За последние два года публикаций о генеративном искусственном интеллекте стало настолько много, что ориентироваться в них становится все сложнее. Одни обещают нам исчезновение большинства профессий, другие, напротив, утверждают, что ничего принципиально не изменится. Между этими двумя крайностями находится огромное количество исследований, пытающихся измерить влияние больших языковых моделей на производительность труда, качество принимаемых решений и скорость выполнения различных задач.
Большинство подобных работ отвечает на достаточно простой вопрос: становится ли человек эффективнее, если использует генеративный ИИ?
Однако этот вопрос имеет важное фундаментальное ограничение.
Представим себе двух бизнес-аналитиков, которые используют ChatGPT и в итоге подготовили документ одинакового качества. Если оценивать только конечный результат, можно сделать вывод, что оба специалиста работали одинаково эффективно. Но действительно ли это так?
Первый бизнес-аналитик мог самостоятельно провести анализ предметной области, сформировать гипотезы, проверить их с помощью ИИ, несколько раз оспорить ответы модели, уточнить аргументацию и лишь затем использовать LLM для оформления итогового документа.
Второй же мог просто загрузить исходные материалы в ChatGPT, попросить написать готовый отчет и ограничиться исправлением нескольких стилистических ошибок.
На выходе мы получаем два практически одинаковых документа, но процесс их появления был совершенно разным. Именно этот вопрос долгое время практически не изучался.
От измерения результата к изучению процесса
Исследование «Cyborgs, Centaurs and Self-Automators: The Three Modes of Human-GenAI Knowledge Work and Their Implications for Skilling and the Future of Expertise», подготовленное исследователями Harvard Business School, MIT Sloan, Wharton и Warwick Business School, предлагает нам посмотреть на проблему под совершенно новым углом.
Его авторы сознательно отходят от привычного подхода, при котором сравниваются только производительность, качество решений или экономия времени. Вместо этого они задаются гораздо более глубоким вопросом:
Что именно происходит между человеком и генеративным ИИ в процессе решения сложной интеллектуальной задачи?
На первый взгляд разница кажется незначительной. Но именно она делает это исследование особенно интересным.
Если предыдущие работы отвечали на вопрос:
«Что получилось?»
то авторов интересует совершенно другое:
«Как именно человек взаимодействовал с ИИ на протяжении всей работы?»
Это смещение фокуса оказывается, на мой взгляд, неожиданно плодотворным.
Почему прежних исследований оказалось недостаточно
Авторы начинают работу с наблюдения, которое сегодня кажется очевидным, но редко становится предметом серьезного анализа.
До появления больших языковых моделей большинство исследований искусственного интеллекта рассматривало взаимодействие человека с предиктивными системами. Такие системы работают по достаточно простой схеме:
Человек формулирует задачу.
Алгоритм рассчитывает вероятность или предлагает рекомендацию.
После этого специалист принимает решение: согласиться с рекомендацией или отвергнуть ее.
Именно так работают многие системы в медицине, финансах, подборе персонала, страховании, криминалистике и других областях.
Во всех подобных случаях взаимодействие человека с ИИ происходит в одной конкретной точке процесса: в момент получения рекомендации. Исследователи подробно изучали, почему люди доверяют алгоритмам или не доверяют им, почему принимают рекомендации или отвергают их, каким образом непрозрачность моделей влияет на принятие решений и как специалисты пытаются сохранить профессиональную автономию.
Но генеративный ИИ принципиально отличается. Большая языковая модель не ограничивается выдачей одного ответа, она способна сопровождать человека практически на каждом этапе интеллектуальной работы.
Можно вместе с ней сформулировать проблему, разобрать исходные материалы, провести анализ, построить несколько альтернативных гипотез, проверить их, оспорить выводы модели, изменить направление анализа, написать итоговый документ, а затем снова вернуться к анализу и полностью пересмотреть первоначальное решение.
Таким образом, взаимодействие превращается не в одноразовый акт, а в непрерывный диалог, который продолжается на протяжении всей работы над задачей. Именно это, по мнению авторов, качественно отличает генеративный ИИ от всех предыдущих поколений интеллектуальных систем.
Новая проблема, которую раньше почти не замечали
Из этого наблюдения возникает еще более интересный вопрос. Если раньше человек в основном принимал или отклонял рекомендации алгоритма, то теперь генеративный ИИ способен участвовать практически во всем процессе мышления.
Но тогда возникает новая неопределенность:
Какая часть интеллектуальной работы остается за человеком?
Именно здесь авторы формулируют центральную проблему исследования. Генеративный ИИ может усиливать человеческое мышление, помогая специалисту глубже анализировать задачу, быстрее находить идеи и эффективнее проверять гипотезы.
Но существует и противоположный сценарий.
Постепенно человек начинает передавать модели все больше и больше элементов собственной интеллектуальной деятельности. Сначала оформление текста, затем поиск аргументов, затем анализ данных, затем постановку задачи. В какой-то момент возникает риск, что специалист перестает развивать собственную экспертизу и лишь контролирует работу машины, а иногда даже перестает делать и это. Авторы называют это фундаментальным противоречием между усилением человека (augmentation) и автоматизацией (automation).
Именно это противоречие и стало отправной точкой этого исследования.
От производительности к будущему профессиональной экспертизы
Примечательно, что авторов интересует вовсе не только производительность, гораздо сильнее их занимает другой вопрос:
Что происходит с профессиональными знаниями человека, когда он регулярно работает вместе с генеративным ИИ?
