惯性聚合 高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文 在惯性聚合中打开

推荐订阅源

酷 壳 – CoolShell
酷 壳 – CoolShell
P
Privacy & Cybersecurity Law Blog
G
GRAHAM CLULEY
T
The Exploit Database - CXSecurity.com
www.infosecurity-magazine.com
www.infosecurity-magazine.com
Threat Intelligence Blog | Flashpoint
Threat Intelligence Blog | Flashpoint
Project Zero
Project Zero
S
Security @ Cisco Blogs
TaoSecurity Blog
TaoSecurity Blog
A
Arctic Wolf
Webroot Blog
Webroot Blog
Hacker News - Newest:
Hacker News - Newest: "LLM"
Security Latest
Security Latest
H
Heimdal Security Blog
N
News and Events Feed by Topic
N
News | PayPal Newsroom
T
Tor Project blog
OSCHINA 社区最新新闻
OSCHINA 社区最新新闻
GbyAI
GbyAI
The Last Watchdog
The Last Watchdog
Y
Y Combinator Blog
宝玉的分享
宝玉的分享
Scott Helme
Scott Helme
A
About on SuperTechFans
M
MIT News - Artificial intelligence
V
V2EX
V
Visual Studio Blog
Recorded Future
Recorded Future
博客园 - 叶小钗
F
Fortinet All Blogs
L
Lohrmann on Cybersecurity
The GitHub Blog
The GitHub Blog
博客园 - Franky
P
Proofpoint News Feed
MyScale Blog
MyScale Blog
D
Darknet – Hacking Tools, Hacker News & Cyber Security
S
Secure Thoughts
D
DataBreaches.Net
Cyber Security Advisories - MS-ISAC
Cyber Security Advisories - MS-ISAC
博客园 - 三生石上(FineUI控件)
I
InfoQ
SecWiki News
SecWiki News
Blog — PlanetScale
Blog — PlanetScale
Engineering at Meta
Engineering at Meta
J
Java Code Geeks
B
Blog RSS Feed
AWS News Blog
AWS News Blog
Know Your Adversary
Know Your Adversary
V
Vulnerabilities – Threatpost
H
Help Net Security

