СберУниверситет выпустил экспертный обзор «Управление знаниями: смена парадигмы в эпоху ИИ». Главный тезис авторов: знание перестало быть дефицитом, дефицитом стала способность компании превращать его в действие. Генеративный ИИ сделал одинаковые технологии доступными почти всем, поэтому преимущество определяется уже не объемом информации, а скоростью, с которой организация создает новое знание, проверяет его и распространяет внутри себя. В лаборатории «Фининвест» Финансового университета при Правительстве РФ Кирилл Королев и Сергей Переход проанализировали выводы обзора и сопоставили их с данными российского рынка труда.
Авторы обзора описывают управление знаниями через три взаимосвязанные «архитектуры»: движения знаний, взаимодействия людей и принятия решений. В качестве примеров приводятся практики NVIDIA, где сложные вопросы разбираются в широком кругу специалистов, а не один на один, Amazon с его шестистраничными записками, фиксирующими не только решение, но и отвергнутые альтернативы, а также Netflix с принципом управления через контекст, а не через контроль. Роль руководителя, по мнению авторов, смещается от главного источника правильных ответов к «архитектору среды», в которой знание постоянно возникает и проверяется.
Подробно исследует данный вопрос заведующий лабораторией «Фининвест» кафедры финансовых рынков и финансового инжиниринга Финансового университета при Правительстве РФ Сергей Переход. Ключевое различие проходит между явным и неявным знанием. Явное знание — регламенты, справки, типовые договоры, программный код — генеративный ИИ обрабатывает быстро и дешево, и именно поэтому оно перестает быть источником конкурентного преимущества: такая же модель доступна и конкуренту. Неявное знание устроено иначе. Еще в 1960-х годах философ Майкл Полани сформулировал, что человек знает больше, чем способен рассказать. Опытный кредитный аналитик распознает проблемную сделку раньше, чем может объяснить причину, а эксперт по оборудованию замечает неисправность по едва различимому изменению звука. Такое знание не попадает в базы данных и передается в основном через совместную работу: младший специалист наблюдает за старшим, задает вопросы и постепенно учится видеть то же, что и он.
Обзор отмечает, что ИИ впервые позволяет частично работать и с неявным знанием. Модель может анализировать цифровой след решений эксперта — документы, переписку, одобренные и отклоненные сделки — и находить в нем закономерности, которые сам эксперт никогда не формулировал. Исследователь японского института JAIST Наоси Утихира развивает концепцию «цифрового двойника знания», собирающего такие следы непосредственно на рабочем месте. Однако даже в этой модели последняя стадия остается за людьми: машина фиксирует паттерн суждения, но не само суждение. Возникает и обратный риск. Модель, обученная на решениях эксперта образца 2026 года, через несколько лет будет воспроизводить его логику, даже если рынок изменится. Профессор Гарвардской школы бизнеса Дороти Леонард-Бартон еще в 1992 году описала, как ключевые компетенции компании превращаются в ее ключевые ограничения. Хрестоматийный пример — Kodak, инженер которой собрал прототип цифровой камеры в 1975 году, но вся экспертиза компании была выстроена вокруг пленки.
Как отмечает лаборант лаборатории «Фининвест» кафедры финансовых рынков и финансового инжиниринга Финансового университета при Правительстве РФ Кирилл Королев, наиболее уязвимым звеном в этой системе оказываются начальные позиции, через которые неявное знание традиционно и передавалось. В августе 2026 года исследователи Стэнфордского университета обновили работу по данным зарплатных ведомостей американской компании ADP. Массового вытеснения работников ИИ они не обнаружили, однако занятость молодых специалистов 22–25 лет в профессиях, где ИИ автоматизирует задачи, теперь на 19% ниже уровня, которого она достигла бы при росте вровень с менее затронутыми профессиями. У опытных работников аналогичного разрыва нет. К схожему выводу в январе 2026 года пришли аналитики Oxford Economics: данные пока не подтверждают опасений массовой безработицы из-за ИИ. Таким образом, ИИ влияет на рынок труда прежде всего через сокращение найма новичков, а не через увольнения. Задачи, на которых раньше учился стажер, — первичная проверка документов, подготовка черновиков, простой код, — модель выполняет быстрее и дешевле, но вместе с этой рутиной исчезает и среда, в которой формировалась профессиональная интуиция.
