Что новая работа нобелевского лауреата и экономистов MIT говорит о том, почему большинство людей, взяв в руки ИИ, получают не помощника-наставника, а тихий механизм собственного оглупления — и как постараться этого избежать
Когда человек впервые начинает разговор с современной ИИ-моделью, у него возникает ощущение, что он только что нанял себе бесплатного эксперта по всем вопросам: юрист в кармане, аналитик, репетитор, второй инженер. Логика кажется железной: если у меня под рукой источник качественных ответов, я буду принимать более грамотные решения, а значит — со временем стану грамотнее сам.
Эта логика верна ровно наполовину. И именно вторая, скрытая половина определяет, что произойдёт с нами через несколько лет.
В феврале 2026 года вышла работа Дарона Асемоглу (нобелевского лауреата по экономике 2024 года) и его коллег по MIT Дингвэня Конга и Асумана Оздаглара под названием «AI, Human Cognition and Knowledge Collapse» (Англ. Искусственный интеллект, человеческое познание и крах знаний). Это не публицистика и не очередной манифест луддитов, а сухая математическая модель. И именно поэтому её вывод стоит пытаться воспринимать всерьёз: при определённых, вполне реалистичных условиях массовое использование ИИ ведёт общество не к росту знаний, а к их краху. Важно сразу уточнить, что это значит. Знание в модели авторов — не накопленная библиотека фактов, которая лежит и не портится, а точность, с которой сообщество понимает текущее состояние мира; а мир не стоит на месте — появляются новые инструменты, болезни, технологии. Поэтому в модель встроена амортизация: то, что вчера было известно точно, сегодня описывает уже слегка другой мир и теряет ценность, знание устаревает. И когда люди перестают производить новое знание, а старое продолжает устаревать, полезный запас общих знаний стремится к нулю — несмотря на то что персональные советы ИИ остаются отличного качества.
Два вида знания, которые мы привыкли не различать
В основе модели лежит простое, но недооценённое различие. Любое осмысленное решение опирается на два разных типа знания.
Первое — общее знание. Это то, что принадлежит не вам лично, а всему сообществу: как устроены финансовые инструменты, как работает иммунная система, какие паттерны проектирования существуют, почему распределённые системы ведут себя именно так. Это знание накапливается усилиями множества людей и по своей природе общедоступно.
Второе — контекстное, индивидуальное знание. Это специфика вашей конкретной ситуации: ваша терпимость к риску, симптомы именно этого пациента, особенности именно вашей легаси-системы, поведение именно этого продакшн-бага в три часа ночи.
Ключевая мысль авторов: эти два вида знания — дополняющие, они работают только вместе. Контекстное знание без общего почти бесполезно. Врач, который видит симптомы, но не понимает механизма болезни, не вылечит пациента. Разработчик, который знает, что «вот здесь падает», но не понимает, почему, — не исправит причину, в лучшем случае устранит симптом. В модели это выражено жёстко: индивидуальное знание само по себе не создаёт ценности вообще. Ценность рождается только на стыке с общим пониманием.
Почему усилие — это скрытый двигатель
Дальше начинается самое интересное. Когда человек разбирается в собственной задаче — диагностирует редкое заболевание, изучает свой инвестиционный профиль, копается в чужой статье и пишет рецензию, — он одновременно производит две вещи.
Он получает частный сигнал про свой контекст: понимает, что не так именно у него. И он попутно генерирует тонкий вклад в общее знание — крупицу понимания, которая, если её зафиксировать и поделиться, пригодится всем остальным.
Авторы называют это экономией от совмещения: одно и то же усилие производит и личную выгоду, и общественное благо. Их собственный пример идеально знаком всем, кто знаком с программированием. Инженер чинит редкий редкую ошибку в поплуряной системе. Личная выгода — система снова работает. А вот если после починки инженер делает публичную запись — например, ответ на Stack Overflow — дополнительной пользы ему лично это почти не приносит, зато помогает другим. (Stack Overflow - публичная система вопросов и ответов по техническим вопросам, изначально - о программировании).
Что именно замещает ИИ
Теперь подставим в эту картину агентный ИИ — модель, которая выдаёт готовую рекомендацию под ваш конкретный контекст.
ИИ блестяще закрывает первую половину — контекстный ответ. Он говорит вам, что делать именно в вашей ситуации, и часто говорит точно. А раз так — у вас исчезает причина прилагать усилие. Зачем разбираться в механизме бага, если ассистент сразу дал патч? Зачем понимать инструмент, если совет уже на блюдечке?
С точки зрения сегодняшнего дня вы в выигрыше: решение принято быстрее и не хуже прежнего, а зачастую - гораздо лучше, потому что еще вчера вы в этой предметной области не могли ничего. Это честный вывод модели, и его важно не передёргивать — индивидуальное решение в моменте действительно улучшается. Но вместе с отказом от усилия исчезает и его побочный продукт: то самое общее понимание, которое вы раньше накапливали невольно. Вы получаете ответ — но перестаёте становиться тем, кто способен этот ответ оценить.
В терминах модели: общее знание дополняет человеческое усилие (чем его больше, тем выгоднее учиться), а контекстная рекомендация ИИ замещает его (чем она точнее, тем меньше смысла учиться). Это две противоположные силы, и от их баланса зависит всё.
