Мышление в эпоху ИИ: как не разучиться думать самостоятельно

Интеллектуальная революция и новая проблема

Каждая крупная информационная технология меняла не только то, что люди знают, но и то, как они думают. Письменность освободила память от необходимости хранить эпос целиком и сделала возможными сложные рассуждения, которые невозможно удержать в голове. Печатный станок превратил знание из редкости в товар. Интернет и поисковики сделали факт доступным за секунды. Каждый раз находились скептики — и каждый раз они были отчасти правы, отчасти нет.

Самый известный пример — диалог «Федр», где Платон вкладывает в уста Сократа опасение: письменность даст людям «видимость мудрости», они будут полагаться на внешние знаки, а не на собственную память. Сегодня это часто приводят как образец напрасной паники: письменность, очевидно, сделала человечество не глупее, а способнее. Но стоит прочитать возражение внимательнее. Сократ говорил не о том, что письмо уничтожит интеллект, а о том, что видимость знания легко спутать с самим знанием. Это наблюдение не устарело — оно стало точнее.

С калькулятором похожая история. Он не уничтожил математику, но изменил то, что разумно тренировать вручную; при этом понимать порядок величин и замечать абсурдный результат по-прежнему нужно человеку. Аналогия полезна, но не идеальна: калькулятор выполняет узкую, проверяемую операцию, а языковая модель берёт на себя куда более широкую часть работы — формулировку, структуру, аргументацию, интерпретацию.

В этом и состоит новизна. Предыдущие инструменты разгружали в основном память и вычисления. Генеративный ИИ впервые массово предлагает разгрузить то, что мы считали ядром мышления: построение рассуждения, синтез, выбор слов, иногда — само суждение. Поисковик выдавал ссылки, и вам всё равно приходилось читать, сравнивать и собирать ответ. Модель выдаёт готовый ответ, связный и уверенный. Промежуточная работа, на которой раньше и происходило обучение, может исчезнуть целиком.

Отсюда новая проблема. Раньше вопрос звучал так: «как найти нужную информацию?» Теперь — «как сохранить способность думать, когда думать необязательно?» Это проблема не дефицита, а избытка. Когда правдоподобный ответ стоит почти ноль, дорожает другое: умение понять, хорош ли он, умение задать вопрос, на который ответа ещё нет, и готовность выдерживать неопределённость, не хватаясь за первый же вариант.

Важно и то, что эффект распределён неравномерно. Человек с глубокой экспертизой использует модель как ускоритель: он видит ошибки, отбрасывает лишнее, задаёт точные уточнения. Новичок, который ещё не построил собственную карту области, рискует принять за карту чужое описание местности. Поэтому ИИ может одновременно усиливать сильных и замедлять развитие тех, кто только учится, — если те подменяют им сам процесс учёбы. Подробнее о том, как меняется ценность разных навыков, — в статье как ИИ меняет то, чему стоит учиться.

Что такое качество мышления

Прежде чем спрашивать, как ИИ влияет на мышление, нужно договориться, что мы под ним понимаем. «Ум» в бытовом смысле часто сводят к эрудиции или скорости. Но качество мышления — это не количество фактов в голове и не IQ. Это набор способностей, которые проявляются в том, как человек работает с вопросом, информацией и собственными убеждениями.

Можно выделить по меньшей мере семь компонентов. Они не исчерпывают тему, но дают рабочую карту — и позволяют увидеть, какие из них ИИ затрагивает сильнее.

Ясность — первая и недооценённая. Многие трудности в мышлении начинаются с размытого вопроса. Если вы не можете в одном-двух предложениях сказать, что пытаетесь понять, никакая модель не поможет — она просто ответит на какой-то другой вопрос, и вы примете это за решение. Парадоксально, но работа с ИИ может как тренировать ясность (хороший запрос требует точности), так и подменять её (модель «угадывает», что вы имели в виду, и вам больше не нужно формулировать).

Глубина — это способность спросить «почему?» ещё раз. Поверхностное понимание знает, что происходит; глубокое — почему и при каких условиях иначе. Модель легко даёт объяснение первого-второго уровня. Но если вы остановились на нём, глубины не прибавилось — прибавилось только ощущение, что вы «в теме».

Связность — это то, что превращает разрозненные знания в мышление. Эксперт отличается от новичка не столько количеством фактов, сколько тем, как они организованы: в связанные схемы, которые позволяют замечать аналогии и аномалии. Эти схемы строятся только через собственную переработку — извлечение, сравнение, применение. Чужая схема, прочитанная один раз, редко становится своей.

Критичность — привычка не принимать утверждение на веру, а спрашивать: откуда это известно? Что было бы, если бы это было неверно? Какие альтернативы? Подробно об этом — в полном гиде по критическому мышлению. В контексте ИИ критичность особенно важна, потому что модели могут ошибаться уверенно и гладко, а гладкость — один из самых сильных сигналов, по которым мы интуитивно оцениваем достоверность.

