ChatGPT и похожие модели резко поднимают результат выполнения задачи — оценку за упражнение, скорость кода, гладкость текста. Это не значит, что они автоматически поднимают приобретённый навык. В полевом эксперименте почти с тысячей школьников GPT-4 улучшал практику на десятки процентов, а после отключения обычный чат оставлял учеников слабее группы без ИИ. Проблема не в «ИИ вообще», а в том, какую когнитивную работу человек ему отдаёт.
Главное
Результат задачи и обучение — разные вещи. Правильный ответ с подсказкой модели не равен умению воспроизвести решение без неё через неделю.
Без ограждений ИИ может мешать. В исследовании PNAS (2025) свободный GPT-4 давал +48% на практике и −17% на экзамене без ИИ относительно контроля.
Педагогический режим меняет картину. Тот же GPT-4 с подсказками вместо готовых ответов снимал негативный эффект на обучение почти полностью.
Метаанализы не спорят с парадоксом. В вузах GenAI в среднем связан с положительными исходами — особенно когда встроен в осмысленную педагогику, а не в режим «реши за меня».
Частота и цель использования важны. Данные PISA-2025 показывают нелинейность: умеренное использование «чтобы учиться» выглядит иначе, чем ежедневная выдача готовых черновиков. Это корреляции, не доказательство причинности.
Результат и обучение — два разных счёта
Когда вы просите модель решить уравнение, написать функцию или пересказать главу, вы измеряете результат: насколько хорошо задача выполнена сейчас, с доступным инструментом. Обучение — другой счёт. Оно отвечает на вопросы: смогу ли я повторить решение сам? Удержится ли принцип через неделю? Перенесётся ли он на чуть другую задачу? Смогу ли я объяснить ход другому человеку?
Эти счёта расходились и до чат-ботов. Калькулятор повышает результат в арифметике, но не заменяет понимание места значения. Поиск в Google повышает доступ к фактам, но всё ещё требует сформулировать запрос, сравнить источники и собрать ответ. Генеративный ИИ делает следующий шаг: он выдаёт готовое решение, а не только ссылки. Именно поэтому разрыв между «получилось» и «научился» стал особенно острым.
В терминах HiddenLogic это близко к желательным трудностям и активному вспоминанию. Усилие, ошибка, поиск закономерности и повторная попытка — не досадный шум. Это часть формирования навыка. Если ИИ убирает всё полезное трение, результат растёт, а обучение может стагнировать или падать.
Что показал эксперимент с GPT-4 у школьников
В 2025 году в Proceedings of the National Academy of Sciences вышла работа Hamsa Bastani, Osbert Bastani и коллег: Generative AI without guardrails can harm learning: Evidence from high school mathematics (DOI 10.1073/pnas.2422633122). Это полевой эксперимент почти с тысячей учеников старшей школы (математика; в популяризации часто уточняют турецкую школу и участие Wharton/Penn).
Авторы сравнили три условия. Контроль учился без генеративного ИИ. Группа GPT Base получила интерфейс в духе обычного ChatGPT на GPT-4. Группа GPT Tutor — тот же класс моделей, но с педагогическими ограждениями: подсказки и наведение, а не готовый ответ по первому запросу. ИИ покрывал заметную долю практики по теме (порядка 15% учебного материала в описании исследования).
На практике с доступом к модели картина выглядела «победой ИИ»:
| Условие | Результат относительно контроля |
|---|---|
| GPT Base во время практики | +48% к оценкам |
| GPT Tutor во время практики | +127% |
| GPT Base на экзамене без ИИ | −17% относительно контроля |
То есть свободный GPT-4 помогал выполнять задачи и вредил учиться их выполнять. Авторы прямо связывают это с режимом «костыля»: ученики получают правильный ответ, меньше строят собственный навык и на контрольной без модели оказываются слабее тех, кто изначально работал без ИИ.
Критическая деталь: у GPT Tutor негативный эффект на экзамене в значительной степени исчезал. На практике Tutor давал ещё больший прирост, а на экзамене без ИИ группа была сопоставима с контролем — то есть ограждения сохраняли обучение, не отменяя помощь. Вывод исследования не «запретить ИИ», а «осторожно с дизайном»: без guardrails генеративная модель может ухудшать образовательные исходы.
