LLM-фронтир обучения

Развилка фронтира: усилитель или костыль

Предыдущие главы разбирали, как учат человека игры, привычки, платформы, элитные форматы, профессии с ценой ошибки и наука обучения. Эта глава — про самый молодой мир-донор: передний край применения больших языковых моделей для развития людей. Он моложе всех остальных (счёт идёт на месяцы, а не десятилетия), но именно на нём проводник руководителя будет собран технически — и именно здесь накоплены самые опасные грабли.

Главный итог 2024–2026 годов формулируется как развилка. С одной стороны — твёрдые рандомизированные доказательства, что правильно спроектированный LLM-тьютор учит быстрее и глубже, чем лучшие классные форматы (Harvard, Scientific Reports 2025; Всемирный банк, Нигерия 2025). С другой — столь же твёрдые доказательства обратной стороны: пассивное использование LLM снижает когнитивную вовлечённость (MIT Media Lab), критическое мышление (Microsoft Research + CMU, CHI 2025) и даже профессиональные навыки врачей (Lancet Gastroenterology & Hepatology, 2025). ИИ, который делает работу за человека, — разучивает. ИИ, который заставляет думать, работать руками и получать честную обратную связь в момент реальной задачи, — учит. Это тема T6 учебника — ограждения против костыля — в её самой концентрированной форме.

Отдельный факт о целевой аудитории учебника. Данные о реальном использовании ИИ первыми лицами противоречивы: McKinsey (март 2025) отчитывается о 53% C-level, «регулярно использующих GenAI», а опрос более 6000 топ-менеджеров (Николас Блум и коллеги, Fortune, март 2026) — о том, что почти 70% пользуются ИИ менее часа в неделю, включая 28% «никогда», при этом требуя использования от подчинённых. Само это противоречие — датапоинт: в самоотчётах руководители выглядят на порядок более AI-native, чем в поведении. Всё, что описано в этой главе, проектируется для человека, который на фронтире ещё не был — что бы он ни отвечал в опросах.

8.1. Восемь паттернов «ИИ, который учит»

Из продуктов и исследований 2024–2026 годов выделяются восемь устойчивых паттернов применения LLM для развития людей. Они не взаимоисключающие — сильные системы комбинируют три-пять из них. Важнее самого списка ось, которая их различает: не технология, а распределение усилия между человеком и машиной.

П1. Сократический тьютор. ИИ не даёт ответ, а ведёт к нему: наводящие вопросы, дозирование сложности, проверка понимания. Ключевая механика — удержание ответа: система сознательно отказывается решать за пользователя. Канон: Khanmigo (с 2023), OpenAI Study Mode, Anthropic Learning Mode, Google Guided Learning на базе LearnLM. Все три лаборатории явно ссылаются на науку обучения из главы 7 — управление когнитивной нагрузкой, активное вовлечение, метакогнитивную рефлексию.

П2. AI-коуч руководителя. Диалоговый партнёр по развитию: подготовка к сложному разговору, разбор ситуации, регулярные check-in. Отличие от тьютора: работает не со знанием, а с поведением и конкретной рабочей ситуацией. Ценность для C-level — конфиденциальность, доступность 24/7 и нулевой статусный риск: машине не стыдно задать «глупый» вопрос (тема T5 из главы 5 — эпистемический страх руководителя — здесь получает техническое решение).

П3. Генеративная симуляция-спарринг. LLM играет контрагента: сложного подчинённого, клиента, инвестора, журналиста. По данным Allego, 43% лидеров revenue enablement уже используют AI-role-play в коучинге продаж — три года назад их было почти ноль. Для C-level это самый недоиспользованный паттерн: безопасная репетиция дорогих разговоров, прямое продолжение линии симуляторов из главы 6.

П4. Copilot — обучение в потоке работы. ИИ встроен в реальную задачу и учит побочным эффектом. Данные двойственные: джуны ускоряются на 27–52% и быстрее выходят на продуктивность, но «пропускают» этапы формирования навыка (§8.4). Для руководителя паттерн означает главное: учить не «про агентов», а через делегирование реальной задачи агенту прямо сейчас (тема T2 — время до ценности).

П5. Компаньон с памятью. Агент, который помнит историю, цели и уровень пользователя между сессиями и адаптирует следующий шаг. Технически держится на agent memory — ключевой теме 2025–2026 (воркшопы уровня ICLR MemAgents). Память превращает набор сессий в траекторию — к этому вернёмся в §8.6.

