Автор: Алексей Хинкис

Автор: Алексей Хинкис

После фильма «Гостья из будущего» многие из нас мечтали о миелофоне. Этому прибору не нужно ничего объяснять — он просто слышит мысли.

И вот мы наконец получили свой фантастический прибор. Его даже не нужно прятать от космических пиратов. Достаточно открыть браузер и получить ответ, будто ты подключён к Большому Всепланетному Информаторию из мира “Полудня” Стругацких.

Но есть важный нюанс! Миелофона не существует. А модель знает лишь то, что мы ей сообщили. Зазор остаётся где-то между намерением человека и его формулировкой задачи. Для бизнеса это может исчисляться крупными суммами выручки.

Фантасты придумали не только мыслящую машину, но и специалиста, который умеет с ней разговаривать. В рассказах Айзека Азимова, собранных в 1950 году в книгу «Я, робот», Сьюзен Кэлвин служит главным робопсихологом. Её работа - восстановить логику, которая привела робота к странному поведению, и понять, чего человек не учёл в заданных правилах. Сложной машине понадобился профессиональный интерпретатор. Сейчас этим по нескольку раз в день занимается каждый, кто открывает чат.

Инженеры в те же годы собирали усилитель мышления в реальности: Ванневар Буш описал персональный архив связанных по смыслу документов, Росс Эшби вынес задачу прямо в заголовок работы Design for an Intelligence-Amplifier, Джозеф Ликлайдер предложил симбиоз, где человек ставит цели, а компьютер берёт на себя вычисления и рутину.

Это и есть главное ограничение нынешней ИИ-трансформации: можно раздать сотрудникам новый сервис, но нельзя впридачу выдать и новый способ мышления.

Летом 2025 года исследовательская организация METR опубликовала эксперимент, который оцифровал эту старую идею.

16 опытных разработчиков решали реальные задачи в хорошо знакомых им проектах с открытым кодом. Часть задач досталась им с разрешёнными ИИ-инструментами, часть — без них.

Разработчики ждали ускорения на 24%. Замер показал, что с ИИ задачи занимали в среднем на 19% больше времени. Доверительный интервал получился широким: от 2% до 39% дополнительного времени. После эксперимента участникам по-прежнему казалось, что ИИ ускорил их работу примерно на 20%.

Из этого не следует, что ИИ вообще тормозит разработчиков. Замер относится к конкретным инструментам, задачам и условиям начала 2025 года. Модели и способы работы меняются слишком быстро, чтобы превращать его в окончательный вердикт.

Интересен как раз разрыв между результатом и его восприятием. От восприятия процесса зависит, будут ли люди пользоваться инструментом, учиться и менять привычки. Удовольствие от работы, уверенность в результате и реальный выигрыш могут сильно расходиться. Важно не принять одно за другое.

Я девятнадцать лет занимаюсь оценкой людей и привык относиться к самооценке как к важному, но не единственному источнику. Она показывает, как человек воспринимает свою работу. Чтобы понять, насколько хорошо он с ней справляется, нужен ещё и внешний критерий.

Участники эксперимента были экспертами. В своей предметной области, в своём коде, со свежими на тот момент инструментами. Предметная экспертиза и мощный инструмент не сложились в выигрыш. Значит, работает что-то третье.

Вокруг ИИ появилось много полезных рецептов: напиши роль, добавь контекст, настрой «харнесс», попроси думать пошагово, укажи формат. Это рабочие приёмы, но сильная работа с ИИ в один промпт не помещается.

В феврале 2026 года Anthropic опубликовала AI Fluency Index и показала это на данных. Исследователи взяли рамку из 24 признаков продуктивного поведения, отобрали 11 таких, которые видны прямо в переписке, и проверили их присутствие в 9830 диалогах за одну неделю января 2026 года. Выборка — пользователи Claude.ai, то есть скорее ранние адаптеры, чем все работающие с ИИ; авторы это оговаривают отдельно.

В простом диалоге с моделью в 85,7% случаев люди уточняют и достраивают первый ответ.

Для получения готового результата люди чаще формулируют цель и заранее задают формат. Но когда модель выдаёт готовый артефакт — код, документ, работающий прототип — человек с большей готовностью принимает его с первого захода. Недостающий контекст замечают реже на 5,2 процентного пункта, а факты проверяют реже на 3,7%. Просьбы обосновать вывод тоже становятся менее частыми.

Как и в обычном человеческом взаимодействии, аккуратно оформленный документ проходит согласование быстрее содержательного, но небрежного черновика. Языковая модель просто научилась производить аккуратное оформление в промышленных масштабах.

