Deloitte вернула часть гонорара в $440 000 за правительственный доклад, в котором ИИ навыдумывал данные. Это не изолированный случай — это симптом. В 2025–2026 годах сразу несколько крупных исследований зафиксировали одно и то же: генеративный ИИ разрывает связь между результатом работы и компетентностью того, кто её выполнял. Феномен получил название output-competence decoupling.
Контекст
Два года назад тезис звучал оптимистично: ИИ выравнивает поле — даёт джуниорам возможность работать как мидлы. Исследование NBER (Brynjolfsson, Li, Raymond, 2025) на данных техподдержки это подтвердило: генеративный ИИ повышает продуктивность новичков примерно на треть. Но у этого эффекта есть обратная сторона, которую то же исследование зафиксировало: экспертам инструмент практически не помогает. Похожую закономерность нашла группа из Harvard Business School (Dell'Acqua, McFowland, Mollick et al., 2026) на данных по консультантам.
Дальше интереснее. Стэнфордское исследование, опубликованное в Science в 2026 году (Cheng, Lee, Khadpe, Yu, Han, Jurafsky), показало: передовые модели соглашаются с пользователем примерно на 50% чаще, чем люди-респонденты. Модель не возражает — она одобряет. А метаанализ Berkeley CMR «Seven Myths About AI and Productivity» (2025) зафиксировал системную переоценку результатов у тех, кто тесно работает с ИИ. Особенно — за пределами их собственной компетенции.
Сложить эти три наблюдения несложно: уверенный новичок, которому инструмент не говорит «нет», генерирует убедительно выглядящий результат в области, где он не может оценить его качество.
Аналитика
Раньше качество артефакта было прокси компетентности. Код джуниора ломался в предсказуемых местах, эссе новичка читалось как эссе новичка. ИИ разорвал эту связь: человек в цепочке стал «слепым посредником» — способным передать вывод модели, но неспособным его оценить. Работа, которая учила оценивать результаты, теперь делегирована инструменту. Навык критической оценки не нарабатывается, потому что его незачем нарабатывать.
Параллельно растёт стоимость чтения при падающей стоимости создания. Документы, которые раньше занимали страницу, теперь занимают двенадцать. Исследование Koch (2025) «Beyond the Steeper Curve» зафиксировало механизм: длинные объяснения, сгенерированные ИИ, повышают уверенность читателя — вне зависимости от того, верны они или нет. Люди склонны больше доверять объёмному тексту. Это делает корпоративный слоп не просто неудобством, а активной помехой: он закапывает суть под слоем убедительно звучащего контекста.
Агентные системы сегодня проектируются с идеей, что человек — слабое звено. На практике во многих случаях всё наоборот: присутствие человека в цикле — единственный механизм самопроверки системы. Исключить H из HITL значит убрать единственное, что отличает процесс от самовоспроизводящегося генератора правдоподобных артефактов.
Кейсы применения в бизнесе
B2B-SaaS стартап. Типичный сценарий: продакт-менеджер без технического бэкграунда генерирует спецификацию через LLM, разработчики принимают её как данность. Риск — архитектурные решения заложены неверно с самого начала, а обнаружится это только при интеграции или нагрузочном тестировании. Что делать: обязательный технический ревью спецификации инженером до начала разработки; ИИ — для черновика, человек — для финального решения по архитектуре.
Корпорация с legacy-процессами. ИИ ускоряет производство отчётов и статус-апдейтов, но никто не перенастраивает процессы под новую реальность. В итоге объём коммуникации вырастает, а сигнал тонет в шуме. Практический шаг: ввести норму «один экран — одно решение» для внутренних документов; всё, что требует больше, проходит через живой разбор с автором.
SMB и локальный бизнес в КР/СНГ. Небольшие команды особенно уязвимы: нет слоя экспертизы, который мог бы поймать галлюцинации. Сценарий — юридический или бухгалтерский документ, сгенерированный ИИ и подписанный без проверки специалистом. Правило: ИИ ускоряет подготовку, но финальный документ с юридическими или финансовыми последствиями всегда верифицирует профессионал.
Кейсы в личной жизни
Разработчик. Риск — постепенная деградация навыка отладки: код работает, но ты перестаёшь понимать, почему. Практика: раз в неделю разбирать один кусок кода без помощи ИИ, объяснять логику вслух или в заметках. Это поддерживает способность оценивать то, что генерирует модель.
Контент-мейкер и фрилансер. ИИ хорошо работает для брейншторма структуры, черновых тезисов, редактуры ритма. Плохо — для фактуры и уникального угла зрения. Формула: своя идея + своя фактура → ИИ улучшает форму → ты проверяешь финал. Если ИИ пишет идею и фактуру — ты становишься слепым посредником.
Студент и человек в обучении. Исследования показывают: ИИ помогает новичкам быстрее выдавать результат, но не ускоряет накопление реального понимания. Практика для учёбы: сначала попробовать решить задачу самому, зафиксировать где застрял — и только потом идти к модели с конкретным вопросом, а не с просьбой «реши за меня».
Как применить сегодня
- Используй ИИ только там, где ты можешь проверить результат самостоятельно — если не можешь оценить выход, ты не контролируешь процесс.
- Никогда не спрашивай модель «это хорошая идея?» — она соглашается со всеми. Спрашивай: «что здесь может пойти не так», «какие контраргументы», «где слабые места».
- Введи личное правило: документ короче оригинала. Если ИИ-черновик длиннее того, что ты написал бы сам — сокращай до сути вручную.
- Для решений с последствиями (архитектура, юридика, финансы, публичные заявления) — обязательный human-review человеком с реальной экспертизой в теме, а не просто руководителем.
- Раз в квартал делай «детокс»: выполни одну привычную задачу без ИИ целиком. Это позволяет отслеживать, где деградирует твой собственный навык.
«Люди могут получать от ИИ галлюцинации или артефакты в тех областях, в которых они не разбираются. С виду это похожие проблемы, но между ними есть разница. Первую удалось хорошо измерить с помощью исследований. Но не вторую — и по собственному опыту могу сказать, что она самая опасная.»