Все публикации подряд на Хабре

Ловим музу за клавиатуру: как айтишнику стать автором Что умеет Midjourney в 2026? Мой немного грустный разбор этого шикарного инструмента Никто не любит писать тесты, но ИИ может исправить это IPv8 выглядит как мечта. Поэтому почти наверняка не взлетит Производители вернули в продажу материнки с DDR3. Что происходит? Управление агентом с телефона через Telegram теперь в KodaCode От координации к лидерству: как меняется роль руководителя разработки Я сделала родителям бизнес вместо пенсии: зарабатываем 70 тысяч, мама не даёт продать В три раза быстрее приемка товара и оптимизация трудозатрат на 73%: как «РСТ-Инвент» помог Gulliver Group ИИ-шечный мир победил? О влиянии искусственного интеллекта на игропром Кремль снижает давление на Телеграмм пока Европа строит интернет по паспорту Как CEO, CTO и CIO за 8 часов собрали ИИ-директора, который умеет держать позицию под давлением Как (не) потерять домен за выходные Вместо 8 разных VPS: как я организовал практику студентам на одном сервере Почему твой Open Source проект не замечают? R&D: искусство управления неопределенностью в разработке AI-дефляция: вакансий для разработчиков больше, а рост зарплат — худший за 15 лет Мы отдали управление роботами OpenClaw. Что из этого вышло Галактический ID: система идентификации для всех форм разумной жизни Шесть основ бизнес-анализа: начинаем с вопроса «Кто в игре?» Код-ревью, в котором дело не в коде Данные переехали. Команда — нет Системной подход к сдаче OSWE в 2025 Почему комната управления реактором покрашена в цвет морской пены 4 YAML-файла вместо PySpark: как аналитикам строить пайплайны без разработчиков LLM-агент для поиска свободных доменов: автоматизируем подбор Когда, зачем и как правильно начинать новую сессию в Claude Code? Как я заставил нейросеть писать макросы для FreeCAD Анатомия ИИ‑агента для подбора персонала. От тысячи резюме к топ‑10 за минуты Опыт разработчика как экономика внимания Автономность как точка невозврата: кто будет субъектом в цифровом будущем Обучение ИИ в «диких» условиях: как рутинные действия превращаются в датасеты Как измерить LLM для задач кибербеза: обзор открытых бенчмарков Где хранить код? Сравнение GitHub, GitLab и Bitbucket Математика объясняет, почему нормальное распределение встречается повсюду Почему ваш FinOps не работает: 12 тезисов от практиков Как подписать проектную документацию УКЭП с использованием бесплатных лицензий Pilot Адаптивное администрирование Sigla Vision Я грузил уран в бочки, а потом 20 лет строил ИТ в атомной отрасли Чем позвонить с Эвереста? История и обзор спутниковой связи. Часть 2 Как языковая модель помогает контролировать качество инструктажей по охране труда в металлургии Как не передать на desktop свой IP в РКН Анатомия SAP Privileges: как устроено управление правами в macOS MoneyDev: Сказка про три главных слова Обновлённый токенизатор видео K-VAE 2.0 от Сбера Как сделать диспетчеризацию дома на 1284 квартиры почти бесплатно Как мы разогнали железную дорогу Мы дали агентам рутину. Теперь надо решить — что делать с освободившимся временем Токсичный контент, промпт-хакинг и защита ИИ — всё о Guardrails для LLM Умный город начинается с точного взгляда: как «Фалькон Тех» меняет пространство к лучшему Навайбкодил приложение для анализа графов Почему Дюну так интересно читать? Упрощаем работу с рутиной или как стать Гендальфом Белым Деконструкция Go: CPU, RAM и что там происходит. Go Assembler база. Часть 1.1 Какие профессии исчезнут из-за ИИ, а какие появятся? И что с этим делать Как мы построили IT-отдел, где хочется расти: архитектурные встречи, прозрачные метрики и книжные подарки Rufler: Делаем из Claude Code автономный рой через один YAML-конфиг Sing-box и белый список приложений Как построить надёжный обмен сообщениями в микросервисах: лучшие практики для enterprise OpenAI строит MLM-пирамиду, а McKinsey и Accenture помогают ей в этом Дом, который не построил Фишер (Часть 2) «Сверхзвуковой математик» против «Вдумчивого логиста»: битва алгоритмов 3D-упаковки Мультимодальные модели – грубый и дорогой инструмент Разговоры ничего не стоят. Код тоже Проверки физических лиц: с кого начнет ФНС Топ-10 бесплатных нейросетей для создания видео в 2026 году Первые слои кода: как наши решения сегодня определяют архитектуру ИИ на десятилетия Разработка нового статического анализатора: PVS-Studio JavaScript Поиск уязвимостей ПО: базовый минимум или роскошный максимум Почему оценка персонала не работает как инструмент управления Как мы разработали ИИ-ассистента и сократили рутину продуктовой команды на 50% Как я ушел из найма, нажарил косточек и продал на маркетплейсах на 168 млн в год Когда 1С:ERP уже внедрена, а нормального производственного плана всё ещё нет Как я сделал Claude мультимодальным, подключив к нему Qwen Omni Как приглашение на вакансию мечты превращается в атаку Infrastructure as Code: философия и лучшие практики IaC Тестируем Yandex Code Assistant на задаче, в которой нужно хранить секреты nxs-universal-chart v3.0: новое поколение универсального Helm-чарта Callback Injection: Техника, которая отправила Microsoft Defender в глухой нокаут «Все идеи на стол»: митап как способ вывести проект из тупика Сегодня я узнал нечто новое о GPU благодаря багу в своей игре Как заставить LLM ̶ ̶г̶а̶л̶л̶ю̶ ̶ эволюционировать Карта событий как фундамент аналитики: практический кейс для E-commerce Что выбрать для AI: x86, ARM или RISC-V? Дайджест железа за март Роль соматических мутаций в развитии аутоиммунных заболеваний: путь к избирательной терапии Mythos от Anthropic — тревожный сигнал для всех, а не только для банков Guardrails для LLM на Java: как приручить промпт‑инъекции и токсичные ответы Green-VLA: как мы собрали VLA-модель для реального антропоморфного робота и не потеряли обобщение Финансовая гонка вооружений: почему умные люди добровольно в ней участвуют Эра ИИ-агентов наступила: выбираем лучшего цифрового сотрудника # Практический опыт внедрения WinCC Redundancy на производственном предприятии Сделал MVP за 3 дня, а потом неделю прикручивал оплату. Оно того стоило? Физика против Маска: почему Starship V3 может оказаться ещё одной катастрофой Нефть Венесуэлы: крупнейшие запасы в мире, но не крупнейшая нефтяная держава JPA 4. Переосмысление Hibernate Почему зеркальная фотокамера Nikon D5 десятилетней давности идеально подошла для миссии «Артемида-2» Проект «Уровень-Спутник» или как мы сделали платформу для гидрологов «Замедлиться, чтобы ускориться»: почему ИИ повышает цену ошибок в требованиях и архитектуре Как с нуля поднять трафик IT-компании на 1657% при бюджете 55 тыс. и выжить Pixel-perfect Downsampling — идеальная отрисовка 50 миллионов точек без потерь
Когнитивная зарубка: Что мы теряем, работая с LLM, и при чём здесь невесомость
gogi · 2026-05-15 · via Все публикации подряд на Хабре

