А сколько здесь твоими ручками?

Представьте себе два разговора.

В первом – два ценителя сравнивают картины. Один говорит: «вот эта лучше – у нее диагональ 80 см, а у той только 50». Второй смотрит на него и не знает, как отвечать.

Во втором – два инженера обсуждают компьютеры. Один говорит: «вот этот производительнее – у него корпус серебристый, а у того черный». Второй тоже не знает, как отвечать.

Абсурд узнается мгновенно.

А теперь – руководитель регионального подразделения смотрит на результат работы, сделанной экспертом с помощью AI, и спрашивает: «А сколько здесь твоими ручками?»

Тем же тоном, каким ценитель говорил про диагональ, а инженер – про цвет корпуса.

Только этот абсурд мы пока не узнаем – потому что не научились слышать его в собственном языке.

Про новую профессиональную грамотность, которая возникла раньше языка ее описания.

Про измерители, которых еще нет.

Про категорию профессионалов, для которой стандартные метрики дают систематически неверный ответ – не потому что метрики плохие, а потому что применяются не к тому объекту.

Про разрыв на десятилетия между тем, как работа теперь устроена, и тем, как ее принято измерять и оценивать.

Начнем с того, из чего эта работа реально складывается.

Работа с AI как с партнером имеет очень специфическую хронологию – и она не похожа на «сел и написал».

Если замерить типичный рабочий цикл эксперта, работающего с AI на системной основе, то распределение выглядит примерно так:

Итого: 95% работы делает человек. Головой, а не ручками.

Дальше – как оценить эти 95%.

За три недели в июне 2026 года собрана мультиклиентская аналитическая архитектура – единая система живых отчетов, которая сейчас работает у пяти клиентов в двух странах. Каждый отчет – самостоятельное веб-приложение с дашбордом и диалоговым интерфейсом, AI-ассистентом, которому можно задать любой вопрос о данных компании на естественном языке – «когда выйдем в прибыль?», «где видишь риски?», «почему такая цифра и как она получилась?».

Что попало в артефакты: 46 KB архитектурного документа, 115 KB плана проверки данных (включая анализ аномалий) в аналитической платформе, пакеты данных по каждому клиенту, промты для фронтенд-генератора плюс запросы к источникам данных. Соотношение по времени примерно то же: около 65% на контекст и подготовку ТЗ, 5% на сам код, 30% на тестирование.

Что именно делает эта аналитика и почему ее принцип – отдельный сдвиг в способе работы с данными – предмет отдельной публикации. Здесь важен один срез: как эту работу измерить?

Простой на первый взгляд вопрос. При попытке ответить он распадается на три взаимосвязанные проблемы. Три пласта, в каждом из которых стандартные инструменты оценки не дают правильного ответа.

Первая сцена – самая простая. Вопрос: «Что было сделано?»

Инструменты дают конкретные ответы:

Все это – верхушка айсберга. Финальные артефакты, видимые снаружи. То, что за ними стоит – непрерывная работа над контекстом, сверка с ограничениями смежных проектов, проверка гипотез, взаимодействие с AI, построение мысленной модели и параллельное документирование – ни один инструмент не показывает.

Метрика «время в контекстной работе» – отсутствует.

Вторая сцена – еще интереснее. Один из клиентских отчетов дал аномалию: показатель экономии по клиенту оказался значительно выше, чем по остальным. На такую аномалию можно отреагировать двумя способами.

Первый: пожать плечами и оставить как есть. «У этого клиента показатель – 40%. Красиво».

Второй: разобрать и понять, нужны ли исправления. AI в одиночку с задачей справиться не может. AI может найти «подозрительное» место в данных, но разбор – на человеке. Например, на одну и ту же позицию два поставщика подали предложения, которые различаются в 1500 раз. Какое из поданных предложений аномальное? Какое следует отсечь как ошибку ввода, а какое пометить как намеренное занижение (outlier)? Как детектировать признаки аномалий в зависимости от категории тендера? И это только часть вопросов, на которые нужно дать четкие, однозначные ответы, чтобы система корректно распознавала каждую ситуацию.