Самостоятельность — способность прийти к выводу, опираясь на собственное рассуждение. Это не значит «не пользоваться источниками». Это значит, что источники — материал, а вывод — ваш, и вы можете его защитить.

Метапознание — знание о собственном знании. Понимаю ли я это на самом деле или только узнаю? Где мои пробелы? Какая стратегия мне сейчас нужна? Это, пожалуй, главная способность учащегося человека, и о ней стоит прочитать отдельный гид по метапознанию.

Выносливость — готовность оставаться с задачей, которая не решается сразу. Многие важные мысли приходят не в первые пять минут, а после периода растерянности. Если любая растерянность немедленно гасится ответом, этот период исчезает — а вместе с ним и шанс на собственное открытие.

Поэтому влияние ИИ не стоит оценивать по одному параметру: модель может улучшать ясность ваших текстов и одновременно ослаблять выносливость к трудной задаче.

Как ИИ меняет мышление

Изменения, которые несёт генеративный ИИ, можно описать через четыре механизма. Ни один из них не уникален для ИИ — каждый изучался задолго до чат-ботов на примере поисковиков, навигаторов, автопилотов и учебных подсказок. Но ИИ делает их масштабнее и незаметнее.

Когнитивная разгрузка

Когнитивная разгрузка (cognitive offloading) — это использование внешних действий и инструментов для снижения нагрузки на собственную память и обработку. Записать номер телефона, поставить напоминание, нарисовать схему на бумаге, наклонить голову, чтобы прочитать повёрнутый текст, — всё это разгрузка. Психологи Эван Риско и Сэм Гилберт в обзоре 2016 года описали её как фундаментальную стратегию человеческого познания, а не как слабость. Мы с самого начала были «распределёнными» мыслителями, опирающимися на среду.

Разгрузка даёт реальную выгоду: освобождает рабочую память для более сложных операций. Но у неё есть цена, хорошо известная по исследованиям. Когда люди знают, что информация сохранится во внешнем источнике, они нередко хуже запоминают её саму — и лучше запоминают, где её искать. Это описывали как «эффект Google» после работы Бетси Спарроу и коллег (2011). Стоит оговориться: часть оригинальных результатов при попытках повторения воспроизвелась слабо, так что точный масштаб эффекта обсуждается. Но общий принцип — память адаптируется к доступности внешнего хранилища — согласуется с более широкой литературой.

Похожий пример — навигация. Исследования, сравнивавшие людей, активно пользующихся GPS, с теми, кто ориентируется сам, находят связь между привычкой полагаться на навигатор и более слабой пространственной памятью. Это в основном корреляционные данные, и направление причинности не всегда очевидно. Но они хорошо иллюстрируют идею: навык, который не используется, не получает тренировки.

С ИИ масштаб разгрузки иной. Мы можем вынести не только факты, но и формулировку мысли, структуру аргумента, первый черновик, анализ данных. Вопрос не в том, разгружать или нет, — разгружать нормально. Вопрос в том, что вы разгружаете. Разгрузить рутину, чтобы освободить внимание для сути, — разумно. Разгрузить суть, ради которой вы и взялись за задачу, — значит отказаться от самой задачи.

Полезное различение: разгрузка хранения (я не держу в голове то, что могу найти) и разгрузка обработки (я не делаю мыслительную работу, которую мог бы сделать). Первая в большинстве случаев безвредна. Вторая безвредна, только если навык обработки вам не нужен или уже прочно сформирован.

Иллюзия понимания

В 2002 году Леонид Розенблит и Фрэнк Кейл описали «иллюзию глубины объяснения». Людей просили оценить, насколько хорошо они понимают, как работают привычные вещи — молния на куртке, смывной бачок, замок. Оценки были высокими. Затем участников просили подробно, шаг за шагом объяснить механизм — и после этого они заметно снижали самооценку. Понимание оказывалось ощущением знакомости, а не способностью объяснить.

Позже Мэтью Фишер, Мариэль Годду и Фрэнк Кейл (2015) показали, что поиск в интернете может раздувать оценку собственных знаний: после поиска люди склонны оценивать как более высокие свои знания даже в темах, не связанных с тем, что они искали. Доступ к внешнему знанию незаметно смешивается с ощущением, что знание — своё.

Генеративный ИИ усиливает этот механизм. Объяснения модели обычно хорошо структурированы, используют аналогии, звучат ясно. Читая их, вы испытываете беглость — ощущение лёгкости обработки. А беглость, как давно известно в когнитивной психологии, мы склонны принимать за понимание и запоминание. Чем гладче текст, тем сильнее уверенность «я понял». Но понимание проверяется не тем, насколько легко было читать, а тем, сможете ли вы:

• объяснить идею своими словами без подсказки;
• применить её к новой задаче;
• назвать границы, где она перестаёт работать;
• ответить на возражение.

Эта проверка — суть активного вспоминания. Исследования обучения последовательно показывают, что попытка извлечь знание из памяти укрепляет его сильнее, чем повторное чтение. Чтение объяснения от ИИ — это повторное чтение в лучшем случае. Если за ним не следует попытка воспроизвести и применить, иллюзия понимания почти гарантирована.

