Почему рост производительности с ИИ - не вся картина
Большие языковые модели сегодня используют почти все, кто пишет код, тексты или аналитику. Об этом прямо спрашивают на собеседованиях: умеете ли вы работать с агентной разработкой. Ещё недавно обращение к LLM в рабочих задачах держали в тени, сейчас это норма: автор разбора «ИИ делает нас производительнее. Чем мы за это платим?» описывает эту смену именно так.
ИИ стал достаточно хорош, чтобы пользоваться им было почти всегда рационально. Написать код, составить письмо, найти информацию, спланировать поездку, объяснить сложную тему - во всех этих случаях модель быстрее, удобнее, точнее и дешевле. Отказ от LLM стоит дорого: можно оказаться в арьергарде, а затем и на обочине.
Проблема в другом месте. Мы измеряем результат работы ИИ и эффективность инструмента, но почти никогда не измеряем, что при этом происходит со способностью человека делать то же самое. Короткий ответ на главный вопрос: значение имеет не доля делегированной работы, а то, остаются ли за человеком постановка задачи, определение ограничений, оценка и проверка результата. Отдать 90% рутины и сохранить автономию реально. Отдать 10% задач, в которых сосредоточено критическое мышление, и потерять самостоятельность тоже реально.
Если результат становится лучше и быстрее, что именно происходит с человеком, который его получил? Этот вопрос стоит держать в голове, пока читаете дальше.
ИИ как усилитель: человек остаётся в контуре решения
Режим усилителя описывается простой последовательностью: человек ставит задачу → формирует модель → определяет ограничения → использует ИИ → оценивает результат → проверяет. В исходном разборе последовательность приведена именно в таком виде: задача, модель, ограничения, использование, оценка, проверка.
Ключевое здесь - не стрелки, а то, что ни один узел не выпадает. Постановка задачи остаётся вашей: вы решаете, что вообще нужно получить. Ограничения тоже ваши: бюджет, стек, стиль, сроки, требования регуляторов. Оценка и проверка закрывают цикл: модель предлагает, вы решаете, годится ли это.
Примеры делегирования, где усилитель работает лучше всего: черновик функции на знакомом фреймворке, письмо по готовому тезису, подбор источников по сформулированному запросу, черновик маршрута поездки, объяснение незнакомого термина. В каждом случае человек понимает, что именно он отдаёт, зачем и как проверить результат.
Усилитель не запрещает отдавать много. Если 90% вашего дня - форматирование, поиск, черновые тексты и механические правки, спокойно отдавайте их модели. Критическое мышление при этом работает на стыках: вы решаете, какую задачу вообще ставить, какие ограничения существенны, где результат выглядит подозрительно.
ИИ как замена: когда модель подменяет и работу, и мышление
В режиме замены выпадает не работа, а мышление, которое её обслуживает. Задача ставится размыто: «сделай хорошо». Ограничения не проговариваются, потому что формулировать их лень. Результат принимается по признаку «выглядит убедительно».
Практический пример. Вместо того чтобы самому набросать архитектуру сервиса и решить, где будут узкие места, человек просит модель предложить структуру целиком. Через неделю он не может объяснить, почему выбранный вариант работает именно так, что произойдёт при росте нагрузки в десять раз и где в этой схеме точка отказа. Код есть, понимания нет.
Дальше включается инерция удобства. Внешний интеллект становится настолько доступным, что необходимость использовать свой просто пропадает: зачем напрягаться, если ответ приходит за секунды и выглядит прилично. Риск здесь отложенный: снижается не качество отдельной задачи сегодня, а запас навыков, из которого вы будете брать завтра. Если ИИ постоянно повышает эффективность, как понять, что вместе с эффективностью не уходит способность действовать самостоятельно?
Почему процент делегированной работы не говорит о зависимости
Распространённое заблуждение: чем больше задач отдано модели, тем сильнее зависимость. Логика выглядит здравой, но она не работает.
Сравните два профиля. Первый: 90% работы делегировано, но это рутина - форматирование, поиск, черновики писем, генерация тестовых данных, перевод. Критическое мышление остаётся у человека, и он автономен. Второй: делегировано 10%, но именно постановка задачи, выбор архитектуры и оценка результата. Формально человек работает с ИИ мало, фактически без модели он не может сдвинуться с места.