Уровень сложностиПростой

Время на прочтение11 мин

Охват и читатели950

Мнение

Вторая статья из цикла «Слова, которых нет»

Начало здесь >>>

Знакомая ситуация: сидишь над задачей, что-то не складывается, спрашиваешь LLM. Получаешь хороший ответ, копируешь решение, всё работает. А через час к тебе подходит коллега: «А это вообще как устроено? Почему ты именно так сделал?», и тут ты обнаруживаешь, что объяснить не можешь: решение работает, оно у тебя в проекте, но ты не помнишь его логики. Открываешь чат, перечитываешь — и как будто чужой текст перед глазами, знание прошло через тебя, но в тебе не задержалось.

Это, наверное, самый частый и самый недообсуждаемый эффект работы с LLM. Все спорят про качество генерации и сэкономленное время, но упускают из виду важный момент: мы стали путать выданный ответ с усвоенным знанием. За пару минут в чате мы получаем готовое решение, полностью минуя этап интеллектуального напряжения. А там, где не было этого напряжения, мысли просто не за что зацепиться — она пролетает транзитом, не задерживаясь.

Возникает состояние когнитивной невесомости: космонавт на орбите тоже может одним пальцем сдвинуть тяжёлый контейнер, потому что у того пропал вес, но без гравитации тело лишается привычной обратной связи, и мозг перестаёт понимать, где верх, а где низ, не может рассчитать усилие и теряет точку опоры (а со временем из-за этого начинает сдавать и физически). С LLM мы попадаем в похожую ловушку — легко жонглируем сложными кусками кода или текста, но не чувствуем их веса. Действие совершается, но из-за отсутствия сопротивления мы перестаём «осязать» саму задачу, поэтому она и не оставляет в нас никакого следа.

К теме невесомости мы ещё вернёмся. Пока — другое наблюдение, с которого имеет смысл начать.

С одной стороны, любому, кто работал с LLM, знакомо чувство, что её ответам трудно сопротивляться: они приходят в законченной форме, со структурой, с примерами, с аргументами. Психологически отвергнуть такой ответ сложно — если у тебя нет своей проработанной позиции, ты её просто принимаешь, и в момент принятия отказываешься от собственной работы по формированию мысли.

С другой стороны, есть вконец доставший вездесущий нейрослоп: этот текст люди отвергают, причём на уровне инстинктов — даже когда он написан грамотно, раздражение возникает раньше анализа, едва распознаешь знакомый паттерн.

Тут есть видимое противоречие: полированный ответ принимаем, нейрослоп отвергаем — хотя это один и тот же текст, генерируемый одной и той же технологией.

