Как генеративный ИИ меняет роль L&D в бизнесе

О чем это исследование

Генеративный ИИ уже заметно меняет повседневную работу L&D.

Но, судя по проведенным интервью, наиболее интересное изменение происходит не там, где AI просто ускоряет подготовку курса или теста.

Оно происходит там, где меняется сама постановка задачи.

Если учебный материал можно подготовить за часы вместо дней, главным ограничением постепенно становится не производство контента, а понимание того, какой контент вообще нужен, кому он нужен и какое изменение в работе должен вызвать.

Это исследование — попытка посмотреть на этот сдвиг через опыт восьми специалистов, работающих в разных организационных контекстах.

Мы не ставили задачу получить статистически репрезентативную картину рынка. Нас интересовали практические наблюдения людей, которые уже работают с L&D, образовательными технологиями, организационными изменениями и AI.

В результате получилось несколько достаточно устойчивых наблюдений — и несколько более смелых гипотез, которые пока нельзя считать установленными.

Методологический паспорт

В основу отчета легли 8 полуструктурированных глубинных интервью продолжительностью от 60 до 90 минут.

Участники имеют опыт работы в:

• промышленности;
• финансовом и технологическом секторе;
• добывающей отрасли;
• e-learning и LMS;
• международном бизнесе;
• AI-технологиях;
• малом и среднем бизнесе.

В итоговой версии исследования используются обезличенные данные. Имена и названия компаний приведены только в той мере, в какой это согласовано с участниками исследования.

Участники

Как читать результаты

Мы разделили наблюдения по уровню поддержки внутри выборки.

Устойчивый паттерн — 6–8 интервью

Тема регулярно появлялась в разных организационных контекстах.

Это наиболее сильные наблюдения исследования, но даже они не являются статистически доказанными закономерностями рынка.

Повторяющаяся тенденция — 3–5 интервью

Тема проявлялась у нескольких участников, но могла зависеть от отрасли, размера компании или уровня технологической зрелости.

Гипотеза или сценарий — 1–2 интервью

Интересное наблюдение, которое пока недостаточно подтверждено выборкой.

Такое разделение важно: мы не хотим превращать идеи одного сильного эксперта в «голос рынка».

1. AI уже заметно ускоряет рутинную работу L&D

Устойчивый паттерн

Поддержка: 8 из 8 интервью

Все участники так или иначе описывали существенное ускорение работы с текстом, структурированием информации, подготовкой материалов или другими задачами, которые раньше требовали значительного объема ручной работы.

Особенно часто речь шла о:

• подготовке черновиков;
• создании структуры материала;
• разработке тестовых заданий;
• подготовке технических заданий;
• переработке существующих материалов;
• адаптации контента;
• работе с большими объемами информации.

При этом оценка конкретного ускорения сильно зависит от задачи. В отдельных интервью звучали оценки в несколько раз, но мы не рассматриваем их как универсальный коэффициент производительности.

Один из участников описал изменение следующим образом:

«Раньше ТЗ программистам я мог неделю писать и мучиться... Сейчас это занимает пару-тройку часов и прекрасно сформулировано. Доходит до того, что приходится вычеркивать избыточные пункты».

— Респондент 6

Здесь важна не конкретная цифра ускорения, а сам характер изменения: AI переносит значительную часть работы из ручного производства в постановку задачи, редактирование и контроль результата.

2. Вместе с контентом становится дешевле и ошибка

Устойчивый паттерн

Поддержка: 6 из 8 интервью

Несколько участников независимо друг от друга описывали обратную сторону массовой генерации.

Когда создать материал становится легко, организация получает возможность создавать больше материалов, чем способна качественно проверить и использовать.

Возможные последствия:

• локальные команды самостоятельно создают несогласованные материалы;
• один и тот же контент появляется в разных версиях;
• сотрудник получает слишком большой объем информации;
• убедительный AI-текст может оставаться непроверенным;
• количество доступного контента начинает превышать способность его отбирать.

Это меняет роль L&D.

Если раньше значительная часть работы заключалась в производстве, то теперь возрастает значение редактуры, верификации, отбора и контекстуализации.

Иными словами, AI может удешевить создание контента, но не отменяет необходимость отвечать на вопрос:

«Нужен ли этот контент вообще?»