Отдельный вариант иллюзии — сводки. Краткий пересказ книги или статьи даёт ощущение, что вы «знаете, о чём там», хотя вы знаете только то, что модель сочла главным. Подробно об этом — в статье о критическом мышлении и ИИ-сводках.

Атрофия навыков

Самое громкое опасение — что ИИ приведёт к атрофии навыков: мы разучимся писать, считать, рассуждать. Здесь нужна особенная осторожность, потому что надёжных долгосрочных данных о генеративном ИИ пока нет. Технология массово доступна всего несколько лет, а когнитивные изменения на уровне навыков и привычек требуют длительных наблюдений.

Что у нас есть? Во-первых, исследования автоматизации в авиации, медицине и промышленности. Они давно описывают феномен, который называют снижением ручных навыков: когда автоматика берёт на себя большую часть работы, оператор реже практикует ручное управление и в редкой нештатной ситуации может справляться хуже. Рядом с этим — «предвзятость автоматизации» (automation bias), описанная, например, в обзоре Раджи Парасурамана и Дитриха Манцая (2010): люди склонны чрезмерно доверять автоматическим подсказкам и пропускать их ошибки.

Во-вторых, ранние исследования именно генеративного ИИ. В полевом эксперименте со школьниками, опубликованном в PNAS (2025), неограниченный доступ к GPT-4 улучшал результаты на практике, но после отключения ученики показывали результат хуже контрольной группы; версия с педагогическими ограничениями этот вред в основном снимала. Подробно он разобран в статье о парадоксе результата и обучения. Опрос исследователей Microsoft и Университета Карнеги — Меллон среди работников умственного труда (2025) показал, что более высокая уверенность в ИИ связана с меньшей самооценённой вовлечённостью в критическое мышление, а более высокая уверенность в себе — с большей. Это самоотчёты, а не измерения навыка. Небольшое исследование MIT Media Lab с ЭЭГ (2025, препринт) сообщало о меньшей нейронной вовлечённости у участников, писавших эссе с помощью ChatGPT, — но выборка мала, работа на момент публикации не прошла рецензирование, а интерпретация мозговой активности как «ослабления мышления» требует большой осторожности.

Честный вывод такой: прямых доказательств того, что ИИ необратимо снижает когнитивные способности, нет. Но есть согласованная картина из разных источников: навыки, которые не практикуются, не развиваются, а у новичков могут и не сформироваться. Для опытного специалиста частое делегирование может означать медленное ослабление беглости. Для учащегося — более серьёзный риск: навык, который вы никогда не строили, не может «атрофироваться», он просто не появляется.

Именно здесь аналогия с калькулятором требует нюанса. Калькулятор заменил ручные вычисления у людей, которые уже понимали арифметику — и учебные программы по-прежнему требуют её освоения до массового использования инструмента. Если же инструмент появляется до того, как сформировано понимание, он не освобождает мышление для высших задач — он лишает его фундамента.

Делегирование суждения

Четвёртый механизм — самый тонкий и, возможно, самый важный. Одно дело — попросить модель сделать черновик, найти ошибку в коде или напомнить формулу. Другое — попросить её решить, что правильно: какой аргумент сильнее, какое решение принять, во что верить, как оценить человека или событие.

Суждение — это не вычисление. Оно включает ценности, контекст, ответственность и знание собственной ситуации, которых у модели нет. Когда вы просите «скажи, как лучше», вы получаете правдоподобный усреднённый ответ, звучащий авторитетно. Принимая его без собственной работы, вы делегируете не задачу, а позицию — и вместе с ней ответственность за неё.

Есть и вторичный эффект. Модели обучены быть полезными и часто — соглашаться с пользователем. Если вы приходите с готовой позицией, модель нередко подтвердит её и добавит доводов. Если приходите без позиции, модель предложит свою — точнее, наиболее вероятную в обучающих данных. В обоих случаях риск один: вы перестаёте сталкиваться с настоящим сопротивлением мысли, которое и заставляет её становиться точнее.

Здесь работает тот же механизм, что и в формировании убеждений вообще: мы склонны принимать то, что звучит уверенно, повторяется и соответствует уже имеющимся взглядам. Об этом подробно — в статьях об архитектуре убеждений и о том, как работает пропаганда. ИИ не пропагандист, но он может стать удобным источником готовых суждений, которые легко присвоить без проверки.

Главная опасность — пассивное потребление мышления

Если свести все механизмы к одному, главная опасность — не сама технология, а режим её использования: пассивное потребление мышления. Это ситуация, когда вы получаете продукты мысли — выводы, тексты, объяснения, решения — без того, чтобы проходить через сам процесс.

Пассивное потребление информации знакомо давно: лента новостей, сериалы, бесконечная прокрутка. ИИ добавляет новый вид — потребление рассуждений. Вы не просто читаете чужие мысли — вы заказываете их под свой вопрос, и они выглядят как ответ лично вам. Это создаёт сильное ощущение участия, хотя участия может не быть вовсе.