Claude в нашем разговоре предложил разрешение этого противоречия через позицию читателя. Когда я заказчик и у меня есть нерешённая задача, цена отказа высока, и мозг ищет причины принять предложенное. Но когда я просто читатель, то ничего не теряю, отвергнув. Объяснение хорошее, но остается неясным, почему именно паттерны нейрослопа считываются почти мгновенно, до содержательного анализа.

Мне кажется, разгадка глубже, потому что в живом человеческом тексте всегда видны следы сопротивления, местА, где автор колебался, переписывал, выбирал между двумя формулировками, отказывался от первой версии в пользу второй, пусть даже не всегда у него получилось идеально. Эти места создают рельеф, по которому читатель чувствует, что здесь автор думал, а не копипастил из чата. Текст с рельефом читается как путь — с подъёмами, спусками, поворотами, текст без рельефа — как идеально гладкая поверхность, по которой глаз скользит, не цепляясь.

В нейрослопе раздражает именно отсутствие рельефа, а не качество как таковое — текст может быть вполне грамотным, но след усилия в нём отсутствует, и это считывается мгновенно, на уровне эстетики, до всякого рассуждения о качестве.

След усилия — это и есть та самая когнитивная зарубка: след сопротивления, оставшийся в материале или в человеке. В тексте он проявляется как рельеф, в мозге — как интегрированное знание. И в нейрослопе, и в нашей собственной работе с LLM может происходить одно и то же: материал прошёл через нас, не оставив следа.

Чтобы понять, что именно тут происходит, имеет смысл вернуться на двадцать пять лет назад и посмотреть на одну философскую идею, которая внезапно обрела практическую значимость.

В 1998 году Энди Кларк и Дэвид Чалмерс опубликовали работу «The Extended Mind», в которой утверждали странную (по крайней мере, на тот момент) вещь: разум человека не ограничен черепной коробкой. Они предположили, что к разуму относится всё, что функционально его расширяет — записи, инструменты, среда. Если я записываю номер телефона в блокнот и пользуюсь им как памятью, блокнот функционально является частью моей памяти. То, что работает как память, и есть память, независимо от того, лежит ли это в нейронах или в блокноте.

Один из канонических примеров Кларка и Чалмерса — мысленный эксперимент про двух людей в Нью-Йорке, которые хотят попасть в Музей современного искусства. Первая, Инга, вспоминает адрес из головы и идёт. Второй, Отто, страдает болезнью Альцгеймера и носит с собой записную книжку, в которую заносит всё, что должен помнить, он смотрит адрес в книжке и идёт. По логике авторов, оба совершают одно и то же когнитивное действие — извлекают информацию из своей системы памяти. У Инги система внутри головы, у Отто — частично снаружи. Но функционально это одна и та же память, и считать когнитивной только биологическую часть значит произвольно проводить границу там, где её на самом деле нет.

Тогда идея вызвала много споров, но сейчас, полагаю, спорить с ней смысла нет. Мы постоянно делегируем когнитивные функции внешней среде: календарь хранит наши встречи, навигатор — карты, поисковик — факты. Это нормально и работает на расширение наших возможностей, а не на их ослабление. Кларк называл человека «прирождённым киборгом»: способность встраивать внешние инструменты в собственное мышление и есть наша главная эволюционная особенность.

Но Кларк и Чалмерс писали о делегировании хранения, поиска и вычислений по чётко заданному алгоритму. С LLM мы впервые в истории делегируем нечто другое — сам процесс вывода, reasoning, то, что нельзя восстановить, вернувшись к источнику.

Граница тут очень тонкая. Записанный в блокноте телефонный номер всегда можно прочитать заново, найденный в поисковике факт перепроверяется по той же ссылке, решённое в калькуляторе уравнение пересчитывается вручную (хотя будет сложно, я гарантирую это), и результат будет тем же. Во всех этих случаях когнитивный артефакт остаётся внешним, доступным, проверяемым. А сделанный LLM содержательный вывод — синтез, аргумент, объяснение — «открыть заново» невозможно. Если я не сделал работу синтеза сам, у меня нет ни самой мысли, ни механизма, чтобы её восстановить. Есть только текст ответа, который я могу перечитать, но мысли в нём для меня нет — потому что мысль возникает в процессе её создания, а не в её записи.

