Почему AI-агенты ломают онбординг джунов: разбор ошибок
Почему AI-агенты ломают онбординг джунов: разбор ошибок Джун закрывает задачи быстрее, PR проходят ревью, метрики радуют руководителя. Но на первом серьёзном инциденте выясняется, что разработчик с трудом понимает устройство сервиса, над которым работал несколько месяцев. Знакомая картина? Разбираемся, как AI-агенты меняют процесс обучения новичков и что с этим делать. Проблема шире, чем кажется. В отчёте LeadDev Engineering Leadership Report 2026 84% опрошенных считают, что AI-инструменты плохо скажутся на джунах, но только 4% изменили кадровую политику. Эксперимент Anthropic показал: разработчики с AI-ассистентом набирают в тесте на понимание 50% против 67% у тех, кто работал без него. При этом те, кто задавал концептуальные вопросы, а не просто просил исправить код, показали результат выше 65%. Основные ошибки онбординга: измерять рост джуна скоростью, а не пониманием системы; начинать с задач, а не с карты сервиса; отдавать отладку агенту. Решение — строить онбординг вокруг исследования системы: пройти запрос от API до базы, изучить границы транзакций, разобрать сценарии отказов. Вводить допуски: сначала дежурство под присмотром, потом самостоятельная работа. Проверять навыки разговорами, а не числом закрытых тикетов. AI-агенты не отменяют необходимость учить джунов думать. Они лишь смещают акцент: если раньше скорость косвенно означала понимание, теперь это не так. Руководителям стоит пересмотреть критерии готовности и не ждать инцидента, чтобы заметить пробел. Главное: • Метрики скорости не отражают понимание системы у джуна. • Эксперимент Anthropic: AI-ассистент снижает понимание кода на 17%. • Отладка — ключевой навык, который нельзя отдавать агенту. • Онбординг должен начинаться с карты системы, а не с задач. • Допуски к дежурству — практичный способ оценить готовность. #AI #Онбординг #Джуны #Разработка #УправлениеКомандой