ИИ-ассистенты действительно снижают умственное усилие и поднимают результативность, пока человек ими пользуется. Подвох в том, что вместе с лишней работой они убирают и ту обработку материала, из которой складывается навык. Задача закрывается, компетенция не растёт.
Цена проявляется с задержкой. В полевом эксперименте со старшеклассниками ученики, которые занимались с ChatGPT-подобным помощником, после его отключения решали задачи на 17% хуже тех, у кого доступа к ассистенту не было вовсе. Знания, собранные по сводкам LLM, остаются более поверхностными, даже когда факты в них те же, что и в выдаче обычного поиска. Дизайн этих экспериментов и цифры разобраны в разборе на Хабре.
Дальше - рамка CLT и три вида нагрузки, эксперименты с цифрами и ограничениями, два режима когнитивной разгрузки и приёмы дизайна, которые оставляют обработку за человеком. Текст рассчитан на продакт-менеджеров, разработчиков ИИ-инструментов и специалистов, которые внедряют ассистентов в рабочие процессы. Оговорка с ходу: речь о сценариях, где цель - построить навык или принять решение с последствиями. Там, где нужно просто закрыть функциональную потребность, снижение нагрузки работает как задумано.
Практическое решение: Плати по миру
Теория когнитивной нагрузки: внутренняя, внешняя и релевантная, и почему ИИ задевает все три
Теория когнитивной нагрузки (Cognitive Load Theory, CLT) делит умственную нагрузку на три вида (разбор механизма). Внутренняя - сложность самого материала. Внешняя - издержки неудачной подачи: лишние шаги, запутанная навигация, шум. Релевантная - усилие, вложенное в построение знаний: связать новое с известным, найти противоречие, сформулировать вывод. Мешает работе только внешняя. Релевантная, наоборот, нужна: без неё знание не собирается.
| Вид нагрузки | Что это | Что с ней делает ИИ |
|---|---|---|
| Внутренняя | Сложность самого материала | Снижает: синтез уже выполнен моделью |
| Внешняя | Издержки неудачной подачи | Снижает: это штатная работа UX |
| Релевантная | Усилие, вложенное в построение знаний | Снижает следом: связывать уже нечего |
В этой оптике ИИ ведёт себя неожиданно. В экспериментах с LLM участники сообщали о более низкой нагрузке по всем трём шкалам, внешней, внутренней и релевантной, и одновременно падали качество рассуждений и глубина знаний. Ассистент убирает не только шум, но и саму обработку материала.
Почему в UX снижение нагрузки почти всегда правильный ход
В интерфейсах снижение внешней нагрузки - главный рычаг, и для большинства сценариев этого почти достаточно. Причина простая: пользователь пришёл закрыть функциональную потребность, а не построить навык. Ему нужен перевод, а не курс лингвистики. Ему нужен счёт, а не лекция по арифметике. Точнее всего норму описывает формулировка: хороший опыт оптимизирует нагрузку, а не обнуляет её. Граница проходит там, где в сценарии появляется обучение или решение с последствиями. Тут принцип «меньше усилия - лучше» перестаёт работать, потому что усилие и есть результат.
Что именно ИИ делает с материалом: синтез вместо сопоставления
Возьмите один и тот же вопрос: какую видеокарту брать под локальную модель на 30B параметров. Веб-поиск выдаст список источников: обзоры, замеры, форумные ветки. Читатель сам сопоставляет объём VRAM, замечает, что в одном обзоре квантизация Q4, а в другом Q8, ловит противоречие между длиной контекста и реальной скоростью инференса. Работа с внутренней сложностью идёт полным ходом.
LLM отдаст готовый ответ: элементы связаны, противоречия сглажены, вывод сформулирован. Ответ вполне может оказаться точнее самостоятельной сборки. Но связывать уже нечего. Работа с внутренней сложностью выполнена до того, как человек увидел результат, и релевантная обработка падает следом. Проще говоря, хороший интерфейс убирает шум вокруг задачи, а ИИ может убрать саму задачу.
Что показывают исследования: рост результатов сейчас и падение после отключения
Все цифры ниже взяты из разобранных публикаций, дизайн экспериментов сохранён. Сила аргумента зависит не от размера процента, а от того, на ком и что именно измеряли.
Метаанализ 69 экспериментов: успеваемость вверх, усилие вниз
Метаанализ 69 экспериментальных работ 2022-2024 годов фиксирует: ChatGPT улучшает академическую успеваемость, мотивацию и склонность к мышлению высокого порядка, а умственное усилие при этом снижается (метаанализ 69 работ). Оба эффекта существуют одновременно. Если смотреть только на оценки, ассистент выглядит безусловно полезным. Как только рядом появляется шкала усилия, видно: выигрыш получен снятием работы, а не более эффективной её организацией. Ограничение метаанализа в том, что он собирает краткосрочные эффекты в учебном контексте и не отвечает на вопрос, что останется через полгода.