Становится ли специалист более компетентным? Или, наоборот, постепенно утрачивает навыки, передавая машине все большую часть интеллектуальной работы? Иными словами, исследование посвящено не столько искусственному интеллекту, сколько будущему именно человеческой экспертизы.
Его авторы прямо формулируют свою цель:
Понять, каким образом различные способы взаимодействия с генеративным ИИ влияют на развитие профессиональных навыков и каким может стать интеллектуальный труд в ближайшие годы.
Почему это исследование заслуживает внимания
Сегодня практически каждая новая статья об ИИ сопровождается целым букетом громких заявлений, но именно эта работа выделяется сразу по нескольким причинам:
Во-первых, исследователи анализируют не абстрактные рассуждения участников об использовании ИИ, а их фактическое поведение в ходе решения комплексной профессиональной задачи.
Во-вторых, в исследовании участвовали не студенты, а практикующие консультанты Boston Consulting Group. При этом сама задача была экспериментальной и строилась вокруг вымышленной компании, однако воспроизводила характерную для стратегического консалтинга ситуацию: анализ противоречивых качественных и количественных данных, выбор направления инвестиций и подготовку рекомендации для руководителя.
В-третьих, авторы получили чрезвычайно редкий тип данных.
Обычно исследователь знает только конечный результат работы человека с ИИ. Здесь же была записана практически вся история взаимодействия консультантов с языковой моделью: каждая подсказка, каждый запрос, каждое уточнение, каждое изменение направления анализа. Всего исследователи проанализировали 244 полноценных рабочих сессии, содержащих 4975 взаимодействий между человеком и GPT-4, а затем дополнили их 237 подробными интервью, в которых участники объясняли логику своих действий.
Именно эта комбинация позволила авторам увидеть то, что практически невозможно обнаружить, если смотреть только на итоговые документы.
Оказалось, что люди используют генеративный ИИ вовсе не одинаково.
За внешне похожими результатами скрываются принципиально разные способы организации интеллектуальной работы, по-разному распределяющие ответственность между человеком и искусственным интеллектом. Именно поиск и описание этих моделей взаимодействия стали главным результатом исследования и основой для всех дальнейших выводов о будущем профессиональной экспертизы.
От результатов к процессу: как исследователи «разобрали» интеллектуальную работу
Одна из наиболее интересных особенностей этого исследования заключается в том, что его авторы практически отказались от привычного способа анализа взаимодействия человека с искусственным интеллектом.
Во многих работах исследователи оценивают лишь конечный результат. Участнику предлагается выполнить задание, после чего измеряются скорость работы, качество решения, количество ошибок или субъективная удовлетворенность процессом. Такой подход позволяет ответить на вопрос, насколько полезным оказался искусственный интеллект, однако почти ничего не говорит о том, каким образом человек пришел к этому результату.
Авторы этого исследования сознательно выбрали иной путь.
Вместо оценки только итогового качества они попытались восстановить сам процесс мышления участников. Для этого была разработана методика, позволившая буквально проследить историю решения каждой задачи: от первого запроса к языковой модели до получения окончательного результата. Исследователи анализировали не отдельные обращения к GPT-4, а всю последовательность взаимодействий, рассматривая ее как единый рабочий процесс.
Подобный подход можно сравнить с анализом шахматной партии.
Если показать гроссмейстеру только финальную позицию, он сможет оценить силу игры лишь приблизительно. Совсем другое дело, если сохранить всю запись партии. Тогда становится видно, какие идеи возникали у игроков, где они меняли стратегию, какие варианты рассматривали и какие ошибки допускали.
Именно такую «запись партии» исследователи получили для работы с генеративным ИИ.
Каждый диалог с моделью стал не просто набором запросов, а источником информации о том, как человек распределял интеллектуальную нагрузку между собой и системой.
Почему именно консультанты BCG
Выбор участников исследования также оказался далеко не случайным.
Эксперимент проводился среди консультантов Boston Consulting Group, одной из крупнейших международных консалтинговых компаний. Для таких специалистов интеллектуальная деятельность является не вспомогательной частью работы, а ее основным содержанием.
В отличие от многих профессий, где генеративный ИИ используется преимущественно для создания текстов или автоматизации отдельных операций, консультанты ежедневно сталкиваются с задачами, не имеющими заранее известного ответа.
Им необходимо анализировать сложные бизнес-ситуации, выявлять закономерности, формулировать гипотезы, критически оценивать доступную информацию, строить аргументацию и предлагать рекомендации руководству компаний. Подобная работа плохо поддается жесткой формализации и требует постоянного принятия решений в условиях неопределенности.
Именно поэтому исследователи называют такую деятельность knowledge work, то есть интеллектуальным трудом, основанным на создании, обработке и применении знаний.
Выбор именно этой профессиональной среды позволил изучить влияние генеративного ИИ не на отдельные технические операции, а на сам процесс экспертного мышления.
Это важное отличие исследования от множества более ранних работ, посвященных, например, написанию электронных писем, генерации программного кода или подготовке маркетинговых текстов. В подобных задачах качество результата зачастую можно оценить относительно объективно. В консультировании же ценность решения определяется не только правильностью выводов, но и логикой рассуждений, полнотой анализа и способностью учитывать множество взаимосвязанных факторов.
Как выглядел эксперимент
Каждому участнику предлагалось выполнить комплексную консультационную задачу с использованием GPT-4.
При этом исследователи не ограничивали специалистов каким-либо заранее установленным сценарием взаимодействия с моделью. Участники могли обращаться к ИИ столько раз, сколько считали необходимым, самостоятельно определяя последовательность работы, глубину анализа и характер запросов.