Стоит отдельно сказать про «исследование NVIDIA». Громкой работы NVIDIA с формулировкой вроде «успеваемость людей падает из‑за ИИ» в открытых источниках не находится. У NVIDIA есть образовательные кейсы и инструменты для педагогических ассистентов (подсказки вместо готовых ответов) — это скорее совпадает с логикой GPT Tutor, чем с мифом о корпоративном исследовании «ИИ делает нас глупее». В памяти часто смешиваются PNAS/Wharton, другие академические работы и бренд NVIDIA.
Почему готовый ответ мешает учиться
Когда модель сразу выдаёт решение, мозг пропускает участок работы, на котором обычно строится навык: удержание цели, выбор стратегии, обнаружение ошибки, возврат к принципу. Это родственник когнитивного аутсорсинга — передачи части мышления внешнему инструменту. Аутсорсинг полезен, когда цель — скорость и качество продукта. Он вреден, когда цель — именно сформировать внутреннюю процедуру.
Полезное трение в обучении включает ошибку, усилие вспомнить, сравнение вариантов и самообъяснение. Метакогниция как раз учит замечать: «мне сейчас легко, потому что я понял — или потому что кто-то понял за меня?». Гладкое объяснение ИИ почти всегда ощущается как понимание. Это классическая иллюзия компетентности: узнавание чужого решения путают со способностью породить своё.
Поиск в Google был менее «опасен» именно потому, что оставлял больше самостоятельных операций: сформулировать запрос, открыть несколько страниц, отфильтровать шум, собрать ответ. Генеративный ИИ сжимает эту цепочку до одного сообщения. Поэтому рядом с этим гидом полезен разбор саммари ИИ: готовый текст — гипотеза, пока вы не проверили факты и не восстановили логику своими словами.
Но ИИ не «ухудшает образование» по умолчанию
Картина не сводится к одному школьному эксперименту. Метаанализ Chen и Cheung (Educational Research Review, 2025) объединил 57 исследований и 97 оценок эффекта GenAI на исходы университетских студентов и нашёл крупный положительный суммарный эффект (g+ ≈ 0,80), в том числе по академической успеваемости и мышлению высокого порядка; по метакогниции эффект в этой работе не был статистически убедителен.
Свежий трёхуровневый метаанализ 2026 года (Frontiers in Psychology / PMC) включил 36 эмпирических работ, 132 размера эффекта и 7 229 участников. Общий эффект GenAI на учебные исходы в высшем образовании — средний положительный (g = 0,499). Сильнее выглядели понимание, когнитивно-креативные исходы и мышление высокого порядка; значимым модератором оказался метод преподавания: совместные и смешанные сценарии давали более крупные эффекты.
Эти результаты не опровергают PNAS. Они уточняют контекст. Метаанализы чаще измеряют исходы при наличии ИИ в учебном дизайне — обратная связь, объяснения, совместная работа — а не режим бесконтрольного копирования ответов. Эксперимент Bastani et al. специально разделяет результат во время доступа к модели и обучение после её отключения. Пока вы не измеряете оба слоя, «ИИ помог» и «человек научился» легко спутать.
Что намекают данные PISA-2025
Первый том результатов PISA-2025 (OECD) включает вопросы об использовании ИИ школьниками. Картина нелинейная и осторожная по интерпретации.
Ученики, которые не используют ИИ-чатботы для конкретных школьных задач (суммаризация чтения, черновик текста, предварительный поиск), в среднем показывают более высокие баллы по науке, чем те, кто использует ИИ для этих задач. Среди тех, кто использует ИИ с целью «помочь мне учиться», картина другая: примерно еженедельное использование связано с результатами, близкими к не-пользователям (после учёта социально-экономического профиля), а очень редкое или почти ежедневное — чаще с более низкими. Когда в школе есть задания на оценку качества информации, сгенерированной ИИ, частые «учебные» пользователи выглядят чуть лучше — но такие возможности чаще есть у социально благополучных учеников, и OECD прямо предупреждает о риске нового разрыва в AI-literacy.
Критично: это корреляции, не доказательство, что ИИ «сделал баллы». Ученики, выбирающие разные режимы использования, уже различаются по навыкам, мотивации и поддержке. Тем не менее паттерн совпадает с экспериментальной логикой: цель и интенсивность важнее самого факта «есть ChatGPT».
