ИИ отучает нас говорить «не знаю»: что показало исследование с 3 132 участниками

Что именно выяснили исследователи: короткий ответ

Доступ к языковой модели резко снижает готовность человека сказать «я не знаю». В пяти экспериментах с 3 132 участниками доля отказов от ответа падала в разы: в одном из исследований она уменьшилась с 44% до 3%, когда рядом появилась возможность спросить у ИИ. Языковая модель здесь - программа, которая подбирает продолжение текста и потому умеет отвечать на вопросы связными, грамотно построенными фразами.

Ключевая деталь эксперимента: вопросы специально подбирали такими, чтобы модель почти всегда ошибалась. Рост готовности отвечать нельзя объяснить разумным доверием надёжному инструменту, потому что советы ИИ в основном были неверными. Люди охотнее говорили хоть что-то, чем признавали пробел в знаниях, даже когда подсказка уводила в сторону.

Для повседневных решений важны две цифры. В исследовании 2 без денежных стимулов уверенность участников с доступом к ИИ достигла 75,9 балла из 100 против 29,6 балла без ИИ. Правильных ответов при этом стало меньше: 9,2% против 27,5% по всем экспериментам, то есть примерно втрое реже. Исследование провели Marcoccia, Quattrociocchi и Capraro в 2026 году, разбор опубликован в The Decoder, автор Matthias Bastian. Полное описание эксперимента и цифры доступны в первоисточнике.

Как устроены пять экспериментов: что делали участники

Всего 3 132 человека отвечали на вопросы викторины. Формат простой: если ответа нет, можно выбрать вариант «я не знаю». Часть участников решала задачу самостоятельно, другой группе давали доступ к языковой модели.

Вопросы касались мелких визуальных деталей из фильмов. Один из примеров - цвет формы команды в фильме «Играй как Бекхэм» (Bend It Like Beckham). Такие мелочи редко попадают в тексты, на которых учатся модели, поэтому Step 3.5 Flash, использованная в экспериментах, почти всегда ошибалась. Авторы называют эти детали типичными целями для галлюцинаций, то есть уверенных ответов, которые не соответствуют фактам.

Дело не в одной слабой модели. GPT-5.5, Claude 4.6 Sonnet и Gemini 3.5 Flash правильно отвечали на большинство других вопросов, но иногда срывались на более сложных. Проблема в поведении людей рядом с убедительным интерфейсом, а не в конкретной версии нейросети.

Разрыв между группами виден уже в первых двух исследованиях. Без доступа к ИИ участники воздерживались от суждения в 36% и 44% случаев, с доступом показатели упали до 6% и 3% соответственно. Сравнение контрольной группы и группы с ИИ приведено в публикации.

Почему вопросы подбирали так, чтобы ИИ ошибался

Если бы модель отвечала верно, рост уверенности объяснялся бы просто: человек делегирует задачу надёжному помощнику. Здесь логика другая. Советы были в основном неверными, поэтому эффект показывает склонность принимать убедительный ответ, а не умение пользоваться хорошим инструментом. Такой дизайн превращает эксперимент в тест на доверие к форме ответа.

Что такое «эпистемия» простыми словами

Эпистемия в этом исследовании - склонность принимать убедительно звучащий ответ ИИ без проверки. Механика знакома каждому: мы киваем собеседнику, который говорит уверенным тоном, даже если не можем подтвердить факт. Гладкая формулировка и спокойный тон работают как сигнал компетентности, хотя за ними может стоять ошибка.

Это не глупость и не лень. Это нормальная реакция психики на уверенный тон, и она усиливается, когда нет ни времени, ни привычки проверять. Похожий механизм мы разбирали в статье про синдром «ИИ-всемогущества» и потерю критического мышления.

Почему мы перестаём говорить «не знаю»: механизм эффекта

Цепочка выглядит так: доступ к ИИ повышает субъективную уверенность, уверенность снижает готовность воздержаться от ответа, а отсутствие воздержания даёт больше неверных суждений. В исследовании 2 без стимулов уверенность с ИИ составила 75,9 балла из 100 против 29,6 без ИИ, то есть примерно в 2,5 раза выше. Доля правильных ответов при этом упала с 27,6% до 10,0%.

Фраза «не знаю» работает как защитный механизм. Она останавливает ошибку до того, как та попадёт в отчёт, письмо клиенту или решение по бюджету. Участники исследований не были небрежными людьми: эффект воспроизводился в пяти экспериментах с разными условиями и разными формулировками заданий.

Уверенность растёт, а точность падает: как это уживается

Уверенность - субъективное чувство, точность - объективный результат проверки. Эти величины расходятся, когда источником уверенности становится форма ответа. Модель выдаёт связный текст с чёткими формулировками, мозг читает эту гладкость как признак компетентности и снимает внутренний вопрос «а стоит ли вообще отвечать?».