Такое решение оказалось принципиально важным.
Если бы экспериментаторы заранее установили определенный порядок действий, они фактически навязали бы собственную модель взаимодействия с искусственным интеллектом. Вместо этого исследование было построено таким образом, чтобы сами участники естественным образом выбирали наиболее комфортный для себя стиль работы.
Именно благодаря этому впоследствии удалось обнаружить, что различные специалисты организуют сотрудничество с генеративным ИИ совершенно по-разному.
Одни предпочитали подробно планировать собственную работу еще до первого обращения к модели, другие практически сразу вовлекали GPT-4 в совместное обсуждение задачи, а третьи стремились как можно быстрее передать модели значительную часть работы, сосредотачиваясь преимущественно на контроле результата.
Семь подзадач интеллектуальной работы
Чтобы сделать этот анализ возможным, исследователям пришлось решить очень непростую задачу.
Интеллектуальная деятельность редко имеет четкие границы. В отличие от производственного процесса, где можно относительно легко выделить отдельные операции, процесс мышления представляет собой непрерывную последовательность взаимосвязанных действий.
Поэтому первым шагом стало создание модели, позволяющей декомпозировать консультационную работу на набор относительно самостоятельных подзадач. Такая декомпозиция была необходима для того, чтобы впоследствии проследить, каким образом каждая из этих подзадач распределяется между человеком и генеративным ИИ.
В результате авторы выделили семь подзадач (subtasks), которые, по их мнению, позволили структурировать наблюдаемый в эксперименте процесс решения консультационной задачи.
К ним относятся:
- постановка задачи (framing)
- анализ данных, включающий как качественный, так и количественный анализ (analyzing data)
- формирование рекомендаций (recommending)
- итеративная доработка решения (iterating)
- расширение пространства решений (extending)
- оценка полученного результата (evaluating)
- подготовка итогового представления результата (reporting)
Важно понимать, что речь не идет о жесткой линейной последовательности. На практике специалист может многократно возвращаться к предыдущим подзадачам, уточнять постановку проблемы, повторно анализировать данные, пересматривать рекомендации или заново оценивать уже полученные результаты.
Именно поэтому исследователи рассматривают эти семь подзадач не как последовательные шаги, а как отдельные компоненты интеллектуальной деятельности, каждый из которых потенциально может выполняться человеком, генеративным ИИ или ими совместно.
Именно эта идея впоследствии станет основой всей дальнейшей модели исследования.
Вместо вопроса «использовал ли человек ИИ?» авторы начинают задавать гораздо более точный вопрос:
Кто именно выполнял каждую из этих семи подзадач?
На первый взгляд разница кажется исключительно методологической. Однако именно она позволила исследователям обнаружить закономерность, которая до этого практически не попадала в поле зрения.
Концептуальная основа исследования
После завершения эмпирического этапа исследования его авторы переходят к построению собственной концептуальной модели взаимодействия человека и генеративного искусственного интеллекта. Именно эта часть работы представляет наибольший научный интерес, поскольку переводит исследование из категории описательных в категорию объяснительных. Вместо того чтобы ограничиться фиксацией обнаруженных различий в поведении участников, исследователи предлагают нам теоретическую конструкцию, позволяющую объяснить происхождение этих различий и классифицировать наблюдаемые модели взаимодействия.
Анализ почти пяти тысяч взаимодействий консультантов с GPT-4 показал, что традиционные характеристики, обычно используемые в подобных исследованиях, обладают весьма ограниченной объясняющей способностью. Частота обращений к языковой модели, продолжительность работы, уровень доверия к рекомендациям ИИ или качество формулировки запросов действительно различались между участниками, однако ни один из этих факторов не позволял удовлетворительно объяснить устойчивые различия в организации их интеллектуальной деятельности.
Вместо этого авторы предлагают рассматривать взаимодействие человека и генеративного ИИ через призму двух независимых измерений, каждое из которых отражает распределение интеллектуального контроля между участниками совместной работы.
Первое измерение связано с определением содержания деятельности и отвечает на вопрос:
Кто принимает решение о том, что именно необходимо сделать?
Речь идет не о выборе конкретных инструментов или последовательности операций, а о постановке самой задачи. Именно на этом уровне определяется, какие проблемы требуют анализа, какие направления исследования являются приоритетными, какие гипотезы заслуживают проверки и какие критерии будут использоваться для оценки результата.
Второе измерение относится уже к организации процесса решения поставленной задачи и отвечает на вопрос:
Кто определяет, каким способом эта задача будет решаться?
Здесь речь идет о выборе аналитических методов, стратегий рассуждения, последовательности обработки информации и конкретных приемов интеллектуальной работы.
Принципиально важным является то обстоятельство, что эти два измерения независимы друг от друга. Передача искусственному интеллекту права определять способы решения задачи вовсе не означает автоматической передачи ему права формулировать саму задачу. Аналогичным образом специалист может самостоятельно определить направление исследования, но предоставить языковой модели значительную свободу в выборе методов анализа. Именно независимость этих двух аспектов управления интеллектуальной деятельностью позволяет описывать взаимодействие человека и генеративного ИИ значительно точнее, чем традиционные категории «использует ИИ» или «не использует ИИ».
Объединив оба измерения в единую аналитическую модель, авторы получают концептуальную матрицу, которую называют Human-AI Knowledge Co-Creation Framework. Теоретически такая модель допускает несколько вариантов распределения интеллектуального контроля между человеком и системой. Однако сопоставление концептуальной схемы с эмпирическими данными привело исследователей к неожиданному результату.