Первый вариант – 15 минут. Второй – от одного до трех дней. Результат внешне одинаковый: график с цифрой. Разница – только в том, отвечает ли эта цифра реальности.

Стандартной метрики для «качества аналитического рассуждения» – нет.

И самое неприятное: эта работа исчезает, если ее не сделать. Никто не увидит разницы между отчетом, построенным первым способом, и отчетом, построенным вторым – до момента, когда клиент не начнет принимать решения на основе неверных цифр. А это уже не техническая проблема.

Третья сцена – про то, чем конкретно занимается «эксперт + AI». Как этот тип работы называется в HR-номенклатуре?

Product Manager? Не совсем – Product Manager обычно не собирает живые дашборды и не разбирает аномалии данных.

Аналитик? Тоже не полностью – аналитик обычно не создает архитектуру передачи данных между источниками и не пишет инструкции деплоя.

Исследователь данных? Ближе, но исследователь данных обычно работает с одной моделью, а не с корпусом из пяти клиентов и двух стран.

Специалист по продуктовому маркетингу? Внутренний консультант? Solutions Architect?

Ни в одну из существующих категорий эта работа целиком не помещается. Всегда попадает частями – с искажением, всегда с потерей. Из HR-описания уходит либо архитектура, либо разбор аномалий, либо диалоговый интерфейс, либо связь с бизнес-целями клиента. Всегда – то, что и делает эту работу той, какая она есть.

Категории «эксперт + AI» – нет. В штатных расписаниях ее нет. В KPI-шаблонах – нет. В вопросах ассессмент-центров – нет. В названиях вакансий – нет.

Четвертая сцена – про экономику. Стандартный вопрос: «Сколько времени ты сэкономила?»

Расчет на пальцах: чтобы сделать эту же работу в старой парадигме, нужна была бы команда минимум из трех человек. Сроки – 3 месяца.

Один человек за три недели закрыл эту работу.

Формально это около 8 сэкономленных человеко-месяцев. Плюс отсутствие затрат на межличностные коммуникации между тремя ролями. Плюс отсутствие «испорченного телефона» между этапами. Это одна половина истории – видимый и измеримый эффект.

Вторая половина сильнее. В реальности альтернативы «сделать эту работу командой» часто не существовало: команды загружены другими задачами, их бы на этот проект просто не выделили. Значит, работа в старой парадигме не появилась бы никогда. Это не сэкономленные восемь месяцев – это результат, которого без «эксперта + AI» не было бы вовсе.

Ни одна из этих цифр не отразится в отчетах. Их место – под графой «время, которого не было».

Стандартной метрики для «сжатия человеко-месяцев одним человеком» – нет. Стандартной метрики для «работы, которой альтернативно не было бы» – тоже нет.

Возвращаемся к самому началу. К картине и компьютеру.

Если сравнивать две картины по размеру диагонали – метрика формально существует, она дает число. Проблема не в метрике. Проблема в том, что размер диагонали не имеет отношения к тому, чем одна картина отличается от другой.

Если сравнивать два компьютера по цвету корпуса – то же самое. Метрика формально валидна, ответ формально получен. Только он не про производительность.

Метрика «сколько здесь ручками» – из того же ряда. Она формально существует и дает число. Раньше это число совпадало с ответом на вопрос «сколько человек сделал». Работа состояла в основном из «ручного» труда – все, что делается ручками, это и есть работа.

С AI это перестало быть правдой.

Один и тот же инструмент – например, Claude – у двух разных людей дает совершенно разный результат. Не разный на 10–20%. Разный качественно. Один получит поверхностный текст из общих мест. Другой – точную архитектурную рекомендацию под конкретную ситуацию.

Разница – не в AI. Разница в том, насколько человек владеет инструментом.

И вот здесь появляется пятая сцена – про ответственность. Если код написал AI, а результат передан клиенту – кто несет ответственность за качество?

В старой модели ответ прост: тот, кто напечатал код. Прямая связь между действием и ответственностью.

В новой модели ответственность не убирается. Она смещается: теперь ее несет тот, кто задавал контекст, кто проверял результат, кто принимал решение, что этот результат достаточно хорош для передачи клиенту. Инструмент – не субъект ответственности. Субъектом остается человек.

