Когнитивный долг: как искусственный интеллект меняет человека и структуру бизнеса

Максим Левчук, основатель Fialka.Ai, исследователь и методолог переговоров

ИИ помогает улучшать результаты работы, но хороший результат с помощником ещё не означает, что человек приобрёл соответствующий навык. Эксперименты с творческими и учебными задачами показывают: качество выполненного задания и самостоятельное обучение могут изменяться по-разному. Для бизнеса это повод оценивать не только производительность, но и то, как воспроизводится экспертиза. [6, 7]

Представим сотрудника, который за утро подготовил аналитическую записку, презентацию и план переговоров. Документы выглядят убедительно, руководитель доволен, сам сотрудник тоже. Но достаточно изменить исходные условия и попросить его объяснить логику решения без помощника, чтобы возник совсем другой разговор.

Нас интересует именно этот разрыв. Что человек действительно научился делать, а что теперь умеет получать от модели? И что произойдёт с компанией, если она перестанет различать эти результаты?

Что такое когнитивный долг

Под когнитивным долгом я понимаю накопленный разрыв между результатами, которые человек или организация получают с интеллектуальным помощником, и собственной способностью понять, проверить и при необходимости пересобрать решение. Это рабочее управленческое понятие, а не медицинский диагноз или универсальная шкала состояния мозга.

Сам по себе сильный инструмент долга не создаёт. Нет необходимости заново вычислять вручную каждую сумму или помнить все документы. Проблема возникает, когда вместе с операцией мы передаём системе ту практику, на которой должны были учиться: формулировать вопрос, строить объяснение, замечать противоречия и отвечать за выбор.

В такой ситуации полезно различать три уровня риска. У сотрудника может сокращаться самостоятельная практика; у команды — число людей, способных проверить сложный вывод; у организации — возможности выращивать следующую смену специалистов. Это разные управленческие задачи, хотя начинаться они могут с одного решения: «эту работу теперь сделает ИИ».

ИИ меняет вход в профессию

Начальные позиции часто объединяют две функции: выполнение относительно простых задач и обучение на этих задачах. Рассмотрим младшего аналитика в закупках. Он сопоставляет предложения поставщиков, замечает несравнимые условия, задаёт вопросы старшему коллеге и несколько раз переделывает вывод. Компания получает документ, а сотрудник — опыт различения того, что важно для решения.

Там, где модель действительно справляется с такой работой быстрее и достаточно надёжно, возникает экономический аргумент сократить потребность в начинающих сотрудниках. Но вместе с производственной операцией можно убрать и учебную. Тогда организация продолжает пользоваться знаниями сегодняшних экспертов, не предусмотрев, откуда появятся завтрашние.

Ранние сигналы такого изменения уже есть. В обновлённом 12 августа 2026 года исследовании Stanford Digital Economy Lab авторы анализируют американские данные ADP по июнь 2026 года. В профессиях с высокой подверженностью ИИ занятость работников 22–25 лет оказалась примерно на 19% ниже сценария, при котором она росла бы тем же темпом, что и у молодых работников в менее затронутых профессиях. Это не означает, что «ИИ уволил 19% молодых специалистов»: разрыв связан прежде всего со снижением найма, а не с ростом увольнений. [1]

Авторы не находят широкого вытеснения работников по экономике в целом и прямо предупреждают: это описательные наблюдения, не окончательная причинная оценка. Различия зависят от профессии и характера применения технологии; российский рынок эти данные непосредственно не описывают. Но для руководителя они обостряют практический вопрос: если входных позиций станет меньше, как будет устроено обучение начинающих? [1]

Защищать любую рутину только потому, что «мы сами через это прошли», бессмысленно. Сохранить нужно её развивающую функцию: работу с реальными случаями, самостоятельные попытки, содержательную обратную связь и постепенное расширение ответственности. Автоматизация освобождает от старого способа обучения, но не отменяет потребности в новом.

Больше задач не обязательно означает больше самостоятельного мышления

Рассмотрим ещё один управленческий сценарий. Если подготовка записки ускорилась, руководитель может поручить сотруднику не одну записку, а четыре. При этом постановку проблемы, сбор аргументов и формулирование выводов сотрудник передаст модели, а себе оставит запросы, переключение между задачами и согласование результатов. Занятость возрастёт, но самостоятельных попыток разобраться в каждом вопросе может стать меньше.

