← Блог

22 июля 2026 г. · Harvard Business Review

ИИ и мышление: как не разучиться думать вместе с нейросетями

Вадим Барсов · Growth / Marketing / Adtech / LLM / ML · barsov-growth.ru

Источник: Harvard Business Review

Контекст

Бизнес давно ценит сотрудников, которые не просто выполняют инструкции, а задают вопросы, оспаривают предположения и ищут неочевидные решения. Именно критическое мышление считается топливом для гибкости и инноваций. Но по мере того как генеративный ИИ проникает в рабочие процессы, появляется неудобная гипотеза: инструмент, который должен усиливать интеллект команды, при неправильном дизайне может его притуплять.

Об этом пишут авторы Harvard Business Review Мельхиор Тамизье-Файяр, Теодорос Евгениу и Анн-Лор Файяр в материале от 20 июля 2026 года. Их аргумент опирается на работы из менеджмента, когнитивной науки и области взаимодействия человека с компьютером (HCI).

Что произошло

Основной тезис статьи прост и неприятен: пользователи склонны принимать результаты, сгенерированные ИИ, без критической проверки. Психологи называют это по-разному — автоматизационная предвзятость, когнитивная разгрузка, эффект «достаточно хорошего ответа». Механика одна: если система выдаёт связный, уверенный и правдоподобный текст, мозг экономит усилия и перестаёт перепроверять.

В краткосрочной перспективе это выглядит как рост продуктивности. В долгосрочной — как деградация навыка. Люди перестают формулировать альтернативные гипотезы, реже замечают ошибки в логике и всё меньше готовы спорить с машиной. Авторы предлагают развернуть логику: проектировать ИИ-системы так, чтобы они не подменяли мышление, а провоцировали его — задавали встречные вопросы, показывали неопределённость, предлагали конкурирующие версии ответа.

Это сдвиг в философии продукта. Вместо «дай готовый ответ как можно быстрее» — «помоги человеку прийти к лучшему решению самому».

Почему это важно

Для тех, кто строит продукты и работает с данными, здесь несколько практических слоёв.

Продуктовый дизайн. Метрики вовлечённости и скорости отклика толкают команды к тому, чтобы ИИ отвечал быстро и уверенно. Но уверенный тон — это не то же самое, что корректность. Продукт, который всегда звучит убедительно, обучает пользователя доверять слепо. Хороший ассистент иногда должен сказать «я не уверен» или «вот два варианта, они противоречат друг другу».

Продуктовая аналитика. Стандартные KPI — время до ответа, доля принятых предложений, retention — не ловят деградацию качества решений. Если пользователь стал принимать 95% ответов ИИ, это может означать не рост доверия, а потерю критичности. Нужны новые прокси-метрики: как часто человек редактирует ответ, отклоняет его, добавляет свой контекст.

Экономика ИИ. Продуктивность, купленная ценой атрофии навыков, — это скрытый техдолг. Компания получает быстрый эффект, но накапливает риск: команда теряет способность работать без инструмента и проверять его. В масштабе организации это вопрос устойчивости, а не только эффективности.

AI-агенты. Чем автономнее агент, тем меньше точек, где человек вмешивается в цепочку рассуждений. Полностью автоматизированный пайплайн удобен, но именно он максимально уязвим к тому, что ошибка проскочит незамеченной. Дизайн точек контроля становится частью архитектуры, а не опцией.

Как это читать из РФ

В российских командах генеративный ИИ уже прочно вошёл в рутину: подготовка текстов, аналитические сводки, код, черновики отчётов. Локальные модели и доступ к зарубежным через прослойки только ускоряют это. При этом культура «быстро сделать и сдать» усиливает риск, о котором пишет HBR: соблазн взять сгенерированное как есть особенно велик, когда сроки жёсткие, а ресурс людей ограничен.

Несколько практических наблюдений для специалиста в РФ:

  • Верификация — не роскошь, а обязательный этап. В условиях, когда часть моделей обучалась на данных без учёта российского контекста, слепое доверие особенно опасно: юридические формулировки, налоговые нюансы, локальные реалии модель может выдумать уверенно и складно.

  • Навык критики нужно поддерживать целенаправленно. Если джуниоры сразу учатся работать через ИИ, они рискуют не развить базовую экспертизу, на которой строится проверка. Это стратегический риск для найма и роста команд.

  • Данные и приватность. Отправляя запросы во внешние системы, вы формируете зависимость и от инфраструктуры, и от того, как обрабатываются ваши данные. Проектирование внутренних процессов с ИИ — это ещё и вопрос суверенности данных.

  • Инфраструктурный угол. Экономика ИИ в РФ во многом упирается в доступ к вычислениям и моделям. Ставка на «человек + ИИ как усилитель мышления» менее уязвима к внешним ограничениям, чем ставка на полную автоматизацию, где выпадение сервиса рушит весь процесс.

Вывод простой: в наших условиях подход «ИИ усиливает мышление, а не заменяет его» — это ещё и способ снизить операционные и регуляторные риски.

Что взять в работу

Несколько шагов, которые применимы к продукту и к внутренним процессам.

  1. Проектируйте трение осознанно. В критичных сценариях добавляйте шаг подтверждения, вопрос «на чём основан этот вывод?» или показ источников. Небольшое замедление окупается качеством решений.

  2. Показывайте неопределённость. Если модель не уверена — это должно быть видно. Оценка достоверности, диапазоны, альтернативные версии лучше, чем один категоричный ответ.

  3. Меняйте метрики. Добавьте в продуктовую аналитику показатели «здоровья мышления»: доля редактирований, доля отклонённых предложений, разнообразие запросов. Слишком высокое принятие — сигнал к разбору.

  4. Учите команду работать в паре с ИИ. Не запрещать и не отдавать всё на откуп — а формализовать: где ИИ черновик, где человек финальный судья, что обязательно перепроверяется.

  5. Стройте контрольные точки в агентных пайплайнах. Чем автономнее система, тем важнее заранее определить, где человек смотрит и может вмешаться.

Главная мысль материала: ИИ — не заменитель мышления, а его тренажёр или, при плохом дизайне, костыль, который атрофирует мышцу. Разница — целиком в решениях тех, кто проектирует систему и процессы вокруг неё.

Читайте также

Смежные материалы на сайте:

Источник

Harvard Business Review

https://hbr.org/2026/07/design-ai-systems-that-actually-strengthen-human-reasoning

генеративный ииискусственный интеллектai агентыпродуктовая аналитика

На сайте работает Яндекс Метрика: считаю визиты и поведение на страницах. Оставаясь здесь, вы соглашаетесь с этим.