статусе работы и следующем действии. Если черновик готовила AI-система, добавляется проверка машинного контура: какие данные и инструкции она получила, чем пользовалась и какие специфические риски возникли.

Способность профессионально принять результат нужна независимо от того, кто подготовил черновик. Поэтому в программах, где часть профессиональной работы передаётся ИИ, приёмка должна стать самостоятельным проверяемым результатом обучения, а не оставаться вспомогательной административной процедурой.

Охват реформы и её глубина – разные показатели

Число курсов, сертификатов и лицензий показывает, насколько широко ИИ вошёл в систему образования. Это важные показатели охвата. Но они ещё не отвечают на вопрос, изменилась ли квалификация выпускника.

Для оценки глубины реформы государству и университетам потребуется смотреть на другие результаты. Какую профессиональную работу способен выполнить выпускник? В какой актуальной программной среде? Умеет ли он сформулировать требования, снабдить исполнителя знаниями, проверить чужую или машинную работу и ответить за решение о её использовании? Проверяет ли экзамен профессиональное суждение – или только качество получившегося артефакта?

Для родителей и абитуриентов вопрос звучит ещё проще. Недостаточно узнать, есть ли в программе курс по ИИ. Важнее понять, чему студента научат поверх доступа к чат-боту и как университет убедится, что он действительно способен выполнить реальную работу.

Признание ИИ базовой компетенцией – правильный первый шаг. Следующий шаг состоит не во введении для всех отдельного курса общего менеджмента. Управление исполнением должно стать сквозной способностью внутри профессиональной подготовки – так же, как ИИ должен войти не только в каталог дисциплин, но и в сам способ производства, проверки и приёмки профессионального результата.

Поэтому главный вопрос университету теперь следует ставить так: какую профессиональную работу выпускник способен поручить машине, обеспечить необходимыми знаниями, проверить и ответственно принять – и откуда вы знаете, что он действительно это умеет?

Иллюстрация на обложке сгенерирована с помощью ИИ