Граница тут проходит ровно по этому: делегирование хранения сохраняет нашу компетентность, тогда как делегирование самого вывода её замещает.

У интеллектуальной невесомости есть и отложенное последствие. Космонавты, проведшие месяцы на орбите, теряют костную и мышечную массу. Кости перестают наращивать плотность, мышцы атрофируются — без постоянной нагрузки тело перестаёт поддерживать то, что больше не требуется (для меня шоком было, когда я увидел, как после полугода на орбите космонавтов буквально на руках из спускаемой капсулы выносят).

Мышление устроено похоже. Оно эволюционировало в условиях постоянного когнитивного сопротивления: нужно было удерживать в голове сложные образы, выводить новое из старого, держать аргумент, пока ищешь контраргумент, бороться с забыванием, тренировать память повторением. Без всех этих форм сопротивления среды мышление, как и тело, не имеет стимула поддерживать соответствующие способности.

В этом и состоит долговременный риск интеллектуальной невесомости. В моменте мы теряем обратную связь и осязание задачи, о которых говорилось в начале, а на горизонте месяцев и лет к этому добавляется постепенная атрофия того, что без сопротивления больше не требуется поддерживать.

И здесь у метафоры есть ещё одна полезная сторона: она автоматически подсказывает правильную форму ответа. Ведь от полётов в космос никто не отказывается, и никому не приходит в голову сказать, что в космос больше ни ногой. Говорят: «в космосе нужны новые виды тренировок, которых на земле не было». Космонавты по два часа в день делают силовые упражнения на специальных тренажёрах с эластичной нагрузкой — потому что без неё кости и мышцы сдают. Это новая дисциплина, которой не было раньше, и она необходима именно потому, что человек оказался в новой среде.

Работа с LLM ставит нас в похожее положение. Прежние формы умственной нагрузки — чтение, письмо, борьба с пустой страницей, ручной перебор вариантов — раньше возникали сами собой, потому что без них работу было не сделать. Теперь они стали факультативными, и, как мышцы у космонавта, без них наши соответствующие способности начинают сдавать.

Эмпирика подтверждает этот эффект, причём с разных сторон. Швейцарский исследователь Михаэль Герлих в 2025 году опубликовал большое корреляционное исследование связи между использованием ИИ-инструментов и навыками критического мышления. Результат однозначный: чем выше частота использования, тем сильнее когнитивный offloading, и тем ниже показатели критического мышления. Самая тревожная часть — возрастная: молодые участники значительно сильнее зависят от ИИ-инструментов и заметно хуже справляются с задачами критического мышления, чем старшие. Это первое крупное эмпирическое указание на то, что эффект может оказаться долговременным следом. Он закладывается в зависимости от того, в каком возрасте человек начал делегировать собственный reasoning, и сохраняется потом надолго.

Параллельно команда Microsoft Research опросила сотни knowledge workers — людей, чья основная работа состоит в мышлении: аналитиков, разработчиков, консультантов, исследователей. Результаты опубликованы на конференции CHI 2025: у частых пользователей генеративного ИИ зафиксировано самоотчётное снижение когнитивных усилий при решении задач и снижение уверенности в собственных способностях критически мыслить. Интересно, что эффект сильнее у тех, кто больше доверяет ИИ-ответам, и слабее у тех, кто их регулярно перепроверяет — критическое мышление атрофируется именно от привычки не сомневаться в выводах модели, само использование инструмента к этому не приводит.

Ещё одно исследование (Stadler et al, 2024) дало особенно чистую формулировку механизма. В эксперименте сравнивали работу с ChatGPT и с обычным поиском. У группы ChatGPT когнитивная нагрузка была значительно ниже — но и аргументы получались слабее, а глубина рассуждений уменьшалась. Авторы назвали это «cognitive ease at a cost»: когнитивная лёгкость, за которую платишь. Точнее не сформулируешь.

