Быстрее, проще, глупее: скрытая цена ИИ-помощников

• 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, а не построить навык. Но и здесь хороший опыт 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 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, 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 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. Всё новое проходит через рабочую память, а она ограничена и по объёму, и по времени удержания. Затем обработанная информация сохраняется в долговременной памяти, у которой известных ограничений нет. Когда знание уже лежит в долговременной памяти и извлекается оттуда, ограничения рабочей памяти для него перестают действовать.

Из этого следует важная мысль: экспертиза — это прежде всего содержимое долговременной памяти. 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.

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 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, автономная — с сохранённой мотивацией 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 — 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, 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 // 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 // Learning and Individual Differences. 2024. Vol. 110. Article 102423 — экспертиза как содержимое долговременной памяти и интерактивность элементов как источник внутренней нагрузки.

• Kalyuga S., Ayres P., Chandler P., Sweller J. The Expertise Reversal Effect // 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 // 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 // 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 // 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 // Computers & Education. 2025. Vol. 227. Article 105224 — 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 // 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 // Computers in Human Behavior. 2024. Vol. 160. Article 108386 — 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 // 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 // Frontiers in Psychology. 2026. Vol. 17. Article 1878629 — 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 // Proceedings of CHI 2025. P. 1–22 — опрос 319 работников умственного труда: доверие к ИИ и уверенность в себе как предикторы критического мышления.