Как ИИ меняет работу методиста

« Назад

11.08.2026 14:45

С появлением больших языковых моделей в корпоративном обучении возникла опасная иллюзия. Тезис «профессия методиста больше не нужна» бизнес уже пережил и в основном отпустил: специалиста нельзя заменить по щелчку. Реальная иллюзия тоньше: если ИИ ускорил производство контента, значит, курсы можно делать быстрее.

Здесь полезно посмотреть на смежную индустрию — разработку. Прежде чем строчка кода окажется в продукте, она проходит целый конвейер фильтров: автоматические тесты, линтеры и сканеры безопасности, ревью коллег, тестирование на копии боевой среды. Да, так происходит не всегда: легаси-системы, стартапы и работа под дедлайн нередко срезают углы. Но культура и инструментарий контроля в разработке институционализированы гораздо сильнее.

У текстового и образовательного контента подобная инфраструктура контроля устроена менее системно. Где-то роли разделены: есть методист, редактор, корректор, отдельный администратор LMS. А где-то весь этот конвейер держится на одном человеке — методист и пишет, и проверяет, и оформляет, и загружает. Именно в таких компаниях приход ИИ особенно опасен: объем выдачи вырос в разы, а проверять его предстоит все тому же человеку, который его сгенерировал.

Екатерина Курова, руководитель проекта обучения и аттестации на основе ИИ в Битрикс24, разбирает четыре этапа создания курса:

• Этап 1. Бриф — территория человека;
• Этап 2. Черновик — территория ИИ;
• Этап 3. Готовый контент — проверка и критерии;
• Этап 4. Обновления — контекст, которого нет в сети.

Показываем, где именно теряется самостоятельность методиста — в решении или в проверке, и что делать, когда все три роли — решает, делает, проверяет — держатся на одном человеке.

Этап 1. Постановка задачи: территория человека

Любое корпоративное обучение начинается с брифа. Здесь у ИИ есть роль, но не главная. Он не может ответить на ключевой вопрос: нужен ли этот курс вообще.

Что умеет ИИ на этапе брифа

Он хорошо помогает на подготовительных этапах: сгенерирует вопросы для интервью с заказчиком или дополнит имеющиеся; структурирует сырые заметки методиста. Особенно удобно, когда вопросы приходили в голову разрозненно во время общего брейншторма, и они записаны на доске или на бумажке. Скинули нейронке фото, и она мгновенно все собрала и структурировала. А запись самого интервью можно транскрибировать через BitrixGPT, чтобы потом быстро вернуться к значимым местам, не переслушивая все целиком.

Но ключевое решение — брать этот курс в работу или предложить заказчику другое — остается за методистом. И до этого решения нужно правильно пройти сам этап брифа.

Паспорт курса и «распаковка» эксперта

В идеальном мире заказчик, например, руководитель отдела, приходит с готовым техническим заданием. В реальности же он обращается с абстрактным запросом: «Наши менеджеры плохо продают новый продукт, сделайте им курс». Эксперты со стороны бизнеса крайне редко готовы подробно и вдумчиво заполнять письменные брифы — им некогда, у них своих задач достаточно, и вообще «идите и делайте курс, все же понятно».

Поэтому мы используем документ, который называем паспортом курса — там расписана структура вопросов, ответы на которые нужны, чтобы понять задачу заказчика и провести «распаковку» эксперта. Что за программа и что участники смогут делать после ее завершения; почему возникла потребность в курсе, какую проблему он должен решить, какие исследования проводились; как мы поймем, что программа сработала, и какими метриками будем это измерять; какие форматы уместны — синхронные или асинхронные, видео, вебинары, тексты, подкасты, боты; какие роли у участников процесса — кто SME, кто отвечает за актуальность контента, кто за анализ обратной связи. И отдельный вопрос — какие ограничения важно учесть при разработке.

Но заполнить его самостоятельно заказчик тоже, скорее всего, не сможет: вопросов много, а ответы у него в голове не в структурированном виде. Вытащить их можно только через личное интервью. Методист здесь — специалист, «об которого» заказчик формулирует свой запрос: сначала он говорит абстрактно, а в ходе разговора становится понятно, что он на самом деле имел в виду.

Главный вопрос: нужен ли курс вообще

На этом интервью методист должен понять несколько вещей:

1. какую задачу или проблему должно решить обучение?
2. какую бизнес-метрику мы спасаем;
3. решит ли эту задачу курс — или на деле нужно что-то другое;

Последний вопрос самый важный. Иногда в процессе брифа выясняется, что задача не решается двухнедельным обучением. Может оказаться, что нужнее одна понятная инструкция в базе знаний. Или что подойдет разбор реальных звонков с командой, или наставничество опытного сотрудника — форматы, которые не масштабируются на тысячи людей, но для конкретной ситуации могут дать больше, чем курс. А иногда это вообще маркетинговая задача — привлечь внимание, а не научить, — и тогда клиенту сначала надо не к методисту, а в маркетинг.