Посмотрим на два сценария с одной и той же задачей. Студентке нужно разобраться, почему в одной стране инфляция ускорилась, и написать аналитическую записку.

Сценарий А. Она открывает чат и пишет: «Объясни причины инфляции в стране X и напиши записку на две страницы». Через минуту записка готова: структурированная, с терминами, с выводами. Она читает её, кажется, всё понимает, слегка правит формулировки и сдаёт. Результат — хороший. Через неделю на обсуждении её спрашивают, почему она считает главной причиной именно монетарный фактор, а не шоки предложения. Она пытается вспомнить, что было написано, но не может восстановить логику: аргумент никогда не был её.

Сценарий Б. Она сначала пятнадцать минут пишет от руки, что уже знает и какие у неё гипотезы. Формулирует три возможные причины и для каждой — какие данные её подтвердили бы. Затем просит модель: «Вот мои гипотезы. Какие альтернативы я упускаю? Какие данные могли бы их различить?» Получив ответ, проверяет два ключевых утверждения по первичным источникам, одно оказывается неточным. Пишет записку сама, а модель использует для критики черновика: «Найди самое слабое место в моём аргументе». Результат может быть не лучше, чем в сценарии А, и занять втрое больше времени. Но через неделю она может защитить каждый тезис — и в следующий раз справится быстрее.

Разница между сценариями не в том, использовался ли ИИ. В обоих он использовался активно. Разница в том, кто выполнил ключевую когнитивную работу: формулировку вопроса, генерацию гипотез, выбор доказательств, построение аргумента. В сценарии А эта работа отдана модели целиком. В сценарии Б она осталась у человека, а модель расширила её — показала пропущенные альтернативы, нашла слабые места.

Пассивное потребление коварно потому, что оно приятно. Оно экономит время, снимает тревогу перед пустой страницей, даёт быстрый результат и ощущение компетентности. Активное использование, наоборот, создаёт трение: нужно думать до того, как спросишь, проверять после того, как получил, переписывать своими словами. Исследователи обучения называют такое трение «желательными трудностями» (термин Роберта Бьорка): условия, которые замедляют работу сейчас, но улучшают долгосрочное запоминание и перенос. Проблема в том, что желательные трудности субъективно ощущаются как неэффективность — и люди склонны их избегать.

Стоит подчеркнуть: пассивное потребление не всегда плохо. Если вам нужна быстрая справка о том, что вам не нужно знать глубоко, — нормально получить готовый ответ. Плохо, когда этот режим становится единственным, особенно в областях, где вы хотите или должны быть компетентны.

Производительность, компетентность, автономность

Чтобы точнее говорить о влиянии ИИ, полезно различать три понятия, которые в повседневной речи часто смешиваются.

Интеллектуальная производительность — это то, сколько и насколько хорошо вы делаете интеллектуальной работы с доступными инструментами. Количество написанных текстов, решённых задач, проанализированных документов, их качество. Производительность измеряется по результату и касается настоящего момента.

Компетентность — это то, что вы умеете сами. Ваша способность решить задачу, понять текст, построить аргумент, когда инструмента нет или когда он ошибается. Компетентность измеряется тем, что остаётся после того, как помощь убрана.

Интеллектуальная автономность — это способность самостоятельно определять, что думать и как думать: ставить собственные вопросы, формировать позицию, оценивать источники, включая сам ИИ, и нести ответственность за выводы. Автономность — это не «делать всё самому», а сохранять контроль над тем, что и как вы делегируете.

ИИ влияет на эти три уровня по-разному.

Производительность он повышает почти автоматически. Многочисленные эксперименты с разработчиками, консультантами, специалистами поддержки показывали рост скорости и качества результата на типичных задачах при использовании генеративных моделей — с важными оговорками о задачах за пределами возможностей модели, где помощь могла и ухудшать результат. Это главная причина, почему ИИ так быстро распространяется: выгода видна сразу.

Компетентность ИИ может повышать, а может снижать — в зависимости от режима. Если модель работает как репетитор: задаёт вопросы, даёт подсказки вместо ответов, просит объяснить, — она способна ускорять обучение. Если она работает как исполнитель, компетентность не растёт, а у новичков может не формироваться вовсе. Это и есть «парадокс результата и обучения», подробно разобранный в отдельной статье.

Автономность — самый уязвимый уровень. Она не измеряется в тестах и не видна в результатах работы. Её ослабление происходит незаметно: вы всё чаще начинаете с запроса модели, а не с собственной мысли; всё реже формулируете позицию до того, как узнали «что говорит ИИ»; всё меньше доверяете собственному суждению, если оно расходится с ответом модели. Производительность при этом может расти, компетентность — сохраняться. Но способность самому решать, о чём и как думать, постепенно перемещается наружу.

Почему автономность самая ценная? Потому что она определяет, как вы используете всё остальное. Человек с высокой автономностью использует ИИ, чтобы усилить собственное мышление: он знает, чего хочет, видит, где модель ошибается, и способен отказаться от её ответа. Человек с низкой автономностью становится продолжением инструмента: он может быть очень продуктивным, но направление его мысли задаётся извне. В мире, где правдоподобные ответы генерируются бесконечно, способность самостоятельно решать, чему верить и что важно, становится главным интеллектуальным капиталом.

