Пока индустрия спорила, заменит пилотов AI или нет, европейский регулятор спокойно сел и начал писать требования: какой уровень автономии допустим в кабине, что система обязана уметь объяснить экипажу и где заканчивается её полномочие. Разбираемся, что из этого следует для нас с вами.

Важная деталь: это не абстрактные рассуждения о будущем. Это документы, по которым уже сейчас сертифицируют конкретные проекты через специальные условия.

Классификация по уровням автономии
Первое, что сделал регулятор — развёл понятия. «Искусственный интеллект в кабине» это не одна вещь, а шесть разных ситуаций с разным распределением полномочий.
Уровень 1A — расширение возможностей человека. Система подсвечивает информацию, которую пилот мог бы найти и сам, просто быстрее. Решение целиком за экипажем.
Уровень 1B — помощь человеку. Система выдаёт рекомендацию. Решение по-прежнему целиком за экипажем — но теперь перед ним лежит готовый вариант ответа, и это, как мы увидим дальше, меняет психологию больше, чем кажется.
Уровень 2A — кооперация. Начинается собственно human-AI teaming. Пилот принимает решение, система выполняет часть задачи.
Уровень 2B — коллаборация. Система принимает решение сама, под надзором пилота. Самый интересный и самый сложный уровень с точки зрения человеческого фактора.
Уровни 3A и 3B — продвинутая автоматизация. Надзор снижен или отсутствует. Горизонт за пределами ближайших лет.
Весь реалистичный горизонт на обозримое будущее — это 1B и 2A/2B. Именно там живут все интересные проблемы, и именно туда стоит смотреть пилоту, который хочет понимать, к чему готовиться.
Пять столпов доверенности
Чтобы ИИ-система получила допуск, она должна удовлетворять пяти группам требований:
1. Learning assurance — доказательство, что модель обучена корректно, на представительных данных, в границах заданной области применения (ODD — Operational Design Domain). Процесс описывается W-образной моделью — развитие привычной V-модели для классического программного обеспечения.
2. Explainability — объяснимость. Система должна уметь объяснить, почему она выдала именно такой вывод, причём в форме, пригодной для использования в полёте.
3. Ethics-based assessment — недискриминация, приватность, обязательность человеческого надзора.
4. Safety risk mitigation — что происходит, когда система ошибается.
5. Human factors и HAII — human-AI interaction. Как распределяется авторитет и как экипаж сохраняет ситуационную осведомлённость.
Обратите внимание: три из пяти пунктов — про человека, а не про технологию.

Explainability: почему это ядро всей темы
Здесь начинается самое важное, и это та часть, которую обычно пропускают.
Проблема не в том, что ИИ ошибается. Проблема в том, КАК он ошибается
Мы привыкли к определённой логике отказов. Классический прибор, когда ему нельзя верить, честно об этом сообщает: выпадает флаг, зачёркивается шкала, гаснет индикация. Прибор говорит «я не работаю» — и дальше вступает перекрёстный контроль по независимому источнику. Эта логика отрабатывается с первых часов обучения.
Система машинного обучения, вышедшая за пределы своей области применения, ведёт себя иначе. Она не молчит и не выдаёт флаг. Она уверенно выдаёт бессмыслицу.
Это фундаментальное отличие, и оно ломает привычный cross-check. Если независимый источник показывает одно, а «умная» система — другое, у нас нет внешнего признака, по которому можно понять, кто прав.
Именно поэтому в требованиях EASA появляются runtime monitoring и детектирование выхода за пределы обучающего распределения: система обязана уметь сказать «я вне своей компетенции». Это не опция, а условие допуска.
Пять реальных рисков
Выход за пределы ODD. Редкая метеообстановка, необычная конфигурация ВПП, нештатное сочетание отказов. Модель обучена не на этом — но ответ всё равно даст.
Automation bias — предвзятость к автоматизации. Принять вывод системы без проверки, потому что «обычно она права». Особенно коварно на уровне 1B, где рекомендация выглядит авторитетно и экономит время именно тогда, когда времени нет.
Disuse — зеркальный отказ. После одной заметной ошибки экипаж перестаёт доверять системе вообще и теряет реальную пользу. Доверие рушится быстрее, чем восстанавливается.
Mode confusion в условиях HAT. «Кто сейчас решает — я или система?» На уровне 2B это неочевидно, и это новая разновидность старой проблемы с режимами автопилота.
Стартл-эффект с новым источником. Внезапный странный вывод системы даёт классическую реакцию испуга, но с дополнительным слоем: отказала система или ситуация действительно такая? Фаза диагностики удлиняется именно тогда, когда её надо сокращать.
Проблема тайминга
Объяснение, которое требует тридцати секунд чтения, бесполезно на пятистах футах.
Explainability должна работать на уровне «почему» и «насколько уверенно», а не выдавать лог параметров. Это задача проектирования интерфейса не меньше, чем задача программирования — и здесь очень пригодился бы голос пилотов, пока требования ещё формируются.
Что делать при противоречивых данных
Рабочий алгоритм, который стоит положить в голову заранее:

1. Определи авторитет. Это рекомендация или уже действие? У кого последнее слово прямо сейчас?
2. Проверь ODD. Ситуация штатная для этой системы или на границе? Необычные условия — автоматически понижаем вес вывода.
3. Cross-check по независимому источнику. При расхождении приоритет у независимого канала, а не у более «умного».
4. Оцени асимметрию цены ошибки. Что хуже: последовать неверной рекомендации или проигнорировать верную? При равной неопределённости решает именно асимметрия.
5. При неразрешимом конфликте — понижай уровень автоматизации. Возврат к простому и понятному режиму — штатная процедура, а не поражение.
6. Не диагностируй в критической фазе. Сначала траектория, потом разбор.

Узнаёте? Это та же логика, что мы применяем к любому расхождению показаний. Меняется только природа источника.

Существующая рамка из девяти компетенций никуда не девается. Но появление ИИ как третьего агента в кабине растягивает каждую из них.
Situation Awareness. Теперь нужна осведомлённость не только о воздушном судне и обстановке, но и о состоянии самой системы: в своём ли она ODD, насколько уверена, на каких данных работает.
Leadership & Teamwork. ИИ как член экипажа: делегирование задач, запрос подтверждения, распределение авторитета. Вопрос «кто сейчас PF в смысле принятия решения» перестаёт быть риторическим.
Communication. Двусторонняя коммуникация с системой: уметь запросить объяснение и, что важнее, оценить качество полученного ответа.
Problem Solving & Decision Making. Вывод модели — один из источников, а не ответ.
Workload Management. Верификация вывода ИИ сама по себе стоит внимания. Проверка «умной» рекомендации — это работа, и её надо закладывать в бюджет внимания.
Procedures. Процедуры на случай отказа или неопределённости системы, порядок понижения уровня автоматизации.
Кандидат на новую компетенцию: калиброванное доверие
На наш взгляд, здесь появляется навык, которого в CRM раньше не было вовсе.
Калиброванное доверие — это способность повышать вес вывода системы в штатных условиях и понижать его на границе области применения, не сваливаясь ни в automation bias, ни в тотальное недоверие.
Почему это принципиально новое. Раньше автоматика была детерминированной: она либо работает, либо отказала. Доверие к ней — величина бинарная. Вероятностная система требует непрерывной оценки: не «верю или нет», а «насколько верю прямо сейчас, в этих условиях, по этому вопросу».
Исследователи описывают это как переход от human-automation interaction, где отношения подчинённые, к human-autonomy interaction, где отношения ближе к напарническим. Автоматика работает строго по программе независимо от контекста. Автономная система анализирует и адаптируется.
Любопытно, что интуиция экипажей здесь опережает регуляторику: опросы пилотов показывают, что большинство уже сейчас считает — автоматика должна подчиняться правилам CRM.

ИИ приходит в подготовку: замкнутый контур EBT
Это, пожалуй, самая недооценённая часть темы и при этом самая близкая к практике каждого из нас.
Логика CBTA и EBT изначально предполагала работу с данными: показатели FDM, результаты тренировочных программ и данные тренажёра используются для построения программы развития, адаптированной под конкретного пилота. Позиция регулятора прямая — ИИ должен помогать инструкторам и оценщикам быть объективнее и согласованнее.
Что уже работает сегодня:

• анализ выполнения в реальном времени и динамическая настройка сложности сценариев
• автоматизированный дебрифинг с выявлением паттернов
• адресное повторение вместо поголовного переобучения уже освоенному
• системы вроде CAE Rise: адаптивный CBTA, биометрическая обратная связь, сценарии, построенные на массивах из миллионов полётов

Контур, к которому идёт отрасль

Реальные полёты (FDM/FOQA)
↓ Выявление паттернов + отраслевые данные по угрозам и ошибкам
↓ Персонализированный набор сценариев
↓ Тренажёр: объективные метрики + оценка инструктора
↓ Обновление профиля компетенций пилота
↓ Корректировка следующей сессии → обратно в полёты

Звучит красиво. Но прежде чем этот контур заработает, надо решить одну проблему, о которой говорят меньше всего.