Полевой эксперимент Bastani et al. 2025: +48% и +127%, а после отключения минус 17%
Почти тысяча старшеклассников решала задачи по математике. Доступ к GPT-4 давали в двух версиях: первая повторяла обычный интерфейс ChatGPT, вторая добавляла защитные подсказки. На практических занятиях оценки выросли на 48% и на 127% соответственно (полевой эксперимент Bastani et al.). Разница между версиями показывает: аккуратно выстроенная помощь не тормозит работу. Версия с защитными подсказками дала прирост примерно в два с половиной раза больше, чем копия привычного чата.
Тот же контур дал обратный эффект после отключения. Школьники, у которых помощник был, справлялись на 17% хуже тех, кто учился без ассистента. Выигрыш в моменте и потеря после - две стороны одного механизма: усилие ушло туда, где его заменили, а не туда, где оно превращается в навык.
Почему сводка LLM даёт более поверхностное знание, чем веб-поиск
Серия из семи онлайн- и лабораторных экспериментов на 10 462 участниках: человек, изучавший тему по сводке LLM, а не по ссылкам веб-поиска, получал более поверхностное знание при тех же фактах. Его советы потом оказывались беднее, менее оригинальны и реже принимались (серия экспериментов на 10 462 участниках). Теряется не информация. Теряется обработка: сопоставление источников, поиск противоречий, самостоятельный синтез.
Отдельный эксперимент показывает, как это выглядит в замерах. 91 студент готовил рекомендацию о безопасности солнцезащитных средств с наночастицами, часть работала с ChatGPT-3.5, часть с Google. Группа с LLM сообщила о более низкой нагрузке по всем трём шкалам, внешней, внутренней и релевантной. Итоговые обоснования у неё оказались менее качественными, чем у группы веб-поиска (отчёт об эксперименте).
Ограничения стоит держать в голове. Данные собраны на школьниках и студентах в учебных задачах; перенос на корпоративные процессы требует проверки, а не экстраполяции. Самооценка нагрузки субъективна: человек плохо чувствует, сколько именно обработки он выполнил. И почти все перечисленные работы измеряют короткий горизонт.
Зависимая и автономная разгрузка: почему по ощущениям их не отличить
Разделение разгрузки на два режима - аналитическая рамка, а не итог отдельного исследования: в разобранных источниках эта типология напрямую не измерялась. Как оптика она полезна, и вот почему.
Зависимый режим: человек отдаёт ассистенту саму обработку и без него теряет способность выполнить задачу. Джун принимает подсказки Copilot одну за другой, задачи закрываются быстро, а на код-ревью он не может объяснить, почему решение устроено именно так. Аналитик получает готовую сводку по рынку, переносит её в презентацию и теряется на первом уточняющем вопросе руководителя.
Автономный режим: ассистент снимает рутину, обработка и решение остаются за человеком. Тот же аналитик просит модель собрать первичные данные по десяти компаниям, проверяет выборку, сам формулирует вывод и защищает его без подсказок. Рутина ушла, понимание осталось. Разницу между этими позициями подробнее разбирает материал об ИИ-усилителе и ИИ-замене.
Проблема в том, что по ощущениям режимы не отличаются. В обоих случаях становится легче. В экспериментах с LLM нагрузка падала по всем трём шкалам одновременно с падением качества рассуждений и глубины знаний. Ощущение лёгкости ничего не сообщает о том, что именно вы перестали делать: оно одинаково приятное и когда ассистент убрал шум, и когда он убрал мышление.
Почему «стало легче» плохая метрика
В эксперименте с 91 студентом снижение нагрузки совпало со снижением качества обоснований. Значит, субъективная лёгкость не отделяет полезную разгрузку от вредной: обе выглядят как «стало удобнее». Для продукта это прямое ограничение на самоотчёт как единственную метрику пользы. Замеры удовлетворённости нужно дополнять проверкой результата на отложенном горизонте: что человек может сделать без ассистента и насколько убедительно он аргументирует решение. Механизмы, через которые разгрузка превращается в зависимость, и способы вернуть контроль над использованием LLM разобраны в материале про потерю контроля над LLM.
Приёмы дизайна, которые оставляют обработку за человеком
Снижение внешней нагрузки для продукта с ИИ - необходимое, но недостаточное условие. Дальше три паттерна, которые сохраняют релевантную обработку у пользователя. У каждого есть механика, пример и цена.