Несмотря на разнообразие задач и индивидуальных особенностей участников, практически все наблюдаемые стратегии взаимодействия естественным образом сгруппировались вокруг трех устойчивых моделей. При этом одна из теоретически возможных комбинаций распределения ролей в экспериментальных данных практически не встретилась. Этот результат позволяет предположить, что далеко не все логически возможные формы сотрудничества человека и генеративного ИИ оказываются одинаково жизнеспособными в реальной профессиональной деятельности.
Именно эти три устойчивые модели авторы обозначили терминами Cyborg, Centaur и Self-Automator. Важно подчеркнуть, что в исследовании данные понятия используются не как характеристики личности или профессионального стиля конкретного специалиста. Они описывают способы организации интеллектуальной деятельности, возникающие в процессе совместного создания знаний человеком и генеративным искусственным интеллектом. Авторы последовательно различают понятия co-creation mode и interaction type, подчеркивая, что первое описывает процесс совместной работы человека и ИИ, а второе — соответствующий ему поведенческий паттерн специалиста.
Три модели взаимодействия человека и генеративного ИИ
Несмотря на образность терминов, они описывают вполне конкретные способы распределения интеллектуальной работы между человеком и языковой моделью.
Здесь очень важно подчеркнуть, что авторы не рассматривают эти модели как иерархию или последовательные стадии развития. Исследование не утверждает, что одна из них является «правильной», а две другие представляют собой менее совершенные варианты взаимодействия. Напротив, каждая модель отражает определенную логику организации интеллектуальной деятельности и обладает собственными сильными и слабыми сторонами. Именно поэтому дальнейший анализ посвящен не сравнению людей, а сравнению архитектур совместной работы.
Киборг: непрерывное совместное мышление
Модель Cyborg характеризуется наиболее тесной интеграцией человека и генеративного ИИ в единый процесс решения задачи. В этом режиме взаимодействие не делится на четкие этапы, в рамках которых сначала работает человек, а затем подключается модель, или наоборот. Практически каждый значимый шаг сопровождается обращением к языковой модели, а результаты каждого такого обращения становятся основанием для следующего витка анализа.
Исследователи отмечают, что подобная работа напоминает постоянный диалог между двумя участниками, совместно исследующими проблему. Специалист не передает модели полностью сформулированную задачу и не ожидает получить готовое решение. Вместо этого постановка проблемы, уточнение гипотез, анализ промежуточных результатов и поиск новых направлений происходят итеративно. Человек и система непрерывно влияют друг на друга, а интеллектуальный процесс развивается как серия последовательных уточнений.
Именно поэтому авторы используют термин co-creation, то есть совместное создание знания. В модели Киборга языковая модель перестает быть исключительно инструментом выполнения отдельных операций и становится постоянным участником процесса рассуждения. При этом человек сохраняет активное участие в работе, задает направление исследования, оценивает промежуточные результаты и при необходимости оспаривает выводы системы.
Такой способ взаимодействия обеспечивает высокую гибкость. Специалист способен быстро корректировать направление исследования, проверять возникающие гипотезы и использовать модель в качестве интеллектуального партнера для критического обсуждения собственных идей. В то же время значительная часть способов выполнения конкретных интеллектуальных операций определяется уже в процессе взаимодействия с генеративным ИИ.
Кентавр: человек определяет направление, ИИ помогает двигаться
Если модель Киборга основана на непрерывном совместном взаимодействии человека и генеративного ИИ, то Centaur представляет собой принципиально иной способ организации интеллектуальной деятельности. В исследовании этот режим обозначен как Directed Co-Creation, что достаточно точно отражает его сущность: совместная работа сохраняется, однако направление и логика решения полностью определяются человеком.
Метафора кентавра используется авторами не для описания степени «слияния» человека и технологии, а для обозначения сочетания различных сильных сторон. При этом инициатива остается за специалистом. Именно он определяет, какую проблему необходимо решить, какие методы следует использовать, в какой последовательности выполнять работу и каким критериям должно соответствовать итоговое решение.
В отличие от модели Киборга, взаимодействие здесь не носит характера непрерывного диалога. Генеративный ИИ подключается лишь в тех случаях, когда действительно способен расширить возможности специалиста, не принимая при этом на себя управление интеллектуальным процессом.
Анализ рабочих журналов консультантов показывает, что в режиме Centaur языковая модель чаще всего использовалась для решения локальных вспомогательных задач. Она помогала быстрее сориентироваться в незнакомой предметной области, подсказывала возможные аналитические методы, уточняла отдельные понятия или помогала оформить уже сформулированные человеком выводы. Однако ключевые элементы экспертной работы, включая постановку задачи, выбор подхода к анализу, оценку альтернатив и принятие решений, оставались за специалистом.
Характерным примером, приведенным авторами исследования, является ситуация, в которой консультант обращался к GPT-4, чтобы быстро вспомнить формулу расчета CAGR. Получив необходимую информацию, он самостоятельно выполнял вычисления в Excel и лишь затем продолжал анализ. Аналогичным образом при оценке полученных решений участники, работавшие в режиме Centaur, как правило, не обращались к генеративному ИИ, предпочитая использовать собственную профессиональную экспертизу.