Это не означает, что работа с запросами примитивна. Хорошо поставить задачу, определить критерии качества, предоставить контекст и проверить результат — полноценная интеллектуальная работа. Важно другое: действительно ли человек выполняет её или только перебирает формулировки, пока не получит достаточно убедительный ответ.

Исследование Microsoft Research и Carnegie Mellon University, представленное на CHI 2025, помогает увидеть это различие. Авторы опросили 319 работников умственного труда и проанализировали 936 примеров использования генеративного ИИ. Более высокая уверенность в ИИ была связана с меньшим вовлечением критического мышления. Уверенность в собственной компетентности по конкретной задаче, напротив, была связана с большим вовлечением. [2]

Усилия также смещались в сторону проверки, объединения результатов и контроля работы системы. Важно, что исследователи измеряли самоотчёты, а не доказанное долговременное снижение способностей. Поэтому корректный вопрос звучит не «перестали ли люди думать вообще», а «какие мыслительные действия они продолжают выполнять сами и насколько качественно». [2]

Что показывают эксперименты: эссе, поиск и логические тесты

В обсуждениях этой темы легко соединить разные работы в один эффектный эксперимент: одни люди думали сами, другие пользовались Google, третьи — ИИ, после чего у последних одновременно выросло эго и ухудшилась работа мозга. Исследования устроены иначе. Разделим их, чтобы не приписывать учёным выводы, которых они не делали.

Самостоятельное письмо, поисковик и языковая модель

В работе исследователей MIT Media Lab «Your Brain on ChatGPT» 54 участника писали эссе в трёх условиях: самостоятельно, с поисковой системой или с языковой моделью. Основная часть включала три сессии; в дополнительной сессии 18 участников сменили условие работы. Во время написания исследователи регистрировали ЭЭГ, а затем оценивали воспроизведение текста и чувство авторства. [3]

В группе с языковой моделью авторы обнаружили более слабую связанность мозговой активности, более слабое чувство авторства и затруднения с цитированием собственного текста. У самостоятельной группы связанность была наиболее выраженной, поисковая занимала промежуточное положение. Доступная версия работы — препринт; выборка небольшая, задача специфическая. Более низкая активность в таком эксперименте сама по себе не доказывает повреждения мозга, падения IQ или неизбежной деградации памяти в повседневной жизни. [3]

Поиск в интернете и иллюзия собственного знания

Похожая проблема существовала ещё до массового появления генеративного ИИ. В статье Мэттью Фишера, Мариэл Годду и Фрэнка Кейла, опубликованной в 2015 году, серия из девяти экспериментов показала: поиск объяснений в интернете может повышать оценку человеком собственных знаний. Доступность внешней информации частично смешивается с ощущением «это знаю я». [4]

Для нашей темы важно различать доступ к ответу и способность самостоятельно его объяснить. Поисковик позволяет быстро найти знание; из этого ещё не следует, что знание стало нашим. Перенос этой логики на работу с языковыми моделями — содержательная гипотеза, которую нужно проверять отдельными экспериментами.

Логические задачи и переоценка результата с ИИ

Такая проверка есть в исследовании команды с участием Aalto University, опубликованном под названием «AI makes you smarter but none the wiser». В первом эксперименте 246 участников решали с ИИ 20 логических задач формата LSAT. Они дали в среднем 12,98 правильного ответа, но оценили свой результат в 16,50. Это заметный разрыв между фактическим результатом и представлением о нём. [5]

Авторы провели и второй эксперимент с ИИ и без него, подтвердив проблему переоценки результата при использовании помощника. При этом сравнение первого эксперимента с результатами людей без ИИ опиралось на данные более раннего исследования, а не на одновременно рандомизированную контрольную группу. Объединять эти дизайны нельзя. [5]

Здесь измеряли точность оценки выполнения конкретных задач, не нарциссизм, общий уровень интеллекта или самооценку личности. Корректный вывод уже достаточно важен: человек может получить неплохой результат с ИИ и одновременно плохо понимать, насколько этот результат надёжен. [5]

Почему профессиональное эго может расти быстрее компетентности

Из этих работ я делаю управленческий вывод: оценивать сотрудника только по качеству подготовленного документа становится рискованно. Представим, что человек впервые создал сильную презентацию на незнакомую тему. Удовлетворение результатом вполне заслуженно, но вывод «теперь я разбираюсь в этой области» требует отдельной проверки.