Когнитивный долг — термин, который вошёл в оборот несколько раньше для описания того же явления: использование LLM в моменте даёт когнитивную лёгкость, но за неё потом приходится платить снижением способности справляться с похожими задачами самостоятельно. В более широкой рамке невесомости долг — это симптом, а сущностью оказывается атрофия способностей, которые перестали тренироваться.

С тем же эффектом связано и то, что Claude в нашем разговоре назвал сжатием цикла решений. Когда человек работает без LLM, он думает, формулирует, ищет информацию, снова думает, идет пить кофе и разговаривать с коллегами — это естественные паузы, в которых мозг обрабатывает информацию фоново. Когда LLM мгновенно выдаёт ответ, эти паузы исчезают, и человек оказывается в режиме непрерывной оценки без отдыха. Но ведь микропаузы с фоновой обработкой это часть самой работы, а не потеря времени. Когда LLM выдаёт ответ через две секунды, эта фоновая обработка не успевает запуститься, при этом способность усваивать полученное уходит.

И отсюда — третий концепт, который Claude назвал в разговоре. Знакомство-без-встречи. Состояние, когда человек получил знание от LLM, но не «встречался» с ним: не было сопротивления материала, не было момента «а, вот оно что», не было затрачено усилия на понимание. Знание лежит в голове как чужой предмет в кармане, то есть технически оно там есть, а функционально его нет, потому что оно ни с чем не соединено и не может быть восстановлено, если внешний источник пропадёт.

И здесь возникает риск, который мне кажется самым серьёзным во всей этой истории: иллюзия компетентности.

Когда я работаю с LLM, я ощущаю себя на определённом уровне — я решаю задачи такой-то сложности, обсуждаю темы такой-то глубины, продвигаюсь с такой-то скоростью. Это ощущение настоящее в моменте. Но оно складывается из совместной работы двух систем: моей и LLM. Когда LLM пропадает — отключили интернет, закрыли тариф, изменилась политика компании, — я возвращаюсь не туда, где был до начала работы с LLM. Я возвращаюсь к одной из двух систем, оставшейся без второй. И эта одна система имеет уровень ниже того, на котором я себя ощущал.

Тонкость тут еще и в том, что я возвращаюсь даже не к точке «до LLM». Если бы я просто откатился к себе прежнему — это было бы неприятно, но не катастрофически. Но из-за того, что за время работы с LLM часть способностей атрофировалась, я опускаюсь ниже того уровня, на котором был до этого. Часть навыков ушла, и под ощущением «я могу» теперь нет даже того фундамента, который был исходно.

И это уже не долг, потому что долг я вижу, ощущаю, и могу оценить и спланировать, как его закрыть, а иллюзия компетентности устроена иначе, как активный самообман, который не замечаешь, пока обстоятельства не вынудят тебя без LLM что-то сделать.

В нашем разговоре с Claude я обратил внимание на некую связь между этой иллюзией и темой ставки в споре, к которой статья ещё придёт. У LLM нет ставки, поэтому её несогласие ничего не стоит, а у человека, работающего с LLM, возникает обратное: иллюзорная компетентность, не подкреплённая ставкой собственного усилия. Это две стороны одного дефицита — со стороны LLM как слабая роль в диалоге, а со стороны человека как слабая опора собственной мысли. И там, и там отсутствует то, что в обоих случаях обеспечивает реальность происходящего: вес действия для того, кто его совершает.

Что из этого следует на практике? Скорее общая интуиция, чем набор техник: работа с LLM требует чего-то, что можно назвать когнитивной гимнастикой — намеренного создания искусственного сопротивления там, где оно исчезло естественным образом. Конкретные формы этой гимнастики каждый собирает под себя, их легко придумать, когда понятен принцип. Принцип же в том, чтобы LLM перестала быть первым и единственным звеном работы — в этом случае она замещает мою компетентность. Но если рассматривать LLM как ресурс, к которому обращаешься после собственного шага, — расширяет её, как калькулятор или поисковик расширяют, не замещая. Граница между двумя режимами проходит по тому, кто инициирует мысль и кто несёт за неё ставку.

