Повсеместное внедрение генеративного искусственного интеллекта породило опьяняющую иллюзию мгновенного роста продуктивности. Хотя цифровые ассистенты резко увеличивают объем выполняемой работы, реальный уровень понимания и навыков проверяется только тогда, когда эти автоматические костыли убирают. Масштабное эмпирическое исследование наглядно показало: делегирование задач нейросетям создает хрупкую видимость успеха, за которой скрывается постепенная деградация самостоятельных способностей.
Эксперимент с участием 27 000 учащихся
Чтобы количественно оценить системный ущерб генеративных инструментов для освоения навыков, Дэвид Стромберг из Стокгольмского университета вместе с Виктором Лэем и У Яньхуэем из Гонконгского университета провели наблюдение за группой из 27 000 учащихся в возрасте от 12 до 18 лет в Китае. Примерно 80% школьников регулярно перекладывали домашние задания на большие языковые модели вроде Doubao и DeepSeek, тогда как оставшиеся 20% полностью отказались от них, сформировав чистую контрольную группу. Этот масштаб отражает глобальный тренд: по данным образовательной платформы Chegg, уровень проникновения ИИ среди студентов в развитых странах достигает 80%, в Великобритании — 94%, а в Германии — 93%.
За шесть месяцев наблюдений статистика выявила резкое расхождение между производительностью с ИИ-помощниками и реальной компетентностью. Как сообщает The Economist, у тех, кто применял генеративные модели, средние оценки за домашнюю работу выросли на 18% по всем предметам. Однако на очных экзаменах без доступа к ИИ результаты этих же учеников оказались на 20% ниже, чем у их сверстников, делавших задания самостоятельно.
Ученики, использовавшие ИИ, повысили средний балл за домашние задания на 18%, но на самостоятельных экзаменах сдали тесты на 20% хуже одноклассников.
Этот провал согласуется с выводами эксперимента Пенсильванского университета 2024 года, где математические навыки тестировали с помощью ChatGPT и специализированных обучающих ИИ-систем: краткосрочные успехи мгновенно улетучивались, как только студенты оставались один на один с экзаменационным листом.
Мнимая квалификация и слепые зоны бизнеса
Разрыв между рутинным выполнением задач при поддержке алгоритмов и результатами автономной работы обнажает скрытую проблему: автоматизация маскирует разрушение фундаментальных навыков. Преподаватели отмечают шаблонность готовых ответов, а делегирование когнитивных усилий становится главным фактором снижения обучаемости. Передача синтеза информации языковой модели дает безупречный результат на выходе, но исключает интеллектуальное сопротивление и усилия, необходимые для усвоения сложных концепций.
Аналитики Брукингского института также подчеркивают эти риски, предупреждая, что замена критического мышления генеративным ИИ подавляет базовые когнитивные функции. Для технических директоров, руководителей разработки и специалистов по обучению персонала эта динамика несет прямые операционные угрозы. Оценка начинающих программистов или аналитиков исключительно по скорости написания кода с ИИ-ассистентами создает ложное впечатление их экспертности. Формирование устойчивой команды требует регулярного аудита базовых навыков без применения автоматизации, прежде чем доверять сотрудникам контроль над ИИ-пайплайнами.
Хотя полный препринт исследования Стокгольмского и Гонконгского университетов еще проходит рецензирование, эмпирический вывод очевиден: тотальная зависимость от сгенерированных решений раздувает показатели видимой продуктивности, разрушая способность самостоятельно решать проблемы. Устойчивость инженерных процессов требует замкнутого цикла проверок с оценкой реальных компетенций специалистов без ИИ.