Коллапс: идеальный совет на руинах понимания
Когда усилие перестаёт быть выгодным, его становится меньше. Меньше усилия — меньше нового общего знания вливается в общий запас. Меньше общего запаса — ещё меньше стимула учиться. Петля затягивается сама на себя.
Авторы доказывают: если усилия людей достаточно «эластичны» (то есть мы легко срезаем углы, как только мотивация чуть падает) и точность ИИ переходит некоторый порог, система сваливается в стационарное состояние, которое они и называют коллапсом знаний. Общий запас знаний стремится к нулю (помним про амортизацию ценности знаний).
И вот здесь — самый жестокий поворот всей работы. Помните, что контекстное знание бесполезно без общего? Это значит, что в точке коллапса даже безупречные персональные рекомендации ИИ теряют ценность. Получается мир идеальных ответов, которые некому понять и не на что опереть. Совершенный совет на руинах понимания.
Стоит честно оговориться: «обнуление» здесь — следствие сильного допущения. Модель трактует общее знание как точную картину меняющегося мира, без долговечного ядра, и потому в ней устаревает всё. В реальности базовые вещи — анатомия, как устроены облигации, основы алгоритмов — почти не портятся, и до буквального нуля дело не дойдёт. Но это упрощение не отменяет сам механизм, а лишь смягчает его финал: даже с прочным ядром отказ от усилия означает, что мы перестаём поспевать за фронтиром — за тем новым, что как раз и устаревает быстрее всего.
Это уже происходит
Можно было бы отмахнуться: красивая математика, но при чём тут жизнь. Однако признаки описаны и эмпирически — частично в самой статье, частично в исследованиях, которые она цитирует.
На том же Stack Overflow активность падает: меньше вопросов, меньше вовлечённости, меньше нового знания — и данные указывают, что причина именно в переходе разработчиков к ИИ-инструментам. Похожая картина у «Википедии»: в темах, где ChatGPT хорошо заменяет статью, и читают, и пишут меньше. Общий резервуар, из которого все мы черпаем, начинает мелеть.
А отдельный, ещё более тревожный пласт исследований — уже про самого человека, а не про сообщество. Работа Косминой и коллег (2025) показывает, что использование ChatGPT для письма снижает способность запоминать и точно воспроизводить собственные аргументы — причём, судя по данным, за счёт изменения нейронных связей; и тексты разных авторов становятся всё более похожими друг на друга. Герлих (2025) фиксирует падение креативности у пользователей, особенно молодых. Это уже конкретно о том, что мышца, которой не пользуются, атрофируется.
Почему это так коварно
Главная опасность не в том, что вред очевиден, а в том, что он невидим в моменте. Каждое отдельное решение — выигрышное. Вы быстрее, точнее, эффективнее. Сигнал «всё хорошо» приходит немедленно. А плата — личное угасающее понимание и истощение общего знания — растянута во времени и размазана по всему сообществу. Это классический внешний эффект: расплачиваются все и потом, а выигрывает каждый и сейчас. Поэтому рынок сам по себе не исправит траекторию — никто не чувствует, что движется к обрыву.
Что определяет вашу судьбу — и что с этим делать
Хорошая новость в том, что коллапс не предопределён. Модель прямо указывает на рычаги.
Первый — эластичность усилия: насколько легко мы бросаем учиться при первом же удобном костыле. Среды с высокой профессиональной планкой (жёсткие стандарты подготовки, сложность материала, который нельзя проскочить) пока устойчивее. Вывод для каждого из нас личный: дисциплина «разобраться, а не только получить ответ» — это не занудство, а защита от деградации.
Второй — точность ИИ: благополучие немонотонно зависит от неё. Слишком точный агент, заменяющий любое усилие, разрушителен. Авторы даже выводят оптимальную стратегию регулирования: на время выключить подсказки, чтобы сообщество восстановило запас понимания, а потом держать точность под разумным потолком. На уровне команды это переводится буквально: иногда стоит сознательно работать без ассистента, чтобы люди не разучились думать.
Третий и самый мощный рычаг — способность сообщества накапливать и делиться общим знанием. Это единственный фактор, который, по модели, всегда однозначно повышает благополучие и делает систему устойчивее к коллапсу. Внутренние базы знаний, code review, разборы инцидентов, менторство, культура «запиши, чтобы поняли другие» — всё это не бюрократия, а буквально то, что держит вашу организацию по правильную сторону обрыва.
Вместо вывода
Обещание ИИ — сделать нас умнее — сбывается только если мы используем его как дополнение к собственному усилию, а не как замену ему. В первом случае мощная общая база знаний делает каждое наше усилие более ценным, и мы растём. Во втором — готовый контекстный ответ вымывает причину учиться, понимание атрофируется, общий резервуар мелеет, и в пределе даже идеальные советы повисают в пустоте.
Разница между этими двумя сценариями — не в технологии. Она в том, продолжаем ли мы прилагать усилие, которое делает нас способными понять ответ, и строим ли мы сообщества, которые это понимание сохраняют. ИИ не делает вас глупее сам по себе. Он лишь убирает необходимость становиться умнее — а дальше выбор за вами.
Комментарии (0)