Три режима ИИ: калькулятор, преподаватель, экзаменатор
Полезно явно выбирать роль модели, а не «просто открывать чат».
ИИ как калькулятор. «Реши / напиши / сделай за меня». Максимизирует текущий результат. Риск для обучения максимален, если именно эта задача должна была тренировать навык.
ИИ как преподаватель. «Не давай ответ. Дай одну подсказку. Спроси, что я уже пробовал. Укажи на ошибку в моём рассуждении». Ближе к GPT Tutor и к тому, что метаанализы называют продуктивным встраиванием.
ИИ как экзаменатор. «Закрой решение. Задай мне пять вопросов. Проверь мой ответ без подсказок. Дай похожую задачу». Это переносит активное вспоминание в диалог с моделью — при условии, что вы действительно отвечаете до того, как подсмотреть.
Практический гид HiddenLogic по сессиям, проверке фактов и карточкам — в «Как учиться с ИИ». Здесь важнее стратегический выбор: какую роль вы назначили модели в этой задаче.
Программирование: где парадокс особенно заметен
ИИ за секунды пишет функцию, компонент, SQL и тесты. Текущий результат взлетает. Одновременно сокращаются самостоятельное проектирование, чтение ошибок, работа с документацией и удержание API в памяти — то есть как раз те петли, из которых растёт инженерный навык.
Новая компетенция разработчика смещается: не «писать код без ИИ любой ценой», а понимать архитектуру, формулировать задачу, проверять результат, находить ошибки модели, читать сгенерированный код и принимать инженерные решения. Если вы никогда не закрываете чат и не воспроизводите решение сами, вы тренируете постановку промпта, а не владение стеком — и это нормально только если промпт и есть ваша цель.
Тот же тест из пяти вопросов после задачи работает и здесь: что сделал я, что сделала модель, что я понял нового, смогу ли повторить без ИИ, смогу ли перенести на соседний кейс.
Протокол «ИИ без потери навыка»
Перед ИИ
Потратьте 5–15 минут на самостоятельную работу. Сформулируйте проблему своими словами. Запишите гипотезу или черновой план. Даже неверная попытка создаёт «крючки», на которые потом сядет объяснение модели.
Во время ИИ
Просите подсказки, а не готовое решение с первой реплики. Проверяйте каждое важное утверждение. Задавайте уточняющие вопросы («почему этот шаг, а не другой?»). Если модель выдала код или доказательство целиком — не копируйте сразу: перескажите следующий шаг и только потом сверьтесь.
После ИИ
Закройте чат. Воспроизведите решение самостоятельно. Решите изменённую версию задачи. Объясните принцип своими словами — себе, коллеге или обратно модели в режиме экзаменатора. Без этого шага вы купили результат и не оплатили обучение.
Пять контрольных вопросов после серьёзной задачи:
- Что сделал я?
- Что сделал ИИ?
- Что нового я понял?
- Смогу ли повторить без ИИ?
- Смогу ли применить в новой ситуации?
Если на 4–5 ответ «нет», ИИ помог выполнить задачу, но не помог сформировать навык.
ИИ как экзоскелет мозга — и как костыль
Калькулятор — экзоскелет вычислений. Поиск — экзоскелет памяти. Генеративный ИИ — экзоскелет рассуждения: он может нести часть планирования, формулировок и черновой логики. Разница в режиме использования та же, что между тренажёром и костылём. Если постоянно ходить на костылях, мышцы слабеют. Если использовать опору, чтобы тренировать движение с правильной нагрузкой, сила растёт.
Отсюда и образовательный сдвиг. Когда машина умеет воспроизводить ответы, ценность простого воспроизведения падает. Растёт цена понимания, проверки, постановки задачи и объяснения — темы, которые HiddenLogic уже разбирает в критическом мышлении и в статье о том, чему учиться в эпоху ИИ.
Частые ошибки
Считать рост оценки на практике доказательством обучения
Практика с открытым чатом измеряет совместную систему «человек + модель». Экзамен без модели измеряет человека. Путать эти метрики — главный источник ложного оптимизма.
Просить готовый ответ «чтобы быстрее понять»
Часто вы быстрее узнаёте решение и медленнее учитесь его строить. Подсказка и разбор вашей попытки почти всегда лучше чистого решения, если цель — навык.
