Зачем будущему инженеру писать код без ИИ Если ИИ все чаще берет на себя генерацию типового кода, университетам придется сознательно сохранять самостоятельное программирование в учебных программах. В коммерческой разработке написание стандартного модуля вручную может оказаться неэффективным использованием времени. Для студента та же задача остается способом разобраться, как устроена память, как выполняется программа, почему возникают ошибки и что происходит между исходным кодом и работающей системой. Успешное выполнение задания с ИИ не гарантирует освоения материала. В исследовании, опубликованном в PNAS, почти тысяча школьников изучала математику с помощью GPT-4. Участники, использовавшие обычного чат-бота, выполняли тренировочные задания на 48% лучше контрольной группы, но на последующем экзамене без ИИ показали результат на 17% хуже. Другая версия ИИ-тьютора опиралась на подготовленные преподавателями решения и подсказки, направляя ученика к самостоятельному ответу. Во время занятий результаты этой группы выросли на 127%, а на экзамене статистически значимого отличия от контрольной группы не обнаружили. Эксперимент проводился на уроках математики, поэтому его результаты нельзя напрямую переносить на обучение программированию. Однако он показывает важное различие между успешным выполнением задания и приобретением устойчивого навыка. Сам по себе доступ к ИИ не определяет качество обучения. Важно, какую часть интеллектуальной работы выполняет студент. Готовый ответ сокращает путь к результату, а последовательные подсказки помогают самостоятельно пройти его от условия до решения. В инженерном образовании это различие можно учитывать, постепенно расширяя роль ИИ: • На первых курсах — освоение основ через самостоятельную практику. Студенты пишут код, изучают алгоритмы, структуры данных и управление памятью, разбираются с ошибками. Инженерная интуиция формируется в том числе во время отладки, когда предположение о работе программы приходится проверять на ее реальном поведении. ИИ при этом может выступать помощником, который объясняет концепции и предлагает направление поиска, но не подменяет решение. Похожий подход используется в Harvard CS50: студентам доступен специальный помощник CS50 Duck, а использование ChatGPT для выполнения заданий ограничено правилами курса. • На старших курсах — разработка с полноценными ИИ-инструментами. Студент получает задачу системного уровня, определяет требования, проектирует архитектуру и решает, какие этапы можно делегировать модели. ИИ помогает генерировать код и тесты, анализировать существующую кодовую базу, искать дефекты и проводить рефакторинг. Но оценивать следует не только работоспособность результата. Студент должен уметь объяснить архитектурные решения, проверить корректность реализации, оценить безопасность, производительность и сопровождаемость системы. Отдельным форматом проверки может стать аудит сгенерированного кода. Студент получает программу, которая запускается и проходит базовые тесты, но содержит дефект или неверное техническое допущение — например, ошибку синхронизации, некорректную обработку исключений или уязвимость при работе с пользовательскими данными. Задача — восстановить логику решения, выявить проблемные сценарии и предложить исправление, подтвержденное тестами. В исследовании Microsoft Research с участием 319 специалистов более высокая уверенность в возможностях ИИ была связана с меньшей критической вовлеченностью при выполнении рабочих задач. Исследование основано на самоотчетах и не устанавливает причинно-следственную связь, но указывает на важный риск: убедительный ответ модели может снижать готовность пользователя проверять результат. Поэтому критическую оценку сгенерированного кода стоит развивать как самостоятельный инженерный навык. Похожий принцип уже применяется в University of Sydney — с через 84 дня университет внедряет двухконтурную модель оценивания. В защищенных форматах студенты подтверждают собственные знания и навыки без неразрешенных внешних инструментов, в открытых заданиях они учатся использовать ИИ и другие доступные технологии.