Нейросеть не способна сказать заказчику: «Вам не нужен этот курс, вы потратите деньги зря». Она послушно сгенерирует то, что попросили. Плюс у нас в арсенале есть разные форматы под разные задачи — не только большой видеокурс или лонгрид, но и мини-гайды, подкасты, боты для тех, кому нужно только протестировать, а не учить. Понять, что из этого решит боль конкретного заказчика, — тоже часть работы методиста, не ИИ. Здесь работает то, что можно назвать преимуществом белковой нейронки: интуиция, считывание контекста, отношения с заказчиком, которые нельзя выгрузить в промпт. ИИ не отбирает у методиста это решение, но и не может принять решение за него.

Этап 2. Синдром чистого листа: территория ИИ

Когда цели ясны и паспорт курса согласован, наступает этап, где нейросети выручают больше всего — момент перехода от пустого документа к первому наброску структуры. Здесь ИИ меняет не качество, а скорость: то, что раньше требовало часов раздумий над формулировками, теперь можно получить за секунды и сразу начать редактировать.

Масштабирование внутри одного курса

Еще один сценарий, где выручает ИИ — это масштабирование внутри одного курса. Вы вручную собираете один эталонный урок: выверяете тон, баланс теории и интерактива, продумываете сложные вопросы. Отдаете его нейронке и говорите: «Вот образец, напиши остальные 10 уроков строго по этому шаблону». В рамках одного курса это работает отлично.

Есть важное «но»: тот же самый шаблон не переносится на следующий курс. У каждого курса своя задача, своя аудитория, свой контекст — и попытка использовать один универсальный шаблон для всех курсов не работает. Мы пробовали, не решает задачи. То есть образец — это всегда локальный инструмент внутри одного проекта, а не универсальная шпаргалка на все случаи.

Подкасты: где ИИ действительно экономит

Отдельно про подкасты — новый для нас формат. Тут ИИ действительно экономит деньги: не нужно оплачивать студию, спикеров, обработку видео. Есть промпт, есть текст урока — на выходе получаешь готовый аудиофайл. Звучит как экономия времени и денег одновременно, но ровно до момента, когда начинаешь проверять результат. Про это будет ниже.

Этап 3. Ловушка «удобного собеседника»: почему ИИ нельзя верить

У больших языковых моделей есть архитектурная особенность: они натренированы быть удобными и во всем соглашаться с пользователем — это результат обучения на основе отзывов людей (RLHF). Нейросеть всегда уверена в себе, а значит если вы отдадите ИИ плохой, нереалистичный кейс из отдела продаж, она не скажет: «Этот диалог не имеет смысла». Она послушно сгенерирует на его основе такой же бессмысленный тест. Классическое «мусор на входе — мусор на выходе», приправленный бодрой уверенностью ИИ.

Кейс с подкастом: два «Тараса» вместо диалога

Показательный кейс произошел у нас при работе с новым форматом — обучающими ИИ-подкастами. Мы собирали подкаст к курсу по промпту: задали роли, контекст, задачу, формат и стиль, структуру, технические требования и придумали двух ИИ-дикторов – Тараса и Марину. План был прост: загрузить в нейронку текст урока и промпт, а на выходе получить аудиофайл на 6 минут. Звучит красиво, и я мысленно потирала руки: сколько сэкономлено на студии и озвучке.

А потом прослушала результат и поняла: в какой-то момент подкаст переключается и вместо мужчины и женщины начинают говорить две женщины. При этом обращаются друг к другу по-прежнему — «Тарас» и «Марина». Прошу: «Переделай, верни мужской голос». Нейросеть уверенно рапортует: «Все готово, исправила!» Слушаю заново, а там теперь Тарас и Тарас. Марина исчезла.

Прошу вернуть Марину. Марина возвращается, но теперь у нее в слове «касание» ударение падает на первый слог: «кАсанье». Так и понимаешь, что из-за одного неправильного слова весь подкаст придется переписывать заново — и что «готово» от нейросети не значит готово. 

Из этой истории следуют два практических вывода про то, как перепроверять ИИ на лету:

1. Не стоит полагаться на память ИИ по умолчанию. Даже если инструмент технически способен удерживать контекст, лучше явно напоминать ему ключевые детали и решения из предыдущих итераций — «помнит» и «помнит правильно» — разные вещи, а перепроверить дешевле, чем переделывать заново.
    