Смотреть нужно на тип делегированных задач. Разложите свою неделю на две группы. В первую попадут операции с известным результатом и понятным способом проверки: их можно отдавать без потерь. Во вторую - всё, где вы определяете, что считать правильным ответом. Вторая группа и есть зона риска. Границу между полезным делегированием, авторством и потерей контроля разработчики обсуждают отдельно, и там же разбираются случаи, когда ускорение генерации кода не перевешивает потерю ответственности за результат: почему часть разработчиков не хочет отдавать код ИИ-агентам.
Как заметить зависимость, если подкрепление приходит за скорость
Заметить потерю навыка сложно, потому что награда приходит не за него. Вы получаете быстрый и аккуратный результат, чувствуете продуктивность, закрываете задачи. Подкрепление закрепляет поведение «спросить модель», а не «решить самому». Отсутствие навыка при этом не болит: больно было бы при провале, а провала нет.
Типичная траектория: разработчик всё чаще просит ИИ написать код и всё реже пишет сам. Через полгода он по-прежнему выдаёт результат, но восстановить логику чужого модуля без подсказки уже не может. Признак, который стоит отслеживать, простой: сколько времени проходит между «задача поставлена» и «я открыл чат с моделью». Если этот промежуток стремится к нулю, вы делегируете не работу, а этап размышления.
Публичный кейс, на который ссылаются в таких обсуждениях, - Hank Green, сооснователь VidCon и автор научно-популярных YouTube-каналов. Он признал нездоровый уровень использования ИИ-чатботов и объявил, что его основной канал, вероятно, будет поставлен на паузу, пока он разбирается с чрезмерной зависимостью от ChatGPT и других ИИ-инструментов. В описаниях этого случая упоминаются компульсивное открытие чатбота без сформулированной задачи, сессии, растягивавшиеся на часы, подмена собственного мышления и дискомфорт при отсутствии доступа к ассистенту. Важная оговорка: это вторичные пересказы, а не первичное заявление Green, поэтому детали стоит воспринимать как иллюстрацию, а не как проверенную клиническую картину. Разбор кейса и того, как сохранять контроль над LLM: ИИ-зависимость: уроки инцидента с Hank Green.
Есть и мотивационный слой. Теория самодетерминации, которую разработали психологи Edward Deci и Richard Ryan, объясняет устойчивую внутреннюю мотивацию через три базовые потребности: автономию, компетентность и связанность с другими людьми. ИИ может поддерживать все три опоры, а может подрывать их: работа с чат-ботом убирает автономию, потому что вы больше не принимаете решений, и снижает ощущение компетентности, потому что результат получен не вами. Оговорка та же: популярные изложения теории - вторичный источник, а не академическая публикация. Разрыв между личным опытом и общественной настороженностью объясняется именно этим: почему внутренняя мотивация важнее эффективности. Полезный вопрос к себе в этой точке: если AI способен сделать почти любую интеллектуальную работу быстрее меня, это благо или угроза? Ответ не обязан быть рациональным, он показывает, где у вас проходит граница.
Практический критерий: проверьте себя без ИИ
Оценивайте себя не по тому, насколько хорошо вы работаете с ИИ, а по тому, насколько хорошо и быстро справляетесь с задачей без него. Этот критерий показывает сохранность навыка, а не удобство инструмента.
- Выберите типовую задачу из своей работы, которую регулярно делегируете модели: ревью модуля, написание ТЗ, проектирование схемы таблиц, подготовка ответа клиенту.
- Выполните её без модели, целиком: от постановки до проверки результата.
- Замерьте время и качество. Отдельно отметьте, где возник ступор, а где вы просто работали медленнее обычного.
Ступор и неоправданно большое время - сигнал, что критический навык ослаб. Медленная работа без ступора говорит о другом: навык жив, вы просто потеряли скорость, которую даёт инструмент.