3. Диагностика запроса остается человеческой зоной

Устойчивый паттерн

Поддержка: 7 из 8 интервью

Одна из наиболее устойчивых тем исследования — необходимость разобраться в реальной причине запроса до того, как начинается разработка обучения.

Участники описывали ситуации, когда бизнес приходит с готовым решением:

«Нам нужен курс».

Но причиной проблемы оказывается не недостаток знаний, а процесс, система мотивации, инструменты, управление или организация работы.

Один из участников сформулировал это так:

«Устойчивыми к изменениям остаются определение проблемы и снятие запроса. Когда заказчик приходит и говорит: “Обучите нас этому”, — распутать, в чем реальная причина и нужен ли вообще курс, ИИ не способен».

— Респондент 8

Это не означает, что AI не может помогать в диагностике.

Он может анализировать данные, группировать информацию, находить закономерности и предлагать гипотезы.

Но ответственность за постановку проблемы остается у человека.

И это, возможно, один из главных сдвигов для L&D: по мере удешевления производства контента возрастает значение правильной постановки задачи.

4. L&D может смещаться от производства к проектированию

Из предыдущих наблюдений складывается более общий вывод.

Если AI берет на себя все большую часть производства учебных материалов, L&D может постепенно смещать усилия в несколько других областей:

Это пока не единая новая модель L&D. Скорее, это направление изменения роли, которое проявляется в нескольких интервью.

5. AI постепенно переносит обучение ближе к рабочему процессу

Еще одна линия интервью связана с изменением самого места обучения.

Традиционная модель предполагает отдельный учебный контур:

курс → обучение → проверка → работа.

AI позволяет чаще использовать другую последовательность:

задача → помощь → действие → обратная связь.

Например, сотруднику может не потребоваться отдельный курс по работе с системой, если в момент выполнения задачи он может получить подсказку, объяснение или пример непосредственно внутри рабочего инструмента.

Это не означает исчезновения курсов.

Для фундаментальных знаний, сертификации, сложных программ и многих других задач отдельное обучение останется востребованным.

Но граница между обучением и работой может становиться менее заметной.

6. «Полый навык»: когда результат есть, а навыка нет

Повторяющаяся тенденция

Поддержка: 3 из 8 интервью

Три участника независимо затронули близкую проблему: AI может позволить человеку успешно выполнить задачу, не освоив лежащий под ней навык.

Один из участников назвал это «полым навыком» (Hollow Skill).

«Эффект полого навыка означает, что вы выполняете задачу с ИИ и считаете себя обладателем этого навыка. Но если ИИ убрать — навыка нет. Мы берем когнитивный кредит у своего будущего: используя быстрые решения, мы в будущем становимся глупее».

— Респондент 5

Другой участник описал похожий эффект более прикладным языком:

«ИИ забирает момент мышления: они ему все отдают на откуп, а сами потом двух слов связать не могут».

— Респондент 7

Пока это не позволяет говорить о системной деградации навыков сотрудников.

Но для L&D здесь возникает важный практический вопрос:

что именно должен уметь человек самостоятельно, а что может выполнять совместно с AI?

Это различие становится особенно важным для онбординга, сертификации и профессий, где ошибки дорого обходятся организации.

7. Человеческое взаимодействие не исчезает автоматически

Повторяющаяся тенденция

Поддержка: 5 из 8 интервью

Несколько участников отмечали, что цифровая привычка не означает автоматического предпочтения AI во всех форматах обучения.

Особенно это проявлялось в разговорах о молодых сотрудниках, наставничестве и сложных социальных ситуациях.

Один из участников привел конкретный пример:

«Я собрала аудиторию в 150 стажеров и спросила, что они выберут: живой интенсив на 2 дня или полуторачасовой микроленинг. Все подняли руки за живого преподавателя».

— Респондент 3

Этот пример интересен, но его нельзя автоматически превращать в вывод о «зумерах» в целом.

В нашем исследовании это скорее свидетельство того, что потребность в живом взаимодействии может сохраняться даже у аудитории, которая активно использует цифровые инструменты.

AI и человек здесь не обязательно являются взаимозаменяемыми форматами.