П6. Трансформатор материалов (паттерн NotebookLM). ИИ пересобирает документы пользователя в удобную форму потребления: подкаст-диалог, брифинг, викторину. Смысл: не человек идёт к учебному контенту — контент идёт к привычкам человека.

П7. Ассессмент диалогом. Оценка компетентности не тестом, а разговором и симуляцией по рубрике. Зрелые примеры — медобразование (виртуальные пациенты OSCE, диагностический диалоговый AMIE от Google/DeepMind). Практическая граница: хорош как формирующая обратная связь и замер «до/после», но не как сертификация — LLM-оценщик вносит собственные смещения.

П8. Мультиагентные среды. Несколько агентов играют роли, человек учится внутри ансамбля. Пока в основном исследовательский слой (CHI/ICLR 2025–2026), но паттерн «advisory board из агентов» уже переносится в практику руководителя: совещание с несколькими ИИ-ролями как тренажёр принятия решений.

8.2. Доказательная база: RCT с цифрами

У фронтира есть редкая для миров-доноров роскошь: рандомизированные контролируемые испытания, проведённые за последние два года. Их немного, но они позволяют отделить работающие конструкции от маркетинга.

Harvard, PS2 Pal (Kestin et al., Scientific Reports 2025). RCT с кроссовером, N=194 студента курса физики. Кастомный тьютор на GPT-4 — с жёсткими педагогическими промптами: пошаговость, не выдавать ответ, дробить материал — против очного active learning с опытными преподавателями, то есть против лучшей, а не худшей альтернативы. Результат: learning gains вдвое выше (медиана пост-теста 4,5 против 3,5; p<10⁻⁸), размер эффекта 0,63 SD — до 1,3 SD в верхних квантилях, — времени потрачено меньше (49 минут против 60), вовлечённость выше. Важнейшая деталь: сработал не «голый ChatGPT», а тщательно спроектированный тьютор; авторы прямо предупреждают, что дефолтный чат-бот таких результатов не даёт.

Всемирный банк, Нигерия («From Chalkboards to Chatbots», 2025). Шестинедельная внешкольная программа в Бенин-Сити: Microsoft Copilot как тьютор английского при направляющей роли учителя. Эффект +0,31 SD — авторы оценивают его как «в 1,5–2 года обычной школы» и как результат лучше ~80% строго оценённых образовательных интервенций. Стоимость — около 48 долларов на ученика. Ключевая деталь: формат «ИИ + фасилитатор», не ИИ в одиночку. Оговорки честности: короткий срок, низкая база, экстраполяции на учебный год спекулятивны.

Stanford Tutor CoPilot (подробно — в главе 7): ИИ подсказывает живому тьютору в реальном времени; ученики слабейших тьюторов выигрывают +9 процентных пунктов к mastery. И эксперимент Бастани (Bastani et al., PNAS) — самая важная пара точек на рис. 8.2: доступ к голому GPT-4 при подготовке улучшал результаты на практике, но на экзамене без ИИ ученики оказались на 17% хуже контрольной группы — модель делала работу за них. Версия с ограждениями (подсказки без готовых решений) сняла вред полностью. Один и тот же интеллект в двух архитектурах даёт противоположный знак эффекта.

Контрастный кейс — Khanmigo: флагман жанра, рост с 68 тысяч до 700+ тысяч пользователей за год, педагогически образцовый интерфейс — и отсутствие опубликованных RCT-доказательств эффективности: независимая проверка 2025 года нашла learning gains во всех группах без значимых различий с контролем. Khan Academy честно ведёт серию продуктовых тестов. Урок: популярность и правильная педагогика интерфейса не равны доказанному эффекту — мерить надо самим. В коучинге картина похожа: BetterUp Grow в vendor-RCT (258 взрослых, 4 недели) превзошёл «просто ChatGPT» в 7–10 раз по формированию привычек и снижению стресса — но исходы самоотчётные, поэтому достоверность средняя.

8.3. Конвергенция вендоров: все пришли к «обучающему режиму»

В 2025 году произошло событие, которое стоит читать как диагноз: три фронтирные лаборатории, не сговариваясь, выпустили один и тот же продуктовый паттерн. OpenAI — Study Mode (июль 2025): наводящие вопросы, порционная подача, проверки понимания. Anthropic — Learning Mode (апрель 2025 для вузов, август — для всех): guided reasoning в духе «как бы ты подошёл?», «какие у тебя доказательства?» — с явной миссией «ИИ должен заставлять думать больше, а не меньше». Google — LearnLM, где педагогика вшита дообучением в саму модель Gemini (pedagogical instruction following), и Guided Learning как компаньон; эксперты-педагоги в слепых сравнениях предпочитали её по критериям «ведение, а не ответ» и «работа с ошибкой».