Ситуационная осведомлённость и мониторинг — компетенции, которые сегодня оцениваются косвенно. Инструктор смотрит на действия экипажа и делает вывод о том, что происходило в голове. Вывод часто верный — но это всё-таки реконструкция, а не измерение.
Окулография (eye tracking) — единственный способ получить прямые данные о распределении внимания. И в последние годы системы айтрекинга начали появляться на полнопилотажных тренажёрах всерьёз, включая отечественные.
Что именно измеряют
Сырые данные выглядят неожиданно скромно: координаты точки взгляда каждого пилота с высокой частотой. Дальше начинается обработка.
Стандартный подход — разметка зон интереса (AOI, areas of interest): заранее задаются границы приборов на панели, координаты взгляда маппятся на зоны, и из этого считаются метрики:

• процент времени задержки взгляда по каждой зоне
• средняя длительность фиксации — показатель глубины обработки информации
• количество заходов в зону
• матрица переходов между приборами — собственно картина сканирования
• энтропия переходов взгляда — мера упорядоченности скана
• время до первой фиксации на сигнализирующем приборе

Для масштаба: в симуляторе A320 исследовательского центра DLR размечали 22 зоны интереса.
Что из этого следует
Исследования дают довольно устойчивые находки. Опытные пилоты демонстрируют более короткие задержки взгляда, чем новички — лучшее восприятие требует меньше времени на каждый прибор. Рост сложности задачи меняет и распределение времени по зонам, и энтропийные показатели. При высокой нагрузке сканирование сужается — то самое туннелирование внимания, о котором мы уже писали, становится не метафорой, а числом.
Практический смысл для подготовки:
Дебрифинг другого качества. Вместо «ты потерял картину» — показать, что именно выпало из скана и в какой момент.
Объективизация оценки. Два инструктора могут по-разному оценить SAW у одного курсанта. Данные снимают часть расхождения.
Ранний индикатор перегрузки. Сужение скана видно в данных раньше, чем проявляется в параметрах полёта.
И вот здесь айтрекинг встречается с ИИ. Объём этих данных такой, что вручную они не обрабатываются. Именно машинное обучение извлекает из них паттерны и связывает с исходами. Без ИИ айтрекинг — интересная запись. С ИИ — измерительный инструмент.

Про риски AI в кабине мы поговорили в предыдущем разделе. Но в подготовке пилотов рисков не меньше, и они в какой-то степени даже тоньше.

Справедливая культура под угрозой
Это главное. FDM исторически защищён анонимностью - именно поэтому пилоты сообщают о событиях. Персонализированная подготовка требует связи данных с конкретным человеком. Если эта связь протечёт в дисциплинарный или карьерный контур, доверие к системе репортинга рухнет, и потери в безопасности перевесят любой выигрыш в качестве тренинга. Решается это не технологией и не внедрением ещё одного отдела безопасности, а жёсткой изоляцией данных и отсутствием связи в этих данных между safety и training отделами авиакомпаний
.
Во-вторых, когда мы говорим о подготовке, на сцену выходит он. Закон Гудхарта, говорит, что "метрика, ставшая целью, перестаёт быть хорошей метрикой". Как только пилоты поймут, какие параметры смотрит система, начнётся оптимизация под параметры вместо развития компетенции.

Ещё один риск, связан с тем, что не всё можно увидеть в целом. Объективный контроль фиксирует параметры траектории, но не причины решения. Хорошее решение с плохим исходом и плохое решение с удачным исходом выглядят в цифрах одинаково. Это та самая зона, где инструктор незаменим и где никакая автоматизация его не заменит.

Немаловажно, что адаптивная подготовка оптимизируется под выявленные слабости. Но ценность EBT ещё и в столкновении с редкими непредсказуемыми событиями. Персонализация не должна вытеснять сюрприз, так называем startle effect.

Ну и последнее, но крайне важное, это формирование ложного сдвига у самих инструкторов. Если система выдаёт оценку компетенции, инструктор рискует с ней согласиться, а не проверить. Та же проблема, что в кабине, только уровнем выше - и заметить её ещё сложнее.

Что реально может улучшиться?
Чтобы не оставлять ощущение сплошных угроз, давайте кратко опишем, что действительно может повысить безопасность, а не только экономику:

Общий принцип, который стоит держать в голове: AI хорош там, где нужна обработка объёма информации и распознавание паттернов. Человек незаменим там, где нужны контекст, суждение и ответственность. Задача индустрии - не заменить одно другим, а не перепутать, что кому поручено.

Каждый раз, когда в кабину приходила новая автоматика, мы получали и выигрыш в безопасности, и новый класс ошибок. Так было с автопилотом, с внедрением FMS, с первыми системами предупреждения. С искусственным интеллектом будет так же - иллюзий тут строить не стоит.

Разница в том, что в этот раз у нас есть шанс подготовиться заранее. Требования пишутся прямо сейчас, и в них впервые так много места отведено человеческому фактору - не как приложению к технике, а как условию её допуска.

Пилот будущего - не тот, кто знает больше процедур. Это тот, кто умеет работать в команде, где один из членов экипажа не человек. И понимает, когда этому члену экипажа не стоит верить.

Fly safe :)

Название статьи: Искусственный интеллект в кабине: новый член экипажа
Дата выхода: 12.11.2026
Автор статьи: Георгий Курбацкий