Полезный самотест: представьте, что завтра доступ к ИИ пропал на месяц. Что изменится? Если вы будете работать медленнее, но справитесь, — у вас высокая компетентность и автономность, а ИИ повышает производительность. Если вы не сможете начать задачи, которые сейчас делаете регулярно, — стоит задуматься, какая часть ваших навыков существует только в связке с инструментом.

Как развивать способности

Если мышление — набор способностей, то их можно тренировать. Хорошая новость: для этого не нужны особые программы. Большинство эффективных практик давно известны и хорошо изучены. Новое лишь в том, что теперь их нужно выбирать сознательно, потому что среда больше не вынуждает к ним.

Чтение

Глубокое чтение — одна из самых сильных тренировок мышления, которые нам доступны. Длинный связный текст заставляет удерживать линию рассуждения на протяжении многих страниц, соотносить новое со сказанным ранее, замечать противоречия, строить собственную модель авторской мысли. Это работа, которую сводка выполнить за вас не может: сводка даёт выводы, но не тренирует способность следить за аргументом.

Исследователи чтения — например, Марианн Вулф — давно обсуждают, как цифровая среда с её быстрым просмотром может влиять на привычку к глубокому чтению. Здесь тоже много неопределённости, но сам механизм понятен: способность к сосредоточенному чтению — навык, который нужно поддерживать. Подробнее о том, как чтение меняет мозг, и о практических методах — в гиде по чтению книг.

Практическое правило: если текст важен для вас, читайте его сначала сами. Сводка или пересказ от ИИ полезны после — чтобы сравнить с вашим пониманием и увидеть, что вы пропустили или поняли иначе. Если начинать со сводки, вы читаете уже через её рамку и замечаете в основном то, что она выделила.

Письмо

Письмо — не просто способ записать мысль, это способ её создать. Многие писатели и учёные говорят о том, что не знают, что думают, пока не попробуют написать. Когда вы ищете слово, перестраиваете абзац, замечаете, что аргумент не держится, — вы думаете. Модель, которая пишет за вас, отнимает именно эту часть.

Это не значит, что ИИ нельзя использовать в письме. Его можно использовать как редактора, критика, оппонента: «Где мой аргумент слабее всего?», «Какое возражение я не учёл?», «Что непонятно читателю, который не знает контекста?». Но первый черновик — особенно в тех областях, где важна ваша собственная позиция, — стоит писать самому. Пусть он будет неуклюжим: неуклюжий черновик вашей мысли ценнее гладкого черновика чужой.

Полезная привычка — короткие записи без всякой помощи: несколько абзацев в день о том, что вы прочитали, о чём думаете, с чем не согласны. Это не литература, это тренировка ясности.

Задачи без подсказок

Решение задач без немедленной помощи — ключ к выносливости и компетентности. Когда вы застреваете, мозг ищет решение, перебирает подходы, сталкивается с границами собственного понимания. Даже если вы не решите задачу сами, попытка делает последующее объяснение гораздо более полезным: в исследованиях обучения это описывается как эффект предварительной генерации и «продуктивной неудачи» — попытка до инструкции часто улучшает понимание, хотя размер эффекта зависит от условий.

Правило для работы с ИИ: дайте себе настоящую попытку перед тем, как спросить. Не тридцать секунд, а достаточно, чтобы понять, где именно вы застряли. И когда спрашиваете — просите подсказку, а не решение: «Не давай ответ, подскажи, в каком направлении думать». Многие модели можно попросить работать в таком режиме — и это, судя по ранним исследованиям, принципиально меняет эффект на обучение. Подробные сценарии — в гиде по учёбе с ИИ.

Любопытство

Любопытство — двигатель мышления, и его легко недооценить. Это способность замечать, что чего-то не понимаешь, и хотеть это понять. В мире мгновенных ответов любопытство может как расцвести (любой вопрос можно исследовать), так и угаснуть (любой вопрос закрывается так быстро, что интерес не успевает развиться).

Чтобы сохранить любопытство, полезно иногда не спешить с ответом. Записать вопрос, подумать над ним несколько дней, вернуться. Искать ответ в разных источниках, а не в одном. Спрашивать не только «что?», но и «почему так, а не иначе?», «что было бы, если?». Использовать ИИ как собеседника, который помогает углубить вопрос, а не как справочник, который его закрывает: «Какие здесь открытые вопросы?», «Где эксперты спорят?», «Что неизвестно до сих пор?».

Правила интеллектуальной гигиены с ИИ

Гигиена — подходящее слово. Речь не о запрете, а о привычках, которые снижают риск, не отнимая пользы. Как мытьё рук не отменяет еды, так и правила работы с ИИ не отменяют самого ИИ.

