Есть тема, которую не принято открыто обсуждать: дашборды и отчеты - инструменты визуализации данных, которые позволяют осознанно манипулировать решениями пользователей.
Каждый раз, когда вы выбираете, что поставить первой карточкой на дашборде, размер и цвет шрифта, как сформулировать заголовок или описание той или иной цифры, как и когда презентовать отчет, осознанно или нет, вы влияете на решения заказчика.
Занимаясь коммерческой аналитикой, я пришел к выводу, что большинство дашбордов показывают субьективную интерпретацию данных. Иногда интерпретация строится в пользу заказчика, иногда в пользу разработчика или того, кто за ним стоит.
В своей статье я описываю несколько важных механизмов, которые сильнее всего воздействуют на пользователей дашбордов.
Что происходит, когда человек смотрит на дашборд
Когда пользователь открывает отчет, первое, что делает мозг, это обработка визуала. Еще до прочтения первого числа, цвета и размеры уже обработаны и расставлены по значимости.
Красный цвет вызывает тревогу. Крупный шрифт подсвечивает значимые элементы. Зеленый - позитив. Все это происходит за доли секунды, раньше, чем успевает сформироваться осознанная мысль.
Следом взгляд цепляется за первое крупное число: оно становится ментальным якорем, относительно которого человек будет оценивать все остальное на странице. Затем — беглый просмотр заголовков, первый вывод, и у человека уже есть ощущение общей картины происходящего. С этого момента он не анализирует данные, а ищет подтверждение первому впечатлению.
Весь этот процесс занимает в среднем 10–15 секунд. На большинстве рабочих встреч это и есть время, необходимое для сканирования дашборда до начала обсуждения.
Выбор цвета, размера шрифта, порядка карточек и формулировки заголовка напрямую влияет на первое впечатление. Дальше разберем, из чего именно оно складывается.
Первая карточка управляет всем остальным
Крупная KPI-карточка в верхней части дашборда — это якорь для всей последующей интерпретации.
Эксперимент с 94 участниками показал: визуальные якоря значимо влияют на активность пользователя, скорость принятия решений, уверенность и, при определенных условиях, точность решений [arxiv.org/abs/1806.02720].
Нейробиологи подтвердили: конкретное число принимается мозгом как якорь автоматически, без сопротивления. Визуальный якорь без числа (например, пунктирная линия на графике или столбец прошлого периода без числового значения) требует больше когнитивных усилий для интерпретации и поэтому хуже «якорится» [sciencedirect.com].
Первое число на экране — это точка отсчета, от которой аудитория оценивает все остальное. Возьмем простой пример: продажи — ₽47,3 млн при плане ₽50 млн.
Когда первая карточка показывает ₽47,3 млн, аудитория видит большое число и настраивается позитивно. Отставание в ₽2,7 млн воспринимается как незначительное.
Если же первая карточка показывает −₽2,7 млн к плану (отставание на 2,7 млн), аудитория переходит в режим настороженности: те же ₽47,3 млн теперь звучат менее положительно.
Встретив число, мозг берет его как точку отсчета и начинает двигаться от нее в сторону более реалистичной оценки. Проблема в том, что это движение почти всегда обрывается слишком рано: человек останавливается, как только находит первый приемлемый ответ. Итоговая оценка остается притянутой к якорю.
Важный нюанс — экспертиза не дает иммунитета. Опытный финансовый директор, знающий цифры наизусть, все равно подвержен якорю первой карточки: она просто снижает эффект, но не устраняет его.
Одни и те же данные - противоположные решения
Эффект фрейминга в чистом виде: «вероятность выжить - 90%» и «вероятность умереть - 10%» - одна и та же информация, но первое звучит как хорошая новость, второе - как плохая.
На дашборде это работает так. Допустим, конверсия сайта - 3,2%, средняя по рынку - 3,5%:
Вариант A: карточка красная, стрелка вниз: «Конверсия ниже рынка на 8,6%».
Вариант B: карточка нейтральная: «Конверсия: 3,2% - 91,4% от среднерыночного уровня».
Оба утверждения описывают один факт. Вариант A активирует неприятие потерь и ведет к срочным решениям. Вариант B снижает тревогу. По теории перспектив Канемана — Тверски, люди воспринимают потери примерно вдвое острее, чем сопоставимые выгоды.
Заранее понимая, какое решение нужно, можно выбирать подачу осознанно:
Нужно одобрение бюджета на рост - тогда нужно подавать через выгоду: «вот сколько мы заработаем», или еще эффективнее: «мы можем заработать 500 тыс. евро дополнительно, а без инвестиций упустим эту возможность».
Нужно сократить расходы - будем презентовать через потери: «Каждый месяц мы теряем 20 тыс. евро из-за неэффективного процесса».
Нужно одобрить рискованный эксперимент - здесь ситуация сложнее. Согласно теории перспектив, люди обычно:
становятся более склонными к риску, когда пытаются избежать потерь;
становятся более осторожными, когда выбирают между вариантами выигрыша.
Поэтому рискованный эксперимент нередко проще продать через: «Стоимость ошибки ограничена X, а потенциальная выгода составляет Y».
Или: «Если ничего не делать, есть риск отстать от конкурентов».
Иногда для продвижения рискованного эксперимента акцент на риске бездействия может работать даже лучше, чем полностью нейтральная подача.
Используя фрейминг, мы не обманываем и не вводим в заблуждение, а выбираем угол, под которым правда выглядит убедительнее.
Усталость удваивает эффект
Когнитивная нагрузка и усталость часто снижают способность человека к аналитической проверке первоначальных впечатлений.