Способность работать с ИИ описывали разными способами.

Разницу можно сформулировать так: AI literacy оценивает знания, AI Fluency — наблюдаемое поведение.

Понятие AIQ (Artificial Intelligence Quotient) в 2025 году предложили Венкат Рам Редди Ганутула и Кришна Кумар Балараман. У них восемь измерений: понимание ИИ, формулировка запросов, критическая оценка, интеграция, адаптивное обучение, этика, чувствительность к контексту и творческий синтез. Авторы честно пишут, что рамке требуется эмпирическая и психометрическая проверка.

Я использую AIQ как рабочую модель под управленческую задачу.

Соблазн быстро превратить AIQ в ещё один балл для резюме наверняка появится. Но пока нет проверенных заданий, шкал и норм, такой балл будет измерять скорее уверенность разработчиков теста, чем способность человека работать с ИИ. Поэтому дальше — не балл, а способ смотреть.

Считать промпты для этого мало. Десять уточнений в диалоге могут означать как глубокое исследование задачи, так и хождение по кругу. Отличить одно от другого по числу реплик нельзя, поэтому смотреть имеет смысл на весь рабочий цикл:

задача → формулировка → ответ модели → человеческая оценка → новый ход → рабочий результат.

Модель влияет на мысль человека, человек меняет вопрос, следующий ответ снова перестраивает рассуждение. Система получается связанной, но цель, выбор и ответственность остаются на стороне человека.

Рамки компетенций есть, а уровней нет. Ни у Anthropic, ни у Ганутулы с Балараманом прогрессии не описано: обе модели перечисляют измерения, но не говорят, как выглядит движение снизу вверх. Уровни, которые сейчас предлагает рынок, описывают систему: чат, сценарий, агент, автономный агент. Это шкала зрелости инструментария.

Ниже — шкала про человека.

Уровень 1. Новичок. Использует первый ответ модели. Модель для него — автомат выдачи ответов: подошло или «эта штука не работает».

Признак: разговор заканчивается на первом ответе.

Уровень 2. Оператор. Использует проверенные приёмы: роль, контекст, формат, итерация. В знакомых задачах стабильно получает нужное.

Признак: для новой по типу задачи использует старые инструменты, не замечает, что необходимо корректировать инструментарий.

Уровень 3. Навигатор. До первого промпта знает, куда и зачем идёт. Превращает лозунг в решаемую проблему и под неё выбирает платформу и роль модели: автор черновика, критик, исследователь, оппонент, собеседник, который только задаёт вопросы.

Признак: может сказать, что уже известно, что ограничивает и как он поймёт, что результат хороший.

Уровень 4. Дирижёр. Отвечает за итог и итерациями доводит решение до идеала. Знает, что уточнить и где проверить логику рассуждений, видит нестыковки в «округлых» ответах модели. Проверка для него — обычный шаг работы.

Признак: есть проверка за пределами диалога, и человек отличает «решение уже достаточно хорошее» от «просто устал от итераций».

Уровень 5. Архитектор. Создаёт системный способ работы, который можно передать команде.

Признак: коллега применяет этот способ и получает похожий результат. Личное умение становится умением команды.

Исследование Anthropic говорит о том, что первый ответ достраивают в 85,7% диалогов (почти всегда). А вот правила взаимодействия модели задают только в 30%. Если считать это грубым признаком третьего уровня, до него доходит меньшинство. Большинство живёт на втором уровне шкалы.

У Стругацких в «Пикнике на обочине» есть Золотой шар, который исполняет желания. Рэдрик Шухарт добирается до него через всю Зону и у самого шара обнаруживает, что не понимает, чего просить. В голове остаётся только чужое пожелание: счастье для всех, даром, и пусть никто не уйдёт обиженный. Машина, исполняющая желания, бесполезна для того, кто своего желания не сформулировал. С этого и начнём.

1. Постановка задачи. Человек превращает лозунг в решаемую проблему. Наблюдения, ограничения, уже проверенные гипотезы и критерии результата позволяют модели построить действительно работающее решение.
2. Организация взаимодействия. Человек определяет, в какой роли будет выступать модель. По данным Anthropic, в 70% диалогов этого не делают: не говорят модели, где спорить, где показывать основания вывода, где признавать неуверенность.
3. Переформулировка. Первый ответ — это материал для следующего хода. Можно добавить контекст, сменить рамку, разделить задачу или проверить противоположную гипотезу. Фраза «подумай ещё» в этом чаще всего не поможет.
4. Критика. Уверенно описанные аргументы легко принять за верные. Человек ищет слабые основания, пропущенные данные, удобное согласие модели и места, которые требуют внешней проверки.
5. Синтез. Модель даёт вариативность, аргументы и фрагменты. Человек собирает из них решение, добавляет собственный опыт и отвечает за итог. Самый красивый ответ в чате не всегда самый полезный.
6. Метакогниция. Человек замечает, что происходит с его собственной мыслью. Осознаёт, когда модель расширяет поле вариантов, а когда сужает его.