Таким образом, генеративный ИИ в данной модели выступает не исполнителем отдельных этапов интеллектуальной работы и не партнером по непрерывному рассуждению, а специализированным инструментом, позволяющим быстрее получать необходимые знания, уточнять отдельные аспекты задачи или снижать затраты времени на вспомогательные операции. Архитектура решения при этом остается полностью в руках человека.
Самоавтоматизатор: делегирование интеллектуального лидерства
Третья модель, получившая название Self-Automator, представляет собой наиболее радикальный способ взаимодействия человека с генеративным ИИ. В исследовании этот режим обозначен как Abdicated Co-Creation, что подчеркивает его ключевую особенность: человек передает языковой модели не только выполнение отдельных интеллектуальных операций, но и значительную часть управления самим процессом решения задачи.
Сам термин Self-Automator может создать впечатление, будто речь идет лишь о стремлении максимально автоматизировать собственную работу. Однако анализ поведения участников показывает, что эта модель предполагает существенно более глубокое перераспределение интеллектуальной ответственности. Если в режиме Centaur специалист самостоятельно определяет как направление работы, так и способы достижения результата, то здесь он в значительной степени полагается на генеративный ИИ при решении обоих вопросов.
Иными словами, языковая модель используется не только для выполнения отдельных действий, но и для определения того, какие аспекты задачи требуют внимания, каким образом следует организовать анализ и каким должно быть итоговое решение. Роль человека все чаще сводится к формулированию исходного запроса и принятию предложенного результата.
Именно это подтверждают рабочие журналы участников эксперимента. Исследователи отмечают, что 44 % консультантов, работавших в режиме Self-Automator, приняли предложенное генеративным ИИ решение практически без изменений. Остальные участники также редко подвергали результаты глубокому критическому анализу, ограничиваясь главным образом поверхностным редактированием текста или незначительными уточнениями. Таким образом, делегированию подвергалось не только выполнение отдельных интеллектуальных операций, но и существенная часть оценочного суждения.
При этом авторы исследования не рассматривают подобную стратегию как свидетельство низкой квалификации или недостаточной мотивации специалиста. В определенных условиях она действительно может оказаться рациональной. Если задача хорошо структурирована, не требует глубокого профессионального анализа и допускает относительно простую проверку результата, широкое использование генеративного ИИ позволяет существенно сократить затраты времени и усилий.
Тем не менее именно эта модель вызывает у исследователей наибольшие опасения с точки зрения долгосрочного развития профессиональной экспертизы. Чем реже специалист самостоятельно формулирует проблему, выбирает способы ее решения и критически оценивает полученные результаты, тем меньше возможностей остается для формирования собственного профессионального опыта. Именно поэтому модель Self-Automator вызывает у авторов особые опасения с точки зрения возможной утраты навыков, традиционно составляющих основу интеллектуальной деятельности специалиста.
Почему итоговый документ плохо показывает характер работы с ИИ
После описания трех моделей взаимодействия возникает практический вопрос: можно ли определить характер сотрудничества человека с генеративным ИИ, анализируя только конечный результат? Авторы исследования отвечают на него отрицательно.
На первый взгляд степень участия человека можно попытаться оценить по тому, насколько сильно он изменил предложенный моделью текст или принял ли рекомендацию искусственного интеллекта в неизменном виде. Однако подобные показатели способны вводить в заблуждение.
Специалист, работающий в режиме Cyborg или Centaur, может активно взаимодействовать с языковой моделью на протяжении всего процесса, критически оценивать ее ответы, корректировать направление анализа и при этом в конечном счете полностью принять один из предложенных ею результатов. Сам факт отсутствия значительных правок в итоговом документе в таком случае вовсе не свидетельствует о пассивности человека.
Именно поэтому авторы предостерегают организационных руководителей от использования доли человеческих исправлений или частоты принятия рекомендаций в качестве прямых индикаторов чрезмерной автоматизации. Для понимания характера взаимодействия необходимо анализировать сам процесс работы с генеративным ИИ, а не только его финальный продукт.
Неожиданный лидер исследования
Наиболее обсуждаемым результатом исследования стал вывод о сравнительной эффективности различных моделей взаимодействия. После публикации работы именно этот аспект чаще всего становился предметом обсуждений, нередко сводившихся к упрощенной формуле: «кентавры победили».
Подобная интерпретация, хотя и основана на результатах исследования, требует существенного уточнения.
Авторы действительно обнаружили, что участники, работавшие преимущественно в режиме Centaur, продемонстрировали лучшие результаты по точности вырабатываемых рекомендаций. Вместе с тем при оценке убедительности решений как Centaurs, так и Cyborgs превосходили участников, работавших в режиме Self-Automator. Таким образом, исследование не выявило универсального победителя по всем возможным критериям. Его результаты показывают, что стратегии, сохраняющие активное участие человека в интеллектуальном процессе, оказываются эффективнее модели широкого делегирования генеративному ИИ. При этом речь идет не об универсальном превосходстве одной модели над двумя другими, а о результатах конкретного исследования, проведенного на консультантах Boston Consulting Group в рамках определенного класса интеллектуальных задач.
Полученные результаты позволяют осторожно предположить, что для рассматриваемого класса задач сохранение активного человеческого участия в анализе имело существенное значение. При этом данные эксперимента не позволяют объявить какую-либо модель универсально оптимальной: они лишь показывают, что широкое делегирование аналитического и оценочного суждения генеративному ИИ не обеспечило преимуществ перед режимами, в которых специалист сохранял активное участие в интеллектуальном процессе.
