29 мая 2026 года IT-World опубликовал колонку Михаила Беляева, руководителя образовательного направления Битрикс24, о том, что главные ограничения ИИ находятся не только в самой модели. Для русскоязычной IT-аудитории тезис неприятный, но полезный: потолок результата задают не галлюцинации сами по себе, а уровень человека, который пытается этими ответами пользоваться. Если коротко, ограничения ИИ часто начинаются там, где у пользователя заканчивается предметное понимание.
Беляев формулирует это как «предел компетенции», сообщает IT-World. Идея простая: языковая модель может выдать убедительный текст почти на любую тему, от квантовых вычислений до юридических формулировок, но полезность такого текста напрямую зависит от того, способен ли читатель распознать ошибку, проверить допущение и понять, где заканчивается уверенный тон и начинается правдоподобная выдумка. Это особенно знакомо разработчикам, аналитикам и продуктовым командам, которые уже привыкли получать от нейросетей быстрые черновики, фрагменты кода, резюме встреч и обзоры чужих материалов. Пока задача лежит рядом с вашей зоной опыта, инструмент экономит часы. Как только пользователь заходит на территорию, которую сам не понимает, нейросеть легко превращается из ускорителя в генератор красивой неопределенности.
В качестве примера автор берет специалиста, который просит модель подготовить аналитический материал по квантовым вычислениям. Ответ может выглядеть солидно: термины на месте, формулы мелькают, подходы перечислены. Проблема в том, что без базы невозможно отделить рабочее объяснение от убедительной ошибки. Именно в этой точке и проявляется предел компетенции: модель способна продолжать текст сколько угодно, а человек уже не может уверенно решить, что из этого годится для работы, а что лучше не нести в документ, на встречу с заказчиком или в дорожную карту продукта. Для бизнеса это не философия, а вполне прикладной риск. Ошибка, замаскированная под уверенный ответ, обходится дороже, чем честное «не знаю», потому что она приходит без предупреждающей сирены.
Дальше Беляев предлагает смотреть на ИИ не как на магическую замену эксперта, а как на инструмент работы в зоне ближайшего развития. Термин педагогический, но в корпоративной среде он звучит неожиданно уместно. Логика такая: человек не становится специалистом по новой дисциплине за один диалог с моделью, зато может продвинуться на один шаг дальше привычного уровня. Автор называет это принципом «компетенция плюс один». Для IT-рынка это, пожалуй, самый трезвый сценарий использования нейросетей. Не «сейчас любой за вечер заменит команду», а «сильный специалист быстрее расширяет кругозор, если умеет задавать вопросы, собирать контекст и проверять промежуточные выводы». И вот здесь ограничения ИИ оказываются тесно связаны не с размером модели, а с качеством мышления оператора.
В тексте важен еще один акцент: Беляев разделяет профессиональные компетенции на два слоя. Первый — предметные знания, те самые hard skills, которые копятся годами и плохо переносятся между отраслями. Второй — мягкие навыки работы с информацией: умение декомпозировать задачу, сравнивать варианты, держать логику, проверять факты и задавать правильные вопросы. Именно этот второй слой позволяет использовать ИИ в незнакомой теме без полной потери контроля. Мы уже видим это на практике: человек без серьезного бэкграунда в разработке может собрать небольшой инструмент для автоматизации рутины, отчетности или интеграций, если способен внятно описать задачу и последовательно проверять результат. В колонке в качестве примера такой среды упомянут VibeCode Битрикс24, где нейросеть берет на себя синтаксис и техническую рутину, а пользователь остается архитектором и приемщиком. Формулировка важная, потому что она возвращает ответственность туда, где ей и место. Если вы не способны принять работу, бессмысленно радоваться тому, что кто-то быстро ее «написал».
Из этого автор выводит два режима взаимодействия с ИИ. Первый — «автопилот»: сформулировал запрос, получил ответ, вставил в процесс, пошел дальше. Для типовых задач режим отличный. Никто не обязан вручную переписывать резюме созвона или каждый раз собирать с нуля шаблон письма, если машина справляется за секунды. Но как единственная модель работы это плохая сделка. Пользователь экономит время сейчас, зато почти не увеличивает собственную компетенцию. Через год он приходит к модели с теми же ограничениями, только уже с устойчивой привычкой делегировать то, в чем не разбирается. И когда нейросеть ошибается, а она периодически ошибается, у такого специалиста просто нет внутреннего инструмента для проверки.
Второй режим — обучение через ИИ. Не в смысле бесконечного восторга вокруг «новой грамотности», а в довольно приземленном сценарии: попросить модель объяснить область, показать ключевые развилки, сравнить подходы, назвать риски, разложить тему на части, предложить, что еще проверить руками. Такой путь короче классического похода по статьям, книгам и разговорам с коллегами, но не отменяет необходимости думать. Зато в нем знания остаются у человека. Для разработчиков это означает более точные запросы к ассистентам по коду и меньше слепого копипаста. Для продактов — лучшее понимание технических компромиссов, а не только презентационных обещаний. Для HR и образовательных команд — новый критерий оценки: не просто «умеет пользоваться нейросетью», а умеет ли сотрудник проверять, уточнять и превращать сырую генерацию в рабочий результат.
Для российского IT-рынка здесь считывается и более широкий контекст. Последние два года нейросети массово продавались как ускоритель практически любой офисной и инженерной функции. Этот тезис в целом верен, но рынок уже начал сталкиваться с побочным эффектом: скорость выросла быстрее, чем культура верификации. Отсюда поток слабых аналитических записок, хрупких прототипов, спорных ответов в поддержке и контента, который выглядит бодро, но рассыпается при первом вопросе по существу. На этом фоне колонка Беляева полезна именно своей приземленностью. Она не спорит с тем, что модели становятся сильнее. Она напоминает о менее удобной детали: выигрывать от этого будут в первую очередь те, кто умеет расширять собственную компетенцию вместе с инструментом, а не прятать ее отсутствие за хорошим интерфейсом.
Если этот подход закрепится, корпоративный спрос сместится с простого доступа к нейросетям на навыки работы поверх них: постановку задачи, проверку результата, понимание границ автоматизации. И тогда вопрос для отрасли будет звучать уже не «заменит ли ИИ специалиста», а куда практичнее: кто в команде способен поднять свой потолок быстрее, чем модель успевает замаскировать чужое незнание под уверенный ответ.