Быстрее, проще, глупее: скрытая цена ИИ‑помощников

TL;DR

• ИИ‑ассистенты повышают результат, пока ими пользуются, но в полевом эксперименте со старшеклассниками ученики, которые занимались с ChatGPT‑подобным помощником, после его отключения справлялись на 17% хуже тех, у кого доступа не было.

• Теория когнитивной нагрузки (Cognitive Load Theory, CLT) различает три вида нагрузки: внутреннюю (сложность самого материала), внешнюю (от неудачной подачи) и релевантную (усилие, вложенное в построение знаний). Мешает только внешняя.

• В UX снижение внешней нагрузки — главный рычаг, и этого почти достаточно: цель пользователя — закрыть функциональную потребность ^[1], а не построить навык. Но и здесь хороший опыт ^[2] оптимизирует нагрузку, а не обнуляет её.

• ИИ снижает все три нагрузки сразу: в экспериментах с LLM нагрузка падала, а качество рассуждений и глубина знаний — вместе с ней. ИИ убирает не только лишнее, но и саму обработку материала.

• Поэтому для продукта с ИИ снижение внешней нагрузки — необходимое, но не достаточное условие. Нужны механизмы, которые оставляют обработку за человеком: объяснения вместо готовых ответов, проверка до принятия, подсказки, которые уходят по мере роста экспертизы.

• Практический вывод: от ИИ стоит забирать лишнее усилие, а не ту работу, ради которой человек должен оставаться в контуре.

Начнём с того, что ИИ‑ассистенты действительно помогают. Мета‑анализ 69 экспериментальных работ 2022–2024 годов показывает: ChatGPT улучшает академическую успеваемость, мотивацию ^[3] и склонность к мышлению высокого порядка и при этом снижает умственное усилие. Для продуктовой команды это выглядит как идеальный результат: задача решается лучше, а пользователь устаёт меньше.

Но есть неудобный момент. В полевом эксперименте почти с тысячей старшеклассников, решавших задачи по математике ^[4], доступ к GPT-4 поднял оценки на практических занятиях на 48% в версии, повторяющей обычный интерфейс ChatGPT, и на 127% в версии с защитными подсказками. А когда доступ убрали, ученики из первой группы справились на 17% хуже тех, кто вообще не пользовался ИИ. Помощник работал как костыль: пока он был рядом, результат рос, без него оказалось, что научения ^[5] не произошло.

Похожая картина знакома каждому, кто работал с ИИ‑инструментами в команде:

• джун принимает подсказки Copilot одну за другой, задачи закрываются быстро, но на код‑ревью он не может объяснить, почему решение устроено именно так;

• аналитик получает от ИИ готовую сводку по рынку, переносит её в презентацию и теряется на первом уточняющем вопросе руководителя;

• сотрудник поддержки отвечает клиентам шаблонами, которые генерирует ассистент, и через полгода всё так же не разбирается в продукте;

• студент сдаёт аккуратное эссе, написанное с ChatGPT, но не может воспроизвести его аргумент своими словами.

Во всех случаях метрики выполнения выглядят хорошо: задачи закрыты, время сокращено, удовлетворённость высокая. Навыка при этом не прибавилось.

Казалось бы, это противоречит всему, что мы знаем о хорошем интерфейсе: меньше усилия — лучше. Но что, если усилие бывает разным, и ИИ снимает не только то, которое стоит снимать?

Три нагрузки

Чтобы разобраться, какое усилие лишнее, нужна теория когнитивной нагрузки (Cognitive Load Theory, CLT). Она исходит из устройства человеческой памяти ^[6]. Всё новое проходит через рабочую память, а она ограничена и по объёму, и по времени удержания. Затем обработанная информация сохраняется в долговременной памяти ^[7], у которой известных ограничений нет. Когда знание уже лежит в долговременной памяти ^[8] и извлекается оттуда, ограничения рабочей памяти для него перестают действовать.

Из этого следует важная мысль: экспертиза — это прежде всего содержимое долговременной памяти ^[9]. Эксперт отличается от новичка не более ёмкой рабочей памятью, а тем, что он уже много раз встречал похожие задачи и хранит готовые схемы их решения. Новичку приходится собирать решение в ограниченной рабочей памяти шаг за шагом. По оценке Джона Свеллера, накопленное знание — главный, а возможно, единственный изменяемый источник различий между людьми.