Новые навыки вместо старых: что такое skilling в эпоху генеративного ИИ
Еще одним из наиболее интересных аспектов исследования является то, что его авторы не ограничиваются анализом текущей эффективности различных моделей взаимодействия. Значительная часть работы посвящена более фундаментальному вопросу: каким образом регулярное использование генеративного ИИ влияет на профессиональное развитие специалиста.
Именно здесь исследование выходит за рамки оценки производительности и переходит к обсуждению будущего интеллектуального труда в целом. Если языковые модели действительно становятся постоянными участниками профессиональной деятельности, то закономерно возникает вопрос о том, какие навыки будут приобретать специалисты в новых условиях. Авторы обозначают этот процесс термином skilling, подчеркивая, что речь идет не просто об обучении работе с новой технологией, а о трансформации самой структуры профессиональной компетентности.
Особенность исследования состоит в том, что его авторы рассматривают профессиональное развитие не как единый процесс, а как совокупность различных траекторий, возникающих в зависимости от способа взаимодействия человека с генеративным ИИ.
По результатам исследования они выделяют три возможные траектории:
Первая, upskilling, связана с дальнейшим развитием предметной, или доменной, экспертизы специалиста.
Вторая, newskilling, предполагает развитие навыков эффективного взаимодействия с генеративным ИИ.
Наконец, третья, no skilling, характеризуется отсутствием выраженного профессионального развития ни в одной из этих областей.
Какая именно траектория формируется у специалиста и каким образом она связана с ранее рассмотренными моделями взаимодействия, авторы обсуждают отдельно.
Таким образом, генеративный ИИ рассматривается ими не только как средство повышения производительности, но и как фактор, способный по-разному влиять на профессиональное развитие человека.
Augmentation против Automation
Ключевым понятием этой части исследования становится противопоставление augmentation и automation, которое авторы вводят еще в начале статьи и последовательно используют при интерпретации полученных результатов.
Под augmentation понимается ситуация, при которой генеративный ИИ усиливает интеллектуальные возможности специалиста, не вытесняя его из процесса принятия решений. В этом случае языковая модель расширяет способность человека анализировать информацию, быстрее исследовать альтернативы, эффективнее проверять гипотезы и рассматривать большее число возможных решений. При этом ключевые элементы экспертного мышления продолжают оставаться за человеком.
Automation, напротив, предполагает постепенную передачу отдельных интеллектуальных функций искусственному интеллекту. Первоначально подобная автоматизация может затрагивать сравнительно простые операции: подготовку текстов, структурирование информации или поиск данных. Однако по мере роста возможностей языковых моделей область делегирования неизбежно расширяется, включая более сложные элементы анализа и принятия решений.
Авторы не рассматривают автоматизацию как безусловно негативное явление. Во многих случаях передача рутинных операций искусственному интеллекту действительно позволяет специалисту сосредоточиться на более сложных аспектах работы. Проблема возникает тогда, когда автоматизация начинает охватывать те виды интеллектуальной деятельности, которые сами по себе являются механизмом формирования профессиональной экспертизы.
Именно этот риск исследователи считают одной из важнейших проблем ближайших лет.
Почему опыт не возникает автоматически
Фактически авторы напоминают нам о достаточно очевидной, но часто упускаемой из виду особенности профессионального развития:
Экспертиза формируется не благодаря наблюдению за правильными решениями, а благодаря самостоятельному прохождению процесса их поиска.
Консультант становится опытным не потому, что регулярно читает качественные отчеты, а потому, что многократно анализирует противоречивые данные, строит собственные гипотезы, допускает ошибки, корректирует первоначальные выводы и постепенно вырабатывает устойчивые способы профессионального мышления.
Если значительная часть подобных интеллектуальных операций начинает систематически выполняться генеративным ИИ, возникает вопрос: будет ли специалист приобретать тот же самый опыт? Исследование не дает окончательного ответа, однако именно эта неопределенность становится одной из центральных тем обсуждения.
Авторы не утверждают, что использование языковых моделей неизбежно приводит к деградации профессиональных навыков. Напротив, результаты исследования показывают, что различные модели взаимодействия могут приводить к различным траекториям профессионального развития. Вместе с тем именно этот вывод заставляет исследователей поставить следующий вопрос: если все большая часть интеллектуальной деятельности будет регулярно передаваться генеративному ИИ, не приведет ли это в долгосрочной перспективе к ослаблению отдельных компонентов профессиональной экспертизы? Исследование не дает окончательного ответа, однако рассматривает подобный сценарий как важную исследовательскую гипотезу, требующую дальнейшего изучения.
Разные модели, разные траектории развития
Именно в этом контексте различия между тремя режимами взаимодействия приобретают новое значение. Если ранее они рассматривались главным образом как способы организации текущей работы, то теперь становятся возможным объяснением различных траекторий профессионального развития, описанных авторами исследования.
По наблюдениям исследователей, участники, работавшие преимущественно в режиме Centaur, демонстрировали признаки upskilling. Поскольку постановка задачи, выбор подходов к анализу и оценка результатов оставались за человеком, использование генеративного ИИ не подменяло предметную экспертизу, а, напротив, создавало условия для ее дальнейшего развития.
Для модели Cyborg авторы описывают иную траекторию, которую называют newskilling. Постоянное взаимодействие с языковой моделью способствовало развитию навыков эффективной совместной работы с генеративным ИИ. В этом случае специалист совершенствовал прежде всего способность использовать возможности модели как интеллектуального партнера в процессе решения сложных задач. При этом, оставаясь активно вовлеченными в анализ, Киборги сохраняли уже существующую предметную экспертизу, хотя исследование не связывает этот режим с ее дальнейшим развитием.