Объяснения вместо готовых ответов
Механика: ассистент выдаёт ход рассуждения, источники и альтернативы, итоговый вывод формулирует пользователь. Пример: вместо готовой рекомендации по конфигурации сервера - список аргументов за и против с указанием, откуда взяты цифры по объёму VRAM и скорости инференса.
Ограничения: дольше. Требует мотивации, которой у пользователя может не быть, и плохо подходит для рутинных операций с низкой ценой ошибки. Если человеку нужно перевести абзац, объяснение грамматики будет издевательством.
Проверка до принятия
Механика: перед выполнением действия ассистент просит пользователя подтвердить шаг или аргументировать его. Пример: проверка фактов и ссылок перед публикацией сгенерированного текста, подтверждение изменений в конфиге перед применением.
Ограничение: проверка легко превращается в формальность. Если шаг подтверждается нажатием кнопки «ок» без содержательного действия, релевантной нагрузки не возникает, а трения добавляются. Проверка работает, когда от пользователя требуется конкретное действие: сверить цифру с первоисточником, назвать, почему выбрана эта опция.
Ослабление подсказок по мере роста экспертизы
Механика: интенсивность помощи снижается вместе с уровнем пользователя. Новичку - пошаговые подсказки и разбор ошибок, опытному - только флаги риска. В основе лежит эффект обратной экспертизы: избыточная помощь мешает тому, кто уже умеет, отвлекает и снижает результат. Подробных замеров этого эффекта в разобранных источниках нет, поэтому паттерн стоит воспринимать как обоснованное проектное решение, а не как доказанную цифру.
Ограничение: нужен надёжный сигнал об уровне пользователя. Собирать его сложно: самооценка врёт, а поведенческие прокси вроде числа правок после ответа шумят. Без такого сигнала подсказки будут либо раздражать опытных, либо оставлять новичка без опоры.
Полезная деталь из эксперимента с GPT-4: версия с защитными подсказками дала +127% против +48% у копии обычного интерфейса. Защитные механики не обязаны ухудшать результат в моменте.
Что это значит для внедрения ассистентов в рабочие процессы
Для продукта с ИИ снижение внешней нагрузки остаётся обязательным: без него инструментом просто не пользуются. Достаточным условием оно не становится. Дальше вопрос замера: как увидеть цену разгрузки до того, как она проявится в качестве решений.
Какие метрики покажут цену разгрузки
Три группы замеров, которые стоит держать вместе.
- Результат в моменте: время на задачу, доля закрытых задач, число возвратов на доработку.
- Качество аргументации: доля советов ассистента, принятых без правок, оценка обоснований по независимой рубрике, доля решений, которые пользователь может защитить перед коллегой.
- Отложенный эффект: та же задача без ассистента через 4-8 недель, в сравнении с контрольной группой.
Третья группа обычно отсутствует, и именно она показывает деградацию. В описанных экспериментах нагрузка падала, а качество обоснований падало вместе с ней, поэтому метрики усилия и удовлетворённости не дают ответа сами по себе.
Когда снижать нагрузку можно, а когда нужно её сохранять
Критерий простой и работает в обе стороны: цена ошибки плюс горизонт, на котором оценивают результат.
Функциональная потребность, низкая цена ошибки, короткий горизонт: снижаем внешнюю нагрузку и не усложняем. Перевод, форматирование, поиск опечаток, генерация шаблонного письма.
Построение навыка или решение с последствиями: сохраняем обработку за человеком через объяснения, проверки и убывающие подсказки. Обучение джуна, выбор архитектуры, медицинская или финансовая рекомендация, оценка подрядчика.
Граница плавает. Сотрудник поддержки, который отвечает клиентам шаблонами ассистента, формально закрывает функциональную потребность. Через полгода он всё так же не разбирается в продукте, и это уже цена ошибки. Полезно задать вопрос иначе: если ассистента завтра отключат, что именно перестанет работать.
Логика пилота: A/B с отключением ассистента на части задач, замер результата без помощника, сравнение с группой, у которой доступа не было. Смотреть на решения высокой цены, а не на скорость закрытия тикетов. Полный отказ от ИИ в такой логике не обсуждается: разбор цены отказа показывает, что вопрос в режиме использования, а не в факте наличия инструмента.
Финальная проверка простая. Возьмите задачу из своей области, отключите ассистента и посмотрите, сколько времени уйдёт и насколько уверенно вы объясните результат. Эта оценка честнее любого опроса об удобстве.