Правило 1. Сначала думаю сам, потом сверяюсь. Прежде чем задать вопрос модели, потратьте хотя бы несколько минут на собственную версию: что я уже знаю? Какие у меня гипотезы? Каким, по-моему, будет ответ? Запишите это. Тогда ответ модели становится не заменой вашей мысли, а точкой сравнения. Вы увидите, где совпали, где ошиблись, что упустили — и это само по себе мощная обучающая обратная связь.

Правило 2. Проверяю ключевые утверждения. Модели могут ошибаться — выдумывать источники, путать даты, упрощать до искажения. Не нужно проверять всё, но то, на что вы опираетесь в решении или аргументе, стоит сверить с независимым источником. Хороший вопрос себе: если это утверждение неверно, что сломается? Если многое — проверьте.

Правило 3. Объясняю своими словами. После того как вы получили объяснение, закройте его и попробуйте воспроизвести своими словами — устно, письменно, в виде схемы. Если не получается — вы не поняли, вы только прочитали. Это самый простой и надёжный антидот к иллюзии понимания.

Правило 4. Оставляю суждение себе. Модель может помочь собрать доводы, показать альтернативы, найти слабые места. Но окончательный вывод — что верно, что важно, что делать — формулируйте сами и будьте готовы его защитить без ссылки на «так сказал ИИ». Если вы не можете обосновать позицию собственными аргументами, у вас нет позиции — есть заимствованный ответ.

Правило 5. Сохраняю зоны без ИИ. Выберите области или ситуации, где вы сознательно не используете ассистента: личный дневник, чтение важных книг, решение задач в той области, которую осваиваете, первые черновики. Это не аскетизм, а тренировочный зал: там поддерживаются навыки, которые иначе не получали бы нагрузки.

Полезно иногда спрашивать себя: в каких задачах за последнюю неделю я начинал с модели, не успев подумать сам? Это не повод для самобичевания, а способ заметить автоматизм.

Среда мышления за пределами ИИ

Было бы ошибкой рассматривать ИИ изолированно. Он встроен в более широкую информационную среду, которая и без него создаёт серьёзные вызовы для мышления. Если говорить о сохранении самостоятельности, нужно учитывать и её.

Информационная перегрузка. Объём доступной информации давно превышает то, что человек может обработать. Перегрузка ведёт не к лучшему пониманию, а к поверхностному просмотру, быстрым эвристикам и усталости от решений. ИИ здесь двойственен: он может помочь отфильтровать и структурировать, но может и добавить ещё больше текста — сводок, пересказов, ответов, — которые вы тоже должны обработать.

Фрагментация внимания. Уведомления и переключения между задачами дробят внимание, а у каждого переключения есть когнитивная цена, даже когда кажется, что мы справляемся.

Информационные пузыри и алгоритмическая персонализация. Ленты новостей и рекомендации подстраиваются под наши предпочтения, и мы видим больше того, с чем уже согласны. Сила эффекта «пузырей фильтров» в научной литературе обсуждается, и, вероятно, она меньше, чем принято думать в популярных текстах. Но сама склонность выбирать подтверждающую информацию — хорошо изученный факт о человеческом мышлении. ИИ-ассистент, подстраивающийся под ваши запросы и стиль, может стать ещё одним, очень персональным, зеркалом.

Манипулятивные сообщения. Пропаганда, реклама, политическая риторика используют те же механизмы, что и иллюзия понимания: повторение, уверенный тон, эмоциональную вовлечённость. С появлением генеративных моделей производство убедительного текста резко подешевело. Это повышает ценность навыка распознавания приёмов — подробно они описаны в статье о том, как работает пропаганда.

Что с этим делать? Те же принципы, что и с ИИ, только шире. Создавать периоды сосредоточенной работы без отвлечений. Сознательно искать источники, которые с вами не согласны. Давать себе право не иметь мнения по вопросу, в котором вы не разбирались. Замечать, когда текст пытается вызвать эмоцию вместо аргумента. И помнить, что ИИ — не единственный, а лишь самый новый элемент среды, в которой мышление требует защиты.

Три модели: потребитель, оператор, партнёр

Отношения человека с ИИ можно описать через три модели. Это не типы людей — один и тот же человек может переключаться между ними в зависимости от задачи. Но полезно замечать, какая модель у вас преобладает.

Потребитель. Он использует ИИ как источник готовых продуктов: ответов, текстов, решений. Вопрос формулируется быстро, ответ принимается почти без проверки, результат используется как есть. Производительность может быть высокой, особенно в рутинных задачах. Но компетентность почти не растёт, а автономность постепенно ослабевает: потребитель всё реже начинает с собственной мысли. Эта модель уместна для задач, где вам действительно не нужно разбираться — быстрые справки, черновики технических писем, форматирование. Опасна, когда становится единственной.

Оператор. Он управляет ИИ как инструментом: умеет формулировать точные запросы, разбивать задачу на шаги, проверять результат, исправлять ошибки. Оператор достигает высокой производительности и сохраняет контроль над качеством. Но он может так и не включать модель в собственное развитие: инструмент делает работу, оператор её координирует. Его компетентность в предметной области может стоять на месте, хотя растёт компетентность в управлении инструментом. Это ценный навык, но не замена мышлению.