Наиболее своеобразные результаты были получены для модели Self-Automator. В рамках проведенного исследования авторы не обнаружили выраженных признаков развития ни предметной экспертизы, ни специальных навыков взаимодействия с генеративным ИИ. Именно поэтому эта траектория получила обозначение no skilling.
Важно подчеркнуть, что речь идет о результатах конкретного исследования, а не об универсальном законе профессионального развития. Авторы не утверждают, что использование модели Self-Automator неизбежно приводит к деградации навыков. Однако отсутствие наблюдаемого профессионального развития заставляет их поставить вопрос о возможных долгосрочных последствиях широкого делегирования интеллектуальной деятельности генеративному ИИ.
Тем самым исследование переводит обсуждение генеративного ИИ из плоскости краткосрочной эффективности в плоскость профессиональной эволюции. Вопрос заключается уже не только в том, насколько быстрее человек выполняет работу с помощью языковой модели, но и в том, каким специалистом он становится в процессе такого взаимодействия. Именно этот сдвиг исследовательского фокуса представляется одним из наиболее ценных результатов всей работы.
Практическое значение исследования
Любое академическое исследование неизбежно вызывает вопрос о границах применимости полученных результатов. Работа Гарвардской школы бизнеса не является исключением. Несмотря на убедительную эмпирическую базу, ее ценность определяется не только описанием поведения консультантов Boston Consulting Group, но и возможностью использовать предложенную модель для анализа интеллектуального труда в более широком контексте.
Авторы сознательно избегают универсальных утверждений о том, что выявленные закономерности одинаково проявятся во всех профессиях. Тем не менее сама логика исследования позволяет предположить, что предложенная классификация применима к значительной части современной интеллектуальной деятельности. Любая профессия, связанная с анализом информации, выработкой решений, проектированием или созданием новых знаний, неизбежно включает те же самые фундаментальные вопросы: кто определяет направление работы и кто определяет способ ее выполнения. Именно поэтому модель оказывается значительно шире, чем область управленческого консалтинга, в которой она была разработана.
Особый интерес исследование представляет для специалистов, деятельность которых редко сводится к выполнению заранее определенного набора операций. Чем выше доля неопределенности в профессиональной задаче, тем важнее становится распределение интеллектуальных функций между человеком и генеративным ИИ. В подобных условиях эффективность определяется уже не столько качеством самой языковой модели, сколько тем, насколько осознанно специалист организует совместную работу с ней.
Что это означает для бизнес-аналитиков
С точки зрения бизнес-анализа исследование представляет особый интерес, поскольку рассматриваемая в нем деятельность во многом совпадает с содержанием работы бизнес-аналитика. Хотя консультирование и бизнес-анализ нельзя считать тождественными профессиями, они используют сходные когнитивные процессы: исследование предметной области, выявление проблем, построение гипотез, анализ альтернатив, подготовку рекомендаций и сопровождение принятия решений.
Именно поэтому предложенная авторами модель может рассматриваться как удобный инструмент самоанализа.
Например, при работе над требованиями бизнес-аналитик может задать себе несколько вопросов:
Передает ли он языковой модели только подготовку текста после завершения собственного анализа? Или модель уже участвует в формулировании самих требований?
Кто определяет перечень заинтересованных сторон?
Кто предлагает варианты решения?
Кто принимает решение о том, какие альтернативы заслуживают дальнейшего рассмотрения?
Каждый из этих вопросов позволяет определить не качество использования генеративного ИИ, а характер распределения интеллектуальной ответственности.
Это различие представляется принципиальным.
В профессиональной среде обсуждение генеративного ИИ нередко сводится к сравнению промптов, моделей и инструментов. Исследование предлагает посмотреть значительно глубже. Центральным становится уже не вопрос «какой запрос написать?», а вопрос «какую часть собственной интеллектуальной работы я сознательно передаю системе?».
Подобная постановка проблемы, вероятно, окажется значительно более устойчивой во времени, чем любые рекомендации по использованию конкретных языковых моделей, поскольку последние неизбежно устаревают по мере развития технологий.
От промпт-инжиниринга к проектированию взаимодействия
Одним из наиболее интересных следствий этого исследования является изменение самого объекта профессионального внимания.
В первые годы распространения больших языковых моделей основное внимание уделялось качеству промптов. Предполагалось, что эффективность работы с генеративным ИИ определяется прежде всего способностью пользователя правильно формулировать запросы.
Исследование не отрицает важности этого навыка, однако фактически помещает его в значительно более широкий контекст. Анализ поведения участников показывает, что даже безупречно составленные запросы сами по себе не определяют успешность взаимодействия. Гораздо большее значение имеет общая архитектура совместной работы, то есть способ распределения интеллектуальных функций между человеком и системой.
Иными словами, промпт оказывается лишь одним из элементов более сложной конструкции. Можно превосходно владеть техникой составления запросов, но при этом использовать генеративный ИИ таким образом, что большая часть интеллектуальной деятельности будет постепенно исключаться из собственной профессиональной практики. И наоборот, относительно простые запросы могут оказаться вполне достаточными, если специалист осознанно сохраняет за собой ключевые этапы анализа и принятия решений.
Подобный вывод представляется мне особенно актуальным на фоне продолжающейся автоматизации языковых моделей. По мере развития агентных систем, способных самостоятельно разбивать задачи на подзадачи, планировать последовательность действий и выполнять длинные цепочки операций, значение отдельных промптов, вероятно, будет постепенно снижаться. В то же время вопрос о том, какие именно интеллектуальные функции человек готов делегировать системе, напротив, станет еще более важным.
