Чотири типи заносу навколо AI — і чому розумні люди в них застрягають найглибше

💡 Усі статті, обговорення, новини про AI — в одному місці. Приєднуйтесь до AI спільноти!

Мене звати Григорій Кузик — магістр психології, психотерапевт, асоційований тренер НАГТУ, супервізор EAGT, співвласник і співзасновник Centrum PTSD spzoo.

У своїй практиці я працюю з представниками ІТ-індустрії — від інженерів і DevOps до C-level, а також із фахівцями на стику технологій і психології. Це дає доступ не до теорії, а до реальних кейсів — включно з тими, що переходять у складні клінічні стани.

Частина цих спостережень оформлюється в наукові статті, які зараз на модерації у профільних журналах. Цей текст — не про це. Це спроба зафіксувати те, що вже відбувається, і трохи пригальмувати.Я бачу, як навколо AI формується розщеплення: між гіперзалученням і униканням, між переоцінкою контролю і тривогою. І це вже має наслідки — у рішеннях, у командах, у якості роботи і в психіці.Цей текст для тих, хто зараз у напрузі навколо AI — незалежно від позиції. У більшості випадків вам не потрібно більше думати про це. Вам потрібно інакше з цим працювати.Текст написаний жорстко навмисно. Він адресований тим, хто вже зайняв сильну позицію і в ній застряг. Наприкінці буде простий виклик — не змінити думку, а перевірити її на реальності.Якщо це не відгукується — це нормально. Це не універсальний матеріал. Це робоча нотатка з практики.

Вас заносить

Чотири типи заносу навколо AI — і чому розумні люди в них застрягають найглибше.

Вас заносить. Не тому що ви дурні. Навпаки — саме тому що розумні. Розумні люди краще раціоналізують куди їх несе. Переконливіше звучать причини чому «це інший випадок» або «я просто бачу глибше». Чим вищий інтелект — тим переконливіше звучать причини чому «ця складна задача не варта часу».

Є чотири типи заносу. Кожен відчуває себе правим. Кожен щось втрачає. І що важливо: визначає не позиція — а ступінь редукції реальності під цю позицію.

А вас самих — у який бік заносить на цьому повороті?

Текст відредаговано за допомогою ШІ.

Карта поля

Сьогоднішня дискусія про AI виглядає як конфлікт думок. Насправді це карта сліпих зон. Є дві незалежні осі, які визначають як люди мислять про AI.

Перша вісь — що людина здатна бачити. Технарі бачать системи, логіку, масштаб — але часто втрачають людину. Гуманітарії бачать людину, сенс, контекст — але часто ігнорують економіку і технологію. Це не конфлікт позицій. Це розрив моделі: різні люди дивляться на різні частини реальності і вважають що бачать усю.

Друга вісь — як людина реагує на невизначеність. Проповідники інтегрують AI у все. Скептики відштовхують або знецінюють. Обидві реакції щирі. Обидві локальні.

Виходить не хаос — а чітка карта. Чотири клітинки. Кожна — свій режим редукції реальності.

Технарі-проповідники

Що переоцінюють: інструмент. Що не бачать: що інструмент робить з ними. Тип заносу: злиття з роллю.

В одній бульбашці чути: «Ніхто руками давно не пише». Це правда в межах бульбашки. В іншій — сеньйори й власники компаній говорять про низьке реальне використання ШІ для складного коду. Ваша бульбашка не є нормою.

Dr. K (Alok Kanojia, психіатр Harvard Medical School) описує механізм: AI cheating як «fake map» — людина яка використовує AI замість навчання заходить у реальну роботу з картою яка не відповідає місцевості. Виглядає підготовленою — до першого реального тиску. High Functioning Depression: людина «тримається» через роль — «я інженер», «я delivery machine». AI посилює цей патерн: він прибирає фрикцію, прибирає невдачу, прибирає сигнал що щось не так.

Що втрачають: базу. Швидко виглядають сильними, повільно стають вразливими. Деградація непомітна доки система не впала.

Техно-скептики

Що переоцінюють: стабільність. Що не бачать: швидкість структурного зсуву. Тип заносу: захист від зміни.

Скажуть: роздутий хайп. ШІ — просто інструмент, як компілятор чи фреймворк. Кожні кілька років нам пророкують «кінець професії», і цього разу нічим не відрізняється.