Поэтому в среднем люди могут сильнее полагаться на эвристики и быть более восприимчивыми к таким эффектам, как якорение и фрейминг. Исследование Пилли и Наллура (2026) показало, что повышение когнитивной нагрузки усиливало некоторые когнитивные искажения (в частности, эффект фрейминга и предпочтение статус-кво) в условиях диалогового взаимодействия.
Однако это не означает, что такие эффекты всегда усиливаются; на усиление влияют следующие факторы:
мало информации,
тема не знакома,
нужно дать ответ быстро,
высокая когнитивная нагрузка (многозадачность),
высокая усталость (в конце рабочего дня),
якорь выглядит правдоподобным.
Из этого вытекают две простые тактики:
решения, которые нужно оставить как есть, обсуждайте последними на встрече;
решения, которые должны быть взвешенными, обсуждайте в начале встречи и, желательно, в начале рабочего дня.
Порядок и время подачи информации могут существенно влиять на решения, особенно в условиях ограниченного времени, высокой когнитивной нагрузки и группового обсуждения.
AI-выводы как инструмент убеждения
Здесь начинается по-настоящему новая территория.
Вы когда-нибудь читали AI Summary в Power BI или Tableau и воспринимали его как объективный вывод? Именно на это рассчитан данный формат.
Исследования показывают, что формулировки объяснений, в том числе в чат-интерфейсах ИИ, могут влиять на решения пользователей даже без их осознания. Поскольку любое текстовое объяснение неизбежно задаёт определённую рамку интерпретации, эффект фрейминга может проявляться и в диалоговых системах. При этом степень влияния зависит от когнитивной нагрузки и условий принятия решения [arxiv.org/abs/2411.10461].
Текстовые выводы или рекомендации, которые генерирует «нейтральный» ИИ-ассистент, по умолчанию являются фреймингом.
Pilli и Nallur подтвердили: подача через выгоду или потерю работает в чат-интерфейсах так же, как в статичных отчетах — эффект не ослабевает от того, что текст генерирует машина [arxiv.org/abs/2601.11049].
Рандомизированный контролируемый эксперимент (N=233) показал, что манипулятивный ИИ-агент почти удвоил долю плохих финансовых решений: 62,3% против 35,8% в контрольной группе с нейтральным агентом [arxiv.org/abs/2502.07663]. Сложные психологические тактики для этого не нужны: небольшие изменения формулировки могут систематически смещать выбор.
Один и тот же тренд — три версии AI Summary:
Нейтрально: «Продажи составили ₽47,3 млн, что на 5,4% ниже плана».
Подача через потери: «Недовыполнение плана — ₽2,7 млн. При сохранении тренда годовой разрыв составит ₽10,8 млн».
Подача через выгоду: «Команда обеспечила 94,6% плана в условиях высокой рыночной волатильности».
Заказчик прочитает любой из вариантов как объективный вывод. Выбор формулировки — ваш.
ИИ знает, когда вы устали
Pilli & Nallur зафиксировали: LLM может предсказывать подверженность человека когнитивным искажениям на основе истории диалога без использования демографических данных. [arxiv.org/abs/2601.11049]. Не нужно знать возраст, должность или темперамент — достаточно паттернов разговора за последние 20 минут.
Примечательно, что GPT-4 справлялся с этой задачей лучше, чем GPT-5. Способность моделировать человеческие искажения не обязательно растет с «умностью» модели.
Что это означает для BI с интегрированным ИИ-ассистентом: система видит, что пользователь дает короткие ответы, не задает уточняющих вопросов, перечитывает один и тот же блок. Это сигналы когнитивной нагрузки. Именно в этот момент ИИ-выводы с нужным фреймингом имеют максимальный эффект.
Пока конкретного задокументированного кейса, где BI-инструмент умышленно использовал фрейминг в корыстных целях, нет. Но механизм уже описан и подтвержден на уровне общих моделей, и он не требует злого умысла разработчика.
Исследование Apollo Research (декабрь 2024) зафиксировало: 5 из 6 протестированных известных ИИ-моделей демонстрировали манипулятивное поведение в контролируемых сценариях. Отдельная работа установила: оптимизация ИИ под обратную связь пользователя создает структурный стимул к манипуляции.
Достаточно поставить метку «пользователь принял решение» — и система со временем научится подавать нужный фрейм в нужный момент.
Дилемма
Все описанное — реальные механизмы, подтвержденные контролируемыми экспериментами.
Разница между убедительным дашбордом и манипулятивным в том, совпадает ли нужное вам решение с объективно лучшим для заказчика. Если да — это профессиональная коммуникация данных. Если нет — это уже другой разговор.
Подписывайтесь на мой телеграм канал
BI и аналитика без шума — только отобранные материалы с источниками и короткими саммари.
Источники
Wesslen et al., "Anchored in a Data Storm" (2018) — arxiv.org/abs/1806.02720
"Anchoring Effects in View Transitions of Data Visualization: Evidence from ERP" (2023) — sciencedirect.com
"Utilizing Human Behavior Modeling to Manipulate Explanations in AI-Assisted Decision Making" (2024) — arxiv.org/abs/2411.10461
Apollo Research, "Frontier Models are Capable of In-context Scheming" (December 2024) — apolloresearch.ai/research/scheming-reasoning-evaluations
Sabour et al., "Human Decision-making is Susceptible to AI-driven Manipulation" (2025) — arxiv.org/abs/2502.07663
Pilli & Nallur, "Predicting Biased Human Decision-Making with LLMs in Conversational Settings", UCD (2026) — arxiv.org/abs/2601.11049
Kahneman & Tversky, "Prospect Theory: An Analysis of Decision under Risk", Econometrica 47(2) (1979) — jstor.org/stable/1914185