2. Не нужно верить фразе «готово, все сделано как ты просила» на слово. Помогают явные инструкции против услужливости — «найди слабые места», «что здесь может быть неверным», «не соглашайся, если есть основания возражать». Без них модель по умолчанию будет искать, что хорошего в вашей идее, даже если идея так себе.

От разовой инструкции к устойчивому критерию: LLM-as-a-judge

Оба вывода не решают задачу вдолгую: если проверка держится на разовой инструкции, а не на устойчивом критерии, результат зависит от того, кто и в каком настроении проверял. Нужен критерий, по которому один и тот же результат разные люди — или сам методист в разные дни — оценят одинаково. Без него проверка превращается в еще одну генерацию мнения, только человеческого.

Например, в курсе «Менеджер по продажам» в Академии Битрикс24 мы вывели конкретные критерии по этапам сделки, а оценка идет не одним взглядом, а несколькими независимыми. В том числе через нейросеть-судью, LLM-as-a-judge, которая оценивает по тем же критериям, что и человек, и их оценки потом можно сверить. Важно, чтобы такая нейросеть-судья была откалибрована на реальных примерах. Иначе она с той же услужливостью поставит высокую оценку слабому результату, просто теперь это будет выглядеть как «объективная проверка», а не мнение одного уставшего методиста. 

Технология проверки не отменяет вопрос о том, откуда взялся критерий. Она меняет, кто по нему оценивает.

Этап 4. Хаос обновлений: контекст, которого нет в интернете

Представьте, что вы написали идеальный курс по работе со сложным IT-продуктом. Но продукт обновляется каждую неделю, а иногда — по 10 раз в день. Кнопки переезжают, старые функции отключаются, интерфейсы меняются.

Нейросеть не знает об этих изменениях. Она не ходит на закрытые планерки разработчиков и не читает внутренние релизные борды вашей компании. Более того — сама информация об изменениях приходит хаотично: где-то опубликован анонс, где-то прошел митап, где-то только фраза в чате. Никто не приносит методистам структурированный список обновлений в удобном формате — методисты сами мониторят релизы, слушают мастер-классы коллег, ходят на анонсы.

Правило актуальности: почему устаревшее лучше несуществующего

Отдельная тонкость: часто изменение анонсировано, но еще не воплощено в продукте. Или в моменте воплощено не совсем так, как в анонсе. У нас правило: пока изменения нет в реальном продукте, мы не отражаем его в курсе. Лучше пусть в курсе будет условно устаревшая информация, чем описано то, чего еще нет в интерфейсе. Иначе мы дезориентируем пользователя.

И даже когда изменение уже точно в продукте, переделка — это не пара минут. Если это, например, интерфейсное изменение, нужно перезаписать скринкасты, встроить их в курс, часто пройти по несколько итераций правок. Автоматизации в этом процессе у нас пока в разработке: мы собираем ИИ-агента, который будет сверять актуальный продукт с курсами и подсвечивать устаревшие места. Заменит ли он человеческое ревью? Нет, ручная проверка останется, но в меньшем объеме.

Вывод: от писателя текстов к архитектору опыта

Внедрение искусственного интеллекта не убило профессию методиста, а изменило ее суть.

Раньше создатель курсов тратил бо́льшую часть времени на производство контента: написать текст, придумать вопросы, согласовать дизайн, заказать озвучку. Сегодня нейросети — в том числе встроенные в корпоративные платформы вроде BitrixGPT — забрали этот конвейер на себя. Текст пишется промптами, картинки генерируются, аудио синтезируется за минуты. А инструменты обучения за последние годы прошли путь от бумажных тестов и текстовых ботов с тремя ветками диалога до голосовых, Voice-to-Voice (V2V) агентов, с которыми можно говорить в реальном времени, как по обычному телефону.

Но чем сложнее и дороже становится инструментарий, тем важнее архитектор. Работа человека сместилась на уровень выше: главная задача методиста — выявлять истинные потребности бизнеса, собирать реалистичную фактуру, проектировать логику и контролировать, чтобы цифровой ассистент не сгенерировал двух «Тарасов» вместо диалога.

Именно поэтому не стоит верить оптимистичным обещаниям, что «ИИ теперь пишет курсы сам». Он не пишет курсы сам, а ускоряет производство контента, но только там, где перед ним поставлена правильная задача, вычищены входные данные и есть человек, который проверит результат до того, как его увидят пользователи. 

Автор: Екатерина Курова, руководитель проекта обучения и аттестации на основе ИИ в Битрикс24

Иллюстрации: Freepik