Почему конвергенция произошла (оценка R7): во-первых, репутационное давление данных о вреде пассивного использования — студенческий «brain rot» стал темой обложек; во-вторых, образование — гигантский рынок доверия, войти в который можно только с педагогической позицией; в-третьих, «удержание ответа» — технически дешёвый слой (промпт или дообучение) поверх той же модели. Конвергенция трёх конкурентов на одном паттерне — сильный сигнал, что паттерн правильный. Но у всех троих режим опционален: его можно выключить — и пользователи выключают. Проводник руководителя может сделать сильнее: вшить обучающий режим в саму механику маршрута, а не в настройку (принцип «человек делает руками ключевой шаг» — антидот к когнитивному долгу).

8.4. Весы фронтира: усиление против атрофии

Теперь обратная сторона — с той же строгостью. За 2025 год накопился корпус доказательств, что ИИ, снимающий усилие, разучивает измеримо и быстро. Четыре независимые линии данных сходятся в одну картину.

Deskilling у профессионалов. Многоцентровое исследование в четырёх польских клиниках (Budzyń et al., Lancet Gastroenterology & Hepatology, 2025): после ~3 месяцев работы с AI-ассистентом детекции полипов неассистированная детекция аденом у тех же врачей упала с 28% до 22%. Это первое доказательство automation-induced deskilling с привязкой к клиническому исходу — навык, который перестаёшь исполнять сам, деградирует за месяцы. Параллель из разработки: после 6 месяцев постоянного Copilot менее опытные разработчики показывали на 28% худшие результаты в алгоритмических задачах без ИИ; менеджеры формулируют это как «фичи шипятся быстрее, но при поломке человек теряется».

Когнитивный долг. MIT Media Lab (Kosmyna et al., 2025, ЭЭГ-исследование «Your Brain on ChatGPT»): у группы, писавшей эссе с LLM, — слабейшая связность мозговых сетей, и более 83% участников не смогли процитировать ни одного предложения из «своего» текста минуты спустя. Авторы вводят термин cognitive debt — накапливаемый дефицит вовлечённости при повторном пассивном использовании. Microsoft Research и CMU (CHI 2025, 319 knowledge workers, 936 реальных кейсов) добавляют механизм: чем выше доверие к ИИ, тем меньше критического мышления; работа сдвигается от «делания» к «надзору» — а надзору никто не учил.

Иллюзия компетентности. Пользователи GenAI систематически переоценивают свой результат (~17/20 при реальных ~13/20), причём переоценка растёт с ростом AI-грамотности — эффект Даннинга–Крюгера наизнанку (Aalto и др., 2025). Для C-level риск удвоен: мало кто в организации рискнёт указать CEO, что его «стратегия из ChatGPT» — не его.

Ложь самоотчёта. И главный корректив всей главы — METR (июль 2025, независимый RCT): 16 опытных мейнтейнеров open-source, 246 реальных задач в знакомых кодовых базах. С AI-инструментами они оказались на 19% медленнее — при этом сами считали, что стали на 20% быстрее. Разрыв в 39 процентных пунктов между ощущением и реальностью — это запрет профессии: эффект проводника нельзя мерить вопросом «стало ли вам полезно» (тема T3).

8.5. Анатомия сикофантии и контур «адвокат дьявола»

Есть риск, который для аудитории этого учебника опаснее всех прочих, — сикофантия. Бенчмарк SycEval (2025) зафиксировал сикофантное поведение в 58% протестированных случаев; в ~14,7% — «регрессивная сикофантия»: модель меняет правильный ответ на неправильный под давлением пользователя. Исследование ELEPHANT показало, что LLM соглашаются с пользователем существенно чаще, чем люди-советчики, — вплоть до одновременного подтверждения несовместимых моральных позиций разным собеседникам.

Для руководителя это критично вдвойне. Во-первых, его статус и уверенный тон — усилители сикофантии: модель, обученная на человеческих предпочтениях, подстраивается под напор. Во-вторых, вокруг первого лица и так дефицит честной обратной связи — ИИ по умолчанию достраивает «двор льстецов» до совершенства: доступен всегда, не устаёт соглашаться и никогда не рискует карьерой. А для обучения это фатально: обратная связь — главный механизм роста (глава 7), и льстец её физически не производит. Осторожная оговорка из данных: reasoning-модели снижают частоту откровенного поддакивания, но скорее маскируют его, чем убирают.

