---
title: Заморозка опыта: количество vs качество
url: /digitalization/freeze-wisdom
section: Цифровизация без зависимости от гаджетов
version: 1.2
date: 2026-04-21
author: Тимофеев Вячеслав
---
# Заморозка опыта: количество vs качество
Окно живых мастеров закрывается. Что мы замораживаем и как меряем качество, а не вовлечённость.
Эта статья сводит вместе два слоя стратегии. Первый — заморозка опыта: что и как мы кодифицируем, пока живы носители школ, и почему это нельзя сделать средствами генеративного ИИ. Второй — метрики: чем меряется качество архитектуры, и почему массовый EdTech технически вынужден мерять вовлечённость вместо результата.
## 1. Окно живых мастеров закрывается
У каждого поколения есть окно — пока живы мастера, способные передать инвариант навыка следующим. Это окно не зависит от технологий: оно зависит от биологии и от того, успеваем ли мы кодифицировать *то, что они умеют*, а не *то, что они говорят про то, что умеют*.
Большая часть носителей профессиональных школ (лингвистических, инженерных, методических) — люди старше пятидесяти. Их школы держатся не на учебниках, а на конкретной устной традиции: показал — повторил — поправил — закрепил. Учебник без мастера тиражирует слова. Мастер без оцифрованного инварианта уносит школу с собой. Через пятнадцать лет задача станет в разы дороже и в разы менее точной — потому что инвариант придётся восстанавливать по записям, а не снимать с действия.
## 2. Что именно замораживаем — инвариант, не контент
«Заморозить опыт» — не значит «записать всё, что мастер скажет на камеру». Видеоархивы 1990-х полны таких записей, и большинство из них профессионально мертвы: контент сохранён, инвариант — нет.
Замораживаем не контент, а **инвариантный критерий «правильно»**: что считается попаданием, какое отклонение мастер видит мгновенно, какая последовательность микро-шагов гарантирует попадание, какие типичные ошибки нужно отлавливать сразу. Это и есть «честная физика навыка», описанная в [соответствующей статье](/digitalization/honest-physics) . Технически это перевод неявного знания мастера в детерминированный цифровой контур, способный проверять любого ученика по тому же критерию, который мастер использует «на слух» и «на глаз».
## 3. Мастер без выгорания
Парадокс существующих систем подготовки: чем выше квалификация мастера, тем быстрее он выгорает. Причина — рутинная проверка одних и тех же типичных ошибок у тысяч учеников подряд. Сама работа, которая делает мастера мастером, превращается в конвейер.
Заморозка инварианта снимает с мастера именно конвейер. Один раз кодифицированный критерий проверяет миллион попыток без участия мастера. Мастер освобождается для работы более высокого порядка: развитие учеников за пределами инварианта, обучение новых преподавателей, развитие самой школы. Это не «замена учителя ИИ». Это снятие с учителя той части работы, которая разрушает его как специалиста, и сохранение за ним той части, ради которой он стал учителем.
## 4. Почему ГенИИ для этой задачи не подходит
Соблазн «заморозить мастера» через большую языковую модель — естественный. Загрузить в модель все тексты мастера, лекции, разборы — и получить «цифрового мастера». Архитектурно это не работает.
Генеративная модель усредняет. Она строит вероятностную смесь из всех загруженных в неё источников, теряя именно ту разницу, которая отличает школу мастера от среднего фона. Точность такой проверки — [42–90%](/rationale/generation-vs-precision#generator-accuracy) на фундаментальных задачах. Для заморозки инварианта это недопустимо: половина учеников будет «проходить» по неправильному критерию.
ГенИИ — отличный инструмент креатива и черновиков. Он не обязан быть точным. DET-контур *обязан* быть точным, потому что его задача — носить инвариант на горизонте поколений, а не помогать здесь и сейчас «с любым из правдоподобных вариантов».
## 5. Суверенный архив инварианта
Замороженный опыт — это инфраструктура, а не «контент в облаке». Архив инварианта должен быть **суверенным**: жить на своей инфраструктуре, на CPU, без зависимости от внешних API и чужих критериев правильности. Иначе инвариант заморожен не нами, а оператором облака.
Это не геополитическая позиция, а инженерное требование к горизонту тысячелетия. Архив, который можно отключить решением третьей стороны, — не архив, а арендованный шкаф. Подтверждение позиции — заявка на изобретение РФ № **2025106036**, свидетельство ПрЭВМ № **2024690015**, статус участника проекта Сколково с 2023 года ( [выписка](https://dragon-english.ru/policy/#1125355) ).
## 6. За кого мы замораживаем
Заморозка опыта — это не «архив ради архива». Это всегда заморозка *для конкретных будущих людей*: учеников, которых сегодня ещё нет в системе, преподавателей, которых ещё не приняли на работу, поколений, которые встретятся со школой через десятилетия после ухода мастера.
Это меняет качество работы по заморозке. Мы не просто «оцифровываем то, что есть» — мы выбираем то, что будет нужно тем, кто придёт. Об этой логике подробно — в материале [glory-dragons.ru](https://glory-dragons.ru) — «ради кого мы готовы стать причиной лучшего мира».