Проблема не в гордости за сделанную работу. Она начинается, если убедительная форма закрывает вопрос о границах собственного понимания. Гипотетический сотрудник, которого раньше останавливал пробел в знаниях, теперь получает готовое объяснение и может не заметить, что пробел сохранился. В деловом разговоре это способно обернуться преждевременной уверенностью: «я уже всё проанализировал».

Называя это ростом профессионального эго, я описываю возможный механизм, а не установленный диагноз пользователей ИИ. Исследование логических задач даёт основание говорить о переоценке результата; перенос на поведение сотрудников остаётся интерпретацией. Поэтому проверять стоит не скромность человека, а его способность объяснить решение, назвать ограничения и изменить позицию при появлении новых данных. [5]

При этом творческий выигрыш не нужно обесценивать. В эксперименте Анила Доши и Оливера Хаузера доступ к идеям генеративного ИИ улучшал оценки коротких рассказов, особенно у авторов с более низким исходным показателем творческих способностей. Однако рассказы с ИИ становились более похожими друг на друга. В этом исследовании индивидуальное качество росло, а разнообразие совокупного результата сокращалось. [6]

Для человека возможность наконец выразить сложную мысль, написать связный текст или попробовать новый формат может быть реальным расширением возможностей. Но из качества сегодняшней работы нельзя автоматически вывести уровень самостоятельного навыка завтра. Эти результаты разумнее оценивать отдельно.

ИИ может мешать обучению — или поддерживать его

Полевой эксперимент Хамсы Бастани и соавторов, опубликованный в PNAS в 2025 году, показывает, почему важен способ применения технологии. Почти тысяча старшеклассников в Турции изучала математику в трёх условиях: без ИИ, с обычным чат-интерфейсом на GPT-4 и с версией, настроенной на обучающие подсказки. [7]

С обычным помощником оценки за тренировочные задания были на 48% выше контрольной группы. Но на последующей проверке без помощи участники этой группы показали результат на 17% ниже контроля. В версии с педагогическими ограничениями и подсказками отрицательный эффект в основном исчезал; убедительного преимущества перед контролем на самостоятельной проверке при этом не обнаружили. Это относительные различия в оценках, не процентные пункты. [7]

Речь идёт об освоении материала в конкретном учебном эксперименте, а не о доказанной утрате прежде сформированного интеллекта. Для корпоративного обучения я извлекаю отсюда принцип: качество выполненного задания и способность решить следующее задание самостоятельно должны проверяться раздельно. Красивый отчёт об обучении не заменяет такую проверку. [7]

Как сохранять и развивать самостоятельное мышление

Приведённые исследования не дают универсального рецепта «профилактики когнитивного долга». Ниже — предлагаемый порядок практики, основанный на различии между получением ответа, самостоятельной попыткой и проверкой усвоения. Его нужно адаптировать к профессии и цене ошибки.

Сначала сформулировать собственную версию

Перед обращением к модели зафиксируйте, в чём задача, что вам уже известно, какое решение кажется разумным и где вы сомневаетесь. Для начала можно выделить на это десять минут — не как норматив, а как удобное ограничение, чтобы самостоятельная попытка вообще состоялась.

После ответа ИИ сравните не только формулировки, но и основания. Какие данные изменили ваше мнение? Какое предположение оказалось неверным? Что вы приняли только потому, что объяснение звучало уверенно? Сохранённый первоначальный вариант поможет не перепутать собственную мысль с убедительным ответом помощника.

Проверять утверждения, а не уверенность тона

Критическое мышление удобно переводить в конкретные действия. Для важного вывода найдите первичный источник, отделите факт от предположения, предложите альтернативное объяснение и сформулируйте условие, при котором от своей версии придётся отказаться.

Полезно отдельно записывать степень уверенности до проверки, а затем сопоставлять её с результатом. Не ради оценки личности, а чтобы видеть повторяющиеся ошибки: в каких задачах вы систематически уверены больше, чем позволяют данные. Согласие второй модели не заменяет проверки исходных фактов.