Технічно найкраще підготовлені — це факт. Підтягнуть — теж факт. Але не в процесі, а потім. І тут є проблема яку рідко називають прямо: навчання під стресом — інше навчання. Засвоєння з гарячою дупою поверхневіше, тривкіше тримається паніка ніж розуміння. Витіснення коштує психіці ресурсів вже зараз — навіть якщо людина цього не відчуває. Вони платять прихований когнітивний податок за кожен день очікування.

Що втрачають: ринок. Зберігають глибину, але не встигають за швидкістю. Праві по суті — програють по часу.

Гуманітарії-проповідники

Що переоцінюють: людину. Що не бачать: економіку інструменту. Тип заносу: романтизація.

Романтизують AI, приписують йому людські властивості, не бачать обмежень. Замість інтеграції технології намагаються її осмислити — і виявляють що осмислення не конвертується у важіль.

Гуманітарій бачить людину, тривогу, стосунки, культуру. Але не бачить що економіка інструменту важить більше за будь-яку етичну позицію. Тому програє не тому що не правий — а тому що не працює з реальністю.

Що втрачають: вплив. Витісняються не тому що неправі по суті — а тому що не мають важеля.

Гуманітарії-скептики

Що переоцінюють: стосунки і культуру як захист. Що не бачать: системну логіку. Тип заносу: захищаються від технології, ігнорують економіку, випадають з реальності.

Бачать тривогу і культуру — але не бачать що система змінюється незалежно від того чи погоджуєшся ти з її логікою. Людина яка системно уникає зворотного зв’язку від реальних систем починає жити в моделі замість реальності.

Що втрачають: здатність діяти. Правий діагноз — але без рецепту.

Один механізм на чотири позиції

Чотири позиції — чотири різних шляхи до одного результату. Механізм схожий незалежно від квадранту: людина знаходить переконливе пояснення чому її модель правильна — і перестає бачити те що в неї не вписується. AI не створює цей патерн. Він його стабілізує і прискорює.

Це не типи людей. Це режими редукції реальності.

Я бачив цей процес раніше. У психотерапевтичній спільноті під час війни — середовищі людей які професійно працюють з психікою і мали б бути найбільш стійкими до когнітивного звуження. Почалося те саме: звуження інтерпретацій, поляризація, падіння складності мислення. Це лягло в основу дослідження яке опублікував British Gestalt Journal. Не тому що ситуація унікальна — а тому що механізм показовий.

Технологічна трансформація — це не війна. Але структура реакції ідентична: загроза ідентичності → звуження поля сприйняття → редукція реальності під наявну модель. Проповідник бачить підтвердження скрізь. Скептик — загрозу скрізь. Обидва перестають бачити те що не вписується.

AI в цій динаміці — не нейтральний інструмент. Він підсилює сильні сторони і мовчить про сліпі зони. Технар бачить систему ще чіткіше і ще менше — людину. Скептик ще впевненіше захищає базу і ще повільніше бачить ринок. Замкнений цикл не через брак розуму — через надлишок раціоналізації.

Жодна позиція не є повністю неправильною. Кожна є неповною. Проблема не в позиції. Проблема в редукції.

Центристи — і чому їх не чути

Є позиція яка тримає обидва виміри одночасно. Виграє той, хто бачить і інструмент, і людину. І ризики, і ринок.

Але ця позиція програє в інформаційному середовищі. Не по змісту — по динаміці поширення. Центрист менш емоційний, менш радикальний, менш віральний. Алгоритми оптимізовані під реакцію, не під точність. Система не винагороджує баланс. У результаті поле зсувається до крайнощів. І в цьому зсуві ніхто не приймає свідомого рішення стати радикальнішим — просто невидимі сили тягнуть туди де більше підтвердження.

І тут з’являється парадокс якого не видно зсередини жодної з позицій. Технар-проповідник і гуманітарій-скептик — здається, максимально різні люди. Але вони можуть бути ближче один до одного, ніж обидва до «центру». Зближення відбувається не по змісту — а по структурі мислення. Обидва спрощують реальність, ігнорують складність яка не вписується в модель, абсолютизують свою рамку.

AI не просто прискорює роботу. Він стабілізує викривлення.