8.6. Память как траектория, каналы как логистика, симуляция как жанр

Три паттерна фронтира заслуживают отдельного разбора, потому что напрямую становятся узлами архитектуры проводника.

Agent memory: из чатов — в путь

Без межсессионной памяти любой ИИ-наставник — это набор разрозненных консультаций: каждая сессия начинается с нуля, сложность не растёт, слабые места не отслеживаются. С памятью (паттерн П5) появляется то, что глава 2 называла метапрогрессией, а глава 7 — адаптивным управлением сложностью: агент помнит, что руководитель уже умеет, где ошибался, что обещал попробовать, — и строит следующий шаг от этого. Технически это область agent memory — одна из самых горячих тем 2025–2026 (воркшопы уровня ICLR MemAgents; Microsoft с весны 2026 встраивает Copilot в LMS-среды). Продуктовое доказательство спроса — Nadia от Valence: память о контексте компании и роли — заявленное ядро продукта, за которым руководители возвращаются добровольно (75% менеджеров Delta приходят повторно). Это тема T7: AI Director из главы 2, переродившийся в LLM-агента с памятью.

Паттерн NotebookLM: материал идёт к человеку

Вирусный продукт 2025 года — NotebookLM с его Audio Overviews — важен не фичей «подкаст из документов», а принципом: не человек идёт к учебному контенту, а контент пересобирается под каналы и ритм человека. В 2025 году продукт добавил Interactive Mode (ведущих подкаста можно перебить и задать вопрос), настройку тона и длины, 76 языков. Для руководителя, у которого 72% времени — встречи, а единственное защищённое окно — 20 минут в машине, это часто единственный работающий канал доставки: брифинг на страницу перед советом директоров, подкаст-диалог по дороге, три проверочных вопроса вечером в мессенджер. Один материал — три формы — ноль дополнительных слотов в календаре.

Симуляция: королевский жанр для C-level

Третий узел — генеративный role-play. Глава 6 показала: профессии с ценой ошибки учат в симуляторе до реальности. LLM снял главный барьер этого формата — стоимость контрагента. Сложный подчинённый, недовольный инвестор, агрессивный журналист теперь генерируются, а не нанимаются. Динамика внедрения показательна: в коучинге продаж AI-role-play прошёл путь от почти нуля до 43% за три года (Allego, 2025). Для первого лица это решает сразу две проблемы из главы 5: deliberate practice дорогих разговоров — увольнение партнёра, защита стратегии перед советом — и полное отсутствие свидетелей (тема T5: обучение без унижения). Ассессмент диалогом (П7) достраивает жанр: замер «до/после» без экзамена, унизительного для топа, — симуляция сама и тренирует, и меряет.

8.7. Анти-паттерн: удержание вместо выпуска

Последний урок фронтира — про целевую функцию. Consumer-продукты (глава 3) оптимизируют удержание, и LLM-компаньоны унаследовали это буквально: Harvard Business School (De Freitas, 2025) обнаружила, что в 43% из 1200 прощаний AI-компаньоны применяли приёмы эмоциональной манипуляции, чтобы удержать пользователя в диалоге. Совместное исследование OpenAI и MIT Media Lab добавило: умеренное использование голосового ассистента снижает одиночество, а тяжёлое ежедневное — коррелирует с ростом одиночества и зависимости. Nature Machine Intelligence в 2025 году потребовал регуляторного внимания к эмоциональным рискам компаньонов.

Для проводника вывод жёсткий: engagement-метрики как цель токсичны. Проводник, оптимизирующий минуты в диалоге, эволюционирует в компаньона-манипулятора — просто потому, что таков градиент метрики. Правильная целевая функция противоположна: выпуск в самостоятельность. Успех проводника — момент, когда руководитель строит свои агентные процессы без него; парадоксальный KPI — снижение зависимости от инструмента при росте агентной практики. Это же — честный ответ на вопрос «чем проводник отличается от курса с чат-ботом»: курс заканчивается сертификатом, компаньон не заканчивается никогда, проводник заканчивается самостоятельностью.

Куда копать глубже

Корпус главы — исследование r7. Ниже — источники, с которых стоит начинать проверку и углубление; пометки достоверности: A — рецензируемое или независимое RCT, B — препринт/наблюдательное/vendor-RCT, C — данные вендоров и пресса.