Доверять ощущению «теперь всё ясно»
Ясность после чужого объяснения — слабый сигнал. Сильный сигнал — закрытое воспроизведение и перенос на новую задачу.
Использовать ИИ только как калькулятор, а потом удивляться провалу без него
Это предсказуемый исход по логике PNAS-эксперимента, а не личная «неспособность к математике».
Игнорировать проверку фактов
Даже в режиме репетитора модель может уверенно ошибаться. Обучение на ложном объяснении хуже, чем медленное обучение на верном источнике.
FAQ
ИИ реально ухудшает способность учиться?
Не всегда. Без ограждений и в режиме готовых ответов — может, как в эксперименте PNAS со школьной математикой. В учебных дизайнах с обратной связью и совместной работой метаанализы чаще находят положительные эффекты. Решает способ использования.
Чем результат отличается от обучения?
Результат — качество выполнения сейчас, часто с инструментом. Обучение — устойчивый навык, который остаётся, когда инструмент убрали, и переносится на новые задачи.
Почему GPT Tutor лучше обычного GPT для учёбы?
Потому что он сохраняет часть полезного трения: подсказки вместо готового ответа заставляют ученика продолжать строить решение самому. В PNAS это снимало негативный эффект на экзамене без ИИ.
Значит ли метаанализ g = 0,499, что ИИ всегда полезен?
Нет. Это средний эффект по включённым исследованиям высшего образования при конкретных условиях. Он не отменяет риски когнитивного аутсорсинга и не описывает все возрасты и все режимы использования.
Что говорит PISA-2025 про ИИ?
Связь нелинейна: не-пользователи для конкретных школьных задач часто показывают более высокие баллы; умеренное использование «чтобы учиться» ближе к не-пользователям; очень частое — чаще ниже. OECD подчёркивает: это корреляции.
Было ли исследование NVIDIA про падение успеваемости из‑за ИИ?
Публичного исследования NVIDIA с такой формулировкой не видно. Похожие тезисы лучше опираются на PNAS Bastani et al. и смежные академические работы; у NVIDIA скорее кейсы про педагогические ассистенты с подсказками.
Как пользоваться ChatGPT, чтобы не потерять навык?
Сначала своя попытка; затем подсказки и проверка; затем воспроизведение без чата. Подробный протокол сессий — в гиде по учёбе с ИИ.
Нужно ли полностью отказаться от ИИ при обучении?
Нет. Отказ — крайность. Рациональнее запретить себе режим «реши за меня» на задачах, которые как раз и тренируют целевой навык, и оставить модель для объяснений, контрпримеров, экзаменационных вопросов и разбора ошибок.
Почему программистам особенно важно закрывать чат?
Потому что генерация кода даёт мгновенный результат, а инженерный навык растёт на проектировании, отладке и понимании системы. Без фазы «повтори сам» вы тренируете промпт, а не владение инструментом.
Как проверить, что я реально понял материал после ИИ?
Закройте чат и сделайте три вещи: объясните принцип своими словами, решите похожую задачу, измените условие. Если хотя бы один шаг рассыпается — понимание было узнаванием, не навыком.
Дальнейшее чтение
- Как учиться с ИИ: полное руководство — сессии, проверка фактов, карточки
- Как ИИ меняет то, чему стоит учиться — сдвиг дефицита знания
- Активное вспоминание — извлечение без подсказки
- Желательные трудности — почему полезное усилие ощущается хуже
- Метакогниция в обучении — калибровка «понял / кажется, что понял»
- Как читать саммари ИИ — не терять слои доказательности
- Критическое мышление: полный гид — проверка утверждений и источников
Вывод
Главная проблема не в том, что ИИ слишком хорошо отвечает. Проблема начинается, когда человек перестаёт спрашивать: «а смогу ли я сделать это сам?»
ИИ может быть костылём, калькулятором, личным преподавателем или усилителем мышления. Разница определяется не мощностью модели, а тем, какую когнитивную работу вы оставляете себе. Эксперимент с GPT-4 у школьников показал расхождение результата и обучения в чистом виде. Метаанализы и PISA добавляют нюанс: при правильном дизайне и умеренной учебной цели эффект может быть положительным — но это не индульгенция на аутсорс мышления.
AI может сделать человека эффективнее, не сделав его компетентнее. Вопрос эпохи — не «может ли машина сделать это за меня?», а «что останется в моей голове после того, как машина это сделает?»