Невроз власника — невроз компанії

На рівні компаній механізм той самий — але масштаб інший. Компанія — не раціональна система. Вона є масштабованою версією мислення тих хто приймає рішення. Невроз власника (чи топ-менеджменту) стає неврозом усієї організації. І кожен з чотирьох типів заносу масштабується по-своєму — на індустрію, на людей яких наймають, на клієнтів і замовників.

Технар-проповідник у кріслі CEO інвестує $40 млн у «AI-first» стратегію, наймає армію операторів ШІ (дешево, швидко, «виглядає сучасно»), а клієнтам продає продукт який «виглядає правильно» але ламається на першому edge-кейсі. Індустрія отримує ще один хайповий кейс «ми заощадили 70% на розробці». Ринок праці — ще більше операторів замість інженерів. Клієнт отримує workslop який треба переробляти за свій рахунок.

Техно-скептик у кріслі засновника тримає «стабільну» команду ветеранів, не наймає нікого з AI-досвідом бо «це все хайп». Компанія повільно втрачає клієнтів які вже живуть у новій реальності. Замовники йдуть до конкурентів — хоч і з workslop, але швидко.

Гуманітарій-проповідник романтизує «людяний AI», наймає етиків і «AI Interaction Specialists» але ігнорує економіку. Результат: дорогий продукт який «дуже етичний» але клієнт не може його оплатити. Команда — купа людей з правильними словами і без доставки.

Гуманітарій-скептик боїться «дегуманізації», блокує впровадження, наймає тільки «людей з душею». Індустрія рухається без нього. Клієнти отримують повільний, дорогий сервіс. Компанія тихо вмирає — зберігаючи моральну чистоту.

Патерн один у всіх чотирьох: викривлення власника стає системним.

На індустрію — формуються бульбашки, фальшиві наративи і стандарти якості які ніхто вже не перевіряє.

На людей яких наймають — ринок заполонюється мімікантами і операторами, а справжні інженери стають або надто дорогими, або «не вписуються в культуру».

На клієнтів і замовників — вони отримують або надто «розумний» workslop, або надто консервативний продукт який не вирішує реальних проблем. Довіра падає. Рахунок за помилки завжди виставляють кінцевому користувачу.

AI тут не вирішує проблему. Він її масштабує. Компанії не впроваджують AI об’єктивно. Вони впроваджують його відповідно до своїх викривлень.

Yale проаналізував 1.1 мільйона звільнень після COVID — лише 5% реально пов’язані з AI. Решта — звичайна реструктуризація під технологічним наративом. Atlassian звільняє 1600 людей і оголошує що це «інвестиції в AI». Але Jira і Confluence не змінились роками.

Поки ви обговорюєте чи AI замінить професію — хтось уже заробив на тому що ви в це повірили.

Замкнений цикл

Ось де все ламається.

Генерація масштабується. Відповідальність — ні.

Модель генерує. Але не несе наслідків. І якщо людина перестає бути місцем фінального синтезу — система втрачає зв’язок з реальністю.

Оператор працює з результатами. Інженер працює з наслідками.

Це не про рівень навичок. Це про місце де відбувається рішення.

Три рівні — один результат:

— Індивід має сліпу зону

— Компанія масштабує її (на hiring, на продукт, на клієнта)

— AI стабілізує її

Замкнений цикл. Ринок не карає за помилки. Він карає за системні викривлення. AI не створює ці викривлення. Він робить їх видимими через наслідки.

Knight Capital Group, 2012. 45 хвилин роботи автоматизованої системи — $440 млн збитків. Технічна причина — помилка в деплої. Реальна причина — команда яка звикла довіряти автоматиці і втратила інстинкт перевірки. Ніхто не був ідіотом. Просто ніхто не відчув що щось не так, бо роками цей м’яз не використовувався.

Nokia 2007–2010. Найкращі інженери за резюме. Внутрішні дані показали інше: середній рівень команди деградував хоча метрики продуктивності росли. Автоматизація прибрала тренажер. Коли прийшов iPhone — не змогли переключитись. Не через брак знань. Через брак м’яза.

У твоїй компанії той самий ризик виглядає тихіше. Ніхто не падає. Метрики окей. Але є люди які «доставляють» — і є люди які розуміють що доставляють. З ШІ перша група стала непомітно більшою.