Демографические изменения остаются важным фактором, влияющим на рынок труда. Согласно кадровому прогнозу Минтруда на 2026–2032 годы (декабрь 2025 года), экономике потребуется 12,2 млн работников: 11,7 млн — на замену выходящим на пенсию и ещё 0,5 млн — на новые рабочие места. В этих условиях компании пересматривают подходы к работе с начинающими специалистами: по данным опроса кадровой группы ANCOR и АНО «Россия — страна возможностей» (июнь–июль 2026 года, 2670 работодателей), стажёрские программы в 2026 году открыли 25% компаний против 45% в 2025 году и 48% в 2024 году. В материалах опроса ИИ как фактор не упоминается. По мнению авторов, значимую роль могут играть экономические условия, в том числе стоимость заёмных средств: в таких ситуациях компании уделяют больше внимания расходам с быстрой отдачей, тогда как подготовка новичков требует более длительного горизонта. Крупнейшие работодатели параллельно адаптируют структуру ролей под ИИ. Сбер в июне 2026 года сообщил об изменении структуры позиций региональных кураторов отделений в связи с внедрением интеллектуальной системы управления; по данным банка, большинство этих сотрудников перешли на другие роли. За 2025 год численность группы снизилась на 5,3%.
С точки зрения экономики, сокращение стажерских программ формирует определенные внешние эффекты. Для отдельной компании такое решение может быть продиктовано стремлением оптимизировать текущие издержки, при этом долгосрочные риски не всегда отражаются в краткосрочных финансовых показателях. Однако при массовом применении подобной стратегии рынок в среднесрочной перспективе может столкнуться с ограничением предложения специалистов среднего и старшего звена. Это способно привести к усилению конкуренции за опытные кадры и росту зарплат. Эту мысль в обзоре формулирует декан факультета психологии ИОН РАНХиГС Владимир Спиридонов: «Экономя на обучающей работе сегодня, организация может создать дефицит экспертов завтра».
Парадоксально, но сам ИИ подрывает главный аргумент против найма новичков. В исследовании Эрика Бриньолфссона, Даниэль Ли и Линдси Рэймонд, охватившем более 5 тыс. операторов службы поддержки, доступ к ИИ-помощнику повысил производительность в среднем на 14%, а у новичков и наименее опытных сотрудников — на 34%, тогда как у опытных эффект оказался минимальным. Модель транслировала приемы лучших сотрудников и ускоряла освоение профессии. Иначе говоря, стажер с ИИ выходит на полезную отдачу быстрее, а значит, его подготовка обходится компании дешевле, чем раньше.
По оценке специалистов лаборатории «Фининвест», компаниям имеет смысл начать с карты зависимости от ключевых сотрудников: для каждого критичного процесса определить, уход скольких людей приведет к его остановке. Второй шаг — фиксировать не только принятые решения, но и ход рассуждений: какие сигналы насторожили эксперта, какие варианты были отвергнуты и почему. Именно здесь ИИ полезен как инструмент, способный извлекать логику из переписки, заключений и промежуточных версий документов. Третий шаг — рассматривать программы стажировок как инвестиционный проект с отложенной отдачей, а не как текущий расход, и принимать решения о них на уровне собственников и советов директоров. Наконец, обзор указывает на роль внутренних профессиональных сообществ. Так, школа Java-разработчиков, созданная сообществом внутри Сбера, по данным банка, готовит специалистов среднего уровня в 2,5–3 раза дешевле, чем обучение у внешних подрядчиков.
В целом выводы обзора СберУниверситета о смене парадигмы управления знаниями подтверждаются, но для российских компаний они имеют важное следствие. Модели ИИ становятся общедоступными, и через несколько лет компании будут различаться прежде всего тем, сохранились ли у них специалисты, способные распознать ошибку модели и принять решение в нестандартной ситуации. В условиях пенсионной волны и сокращения стажерских программ подготовка таких специалистов становится не социальной функцией бизнеса, а условием его конкурентоспособности.