Использовать ИИ как преподавателя и оппонента

В учебных задачах измените порядок взаимодействия: сначала собственный ответ, затем подсказка, затем разбор ошибки. После разбора решите похожую, но не идентичную задачу без помощника. Именно так можно проверить, появилось ли понимание, а не только готовый текст.

Пример инструкции: «Не давай решение сразу. Сначала попроси мой вариант и объяснение. Затем укажи один пробел или задай уточняющий вопрос. После разбора предложи новую задачу на тот же принцип». Это вариант учебной практики, а не гарантия правильности объяснений модели; существенные выводы всё равно нужно проверять.

Читать длинные тексты и восстанавливать их логику

Длина сама по себе не делает текст полезным. Выбирайте материал, где нужно удерживать аргумент: главу книги, исследование, подробный разбор случая. После чтения закройте источник и восстановите основной тезис, доказательства, ограничения и собственное возражение, а затем сверьтесь с оригиналом.

У такого подхода есть экспериментальное основание. В работе Джеффри Карпике и Джанелл Блант практика извлечения и восстановления знаний давала более высокие результаты обучения, чем изучение с построением концептуальных карт, в том числе в вопросах на понимание и выводы. Это аргумент в пользу активного воспроизведения, но не доказательство, что любой длинный текст автоматически развивает интеллект. [8]

Менять учебные действия, а не просто носитель

Одну тему полезно пройти несколькими способами: прочитать, объяснить вслух, применить к случаю, обсудить с человеком, который не согласен, и позже вернуться к ней без конспекта. Я предлагаю такую последовательность, чтобы проверить разные стороны понимания: удержание смысла, объяснение, применение и защиту позиции.

Посещение лекции, семинара или очного занятия имеет смысл дополнять собственным действием — вопросом, решением, обсуждением. Простая замена текста видеороликом ещё не показывает, что вы чему-то научились. И постоянное переключение форматов внутри одной задачи не должно подменять время на сосредоточенную работу.

Играть в шахматы и двигаться — без обещаний универсального эффекта

Шахматы и логические задачи можно включить в самостоятельную практику: рассчитать варианты, записать прогноз, после партии разобрать ошибку, а уже затем свериться с подсказкой. Я бы не обещал, что шахматный рейтинг автоматически превратится в качество управленческих решений. Переговоры всё равно нужно практиковать в переговорах, а анализ — на содержательных задачах своей профессии.

Велосипед, ходьба, плавание и другие подходящие виды движения имеют отдельную ценность. ВОЗ относит регулярную физическую активность к факторам, поддерживающим физическое, психическое и когнитивное здоровье. Выбирайте доступную и безопасную нагрузку с учётом своего состояния, но не рассматривайте тренировку как способ компенсировать отсутствие самостоятельного мышления на работе. Доказанного специального «лечения последствий ИИ велосипедом» здесь нет. [9]

Что нужно изменить в компании

Я бы начал с разделения двух режимов: производственного и учебного. В первом задача — получить надёжный результат приемлемой ценой. Во втором — обеспечить действия, на которых сотрудник приобретает способность этот результат понимать и воспроизводить. Использовать одинаковые критерии успеха для обоих режимов опасно: подсказка может быть полезна работе и одновременно скрыть пробел в обучении.

Следующий шаг — определить, что человек обязан уметь делать самостоятельно в своей роли. Не весь процесс целиком, а его критические части: поставить проблему, распознать аномалию, проверить существенный расчёт, объяснить выбор, отреагировать на изменение условий. Граница должна зависеть от риска: подготовка черновика письма и утверждение условий крупной сделки требуют разного контроля.

Для начинающих сотрудников нужен явный маршрут развития после автоматизации рутины. Например: собственный разбор реального случая, сравнение с моделью, обсуждение с наставником, участие во встрече и самостоятельное решение следующего случая. Сохранять стоит не механическое переписывание данных, а возможность ошибиться в безопасных условиях и понять причину ошибки.