Що автоматизується — і що залишається

LLM автоматизують не лише написання коду. Вони автоматизують формулювання рішень, пошук патернів, рефакторинг, документацію, тести, безпекове тестування, частину DevOps. Тобто значну частину того що ще вчора було когнітивною працею middle-інженера.

Формується двошарова модель.

Перший шар — алгоритмічний. Він стрімко зникає як джерело людської зайнятості. Boilerplate, CRUD, типові інтеграції, тести, документація — модель робить це швидше і дешевше. Людина переходить від написання до перевірки. Але перевіряти теж треба вміти.

Другий шар — архітектурно-системний. Поки що людський. Тут уже не про генерацію тексту. Тут про рішення під невизначеністю: системний дизайн, баланс latency/cost/reliability, threat modeling, безпека, нефункціональні вимоги — і відповідальність за результат.

Тут і відбувається відбір.

Дві ролі

У цю епоху реально потрібні дві ролі.

AI-інтегратор (оркестратор) — дивиться на задачу і оцінює що підходить: AI чи deterministic логіка, яка модель, своя чи API, on-premise чи хмара. Рахує економіку inference. Задає параметри під обрану архітектуру. Переглядає результат по трьох осях — робота, безпека, бізнес-ефективність. Оркеструє моделі, сервіси і залізо в єдину систему. Вміє сказати «тут ШІ не потрібен» там де всі кажуть «треба AI».

AI Interaction Specialist — поведінка людей навколо моделі. Як люди довіряють моделі, як виникає bias, як формуються залежності. Критично у фінансах, медицині, управлінні.

Два типи інженерів

Зараз ринок розділяється чіткіше ніж будь-коли. І важливо не плутати два принципово різних типи.

Перший — оператор ШІ. Людина яка вміє сформулювати запит, отримати код, вставити в проєкт, перевірити що «наче працює». Це реальна роль з реальним попитом. Низький бар’єр входу. Дешевша праця. Ця ніша заповниться швидко — зокрема людьми яких ШІ витіснив з інших галузей першими: копірайтерами, дизайнерами, контент-менеджерами. Вони вже стоять у черзі. Хоча це теж тимчасово — AI вже пише сам себе, і цей шар тане зсередини.

Другий — інженер. Людина яка формулює задачу так щоб ШІ зрозумів специфікації і не згенерував сміття, читає результат на рівні архітектури, бачить де модель помилилась і чому, інтегрує рішення в живу систему з усіма її обмеженнями, edge-cases і регуляторними реаліями — і підписується під результатом своїм іменем. Це не «генерувати і вставляти». Це управляти складністю.

Різниця між цими двома типами непомітна на співбесіді.

Міміканти не тупять. Вони адаптуються. Людина яка втратила здатність гризти складне, не стає помітно гіршою на інтерв’ю — вона стає краще упакованою. Вона знає правильні слова. Використовує ШІ щоб виглядати компетентніше — не щоб бути.

Деградація прихована там де ти на неї не дивишся: у здатності витримати тривалий опір без видимого результату. У здатності сказати «я не знаю» і сісти розбиратись. У здатності відчути що код виглядає правильно — але щось не так.

Це не перевіряється тестовим завданням. Це видно тільки коли система вже хитається.

AI змінює критерій компетентності. Раніше компетентність визначалась тим що ти можеш зробити. Тепер — тим що ти не делегуєш.

Кожен може згенерувати архітектурне рішення. Питання: чи розумієш ти його настільки щоб підписатись під наслідками. Чи залишив ти собі щось що не можна передати моделі — і зберігаєш це як м’яз, а не як спогад.

Чому зникає середній шар

Harvard дослідження 62 мільйонів працівників показало: коли компанії впроваджують генеративний ШІ, зайнятість junior-розробників падає на 9–10% протягом шести кварталів. Зайнятість сеньйорів — майже не змінюється. Великі технологічні компанії найняли на 50% менше випускників за останні три роки.

Одна людина з ШІ тепер виробляє те що раніше вимагало невеликої команди. Компанії тихо перестають наймати джунів — не звільняють, просто не набирають.

AI не просто змінює роботу. Він змінює механізм входу в професію. І це сильніше ніж звільнення.

Когнітивний борг

Здатність терпіти складність, гризти те що не розуміється, повертатись до задачі знову і знову — це не просто навичка. Це продукт біологічних задатків, культурного середовища і сімейних цінностей одночасно.