По данным Stanford AI Index, в 2025 году 88% опрошенных организаций использовали ИИ хотя бы в одной бизнес-функции, а 70% применяли генеративный ИИ. При этом внедрение агентов почти во всех функциях держится на уровне единиц процентов. Доступ уже состоялся, перестройка работы только начинается. Предполагаю, что 2027 год даст нам бум внедрения ИИ-агентов в крупных компаниях (и глобальное изменение принципов работы сотрудников).

AIQ позволяет посмотреть на эти процессы со стороны человека: как меняется качество решения, когда сотрудник или команда начинают работать с моделью «в одной команде». Пока модель не научилась ставить стратегические цели за человека, стоит застолбить эту нишу!

Личная шкала переносится на организацию почти без изменений, и стадии узнаваемы.

Личные эксперименты. Сотрудники сокращают тексты, готовят письма, ищут информацию, придумывают варианты. В терминах шкалы — россыпь первых и вторых уровней. Польза зависит от отдельных энтузиастов и почти не измеряется. Типичный признак: в компании есть «несколько» человек, к которым ходят «спросить, как это сделать в нейросети».

Командные практики. Появляются повторяемые сценарии, общий контекст, критерии качества, правила проверки и разбор удачных способов работы. Это организационный третий и четвёртый уровень: проверка перестаёт быть личной добродетелью и становится частью процесса.

Перестройка процессов. Компания заново распределяет работу между человеком, моделью и информационными системами. Меняются роли, точки контроля и требования к результату. Это пятый уровень, вынесенный на масштаб организации.

Большинство компаний, которые я вижу в работе, живёт между первой и второй стадией. Инструменты освоены на бытовом уровне, а индивидуальные находки ещё не превратились в воспроизводимый способ работы. Это ровно тот же барьер, что у человека между вторым и третьим уровнем, только на другом масштабе.

При этом организационный AIQ — не среднее арифметическое личных способностей сотрудников. AIQ — в навыках людей, в правилах работы, ролях, общем языке, точках контроля и инструментах команды. Поэтому начинать стоит не с отбора людей, а с диагностики действующих команд и перестройки процесса вокруг реальной задачи.

Работа начинается с реальной управленческой задачи, которая у команды сейчас в работе. Мы разбираем, как команда принимает такие решения в текущий момент, находим места, где ИИ усиливает мышление и где преждевременно закрывает вопрос, и перестраиваем процесс: с подходящими ролями модели, альтернативными гипотезами, точками проверки и понятным разграничением ответственности.

На выходе у команды остаётся не только решение текущей задачи, но и собственный протокол работы с AI, применимый к следующим задачам того же класса. То есть обучение происходит на базе реальной рабочей задачи и позволяет сразу увеличить эффективность.

Сотрудники могут активно пользоваться ИИ, показывать удачные ответы, приносить на встречи убедительные презентации. Качество решений, число переделок и сроки при этом могут не измениться.

У нас появился инструмент, который ищет связи, предлагает варианты и участвует в формулировании проблемы. Он создаёт ощущение фантастического прибора, хотя не знает нашего невысказанного контекста и не отвечает за последствия.

Как заметил Дуглас Энгельбарт ещё в 1962 году, усиливает мышление не компьютер сам по себе, а вся система: инструмент, обученный человек, язык и метод. Для по-настоящему сильного решения нужно работать со всеми элементами системы.

Узнать свой уровень. По этой шкале я собрал короткий тест, который позволяет определить уровень владения ИИ и получить персональный отчёт с рекомендациями.
Занимает около 10 минут. Пройти можно по ссылке

Статья подготовлена для Ассоциации организационного развития (ODA). Ассоциация объединяет практиков, которые перестраивают процессы, команды и системы управления в крупных компаниях. Если тема AIQ и перестройки работы с ИИ вам близка, вступайте в Ассоциацию: внутри — экспертное сообщество, отраслевая аналитика, рабочие инструменты и возможность делиться опытом с людьми, которые решают те же задачи.