Партнёр. Он использует ИИ как собеседника для развития собственной мысли. Партнёр приходит со своей позицией и просит её оспорить. Просит не ответ, а вопросы. Использует модель, чтобы увидеть альтернативы, проверить аргументы, найти пробелы в понимании, — а затем сам делает выводы. Взаимодействие медленнее и требует больше усилий, но в результате растёт и компетентность, и автономность. ИИ здесь выполняет роль, которую раньше могли выполнять сильный оппонент, наставник или требовательный редактор — роль, доступ к которой раньше был у немногих.

Переход от потребителя к партнёру — вопрос установки, а не техники: кто здесь думает?

Все три модели уместны в своих контекстах: нет смысла быть партнёром при переформатировании таблицы. Но в профессии, учёбе и убеждениях партнёрство отделяет того, кто растёт вместе с инструментом, от того, кто от него зависит.

Протокол 30 дней

Осознанность полезна, но привычки меняются через практику. Ниже — четырёхнедельный протокол, который помогает перестроить отношения с ИИ без радикального отказа. Он не основан на конкретном исследовании как готовая программа — это сборка из известных принципов обучения и формирования привычек, которую стоит адаптировать под себя.

Неделя 1. Наблюдение. Не меняйте ничего, только замечайте. Каждый раз, когда используете ИИ, коротко отмечайте: какая задача, попробовал ли я сначала сам, в какой модели (потребитель, оператор, партнёр) я действовал. В конце недели посмотрите на записи. Где вы тянулись к модели автоматически? Какие задачи вы раньше делали сами? Цель недели — сделать невидимое видимым.

Неделя 2. Правило «сначала сам». Для всех важных задач введите обязательную паузу перед запросом: несколько минут собственной мысли, записанной хотя бы в двух-трёх предложениях. Что я думаю? Какой ожидаю ответ? После ответа модели сравните. Отмечайте, насколько часто ваша первая версия была близка, а где модель показала что-то новое. Параллельно выберите одну зону без ИИ — например, чтение книги или ведение дневника.

Неделя 3. Режим партнёра. Попробуйте в нескольких задачах изменить запросы. Вместо «напиши» — «вот мой черновик, найди слабые места». Вместо «объясни» — «задай мне вопросы, чтобы проверить, понял ли я». Вместо «что лучше» — «вот мой выбор и доводы, приведи сильнейшее возражение». Добавьте правило объяснения своими словами: после каждого важного объяснения закройте его и воспроизведите.

Неделя 4. Проверка автономности. Выберите задачу, которую обычно делаете с ИИ, и сделайте её полностью без него. Отметьте, что было трудно, где вы застряли, что заняло больше времени. Это не наказание, а диагностика: вы узнаете, какие навыки поддерживаются, а какие существуют только в связке с инструментом. Затем решите, какие из этих навыков вам важно сохранить, и включите их в постоянные зоны без ИИ.

После 30 дней полезно сформулировать собственные правила — короткий список, который отвечает на вопросы: где я использую ИИ свободно? Где только после собственной попытки? Где не использую вовсе? Как проверяю важные ответы? Такой список стоит пересматривать каждые несколько месяцев: и инструменты, и ваши задачи меняются.

Цель протокола — не минимизировать использование ИИ, а сделать его осознанным.

Глубже: что ещё стоит сохранить

Помимо навыков и правил, есть более глубокие качества мышления, которые в эпоху ИИ становятся особенно ценными, хотя и плохо поддаются измерению.

Интеллектуальная выносливость

Способность оставаться с трудной задачей — с вопросом без готового ответа, с текстом, который не открывается сразу, с проблемой, которая требует дней размышлений. Многие важные открытия и озарения приходят не в момент сосредоточенного поиска, а после долгого периода работы и даже отдыха от неё. Если любое затруднение сразу гасится ответом, эта способность не тренируется.

Выносливость развивается постепенно: больше времени перед вопросом, тексты чуть сложнее привычных, возвращение к нерешённому через несколько дней.

Право не знать

В культуре мгновенных ответов «я не знаю» звучит почти как поражение. Но способность признать незнание — основа честного мышления. Только тот, кто знает, чего не знает, может учиться. Метапознание начинается с этого признания.

ИИ создаёт искушение никогда не оставаться в незнании: на любой вопрос можно получить правдоподобный ответ за секунды. Но правдоподобный ответ, полученный без понимания, — это не знание, а его имитация. Иногда честнее и полезнее сказать «не знаю, нужно разобраться» — и действительно разобраться — чем озвучить чужой вывод как свой. Отдельная ценность — разрешение себе не иметь мнения по вопросу, который вы не изучали.

Умение спрашивать

Когда ответы дешевеют, дорожают вопросы. Хороший вопрос определяет, что вы вообще увидите: он задаёт рамку, выбирает, что считать важным, отделяет известное от неизвестного. Модель отвечает на тот вопрос, который вы задали, — и если он поверхностен, ответ будет таким же.