Дослідники MIT Media Lab у 2025 році (Kosmyna et al.) показали конкретні цифри: систематичне використання LLM — до 55% нижча нейронна зв’язність. 83% людей не можуть процитувати щойно написаний власний текст якщо він написаний через модель.

LLM не скорочує мислення. Вона прибирає фазу в якій мислення взагалі можливе.

Єгор Стадний (KSE) фіксує те саме в освіті: університети які видають дипломи замість навчання виробляють людей з правильними словами і без реального мислення. LLM — це ідеальна машина для імітації навчання. Вона дає відповідь без формування здатності мислити.

Мозок який звикає до задач з правильною відповіддю деградує у відкритих системах — там де відповіді немає, є лише невизначеність і наступний крок. LLM дає завершеність там де її немає. Інженер отримує «рішення» — і перестає тренувати здатність перебувати в незнанні. А саме ця здатність і є ядром інженерного мислення.

Dr. K описує ще два механізми крім fake map: High Functioning Depression — роль тримає, AI прибирає сигнал «щось не так». Emotion outsourcing — людина перестає знати що вона сама думає.

LLM не знижує IQ. Вона змінює звичку мислення. Втрачається не здатність думати — втрачається потреба думати.

І це набагато небезпечніше: здатність можна відновити вправою, потребу — тільки зіткненням з реальністю де AI не допомагає.

Ілюзія компетентності в production

Найбільший ризик — не швидкість змін. А те що інженер перестає боротись із складністю.

LLM генерує впевнений код. Але впевненість — це стиль відповіді, не гарантія коректності. Без глибокої бази прихована race condition або security vulnerability залишається непоміченою просто тому що все «виглядає логічно».

Дослідники ICLR 2024 (Sharma et al.) показали: моделі навчені через RLHF систематично підтверджують переконання користувача — навіть хибні. Модель оптимізована не під правильність, а під задоволеність. Вона говорить вам те що ви хочете почути.

LLM знімає тривогу «я не знаю» без проходження через процес мислення. Той самий механізм що й в залежностях: швидке зняття напруги без глибокої обробки. Людина яка системно використовує ШІ без перевірки втрачає не знання — вона втрачає здатність сумніватись. А без сумніву немає інженерного контролю.

Workslop і злам системи перевірки

Дослідники Stanford Social Media Lab і BetterUp (2025) ввели концепт — workslop. Це зміст який виглядає правильно але не працює. За даними опитування 1150 працівників: 40% стикались з workslop за останній місяць. Середній час на виправлення кожного випадку — понад 2 години. Для компанії з 10 000 працівників — $9 млн втраченої продуктивності на рік.

AI не тільки підвищує продуктивність. Він створює новий тип шуму: контент який виглядає закінчено але не працює. Інженер майбутнього — це той хто відрізняє робоче рішення від workslop.

Показовий кейс: curl закрив bug bounty в січні 2026 року. Потік AI-звітів про вразливості зробив програму нежиттєздатною — частка підтверджених звітів впала нижче 5% порівняно з 15%+ раніше. Того ж місяця — атаки на Trivy і Axios через скомпрометовані publishing-токени.

Патерн один: зламати не ціль, а інструмент перевірки — і нехай він сам розповсюдить payload. AI знижує поріг генерації і підвищує швидкість встановлення. Людина яка не розуміє що встановлює — стає ідеальним вектором атаки.

AI збільшує не тільки output. Він збільшує attack surface. Чим дешевше генерувати — тим дорожче перевіряти.

Стискання роботи

Berkeley зафіксував на 200 tech workers: ті хто найактивніше впроваджує AI вигорають першими. Не тому що AI забирає роботу. А тому що AI її стискає.

Harvard Business Review: AI заповнює всі прогалини в процесі. Людина стає одночасно продюсером, дизайнером, тестером і аналітиком. Немає ефекту «чистого листа» — потік задач не переривається.

AI не економить час. Він ліквідує паузи між задачами. А саме паузи — це де відбувається осмислення.

Без пауз — продуктивність росте, розуміння падає.

Нова планка входу

ШІ не знищує професію. Він стискає середній шар і підвищує планку.

Відповідь яку вже тестують компанії — один досвідчений інженер плюс ШІ замість двох вузьких спеціалістів. Глибоко в одному-двох стеках на рівні архітектури, безпеки, performance. Широко — достатньо щоб з ШІ закрити суміжне.

