Начнём с разбора людей, их ролей и мотиваций.

Возьмем классическую ролевую модель, пока на операциональном уровне.

Управляющий — исполнитель

Управляющий (менеджер, тимлид) — заинтересован в росте метрик и выполнении большего объёма задач за более короткий срок.

Исполнитель — заинтересован в том, чтобы выполнить поставленный объём задач в сжатые сроки.

На выходе мы имеем такую картину:

Исполнителю приходит больший объём задач, но он получает меньше качественной положительной стимуляции.

Управляющий доволен тем, что метрики растут, и радостно несёт результаты руководству.

Как это может выглядеть в работе?

Исполнитель вбивает промпт — потом тратит кучу времени на работу с по сути чужим результатом, что ощущается рутинно и не даёт чувства авторства (в сценарии, где правками занимается он сам).

Объём выполненных задач растёт, но человек испытывает дефицит качественной стимуляции и утопает в рутинных правках, не получая глубокого удовлетворения. Потому что ощущение «задача решена» он получил ещё в начале процесса, а за этим последовало длительное внесение корректировок.

Как это связано с выгоранием и какой тут может быть цикл?

ИИ внедряется — исполнитель получает кратковременный рост возбуждения и чувство собственной эффективности. Ему кажется, что он выполняет больший объём задач за более короткий срок. Но сам формат «сделал промпт — получил ответ — потратил время на правки — закрыл таск» имеет существенные минусы.

Такой подход очень быстро истощает, потому что снижает уровень глубокой вовлечённости в процесс и заставляет человека чувствовать себя продолжением машины, а не машину — продолжением себя. Краткосрочно это может давать более высокие результаты, но на дистанции приводит к выгоранию и текучке кадров.

Это можно представить в виде такой схемы:

Внедрение ИИ — руководитель ожидает роста производительности.
Исполнитель использует большие промпты — скорость закрытия задач временно растёт, а вместе с этим и требования к объёму.
Накапливается усталость от верификации — качество падает, время на правки растёт, чувство собственной компетентности тает, а требования только растут.
Исполнитель теряет вовлечённость — растёт количество ошибок, возможны конфликты с руководством.
Руководитель видит падение метрик — требует ещё больше использовать ИИ — пункт 2 замыкается.

А можно ли иначе?

Можно. Я вижу это так.

Стоит работать не с одним большим промптом, а итеративно и архитектурно.

Вместо того чтобы попросить нейросеть: «Напиши REST API для управления пользователями», лучше разбить на микро‑задачи:

«Создай схему таблицы users с полями id, email, password_hash, created_at»
«Напиши функцию регистрации с валидацией email»
«Сгенерируй unit‑тесты для этой функции»
«Добавь документацию к эндпоинту»

Каждый шаг — маленькая завершённая итерация, где исполнитель принимает решение, утверждает результат и движется дальше.

Что это меняет?

Исполнитель остаётся вовлечённым в процесс, получая удовлетворение от каждого завершённого этапа.
Время на правки сокращается, потому что результат генерируется небольшими блоками под конкретную задачу.
Руководитель видит стабильный рост качества, а не кратковременный всплеск скорости, за которым следует спад.

И главное — человек не чувствует себя «продолжением машины». Он использует ИИ как инструмент, а не подменяет им свою работу.

Но всё ли так просто?

Нет. Конечно же нет.
И даже при структурно грамотном подходе к использованию ИИ, есть один важный нюанс, который часто упускают — человеческая физиология.

Человек выполняющий большой объём задач — истощает свои рецепторы. В начале работы это может быть незаметно — сотрудники довольны, в легкой эйфории и на взлете. Они стали более продуктивными чем раньше, и сами получают удовольствие в процессе.

У них формируется иллюзия того — что они могут работать так всегда, но это не совсем так.

Вот как может выглядеть этот цикл:

Фаза Внедрения: Компа ния грамотно внедряет ИИ. Сотрудники чувствуют себя супер‑
продуктивными, задачи решаются быстро, все в восторге.

Фаза Эксплуатации: Руководство, видя рост производительности, увеличивает план. Сотрудники работают на пике, используя ИИ как «костыль» для скорости. Выбросы нейромедиаторов продолжаются, но цена растет.

Фаза Истощения: Непрерывная стимуляция и поток задач истощают ресурсы мозга. Падает вовлеченность, появляются ошибки, общее ощущение удовлетворения от работы пропадает из‑за того что мозг стремится экономить ресурсы и возникает обесценивание. Наступает эмоциональное выгорание, несмотря на то что формально — всё ок.

Даже самая правильная структура работы не отменяет базовых вещей: адекватного темпа, уважения к восстановлению и человеческих лимитов.

Роль корпоративной культуры в этом замесе

Описанные выше циклы — не неизбежность.
Они запускаются только там, где культура управления завязана на страхе и количественных метриках, как самых важных критериев успеха. За внедрением ИИ всегда стоят конкретные люди с их мотивацией и видением.

Если компания ориентирована на «Быстро закрыть план, не вникая», то ИИ — лишь усугубит ситуацию. Если же культура ориентирована на комфорт команды и руководство имеет более глубокие инструменты анализа — ИИ станет инструментом роста вовлеченности, а не рычагом усиления давления.

Поэтому прежде чем внедрять очередной инструмент, стоит провести простой аудит: посмотреть не на графики скорости, а на ментальность руководителей, которые принимают решения, и на то, как в компании принято обращаться с людьми, когда начинаются просадки в работе.

Что говорят исследования?

Мои наблюдения — не только личный опыт. Свежие исследования подтверждают ту же картину.

Про выгорание. Исследование с участием 442 разработчиков показало: внедрение GenAI действительно увеличивает выгорание, но ключевую роль играет то, как именно инструмент встраивается в процессы. (From Gains to Strains: Modeling Developer Burnout with GenAI Adoption)

Про ложную эффективность. Один разработчик формулирует это просто: «Я отправил больше кода в прошлом квартале, чем за любой другой квартал в карьере. И я чувствовал себя более истощённым, чем за любой другой квартал». Также он отмечает, что раньше мог целый день фокусироваться на одной задаче, а теперь касается шести разных задач в день. (AI Is a Burnout Machine)

Про культуру. Исследователи выделяют три архетипа разработчиков: энтузиасты, прагматики и осторожные. Политика компании сама по себе не увеличивает использование AI — нужны ранние примеры успеха от энтузиастов, которые вовлекают остальных. (Developers in the Age of AI: Adoption, Policy, and Diffusion of AI Software Engineering Tools)

А организационные ожидания быстрого роста продуктивности без инвестиций в обучение создают «парадокс продуктивности» (Никакого парадокса здесь нет — с механизмами мы разобрались выше). («Maybe We Need Some More Examples:» Individual and Team Drivers of Developer GenAI Tool Use)

P. S. Было бы очень интересно узнать о ваших кейсах внедрения, как повлияло на метрики, какие трудности возникали и что вы с этим делали? Разрабатывали ли вы какие‑то протоколы работы с ИИ — и как это отразилось на метриках и субъективных ощущениях команды?

Как не превратить ИИ в машину выгорания: протоколы, итерации и культура