Умение спрашивать включает несколько уровней: уточняющие вопросы («что именно имеется в виду?»), вопросы о доказательствах («откуда это известно?»), вопросы об альтернативах («как ещё это можно объяснить?»), вопросы о последствиях («что следует, если это верно?») и вопросы о самом вопросе («правильно ли я ставлю задачу?»). Эти навыки развиваются через практику — в том числе через сознательную работу с ИИ, если использовать его для углубления вопроса, а не для его закрытия.

Независимость суждения

Независимость не значит противопоставлять себя всем. Она значит, что ваша позиция основана на ваших собственных доводах, а не на авторитете источника — будь то эксперт, большинство или ИИ. Независимый мыслитель может согласиться с моделью, но потому, что проверил аргументы, а не потому, что модель так сказала.

Ответы ИИ кажутся «объективными», хотя отражают обучающие данные, выбор разработчиков и формулировку вашего вопроса. Это одна из точек зрения, а не вердикт.

Сохранение усилия

Наконец, самое простое и самое трудное — сохранять готовность прилагать умственное усилие, когда его можно избежать. Мозг экономен: он склонен выбирать путь наименьшего сопротивления. Это не недостаток, а эволюционно разумная стратегия. Но в среде, где сопротивления почти нет, она может привести к тому, что усилие исчезает совсем.

Сохранение усилия — это осознанный выбор: где я экономлю силы, а где трачу их, потому что именно в этом усилии растёт способность. Мышление, как и мышцы, поддерживается нагрузкой.

FAQ

Научная и смежная опора

Эта статья опирается на несколько линий исследований, и важно понимать их силу и ограничения.

Когнитивная разгрузка. Обзор Риско и Гилберта (2016, Trends in Cognitive Sciences) описывает разгрузку как базовую стратегию познания и обсуждает её цену для памяти. Работа Спарроу и коллег (2011, Science) об «эффекте Google» стала классикой, но часть её результатов при повторениях воспроизводилась слабо — это стоит учитывать. Исследования GPS и пространственной памяти в основном корреляционные.

Иллюзия понимания. Иллюзия глубины объяснения (Розенблит и Кейл, 2002) хорошо воспроизводится. Исследование Фишера, Годду и Кейла (2015) показывает, как поиск в интернете раздувает оценку собственных знаний. Эффект беглости — смешение лёгкости обработки с пониманием — широко изучен в когнитивной психологии.

Обучение и желательные трудности. Эффект тестирования (активного вспоминания) и концепция желательных трудностей Роберта и Элизабет Бьорк относятся к наиболее устойчивым результатам науки об обучении. Подробнее — в гидах по активному вспоминанию и метапознанию.

Автоматизация. Исследования предвзятости автоматизации и снижения ручных навыков (например, обзор Парасурамана и Манцая, 2010) накоплены в авиации, медицине и промышленности. Перенос их на генеративный ИИ правдоподобен, но не автоматичен.

Генеративный ИИ. Здесь данные самые свежие и самые неустойчивые. Полевой эксперимент в PNAS (2025) о GPT-4 и обучении школьников разобран в статье о парадоксе результата и обучения. Опрос работников умственного труда Microsoft и Карнеги — Меллон (CHI 2025) основан на самоотчётах. ЭЭГ-исследование MIT Media Lab (2025) — препринт с небольшой выборкой. Все эти работы полезны как ранние сигналы, но не как окончательный вердикт о долгосрочном влиянии ИИ на мышление.

Чтение и среда. О чтении — статьи как чтение меняет мозг и как читать книги. О формировании убеждений и манипуляциях — архитектура убеждений и как работает пропаганда. О критическом мышлении — полный гид и работа с ИИ-сводками. О том, как меняются приоритеты обучения, — как ИИ меняет то, чему стоит учиться.

Заключение

Мы живём в момент, когда доступ к знанию и даже к рассуждению стал почти бесплатным. Это огромная возможность: человек с хорошими вопросами и самостоятельным мышлением получает собеседника, редактора и оппонента, о котором раньше можно было только мечтать. Но та же технология предлагает удобный путь в обход мышления — путь, на котором производительность растёт, а способность думать самому незаметно перемещается наружу.

Выбор между этими путями не делается один раз. Он делается в каждой мелкой ситуации: начать с собственной мысли или с запроса? Проверить или принять? Объяснить себе или просто прочитать? Сформулировать позицию или взять готовую? По отдельности эти решения кажутся незначительными. Вместе они определяют, каким мыслителем вы станете через несколько лет.

Ключевая интеллектуальная компетенция нашего времени — не умение пользоваться ИИ, хотя оно и важно. Это умение оставаться автором собственного мышления, когда машина может думать вместе с вами. Производительность ИИ даст и так. Компетентность придётся строить сознательно. Автономность — беречь.

Если хотите потренировать критическое чтение текстов, в том числе сгенерированных ИИ, попробуйте ThinkLens: он помогает замечать допущения, слабые аргументы и манипулятивные приёмы — и делать вывод самому.