На этой архитектуре CLT различает три вида нагрузки:

• внутренняя нагрузка (intrinsic load, ICL) — сложность самого материала: сколько элементов нужно удерживать одновременно и как тесно они связаны между собой;

• внешняя нагрузка (extraneous load, ECL) — усилие, которое создаёт способ подачи: разрозненные подписи, лишние элементы, запутанная навигация;

• релевантная нагрузка (germane load, GCL) — усилие, которое человек вкладывает в построение и закрепление схем, то есть в само научение ^[10].

Внутренняя и внешняя нагрузки складываются, и если их сумма превышает возможности рабочей памяти, наступает перегрузка. Отсюда классическое правило проектирования: внешнюю нагрузку нужно устранять, а внутренней — управлять, но не уменьшать её. Сложность материала и есть то, чему человек учится; если её убрать, учиться будет нечему. Освобождённые от внешней нагрузки ресурсы должны уйти на работу с внутренней — это и называют релевантной обработкой.

Одна оговорка нужна сразу. Статус релевантной нагрузки в теории спорный. Одни авторы считают её отдельным видом нагрузки, который стоит повышать; другие — не нагрузкой, а долей ресурсов рабочей памяти, направленной на работу с внутренней сложностью. Метаанализ субъективных опросников в целом поддерживает трёхфакторную модель, но корреляции между видами нагрузки частично расходятся с теорией, и сами разработчики шкал признают, что релевантная нагрузка остаётся спорной и в измерении, и в теоретическом положении. Есть и более осторожные трактовки: релевантная обработка — это работа с внутренней сложностью материала. Без внутренней сложности ей не на что опереться.

Логика UX

Теперь посмотрим, как эта схема выглядит в UX. Систематический обзор 19 исследований на стыке когнитивной нагрузки и пользовательского опыта приходит к понятному выводу: высокая нагрузка связана с более медленной и менее точной работой, раздражением и нежеланием возвращаться в продукт. Ключ к хорошему интерфейсу — снижение внешней нагрузки. Отсюда знакомые приёмы: упрощение интерфейса, автозаполнение полей, понятная обратная связь, прогресс‑бары, постепенное раскрытие сложных сценариев.

Почему для UX этого почти достаточно? Потому что у пользователя другая цель. Он пришёл закрыть функциональную потребность, а не построить схему в долговременной памяти:

• менеджер оформляет заказ в CRM — ему нужно, чтобы заказ ушёл, а не чтобы он понял устройство справочника номенклатуры;

• покупатель платит в мобильном банке — ему нужен перевод за три касания, а не знание платёжных протоколов;

• бухгалтер выгружает отчётность в 1С — ему нужна корректная выгрузка, а не модель формирования XML;

• дизайнер экспортирует макет из Figma — ему нужны файлы в нужных форматах, а не понимание рендеринга.

Во всех случаях автоматизация, которая забирает работу целиком, — благо. Навык, который при этом не формируется, пользователю и не нужен.

Здесь, впрочем, тоже нужна оговорка. Даже в UX цель — оптимизировать нагрузку, а не обнулять её. Тот же обзор отмечает, что крайне низкая нагрузка ведёт к скуке, крайне высокая — к утомлению, а в сложных задачах уместна умеренная нагрузка; релевантная нагрузка в исследованиях связана с юзабилити положительно, а внутренняя и внешняя — отрицательно. Иными словами, хороший опыт и в UX не делает всё за пользователя, но для типового продукта главный и почти единственный рычаг — внешняя нагрузка.

Есть и методическая деталь, которая скрывает проблему. В 11 из 19 исследований обзора нагрузку измеряли как общую, без разделения на виды, а самым частым инструментом был NASA‑TLX, который оценивает рабочую нагрузку в целом. Если мерить только общую нагрузку, снижение внешней и снижение релевантной выглядят одинаково — как успех.

Где ИИ ломает схему

Если перенести логику ^[11] UX на ИИ‑ассистента без изменений, получится инструмент, который снимает всю нагрузку подряд. И эксперименты показывают, что так и происходит.

В рандомизированном эксперименте 91 студент готовил рекомендацию о безопасности солнцезащитных средств с наночастицами: одни пользовались ChatGPT-3.5, другие — Google. Студенты с LLM сообщили о более низкой нагрузке по всем трём шкалам — внешней, внутренней и релевантной. А их итоговые обоснования оказались менее качественными, чем у тех, кто искал информацию в поисковике. Серия из семи онлайн‑ и лабораторных экспериментов на 10 462 участниках показывает то же самое шире: тот, кто изучает тему по сводке LLM, а не по ссылкам веб‑поиска, получает более поверхностное знание даже при тех же фактах, а советы, которые он потом даёт, беднее, менее оригинальны и реже принимаются.