T-shaped skills — це вже не рекомендація кар’єрного коуча. Це умова виживання. Виняток — Data Science і DevOps: там попит на глибину тільки зростає.

DevOps виживає не тому що він поза AI. А тому що він з’єднує все: інфраструктура, security, observability, incident response, CI/CD — це горизонтальний шар де потрібна людина яка розуміє систему цілком і може діяти коли щось ламається.

Менеджер середньої ланки — інша картина. Його традиційна робота: збирати статус, передавати вгору-вниз, координувати задачі між людьми. Все це AI-агент робить швидше і дешевше. Менеджер виживає лише якщо він виконує те що агент не може: брати відповідальність за рішення під невизначеністю, читати людей під тиском, будувати довіру — і нести наслідки.

Якщо менеджер був координатором — він тане. Якщо він був лідером — він залишається.

Spec Driven Development стає стандартом саме тому що ШІ вимагає точних специфікацій. Письмова англійська знову стає важливішою за розмовну.

Економіка: де реально горять гроші

Втрата 1 — майбутня. Не використовуєш AI → ринок заберуть ті хто використовує.

Втрата 2 — вже зараз. Використовуєш без глибини → когнітивний борг, workslop, мімікрія. Рахунок вже виставлено, просто ще не видно.

Втрата 3 — прихована в годинах. Є розробники які роблять задачу за 2 години на яку виділяють 22. Реальна продуктивність невидима системі. Компанія платить за час, а не за результат.

Втрата 4 — палити токени заради токенів. Даріо Амодей: якщо співробітник не споживає токенів на суму 50% його річного доходу — компанія недоотримує прибуток. Логіка: людина без AI-агентів працює на лінійній швидкості; щоб отримати експоненціальний приріст треба інвестувати в compute стільки ж скільки в зарплату.

Теза сильна. Але між «треба витрачати 50% ФОП на токени» і «реальний профіт» стоїть інженер який вміє відрізнити коли токени дають ROI, а коли просто горять. Без цього інженера метрика Амодея перетворюється на «палимо бюджет щоб виглядати AI-native».

Профіт згорить на витратах якщо немає людини яка розуміє де токени дають ROI, а де просто крутяться.

Кого наймати сьогодні дешево

Ринок створив аномалію. Є категорія людей яку стандартний HR-фільтр відсіює — і яка через 3–5 років буде найціннішим активом.

Стратегія «сеньйор + ШІ замість команди» — частково правильна. Продуктивність справді росте. Але продуктивність — це не вся історія. Компанії будуються не тільки на найсильніших інженерах — вони будуються на екосистемі навколо них.

Інженери зі стеків що «померли». Людина з глибокою базою в технології яка більше не в моді — вона вже пройшла через зміну парадигми. Знає як це — коли все що ти знав перестає бути цінним. І вижила. Психологічна витривалість яку не можна купити в сеньйора який ніколи не падав.

Математики і люди з фундаментальною підготовкою. ШІ для них інструмент, а не милиця. Вони не «вірять» моделі — вони її перевіряють.

Сильні QA які мислять як системні інженери. Людина яка роками шукала де система брехала — це людина яка не довіряє виходу на слово. Це і є половина майбутнього AI-інтегратора. Тільки з нижчою зарплатою.

Люди які звикли працювати в умовах обмежених ресурсів. Досвід «зробити більше з меншим» формує тип мислення який в епоху обмежень inference-бюджетів стає конкурентною перевагою.

Всіх цих людей об’єднує одне: вони не звикли до «завжди працює». Вони мали справу з тим що ламається — і засвоїли на рівні м’яза що автоматика не замінює розуміння.

Технологія рідко ламається першою. Першими зазвичай ламаються люди навколо неї.

Принципи

Перше: не делегуйте розуміння. Використовувати ШІ для прискорення — добре. Замість того щоб розібратись — накопичення боргу який виявиться в найгірший момент.

Друге: перевіряйте з позиції скептика, а не читача. LLM оптимізований під ваше схвалення, не під правильність. «Де це може зламатись» важливіше за «чи виглядає це правильно».

Третє: письмова специфікація — це не бюрократія. Вміння описати задачу точно є тим самим м’язом що відрізняє інженера від оператора.

