В эксперименте почти на 1 тыс. участников студенты, решавшие задачи с GPT-4, показали прирост результатов на 48%, но после отключения модели сдали экзамен на 17% хуже группы без нейросети. На этом фоне ИИ в образовании перестал быть модной надстройкой и стал прямой проблемой для IT-кафедр, курсов и работодателей. Для русскоязычного рынка это означает неприятную, но полезную мысль: гладкий отчёт и быстро собранный код всё хуже говорят о реальном уровне кандидата.
Как пишет Habr / Карьера, бэкенд-разработчик Домклик Галина Череватенко обсудила это с доцентом Высшей школы программной инженерии СПбПУ Игорем Никифоровым. У преподавателя больше 100 рецензируемых публикаций и индустриальный бэкграунд в EMC, Dell и OpenText, так что разговор получился не про абстрактные страхи, а про то, что уже происходит в аудиториях. Ключевой тезис Никифорова звучит жёстко: написать черновик лабораторной теперь можно за минуту, а вот понять, что именно сгенерировала модель, готовы далеко не все. В результате студенты быстро разделяются на две группы: меньшинство правит, проверяет и разбирает ответ, большинство просто несёт готовый артефакт на сдачу.
Курсы трещат первыми
Сильнее всего, по логике интервью, проседают не университеты, а массовые платные курсы. Их старая схема проверки знаний держалась на решении задачи, скриншотах и формальном ревью. С генеративными моделями вся эта конструкция начала шататься: скриншоты подделываются, код генерируется, отчёт полируется за один проход. Череватенко приводит собственный опыт обучения по микросервисной архитектуре: домашние задания проверялись сухо, почти без содержательной обратной связи, и возникало ощущение, что по другую сторону тоже сидит не эксперт, а ещё одна модель. Никифоров формулирует проблему без реверансов: если и студент, и проверяющий делегируют работу ИИ, образование рискует превратиться в замкнутый контур, где нейросеть фактически обслуживает саму себя. Для рынка это плохой сигнал. Такой курс может быть удобным тренажёром, но плохо подходит на роль места, где формируют инженера.
У вузов ситуация не идеальная, но хотя бы видно, что они перестраивают механику контроля. Никифоров приводит конкретный пример: дисциплина по Go, 230 студентов, восемь групп. Один преподаватель такой поток не вытянет, поэтому вокруг курса собрана команда из самого преподавателя и шести выпускников, работающих в университетской лаборатории. Рутинную часть проверки забирает автоматизация: тесты, линтеры, чекеры, всё заведено в Git CI. Только после зелёного merge request студент доходит до живого разговора с преподавателем. Параллельно меняется и тип заданий: меньше простых лабораторных, больше сложных задач, которые модель не закрывает в лоб. А для проверки базы годятся и совсем старые методы вроде кода без IDE, буквально на листе бумаги. Звучит олдскульно, но логика понятна: если калькулятор дать во втором классе, к выпуску считать в столбик будут двое из тридцати. На практике это и есть ИИ в образовании: не запрет инструмента, а новая граница между тем, что можно автоматизировать, и тем, что студент обязан уметь сам.
При этом сам Никифоров не играет в охоту на ведьм. Он прямо говорит, что его интересует не сам факт использования ИИ, а качество результата. Но у сгенерированных работ, по его наблюдениям, есть типовые маркеры. В текстах это длинные расплывчатые фразы, двусмысленность, красивые обороты без фактов и любимые формулы в духе «эффективность заметно выросла» без единой цифры. В коде набор тоже узнаваемый: чрезмерные комментарии, длинные методы, слабая обработка ошибок, отсутствие логирования. Иными словами, нейросеть часто делает работу не плохой, а подозрительно гладкой снаружи и сырой внутри. Поэтому преподаватель всё больше превращается не в источник готового знания, а в человека, который проектирует задания, задаёт критерии и вылавливает имитацию понимания.
Что это значит для рынка
Самый спорный фрагмент интервью касается сравнения курсов и классического высшего образования. Никифоров не особенно церемонится с коммерческим EdTech и замечает, что у части платных программ цель проста: слушатель заплатил, дальше можно сильно не мучиться. Государственные вузы, по его версии, пока держатся за другую мотивацию: там всё ещё есть люди, которым важно именно учить, а не только продавать доступ к урокам. Плюс в университеты всё активнее заходят компании, в том числе ради налоговых преференций, и это неожиданно работает рынку на пользу. Индустрия, которая в 1990-е и 2000-е нередко смотрела на вузы сверху вниз, теперь сама втягивается в подготовку кадров. На выходе получается более полезная связка: университет лучше чувствует запрос бизнеса, а бизнес наконец понимает, почему нормальная инженерная подготовка не собирается из набора коротких видео и автотестов. В этом смысле ИИ в образовании только ускорил старый спор о том, кто вообще способен выращивать специалистов, а не просто выдавать сертификаты.
Для разработчиков, тимлидов и HR из этого разговора следует практический вывод. Запрещать ИИ бессмысленно: по оценке Никифорова, выигрывать будут не те, кто героически пишет всё вручную, а те, кто умеет и пользоваться моделями, и контролировать их результат. Среди студентов, по его впечатлению, около 60% действительно учатся и пытаются разбираться, а 40% уже сейчас привыкают жить на внешнем костыле. Через несколько лет именно эта пропорция может прийти на рынок джунов. Значит, найм тоже придётся делать менее доверчивым: меньше верить красивым тестовым, больше проверять объяснение архитектурных решений, понимание ошибок, умение доработать чужой сгенерированный код и защитить свои выборы. Отсюда же и ещё один неприятный, но полезный вывод: высшее образование в IT в 2026 году Никифоров списывать не советует. Не потому, что вуз безупречен, а потому, что без математики, алгоритмов, физики, паттернов и нормальной профессиональной среды человек быстро превращается в оператора подсказок.
Спор уже не сводится к вопросу, убьёт ли нейросеть преподавателя или junior-разработчика. Куда важнее другое: готов ли рынок платить за дорогую часть обучения, которую нельзя ускорить одной подпиской на модель, — за живое ревью, сложные задания, глубокую базу и время эксперта. ИИ в образовании явно останется, но дальше выживут не те программы, где все научились быстро генерировать ответы, а те, где человека всё ещё заставляют понимать, что именно он сдал, защитил и потом понёс в продакшн.