То есть тут формула уже другая: человек пока не умеет → AI специально устроен так, чтобы не просто скомпенсировать дефицит, а простраивать нужные когнитивные операции.

И это уже очень близко к нашей задаче развития джунов. Но опять есть серьезное отличие. Обычный Study/Learning mode универсален: ▪️пойми концепт; ▪️подумай сам; ▪️объясни свое решение; ▪️попробуй следующий шаг.

А мы зашивали внутрь конкретную профессиональную методологию конкретного класса рабочих задач. Не просто «думай критически», а: ▪️вот что в нашей профессии считается evidence; ▪️вот какие различия надо замечать; ▪️вот какие гипотезы здесь стоит строить; ▪️вот какой пробел существенный; ▪️вот когда тебе надо вернуться к информатору; ▪️а вот здесь ты вообще не имеешь права принимать решение — вызывай эксперта.

То есть обучающая компонента происходит в процессе выполнения реальной задачи, как in-job-training/

Кажется, мой когнитивный партнер находится ровно на пересечении трех линий. Исходим из экспертной методологии → раскладываем на когнитивные операции → определяем, что способен сделать джун → что компенсирует ИИ → где нужно суждение эксперта → собираем из этого рабочий контур → и уже внутри него одновременно производим результат и, если это действительно нужно заказчику, развиваем человека.

Развитие не обязано быть целью каждой ИИ-системы.

Иногда бизнесу совершенно рационально нужен просто быстрый и достаточно хороший результат — и тогда нечего насильно превращать бизнес-инструмент в тренажер развития.

Но если заказчику одновременно нужны результат сейчас + передача компетенций внутрь команды, тогда, кажется, есть довольно интересная территория между «обучить людей», «автоматизировать работу» и «дать всем доступ к ChatGPT».

Это посильней библиотеки промптов. Это задачка: «Как спроектировать совместную когнитивную систему, в которой человек, AI и эксперт делают каждый именно ту часть работы, где дают максимальную ценность?»

И в моих проектах - это сейчас довольно классно работает. Может, вам тоже зайдет как идея.