Четверте: T-shape без глибини перетворюється просто на «—».

П’яте: знати де модель брехатиме — конкретно у вашому домені. Race conditions, security vulnerabilities, edge cases — це те що модель не знає але впевнено генерує.

Шосте: human in the loop — це не про контроль. Це про відповідальність. Людина потрібна не щоб перевірити вихід моделі. Людина потрібна щоб взяти на себе наслідки. Це не автоматизується.

Що робити з тим що вас заносить

Не «будьте збалансовані» — це порожня рекомендація. Конкретніше: підсили те що в тебе просідає. Питання не в тому чи використовуєш ти AI. Питання в тому що ти не бачиш — і чи здатен це компенсувати.

Якщо технар-проповідник — вміряй пил. ШІ мультиплікує базу. Якщо базу не тренувати, мультиплікувати буде нічого. Тривожний чемоданчик зібраний — але це не привід кожного дня його розпаковувати.

Якщо техно-скептик — підтягнуться, це факт. Але не в процесі, а потім. І потім коштуватиме дорожче. Когнітивний податок за кожен день витіснення вже нараховується.

Якщо технар взагалі — пам’ятай що система це люди. Соціальна інженерія теж мультиплікує — і часто більше ніж технічна глибина.

Якщо гуманітарний — технологія тебе дожене незалежно від твого ставлення до неї. Краще рухатись назустріч ніж чекати поки наздожене ззаду.

Зробіть кілька різних інтервенцій — не одну.

Якщо ви технічно сильні і вважаєте, що «нормальні інженери» мають бути як ви:

Спробуйте побудувати міні-інститут навчання на 1–2 людях. Не курс і не лекції — а реальне доведення до продуктивності. Візьміть людей, які не дотягують до вашої планки, і спробуйте довести їх до робочого рівня через чіткий процес + ШІ.

Порахуйте економіку вже зараз: час, рев’ю, кількість переробок, швидкість виходу на результат. І порівняйте це з ринком готових AI-інженерів. Подивіться на ціни — і припустіть, що буде далі.

Якщо ви керівник у великому процесі:

Візьміть одну команду як полігон.

Спробуйте радикальний кейс: перехід між технологіями (наприклад, iOS → Android або навпаки) з опорою на ШІ. Не «навчання», а виконання реальних задач.

Опишіть мінімальний процес:

як формулюється задача через ШІ

як виглядає первинна генерація

як робиться self-review перед PR

що обов’язково перевіряється перед деплоєм

де ШІ допустимий, а де заборонений

І подивіться, де система ламається:

на синтаксисі, на архітектурі, на рев’ю, на слабких людях.

Якщо ви скептик і давно не переглядали, як це працює (останній раз дивились «серйозно» рік тому):

Не дискутуйте. Візьміть 3–4 задачі підряд і зробіть їх через ШІ повним циклом: від формулювання до інтеграції і виправлень. Дивіться на час, ітерації і якість після рев’ю, а не на відчуття.

Якщо ви проповідник і вам здається, що «всі вже так працюють»:

Заберіть ШІ з критичної частини задачі і подивіться, що реально тримається на вашому розумінні, а що — на автогенерації.

Якщо ви тривожний і здається, що «це всіх замінить»:

Візьміть шматок роботи, зробіть його через ШІ, віддайте на жорстке рев’ю і дочекайтесь результату. Подивіться, де реальний ризик, а де уявний.

У кожному випадку задача одна:

не підтвердити свою модель,

а створити умови, де вона може зламатися.

Якщо нічого не зміниться — ви праві.

Якщо зміниться — ви знайдете свою сліпу зону.

Якщо буде запит, я покажу реальні кейси — без назв компаній і людей — де дві сторони дивились на одну і ту саму проблему з різних боків і не могли з неї вийти, поки не з’явилась зовнішня інтервенція. Там добре видно, як саме люди впираються в свої обмеження і чому самі їх не проходять.

Крайній випадок: mil-tech

Є контекст який в Україні неможливо ігнорувати. ІТ більше не нейтральна галузь. Вона стала частиною оборонної екосистеми.

Mil-tech — це крайній випадок де ілюзія компетентності не переживає контакт з реальністю. Там баг — це не негативний відгук. Це зірвана операція або втрачені життя. Fault-tolerant design, формальна верифікація, криптографія — це мінімальна планка.