Что ещё неочевидно, но важно: эксперт и новичок находятся в разных позициях по отношению к этому риску, потому что эксперта есть фундамент — годы практики, отлаженная интуиция, способность распознать, когда LLM ошибается. Для него работа с LLM похожа на работу опытного пилота с автопилотом: автопилот ведёт самолёт, но пилот в любой момент может взять управление и понимает, что делает. Новичок, который пользуется LLM с первого дня обучения, не успевает построить собственную интуицию. У него нет фундамента, на котором он мог бы стоять, если LLM откажет. Получается парадокс: LLM полезнее всего тем, кому она нужна меньше всего, и опаснее всего тем, кто на неё больше всего полагается. Возвращаясь к Герлиху и его возрастной находке — теперь понятно, почему результат именно такой, молодые участники не накопили того фундамента, к которому можно было бы откатиться при отключении инструмента.

И последнее наблюдение, которое выводит проблему из индивидуального масштаба.

Когнитивный долг, иллюзия компетентности и атрофия в невесомости — всё это можно описывать на уровне одного человека, но ведь эффект масштабируется на команды и организации.

В команде, где разработчики массово пользуются LLM, происходит то же самое, что с отдельным человеком, только медленнее и незаметнее. Постепенно из общей экспертизы команды вымываются те навыки, которые берет на себя LLM. Могу предположить, что через два-три года AI-driven (или как нынче модно говорить) команда содержательно становится другой, то есть на бумаге у неё будет та же квалификация, а на практике — большое слепое пятно там, где раньше была живая инженерная мысль.

И тут уже вопрос не о личной гигиене, а о культуре команды и долгосрочной стратегии организации. И вопрос, на который пока ни одна организация системно не отвечает: как поддерживать живую техническую культуру в среде, где значительная часть рутины делегирована машине.

Поддержание этой культуры при плотной работе с LLM требует чего-то аналогичного тренировкам космонавтов на орбите. На индивидуальном уровне это собственная когнитивная гимнастика, на уровне команды — практики, поддерживающие способность работать без модели, когда это необходимо. Конкретные формы каждая команда вырабатывает сама. Принцип же универсальный: человек в новой среде нуждается в новых видах нагрузки, чтобы оставаться собой. К возврату в прошлое и неолуддизму это отношения не имеет.

Сама эта статья — пример того, о чём она говорит. Она написана в диалоге с LLM, но переписывалась, не соврать, раз восемь. От первоначального варианта не осталось ничего, причем он был гладкий, приемлемый, и вполне можно было запостить и его (… и так сойдет!). Но… что-то заставляло в очередной раз не соглашаться, останавливаться и править, пробовать переформулировать самому, при этом имея в виду, что LLM снова может сказать «Полностью согласен, приношу извинения» даже в ответ на не самые умные мои реплики :) Потому что я сам для себя решил, что раз уж я умею (надеюсь) писать, то нельзя так просто от этого отказываться, потом будет больно.

В следующей статье мы пойдём дальше и поговорим о том, что в этом диалоге с LLM рождается такого, что не помещается ни в одну из голов. О словах, которых нет ни в одном языке, и о том, почему наша попытка их создать получилась именно русской.

Термин «когнитивная зарубка» и идея «следа сопротивления» — совместные, с долгими поисками подходящего русского слова (изначальный английский вариант тянул за собой шлейф неоднозначных коннотаций). Концепт «знакомства-без-встречи» — от Claude. Связь с extended mind Кларка и Чалмерса — моя; Claude её поддержал и помог уточнить, где именно проходит граница между делегированием хранения и делегированием вывода. Метафора невесомости — общая, она возникла, когда я предложил подумать про сопротивление как обязательное условие мышления, а Claude перенёс эту интуицию на космическую физиологию. Развёрнутая формулировка зачина с космонавтом и тяжёлым контейнером, потерей обратной связи и точки опоры — моя, она пришла позже и собрала метафору в один компактный образ. Концепт «иллюзии компетентности» — мой, и в нашем разговоре я уточнил формулировку: человек откатывается ниже даже той точки, где был до использования LLM, из-за атрофии.