8. Роль наставника может измениться — но не факт, что исчезнуть

Гипотеза

Поддержка: 2 из 8 интервью

В интервью появилась и более радикальная версия будущего.

Если персональный AI получает доступ к рабочему контексту человека, он потенциально может постоянно сопровождать его: объяснять, подсказывать, находить знания, отслеживать пробелы и помогать решать задачи.

Один из участников сравнил это с появлением «второго мозга»:

«Раньше у генерала был деньщик. А тут нейросети позволяют получить деньщика каждому солдату. Появляется второй мозг, который знает твой контекст и подсвечивает твои слабые зоны...»

— Респондент 2

Другой участник, напротив, увидел в AI-наставнике угрозу самому институту наставничества:

«Сделать ИИ-наставника в телефоне — это очень круто. Но сделав его, ты по сути убьешь живой институт наставничества и преемственности внутри компании».

— Респондент 1

Это хорошая иллюстрация того, почему сценарии будущего нельзя сводить к одной траектории.

Один и тот же технологический сдвиг может одновременно усиливать доступность помощи и ставить под вопрос существующие формы человеческого взаимодействия.

9. L&D сталкивается не только с технологической, но и с институциональной проблемой

Контекстуальная тенденция

Поддержка: 4 из 8 интервью

Несколько участников критически описывали существующую систему оценки обучения.

В частности, звучала проблема ориентации на удовлетворенность участников и показатели вроде NPS, которые относительно легко улучшать за счет дизайна, сервиса и эмоционального эффекта программы.

Один из участников сформулировал проблему достаточно жестко:

«Мы оцениваем NPS и удовлетворенность, разгоняя оценки до 9.7 из 10 за счет дизайна и вау-эффектов. KPI превращаются в зарплаты и премии. Но бизнес не меняется».

— Респондент 6

Важно не превращать эту позицию одного эксперта в утверждение о том, что NPS бесполезен.

Более осторожный вывод другой:

удовлетворенность обучением и изменение поведения — разные результаты, и первый не гарантирует второго.

Для L&D это означает необходимость искать дополнительные способы оценки: применение навыка, качество выполнения работы, скорость адаптации, изменение поведения и другие показатели, связанные с конкретной задачей.

10. Экономика AI: генерация «на лету» не всегда рациональна

Гипотеза, основанная на опыте крупных систем

Поддержка: 2 из 8 интервью

Отдельная тема возникла при обсуждении масштабных образовательных систем.

Один из участников привел пример массовой генерации учебного контента для сотен тысяч сотрудников и показал, что постоянная генерация больших объемов контента для каждого пользователя может создавать существенные инфраструктурные расходы.

«Курс по пожарной безопасности на 300 тысяч человек... если перемножить количество знаков на людей, обучение стоит десятки миллионов рублей [в токенах]. Плюса никакого. Заранее сгенерировать и проверить — в разы дешевле».

— Респондент 4

Это не является доказательством того, что динамическая генерация в целом экономически невыгодна.

Скорее, интервью показывает необходимость различать два подхода:

генерировать один раз и использовать многократно

и

генерировать персональный результат при каждом обращении.

Оптимальный вариант зависит от объема аудитории, сложности задачи, стоимости AI-моделей и требований к персонализации.

11. Самый радикальный сценарий — Zero L&D

Сценарная гипотеза

Поддержка: 1 из 8 интервью

Один из участников предложил наиболее радикальную перспективу: если персональный AI становится постоянным помощником сотрудника, значительная часть функций корпоративного университета может стать ненужной.

В этой модели сотрудник получает знания не через централизованный каталог обучения, а непосредственно через собственного AI-помощника, который знает его рабочий контекст.

Это можно условно назвать сценарием Zero L&D.

Важно: это не вывод исследования и не прогноз.

Это гипотеза одного участника, которая интересна именно своей радикальностью.

Она позволяет поставить вопрос:

если AI действительно сможет обеспечить сотруднику персонализированное развитие непосредственно в рабочем процессе, какая часть традиционной L&D-функции останется необходимой?

12. Что подтверждено, а что пока остается гипотезой

Эта таблица, пожалуй, важнее любой красивой финальной формулы.

Она показывает, где мы действительно видим повторяющийся сигнал, а где пока имеем только интересную идею.