В этом смысле исследование оказывается не столько работой о GPT-4, сколько попыткой сформулировать общие принципы взаимодействия человека с генеративным искусственным интеллектом независимо от конкретной модели. Именно поэтому многие выводы статьи имеют хорошие шансы сохранить актуальность и после того, как сегодняшние языковые модели уступят место следующим поколениям интеллектуальных систем.
Ограничения исследования
Несмотря на значительную эмпирическую базу и тщательно выстроенную методологию, авторы последовательно подчеркивают, что полученные результаты имеют определенные ограничения и не должны интерпретироваться как универсальная модель взаимодействия человека с генеративным искусственным интеллектом. Подобная осторожность выгодно отличает эту работу от многих популярных публикаций, в которых выводы, сделанные на ограниченном материале, нередко распространяются на весь рынок интеллектуального труда.
Прежде всего следует учитывать специфику выборки. Все участники исследования являлись консультантами Boston Consulting Group. Несмотря на разнообразие их профессионального опыта, речь идет о представителях одной организации, имеющих схожую корпоративную культуру, сопоставимые требования к качеству работы и близкие подходы к решению управленческих задач. Нельзя автоматически предполагать, что специалисты других профессий будут взаимодействовать с генеративным ИИ аналогичным образом.
Не менее важным ограничением является характер самих задач. Исследование посвящено интеллектуальной деятельности, связанной с анализом, выработкой рекомендаций и созданием новых знаний. Полученные результаты нельзя без дополнительных исследований переносить на профессии, в которых генеративный ИИ используется преимущественно для автоматизации типовых операций, подготовки документов по жесткому шаблону или выполнения технических действий.
Кроме того, эта работа отражает определенный этап развития языковых моделей. Эксперимент проводился с использованием GPT-4, возможности которого уже заметно отличаются как от более ранних, так и от более современных поколений больших языковых моделей. Это означает, что конкретное распределение ролей между человеком и системой может изменяться по мере роста качества генеративного ИИ. В то же время авторы предполагают, что сама концептуальная модель распределения интеллектуальных функций способна сохранить актуальность независимо от конкретной реализации технологии.
Наконец, исследование фиксирует поведение участников в рамках одной экспериментальной сессии и поэтому не позволяет определить, каким образом модели взаимодействия меняются при длительном и регулярном использовании генеративного ИИ. Кроме того, участниками были преимущественно специалисты младших уровней — associates и consultants, поэтому поведение более старших профессионалов может отличаться. Исследование также не охватывает специалистов, которые предпочли бы полностью отказаться от совместной работы с генеративным ИИ. По этой причине наблюдаемые авторами различия в развитии навыков следует отделять от возможных долгосрочных эффектов, включая деградацию экспертизы: последние пока остаются вопросом для дальнейших исследований.
Вместо заключения
Работа Cyborgs, Centaurs and Self-Automators производит сильное впечатление не потому, что предлагает очередную классификацию пользователей генеративного ИИ. Ее главная ценность заключается в смене исследовательской оптики.
На протяжении первых лет массового распространения больших языковых моделей основное внимание уделялось тому, насколько хорошо искусственный интеллект выполняет те или иные задачи. Измерялись скорость работы, качество ответов, производительность сотрудников, экономический эффект от внедрения новых инструментов. Все эти исследования были необходимы, однако почти неизбежно рассматривали человека и генеративный ИИ как двух независимых участников, между которыми распределяется готовая работа.
Авторы предлагают отказаться от подобного взгляда. Они показывают, что объектом исследования должен становиться не искусственный интеллект сам по себе и не человек, использующий новую технологию, а возникающая между ними система совместного производства знаний. Именно в этой системе формируются новые профессиональные практики, меняются механизмы принятия решений и постепенно трансформируется сама природа интеллектуального труда.
Пожалуй, наиболее важный вывод исследования заключается в том, что характер взаимодействия человека с генеративным ИИ невозможно надежно определить только по итоговому результату работы. Гораздо большее значение имеет архитектура сотрудничества: какие функции человек сохраняет за собой, какие передает искусственному интеллекту и каким образом организует совместную работу на протяжении всего процесса решения задачи.
Вероятно, именно этот вопрос станет одним из центральных в ближайшие годы. По мере появления все более автономных агентных систем человеку придется принимать не столько технические, сколько профессиональные решения. Где проходит граница делегирования? Какие интеллектуальные операции следует автоматизировать, а какие необходимо продолжать выполнять самостоятельно независимо от возможностей технологии? Каким образом сохранить развитие собственной экспертизы в условиях, когда искусственный интеллект способен решать все более сложные задачи?
Это исследование не предлагает нам окончательных ответов. Более того, его авторы сознательно избегают подобных претензий. Однако им удалось сформулировать удачную концептуальную рамку, внутри которой эти вопросы можно обсуждать значительно более содержательно, чем в привычных дискуссиях о «замене человека искусственным интеллектом» или «правильном промпт-инжиниринге».
Именно поэтому эта работа представляет интерес не только как исследование GPT-4 или консультантов Boston Consulting Group. Она предлагает новый язык для описания интеллектуального сотрудничества человека и генеративного ИИ. И, возможно, именно этот язык окажется главным результатом исследования, сохранив свою ценность даже тогда, когда сегодняшние языковые модели станут лишь очередной страницей в истории развития искусственного интеллекта.