Как ИИ может строить персональные образовательные траектории

В практике обучения мы часто сталкиваемся с эффектом «плато»: человек продолжает прилагать усилия, но его результат перестает расти. Это происходит не только в бизнесе, но и в хобби, где прогресс измерим и нагляден.

Один из таких случаев я наблюдала у своего знакомого, увлеченного шахматами. Он регулярно играет на платформе Lichess, и в течение нескольких лет его рейтинг стабильно повышался. Однако в какой-то момент рост прекратился. Несмотря на регулярную практику, новые партии не приводили к улучшению результата.

Осознав, что застрял в развитии, он решил описать свою ситуацию ChatGPT. Формулировка была простой: рейтинг перестал расти, дай рекомендации как улучшить мою игру в шахматы. В ответ ИИ не стал предлагать универсальные советы, а начал с уточняющих вопросов — в какие моменты чаще происходят проигрыши, на каких этапах партии возникают ошибки и т.д.

На основе этих ответов система сформировала рекомендации: выделила зоны, требующие доработки, предложила конкретные темы для повторения и кратко описала, какие игровые приемы и стратегии стоит изучить. По сути, был выстроен персональный маршрут обучения, основанный не на абстрактной программе, а на индивидуальных трудностях игрока и уже имеющихся знаниях.

После этого мой знакомый приступил к рекомендованным упражнениям. Спустя некоторое время его рейтинг снова начал расти, причем заметно быстрее, чем до периода застоя.

Этот пример показателен не столько для шахмат, сколько для обучения в целом. Фактически ИИ выполнил функции персонального тьютора: проанализировал опыт человека, выявил «точку застревания» и предложил адресные направления для развития. Такой подход отличается от традиционной логики обучения, где человеку предлагают общий курс или стандартную программу независимо от его текущего уровня и реальных ошибок.

Почему такого еще нет в корпоративном обучении?

В корпоративном обучении идея персональных образовательных траекторий обсуждается давно, однако на практике в России она пока реализуется ограниченно. На это есть несколько причин.

Во-первых, большинство программ проектируются «от темы», а не «от дефицита навыка». Компании формулируют запрос как необходимость обучения по определенному направлению — например, переговорам или управлению проектами, — но редко начинают с анализа того, в каких именно ситуациях сотрудники совершают ошибки. Между тем ИИ наиболее эффективен там, где ему доступны данные о реальной деятельности: примеры решений, типовые сбои, паттерны поведения.

Во-вторых, в корпоративной среде слабо развита диагностика точек профессионального застревания. В шахматах плато видно напрямую — рейтинг не растет. В бизнесе же результат зависит от множества факторов: командных процессов, управленческих решений, внешней среды. Из-за этого обучение часто назначается по роли или должности, а не по конкретной проблеме в работе.

В-третьих, персональная траектория плохо сочетается с логикой массового обучения. Корпоративные системы ориентированы на масштабирование: одна программа для группы, единые цели и единые показатели прохождения. Индивидуальный маршрут предполагает разную глубину, разную скорость и разные темы для разных сотрудников. 

В-четвертых, это пока сложно технически. На начало 2026 года инструментов с ИИ, которые можно интегрировать в контур и формировать персональные траектории, пока нет.

Шахматный кейс моего знакомого важен тем, что наглядно демонстрирует: ИИ уже способен не просто передавать знания, а анализировать опыт и предлагать персональные образовательные маршруты. 

Пока корпоративное обучение остается единым для всех, эффект плато будет воспроизводиться снова и снова — как в шахматах, только без рейтинга, который честно показывает остановку роста.