Почему падает именно внутренняя нагрузка? По определению она зависит от сложности материала, а задача в обеих группах была одна. Объяснение в том, что ИИ меняет не подачу, а сам материал, с которым работает человек. Поисковик отдаёт источники, и связывать их, сопоставлять и синтезировать приходится самому. LLM отдаёт уже синтезированный ответ: элементы связаны, противоречия сглажены, вывод сформулирован. Работа с внутренней сложностью выполнена до того, как человек увидел результат. А раз нечего связывать, нечему и учиться — релевантная обработка падает следом.

Проще говоря, хороший интерфейс убирает шум вокруг задачи, а ИИ может убрать саму задачу. На языке CLT разница выглядит так: UX снижает внешнюю нагрузку, ИИ — внешнюю, внутреннюю и релевантную одновременно.

Сохранить собственную обработку

Значит ли это, что ИИ вреден для научения? Отнюдь. Важно и то, как человек пользуется ИИ. Трёхволновое исследование 589 студентов и молодых специалистов различает два режима когнитивной разгрузки (cognitive offloading). При зависимой разгрузке человек передаёт ИИ само мышление; при автономной — использует ИИ как опору, сохраняя за собой решения. Режимы почти не связаны между собой: один и тот же человек может пользоваться ИИ много и при этом по‑разному. Зависимая разгрузка связана с передачей когнитивных решений ИИ и снижением внутренней мотивации ^[12], автономная — с сохранённой мотивацией ^[13] и более благоприятными оценками собственного мышления.

Похожая связь есть и у работников умственного труда: в опросе 319 человек более высокое доверие к генеративному ИИ сопровождалось меньшим критическим мышлением, а более высокая уверенность в себе ^[14] — большим.

Здесь нужна ещё одна оговорка: обе работы корреляционные, а исходы в первой — самооценка участников. Они не доказывают, что режим использования вызывает изменения. Но они согласуются с экспериментальными данными о роли дизайна, и в них есть неприятная деталь: оба режима дают одинаковую немедленную пользу. Пользователь по своим ощущениям не отличит полезную разгрузку от вредной. Значит, рассчитывать на то, что он сам выберет правильный режим, нельзя, и метрики удовлетворённости здесь ничего не покажут.

Отсюда практическое следствие: механизмы, которые сохраняют собственную обработку, должны быть встроены в продукт. Исследователи предлагают объяснения рядом с подсказками, просьбу оценить ответ ИИ до его принятия, точки трения перед принятием результата и поддержку, которая меняется в зависимости от сложности задачи. На уровне продукта это может выглядеть так:

• ассистент в IDE сначала просит джуна предположить, где ошибка ^[15], и только потом показывает исправление с объяснением;

• исследовательский ассистент отдаёт аналитику не сводку, а источники с расхождениями между ними и просит сформулировать вывод самостоятельно;

• помощник оператора поддержки предлагает не готовый ответ клиенту, а ссылку на раздел базы знаний и проверяет ответ оператора;

• образовательный бот ведёт студента вопросами к решению, вместо того чтобы решать задачу за него.

Во всех случаях ИИ продолжает снимать внешнюю нагрузку — искать, форматировать, подсказывать структуру, — но связывание элементов и вывод остаются за человеком.

И последнее. Такая поддержка не должна быть постоянной. В CLT описан эффект обратной экспертизы (expertise reversal): приёмы, которые помогают новичку, по мере роста опыта теряют эффективность и могут даже вредить. Помощь, нужная джуну, будет мешать сеньору. Поэтому механизмы, сохраняющие обработку, должны ослабевать по мере того, как у человека появляются собственные схемы: сначала опора, потом проверка, потом самостоятельная работа.

Заключение

Схема, которую мы собрали, читается так. Рабочая память ограничена, а экспертиза складывается в долговременной памяти через работу с внутренней сложностью материала. Внешняя нагрузка этой работе мешает, поэтому её снижают и в UX, и в обучении. Обычный продукт может на этом остановиться: пользователю нужен результат, а не навык. ИИ‑ассистент же снимает не только внешнюю нагрузку, но и саму обработку материала — внутренняя и релевантная нагрузки падают вместе с ней, а с ними и глубина знания.

Отсюда три вывода. Первый: для продукта с ИИ снижение внешней нагрузки остаётся необходимым, но перестаёт быть достаточным. Второй: если человек должен оставаться в контуре — проверять, решать, отвечать за результат, — продукт должен сохранять за ним обработку материала, и делать это через дизайн, а не через надежду на сознательность пользователя. Третий: метрики, которые меряют только общую нагрузку и удовлетворённость, не отличат полезную разгрузку от вредной; нужно смотреть на то, что человек умеет без инструмента.