Но эта ответственность невидима, потому что кода мало. Со стороны кажется, что если кода мало, то и ответственности мало. Это не так. Ответственность за качество мультиклиентской архитектуры, работающей у пяти реальных компаний, – не меньше ответственности человека, делавшего тот же продукт в старой парадигме силами команды из четырех ролей. Даже больше – потому что в одиночку.

Стандартной метрики для «ответственности за результат в комбинации человек + AI» – нет.

Реальная метрика новой профессиональной категории – это качество владения инструментом. Насколько точно человек задает контекст. Насколько тонко чувствует, где AI ошибается. Насколько строго проверяет результат. Насколько глубоко понимает, где начинается его собственная ответственность, а где – ограничения инструмента.

Это и есть новая грамотность.

У этой новой грамотности пока нет ни собственного языка описания, ни системы подтверждения. Несколько вопросов, на которые ответа сейчас нет.

1. Что считать «качеством владения инструментом»?

Прошел курс по промт-инжинирингу – это подтверждение? Не совсем: курс даст базовые правила, но не гарантирует, что человек умеет применять их к сложной задаче.

Сделал продукт за 5 дней – это подтверждение? Тоже не совсем. Может быть, этот продукт можно было сделать за один день. Или он не такой сложный. Или он не работает.

Продукт работает на реальных пользователях и решает их задачу – ближе. Но и здесь неочевидно: что значит «работает»? Какое качество считать достаточным? Насколько устойчиво к нестандартным случаям?

2. Как измерять эффективность и оптимальность работы?

Одинаковый результат может быть достигнут очень по-разному. Быстрее или медленнее. С большими или меньшими затратами на инструмент. С большей или меньшей устойчивостью к следующему изменению задачи. С разной способностью передать работу другому человеку.

Что здесь мерить в первую очередь? Скорость? Стоимость вызовов инструмента? Точность? Способность переиспользовать наработанный контекст в следующей задаче? Стандартной методики оценки эффективности работы в связке с AI пока не сложилось.

3. Где брать точки сравнения?

Два человека называют себя «эксперт + AI». Как сравнить их уровень? Даже если оба справятся с одной задачей, разница может быть в подходе, устойчивости, стоимости достижения результата, скорости, глубине проработки. Ни одна из этих величин не имеет общей шкалы.

4. Нужно ли вообще подтверждать этот навык?

Может быть, вся система «дипломов, сертификатов, подтверждений» – артефакт индустриальной эпохи? А в мире, где инструменты усиливают эксперта в разы, единственный настоящий измеритель – это результат, показанный на реальных задачах, и все остальное – производные величины?

Ответа сейчас нет. Ни у HR-департаментов, ни у консалтингов, ни у самих носителей этой новой грамотности. Это вопрос, над которым индустрия только начинает думать.

29 июня 2026 года Boris Cherny, создатель Claude Code в Anthropic, опубликовал в X пост о пяти архетипах ролей будущего – Prototyper, Builder, Sweeper, Grower, Maintainer (ссылка на пост). 2.6M просмотров за сутки.

Boris прямо пишет: эти архетипы не привязаны к профессии. В его команде дизайнеры, инженеры, продакт-менеджеры и data scientists распределены по разным архетипам вперемешку. Границы старых профессий размываются, и на их место приходит новая типология – независимая от того, «кто ты по диплому».

А значит: работа с AI перестала быть отличительным признаком отдельной роли. Она стала общим слоем – подразумевается по умолчанию во всех пяти архетипах.

Работа профессионала-с-AI уже существует. И для нее уже есть типологии – которые пишутся не в HR-департаментах и не в консалтинговых компаниях, а внутри компаний, делающих сами инструменты.

Языка ее оценки – еще нет.

Между этими двумя реальностями – не месяцы отставания. Возможно, десятилетие. И этот разрыв пройдет не тогда, когда LLM станут еще умнее, а тогда, когда система измерения работы догонит саму работу.

Это вызов не к инструменту. Это вызов к тому, что в наших головах давно устоялось, а сейчас требует переосмысления.

Метрика не при чем. При чем – то, к чему ее применяют.