В оценку обучения я предлагаю добавить две отдельные проверки. Первая — качество работы с доступными инструментами. Вторая — понимание и перенос: новый случай, объяснение ключевых решений, поиск заранее подготовленной ошибки, а для критического навыка — ограниченный этап без ИИ. Сравнивать результаты следует с исходным уровнем сотрудника и требованиями роли, а не превращать такой тест в универсальную оценку интеллекта.

Руководителю также важно решить, какая часть высвободившегося времени пойдёт на обучение и проверку качества. Если всё ускорение немедленно превращается в дополнительный объём, самостоятельная практика остаётся добрым пожеланием. У неё должны быть место в рабочем процессе, ответственный и понятный способ оценки.

Как это выглядит в переговорах

В логике «Компаса переговоров» я бы начинал подготовку с собственной диагностики ситуации: чего мы добиваемся, какие интересы есть у сторон, чем можем обмениваться, где проходят границы и что будем делать, если договориться не удастся. После этого ИИ можно предложить роль оппонента: оспорить предположения, потребовать объяснить уступку, добавить неудобное условие.

Представим два варианта занятия. В одном сотрудник получает готовый сценарий и учится его воспроизводить. В другом сам предлагает ход, сталкивается с возражением, объясняет решение и пробует снова. Я предпочёл бы второй вариант, а результат проверял бы в новой ситуации, где выученная реплика уже не подходит.

Для Fialka.Ai это важный методологический ориентир: оценивать не только качество подсказки системы, но и то, какую работу благодаря взаимодействию начинает выполнять сам человек. Улучшение навыка нельзя объявлять по факту использования ИИ — его нужно проверять отдельно.

Какой результат стоит сохранять

Отказываться от сильного инструмента ради демонстрации самостоятельности не требуется. Но и считать каждый хороший документ свидетельством выросшей компетентности было бы слишком удобно. Компании нужны и качественный результат сегодня, и люди, способные разобраться в следующей, ещё незнакомой задаче.

Когнитивный долг полезно обсуждать именно в этих терминах. Какие способности мы развиваем, какие сознательно передаём системе и какие рискуем потерять незаметно? Пока у организации есть содержательные ответы на эти вопросы, рост производительности можно связывать с развитием людей, а не только с увеличением объёма выполненной работы.

Источники

Исследования и первоисточники проверены 10 сентября 2026 года.

[1] Brynjolfsson E., Chandar B., Chen R. Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab. Обновление 12.08.2026; данные по июнь 2026 года. Открыть источник

[2] Lee H.-P. et al. The Impact of Generative AI on Critical Thinking: Self-Reported Reductions in Cognitive Effort and Confidence Effects From a Survey of Knowledge Workers. CHI 2025. DOI: 10.1145/3706598.3713778. Открыть источник

[3] Kosmyna N. et al. Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. arXiv:2506.08872; версия 2 от 31.12.2025. Препринт. Открыть источник

[4] Fisher M., Goddu M. K., Keil F. C. Searching for explanations: How the Internet inflates estimates of internal knowledge. Journal of Experimental Psychology: General. 2015;144(3):674–687. DOI: 10.1037/xge0000070. Открыть источник

[5] Fernandes D. et al. AI makes you smarter but none the wiser: The disconnect between performance and metacognition. Computers in Human Behavior. 2026;175:108779. Опубликовано онлайн 27.10.2025. DOI: 10.1016/j.chb.2025.108779. Открытая исследовательская версия под названием Performance and Metacognition Disconnect when Reasoning in Human-AI Interaction: Открыть источник . Страница исследовательской команды: Открыть источник

[6] Doshi A. R., Hauser O. P. Generative AI enhances individual creativity but reduces the collective diversity of novel content. Science Advances. 2024. DOI: 10.1126/sciadv.adn5290. Открытая версия: Открыть источник

[7] Bastani H. et al. Generative AI without guardrails can harm learning: Evidence from high school mathematics. PNAS. 2025;122(26):e2422633122. DOI: 10.1073/pnas.2422633122. Авторская версия: Открыть источник

[8] Karpicke J. D., Blunt J. R. Retrieval practice produces more learning than elaborative studying with concept mapping. Science. 2011;331(6018):772–775. DOI: 10.1126/science.1199327. Открыть источник

[9] World Health Organization. Physical activity. Информационный материал от 26.06.2024. Открыть источник