Практический минимум из всего сказанного выглядит так: отдавать ИИ поиск, форматирование и рутину; оставлять человеку связывание, вывод и оценку; встраивать в продукт объяснения и проверку перед принятием ответа; ослаблять поддержку по мере роста экспертизы; и время от времени проверять результат без ИИ.

Статья написана при участии Claude Code (Anthropic). Автор отобрал исследования, изучил их, сформулировал главную мысль статьи, а также написал черновик материала. Claude Code проверил ошибки, отредактировал текст, а также подготовил инфографику.

Что почитать

Теория когнитивной нагрузки

• Sweller J., van Merriënboer J. J. G., Paas F. Cognitive Architecture and Instructional Design: 20 Years Later ^[16] // Educational Psychology Review. 2019. Vol. 31, No. 2. P. 261–292 — обзор двадцати лет TCL: рабочая и долговременная память, виды нагрузки, основные эффекты.

• Sweller J. Cognitive load theory and individual differences ^[17] // Learning and Individual Differences. 2024. Vol. 110. Article 102 423 — экспертиза как содержимое долговременной памяти и интерактивность элементов как источник внутренней нагрузки.

• Kalyuga S., Ayres P., Chandler P., Sweller J. The Expertise Reversal Effect ^[18] // Educational Psychologist. 2003. Vol. 38, No. 1. P. 23–31 — почему приёмы, помогающие новичкам, теряют эффективность и вредят опытным.

Измерение нагрузки и спор о релевантной нагрузке

• Krieglstein F., Beege M., Rey G. D., et al. Development and Validation of a Theory‑Based Questionnaire to Measure Different Types of Cognitive Load ^[19] // Educational Psychology Review. 2023. Vol. 35, No. 1 — правило «устранять внешнюю, управлять внутренней» и признание спорного статуса релевантной нагрузки.

• Krieglstein F., Beege M., Rey G. D., et al. A Systematic Meta‑analysis of the Reliability and Validity of Subjective Cognitive Load Questionnaires in Experimental Multimedia Learning Research ^[20] // Educational Psychology Review. 2022. Vol. 34, No. 4. P. 2485–2541 — метаанализ опросников: поддержка трёхфакторной модели с расхождениями в корреляциях.

Когнитивная нагрузка и UX

• Jafar A., Shabnam S., Khan A. The interplay of cognitive load and user experience: a systematic literature review across domains ^[21] // Theoretical Issues in Ergonomics Science. 2026. Vol. 27, No. 6. P. 540–560 — обзор 19 исследований: оптимизация, а не обнуление нагрузки, роль релевантной нагрузки в UX и методы измерения.

ИИ и научение

• Deng R., Jiang M., Yu X., et al. Does ChatGPT enhance student learning? A systematic review and meta‑analysis of experimental studies ^[22] // Computers & Education. 2025. Vol. 227. Article 105 224 — метаанализ 69 экспериментов: рост успеваемости и снижение усилия, с оговорками о качестве посттестов.

• Bastani H., Bastani O., Sungu A., et al. Generative AI without guardrails can harm learning: Evidence from high school mathematics ^[23] // Proceedings of the National Academy of Sciences. 2025. Vol. 122, No. 26. Article e2422633122 — полевой эксперимент: +48% и +127% с доступом, −17% после отключения, роль защитных подсказок.

• Stadler M., Bannert M., Sailer M. Cognitive ease at a cost: LLMs reduce mental effort but compromise depth in student scientific inquiry ^[24] // Computers in Human Behavior. 2024. Vol. 160. Article 108 386 — эксперимент на 91 студенте: LLM снижает все три вида нагрузки и качество обоснований.

• Melumad S., Yun J. H. Experimental evidence of the effects of large language models versus web search on depth of learning ^[25] // PNAS Nexus. 2025. Vol. 4, No. 10. Article pgaf316 — семь экспериментов, 10 462 участника: сводки LLM дают более поверхностное знание, чем веб‑поиск.

Режимы использования ИИ

• Zhu Q., Li X., Dong Y., et al. Not all cognitive offloading is equal: distinguishing dependent and autonomous offloading to generative AI ^[26] // Frontiers in Psychology. 2026. Vol. 17. Article 1 878 629 — зависимая и автономная разгрузка, их разные корреляты и рекомендации для дизайна ИИ‑инструментов.

• Lee H.‑P., Sarkar A., Tankelevitch L., 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 ^[27] // Proceedings of CHI 2025. P. 1–22 — опрос 319 работников умственного труда: доверие к ИИ и уверенность в себе как предикторы критического мышления.