Ещё полезнее разделить проверку на два слоя. Первый: можете ли вы сформулировать требования к задаче без подсказки модели. Второй: можете ли вы оценить качество готового решения и найти в нём ошибку. Если провисает хотя бы один слой, вы отдали не рутину, а мышление. Джуниоры в этой зоне особенно уязвимы. В обзорах исследований METR и Anthropic приводятся такие цифры: использование ИИ при изучении новых библиотек снижает понимание концепций на 17% без значимого ускорения выполнения учебных задач; на сложных задачах время выполнения растёт на 19% из-за проверки и отладки сгенерированного кода; на шаблонных задачах - генерации boilerplate-кода, типовых CRUD-операций, автодополнения - ускорение достигает 55%. Отдельно в исследовании METR на 16 опытных разработчиках зафиксировано замедление на 19%, что расходится с ожиданиями и самих участников, и экспертов индустрии. Существенные оговорки: это вторичные пересказы, а не первичные отчёты, цифра 55% подана как обещание ИИ-ассистентов и как среднее по выборке с преобладанием шаблонных задач, а её первоисточник не указан. Поэтому воспринимайте числа как ориентир, а не как точную меру вашего случая: ИИ-ассистенты в разработке: экономия времени или потеря экспертизы.
Как использовать ИИ, не теряя самостоятельность
Правила держатся на одном принципе: критический контур всегда ваш. Постановка задачи, определение ограничений, оценка и проверка результата остаются за человеком, рутина уходит модели.
- Формулируйте задачу и ограничения до открытия чата. Две-три строки своими словами фиксируют, что вы понимаете цель.
- Пишите критерий приёмки заранее. Если не можете описать, как отличить хороший результат от плохого, вы не готовы делегировать.
- Раз в неделю выполняйте ключевую задачу целиком без ИИ. Это поддержка навыка, а не откат в прошлое.
- Проверяйте результат по своему критерию, а не по уверенности модели.
- В агентной разработке сохраняйте понимание архитектуры. Если не можете объяснить, почему решение работает, задача не закрыта.
Отказ от LLM сам по себе не спасает: цена отказа - конкурентоспособность, и она ощущается быстрее, чем деградация навыков. Внедрение ИИ действительно переходит от пилотов к масштабированию: по отчёту McKinsey «Состояние ИИ в 2026 году: на пути к окупаемости инвестиций» доля организаций, масштабировавших ИИ-решения на всё предприятие, выросла до 44% в 2026 году с 38% в 2025 году, а по опросу McKinsey лета 2025 года (около 2000 респондентов) ИИ регулярно применяли 88% организаций хотя бы в одной бизнес-функции, с агентами экспериментировали 62%. Это данные о компаниях, а не о том, что отдельный человек не может ограничить использование инструментов. Тезис «вопрос доступа к отключению сводится к отказу от цифровых инструментов вообще» в источниках напрямую не подтверждается, поэтому оставим его как спорную рамку, а не как факт. Реалистичная цель другая: осознанно распределить, что делегировать, а что оставлять себе.
Что в итоге мы теряем и что сохраняем
Теряем мы не время и не качество отдельного результата, а запас самостоятельности. ИИ как усилитель сохраняет человека в контуре решения, ИИ как замена вынимает из этого контура мышление. Процент делегированной работы при этом ничего не говорит о зависимости: важна не доля, а тип задач. Положительное подкрепление за скорость маскирует потерю навыка, потому что работающий человек не чувствует потерь до первого сбоя инструмента.
Сохраняем мы ровно то, что осталось в нашем контуре: умение поставить задачу, задать ограничения, оценить и проверить результат. Три вещи стоит держать в рабочем состоянии: способность сформулировать требования без модели, способность найти ошибку в готовом решении и способность выполнить типовую задачу без подсказок. Проверка занимает один рабочий день и не требует отказываться от инструментов.
ИИ стал достаточно хорош, чтобы пользоваться им почти всегда рационально. Значит, вопрос каждый раз звучит иначе: что именно вы оставляете себе. Автор разбора предлагает закрыть тему вопросом к себе: «если AI способен сделать практически любую интеллектуальную работу быстрее чем я, это благо или угроза?» Что вы выберете сохранить в любом случае?