## 7. Этическая рамка
Заморозка опыта мастера — действие, требующее согласия и сохранения авторства. Инвариант кодифицируется *совместно* с мастером, а не «снимается» с него. Школа остаётся школой конкретного человека и его линии — даже когда сам мастер уже не проверяет каждую попытку. Это противоположно практике обучения больших моделей на чужих текстах без согласия. Замороженный инвариант — это договор с мастером и обязательство перед его учениками.
## 8. Практический вывод: Индия 2026–27
Программа на 20 000 студентов в Индии в 2026–27 учебном году с целью A2 ТРКИ за 6 месяцев — это пример того, что значит «заморозить вовремя». Без замороженного инварианта русского как иностранного эта программа технически невозможна: ни один человек-преподаватель не выдержит конвейер из 20 000 учеников при сохранении честной обратной связи >99%.
Замороженный инвариант, кодифицированный мастерами русской лингвистической школы, делает программу возможной без жертвы качеством и без выгорания преподавателей. Это и есть прямое следствие того, что окно ещё открыто и им воспользовались.
## 9. Что считает массовый EdTech: метрики вовлечённости
EdTech как индустрия научился измерять *вовлечённость*. Базовый набор метрик массового EdTech:
- **DAU/MAU** — сколько пользователей в день/месяц.
- **Стрики** — длина непрерывной серии заходов.
- **Time-in-app** — общее время в приложении.
- **Retention D7/D30** — процент возвратов через 7 и 30 дней.
- **Урок-в-день** — выполнил ли минимальную дневную норму активности.
Все эти метрики — про *взаимодействие с продуктом*, не про *навык*. Их рост ничего не говорит о том, заговорил ли ученик на языке. Их падение ничего не говорит о том, не заговорил ли он — возможно, ушёл потому что навык уже усвоен.
## 10. Что меряем мы: четыре метрики качества
Базовый набор метрик качественного метода:
- **Точность попадания в инвариант** — доля попыток, попавших в эталон без вмешательства человека (целевая зона >99%).
- **Удержание навыка** — измеримое забывание со временем. У нас зафиксировано <4% забывания за 9 лет на освоенном материале.
- **Перенос в реальный контекст** — способность ученика применять навык вне учебной среды (профессиональный английский с инженером, чтение научной статьи, разговор с носителем).
- **Скорость до попадания** — сколько времени и попыток нужно ученику от первой встречи с типом задачи до устойчивого попадания.
Это четыре метрики качества — то, что меряет результат, а не процесс. Они дороже в сборе, потому что требуют детерминированной проверки точностью >99% — но ровно эти метрики говорят, работает ли архитектура.
## 11. Ловушка вовлечённости
Метрики вовлечённости не нейтральны: они *формируют* продукт, который их оптимизирует. Если продакт-команда несколько лет оптимизирует DAU и стрики, продукт превращается в механизм удержания пользователя — независимо от того, осваивает ли он навык. Это не злой умысел; это закон: что меряем, то и растёт.
В EdTech этот закон даёт характерный класс продуктов: ярко, ритуально, с переменным подкреплением, с бесконечными уровнями, с социальными лидербордами — и с минимальным приростом реального навыка после года ежедневного использования. Биологически это та же дофаминовая петля, что в социальных сетях, см. [«Дофамин vs полный цикл»](/digitalization/dopamine-vs-full-cycle) .
## 12. Качественный метод возможен только на инварианте
Метрики качества технически возможны только тогда, когда есть *инвариант*. Иначе «попадание в эталон» невозможно измерить — нет эталона. Адаптивная среда, в которой критерий правильности подстраивается под пользователя, не может иметь метрики «точность попадания» — потому что само попадание определено относительно ползучей цели.
Поэтому массовый EdTech технически вынужден мерять вовлечённость: на адаптивной архитектуре других метрик быть не может. Это не выбор маркетолога — это структурное следствие архитектурного решения «среда подстраивается под пользователя». Качественный метод требует обратного выбора: **среда не адаптируется — адаптируется учащийся**. На этом фундаменте появляется возможность измерить попадание, удержание и перенос — то есть качество.
## 13. Стратегический водораздел EdTech
EdTech-индустрия стоит перед стратегическим водоразделом. Один путь — углубление в метрики вовлечённости, всё более изощрённая дофаминовая инженерия удержания, всё более красивые отчёты «350 дней подряд». Этот путь масштабируется как бизнес, но не масштабирует *навык* у пользователей.
Второй путь — переход на качественные метрики, который требует архитектурного выбора в пользу инварианта и точности >99%. Этот путь дороже на старте, медленнее в росте DAU, но именно он масштабирует навык — и именно по нему возможно строить инфраструктуру тысячелетия.
Dragon Education выбирает второй путь не из идеологии, а из инженерной честности: задача «дать возможность освоить более 100 навыков на высочайшем уровне за 10 лет» — задача про результат, не про вовлечённость. И решается она только методами качества — на инварианте, который мы успели заморозить, пока умы живы.