Ярослав Ажнюк починав з Petcube — гаджет для домашніх тварин. Сьогодні будує системи донаведення для FPV-дронів. Кілька років. Це не виняток. Це ілюстрація того як швидко змінюється контекст.

Станом на 2026 рік Україна виробляє понад 8 мільйонів FPV-дронів на рік — понад 160 компаній від великих заводів до гаражних стартапів. Те що відрізняє цей досвід від мирного tech-контексту — швидкість ітерації. Інженери оновлюють дизайни за дні. Традиційний оборонний procurement рахує роками. Цей розрив тримається не на процесах — а на людях які можуть думати під тиском і не чекати «виглядає правильно».

У критичних системах автоматизація не знімає відповідальність. Вона лише підвищує вимоги до людини як фінального вузла рішення.

Невизначеність піднімає тривогу. Тривога звужує мислення.

Це не слабкість. Це нормальна реакція нервової системи на загрозу ідентичності. Мозок не сприймає реальність — він її передбачає (Lisa Feldman Barrett). LLM робить те саме — але без тіла як коректора, без наслідків як перевірки.

Технологічна трансформація — це не війна. Але базові страхи дуже схожі: страх втрати контролю, страх втрати статусу, страх що все що ти вмів — більше не потрібне.

Система ламається не по середньому значенню — а по вразливому хвості розподілу. Якщо навіть невелика частина людей у ключових ролях починає декомпенсуватися — це розхитує організацію.

Хто виграє від поляризації

Є третій полюс який не є ні проповідниками, ні скептиками. Це ті хто використовує поляризацію щоб заробити.

Реально використовують AI у роботі на професійному рівні — близько 0.04% людей. 16% — безкоштовні чатботи. 6.8 мільярда — взагалі не чули. Ваша бульбашка не є нормою.

MIT Media Lab у звіті «The GenAI Divide» (2025) показує: при $35–40 млрд інвестицій 95% компаній не бачать віддачі від AI.

Ми не в епосі AI-економіки. Ми в епосі AI-очікувань.

Корпорації зловживають цим. Звільнення через реструктуризацію подається як «стратегічна AI-трансформація». Інвестори чують потрібне слово і вкладають більше. Працівники чують те саме слово — і живуть у страху бути заміненими.

Три процеси які не синхронізовані

Три процеси йдуть паралельно прямо зараз.

Перший — реальна трансформація роботи: повільна, структурна, займе роки.

Другий — швидка організаційна перебудова: звільнення, скорочення, оголошення про «AI-інвестиції».

Третій — масовий когнітивний перекіс: паніка, хайп, ілюзії з обох боків.

Ці три процеси не синхронізовані. Організаційна перебудова відбувається швидше ніж реальна трансформація, а когнітивний перекіс випереджає обох.

Ми не користуємось AI. Ми взаємодіємо з системами які вже формують поле до того як ми почали думати. І різні моделі роблять це по-різному — з різними вбудованими цінностями, різними стратегіями залучення, різною оптимізацією. Людина яка взаємодіє лише з однією і не розуміє цього — відтворює її обмеження як власне мислення.

Замість висновку

ШІ не вб’є інженерів. Він вб’є поверхневість.

Попит є. Але на конкретну людину — на ту яка управляє складністю, а не тільки генерує.

Чотири типи заносу. Проповідник. Скептик. Технар. Гуманітарій. Кожен думає що бачить все. Кожен щось втрачає — базу, ринок, вплив, здатність діяти. Викривлення індивіда масштабується в компанію. Компанія масштабує його в продукт, hiring і клієнтський досвід. AI його стабілізує.

Проблема не в позиції. Проблема в редукції реальності під цю позицію.

Виживає не той хто вибрав правильну клітинку. Виживає той хто бачить межі власної клітинки і здатен з них виходити коли реальність не вміщається.

Інженер майбутнього — це інженер, а не кодер. Але й власник майбутнього — це той хто відрізнить одного від другого до того як система впаде.

Питання не в тому чи використовуєш ти AI. Питання в тому що ти не бачиш — і чи здатен це компенсувати. Бо саме там відбувається реальна втрата.

AI забирає роботу там де можна не думати. І підвищує ціну там де без думання не можна.

LLM генерує відповіді. Інженер несе наслідки.