13. Что из этого следует для L&D

Исследование не дает готовой модели будущей L&D-функции.

Но позволяет сформулировать несколько направлений для дальнейшего обсуждения.

1. Сместить внимание с производства на постановку задачи

Если первый вариант контента создается за минуты, ценность смещается к пониманию проблемы.

L&D важно не только уметь создать обучение, но и уметь спросить:

«Нужно ли здесь обучение?»

2. Сделать верификацию отдельной компетенцией

AI-контент требует редакторской и экспертной проверки.

Это относится не только к фактическим ошибкам, но и к соответствию реальному рабочему контексту.

3. Разделять AI-помощь и освоенный навык

В некоторых задачах сотруднику достаточно уметь эффективно работать вместе с AI.

В других он должен обладать базовым навыком самостоятельно.

Эти два требования нельзя смешивать.

4. Не противопоставлять AI и человека

Автоматизация не обязательно должна вытеснять живое обучение.

Возможно, наоборот, AI позволит высвободить человеческое время для тех форматов, где человеческое взаимодействие действительно имеет значение.

5. Пересмотреть единицу измерения L&D

Количество курсов, часов обучения и удовлетворенность участников могут оставаться полезными операционными показателями.

Но они не отвечают на главный вопрос:

изменилось ли что-то в работе человека после обучения?

14. Что это означает для бизнеса

Для бизнеса главный вывод исследования может быть сформулирован достаточно просто:

не стоит оценивать AI в L&D только по тому, насколько дешевле стало производить контент.

Более важный вопрос — что организация получает на выходе.

Если AI позволил создать в пять раз больше курсов, но сотрудники не стали лучше выполнять работу, экономический эффект может оказаться близким к нулю.

Если же AI позволил быстрее диагностировать проблему, дать сотруднику помощь в нужный момент и высвободить специалистов L&D для более сложных задач, эффект может быть совершенно другим.

Поэтому внедрение AI имеет смысл рассматривать не как проект автоматизации производства контента, а как возможность пересмотреть саму конструкцию развития сотрудников.

15. Итог

Восемь интервью не дают основания утверждать, что L&D исчезнет.

Они показывают другое.

AI делает производство обучения дешевле и быстрее. И именно поэтому начинает ставить под вопрос саму необходимость производить столько обучения.

Когда курс, тест или инструкция перестают быть дефицитным ресурсом, ценность перемещается в другие области:

понять проблему → выбрать нужное → встроить помощь в работу → проверить результат → сохранить человеческое взаимодействие там, где оно действительно необходимо.

Это может привести к изменению роли L&D — от функции, которая преимущественно производит и администрирует обучение, к функции, которая проектирует условия для развития и изменения работы.

Но насколько далеко зайдет этот переход, восемь интервью пока не позволяют сказать.

И это, возможно, самый полезный результат исследования.

Мы получили не окончательный ответ о будущем L&D, а несколько вопросов, которые теперь можно проверять на большей выборке.

От обучения к развитию — это пока не завершившийся переход. Но AI заметно ускоряет движение в эту сторону.

Приложение. Обезличенный профиль участников

Респондент 1 — руководитель центра методологии корпоративного обучения, промышленный сектор.

Респондент 2 — специалист по организационным изменениям и AI, финансово-технологический сектор.

Респондент 3 — руководитель направления оценки и развития, добывающая промышленность.

Респондент 4 — эксперт по образовательным продуктам и AI, финансово-технологический сектор.

Респондент 5 — эксперт по AI-компетенциям и AI-архитектуре.

Респондент 6 — эксперт по e-learning и LMS, 15 лет опыта.

Респондент 7 — руководитель обучения в крупном авторитейле.

Респондент 8 — руководитель L&D в небольшой компании.

P.S. Участвуйте в наших исследованиях

Мы продолжаем исследовать, как меняется роль L&D и как организации развивают людей.

Приглашаем экспертов и руководителей L&D принять участие в наших глубинных интервью и поделиться своим опытом и взглядами.

Приглашаем партнеров к совместным исследованиям на темы обучения, развития людей и корпоративной среды.

А если вам интересно следить за исследованиями и моими наблюдениями о L&D, подписывайтесь на Telegram-канал основателя Brusnika.LMS: https://t.me/people_at_work