Функциональная аналогия: уверенный голос навигатора звучит надёжно, но если карта устарела, вы всё равно приедете не туда. Разница только в том, что ошибку навигатора видно через десять минут, а неверный факт в презентации может всплыть через месяц. По всем исследованиям участники с ИИ отвечали на большее число вопросов, но правильных среди них было втрое меньше. Похожий разрыв между формой и содержанием заметен и в других экспериментах: более 2500 участников не смогли отличить рассказы ChatGPT от написанных людьми и оценили тексты модели выше по качеству.

Деньги помогают? Что показали стимулы

В исследованиях 2, 3 и 4 добавили денежную мотивацию: 10 центов за правильный ответ, минус 10 центов за неправильный и ничего за вариант «я не знаю». Исследователи заранее зарегистрировали гипотезу: стимулы повысят готовность воздерживаться, но доступ к ИИ ослабит этот эффект.

Гипотеза подтвердилась лишь частично. Ни в одном из трёх исследований не нашлось статистически значимого взаимодействия между доступом к ИИ и денежными стимулами: они работали в основном независимо друг от друга. Проще говоря, премия за точность не отменяла тягу к готовому ответу.

Одно изменение всё же заметно. Стимулы снижали частоту обращений к модели: в исследовании 3 участники запрашивали совет ИИ 4,53 раза из шести возможных против 5,27 раза без стимулов. Условия и цифры по стимулам приведены в публикации The Decoder. Вывод для практики: денежная мотивация проблему не решает, но добавляет небольшое трение перед нажатием кнопки «спросить».

Запрошенный или автоматически показанный ответ: есть ли разница

Разницы почти нет. Автоматически показанный ответ модели менял картину так же сильно, как ответ, который участник запрашивал вручную. Значит, дело не в осознанном решении «сейчас спрошу у ИИ», а в самом факте появления убедительного текста перед глазами.

В повседневности это выглядит буднично: подсказка в поисковой строке, автодополнение письма, готовый ответ в чат-боте поддержки, краткая сводка над длинной статьёй. Человек не выбирал советоваться, совет просто оказался рядом. Поэтому привычка «я ИИ не спрашиваю» защищает слабо: пассивное потребление подсказок работает не мягче активного запроса.

Что это значит для вашей работы и решений

Возьмите четыре типичные ситуации: подготовка отчёта с рыночными цифрами, проверка факта для презентации, ответ клиенту по срокам, оценка конкурента перед встречей. Схема в каждой одна. ИИ выдаёт гладкий ответ, его берут без проверки, ошибка всплывает позже, когда исправлять дорого.

Полезно знать, где модели ошибаются чаще всего. Тестирование сложных задач показывает, что на части профессиональных сценариев ИИ не справляется совсем, хотя на простых вопросах выглядит уверенно.

Четыре шага снижают риск. Перед тем как озвучить факт, спросите себя: откуда я это знаю? В заметках разделяйте пометки «ИИ сказал» и «я проверил». В команде введите фразу «не знаю, уточню» как нормальную рабочую реплику. Для решений с ценой ошибки ищите второй независимый источник.

Три привычки, которые возвращают честное «не знаю»

Правило паузы: перед использованием ответа ИИ задайте один вопрос - это можно проверить? Если проверка займёт больше времени, чем цена ошибки, отложите ответ, а не выдавайте его как факт.

Маркировка источников: в черновиках и заметках помечайте, что пришло от модели, а что подтверждено документом или человеком. Через неделю такая разметка покажет, где вы чаще всего полагаетесь на непроверенное.

Публичное «не знаю»: на встречах показывайте, что признание пробела не наказывается. Пример из исследования говорит, что даже небольшое трение работает: стимулы снизили частоту запросов к ИИ с 5,27 до 4,53. Выберите одну привычку и продержитесь с ней неделю, затем добавьте следующую.

Чего исследование не доказывает: границы выводов

Вопросы были киновикторинами о мелких деталях, а не рабочими задачами. Авторы прямо отмечают: остаётся открытым вопрос, сохраняется ли склонность полагаться на ответы ИИ так же сильно за пределами киновикторин. Переносить цифры 44% и 3% на совещания и отчёты напрямую нельзя.

Есть и ограничение по источнику: в доступном фрагменте публикации текст обрывается на третьем исследовании, поэтому часть итоговых выводов мы приводим по формулировкам авторов из более ранних разделов. Само исследование не доказывает, что ИИ делает людей глупее, и не призывает отказываться от инструментов.

Что оно показывает: готовность сказать «не знаю» может стать одной из первых жертв повсеместного распространения готовых ответов. Это сигнал о привычке, которую стоит защищать осознанно.

Что дальше: как следить за темой без информационного шума

Тема когнитивных эффектов ИИ будет развиваться: появятся репликации на других выборках, споры о методике, новые вопросы о рабочих задачах. Ориентир для самостоятельного чтения - первоисточники: публикация в The Decoder и работа авторов Marcoccia, Quattrociocchi и Capraro.

«Среда AI» собирает такие материалы в хронологическую ленту и разбирает термины простым языком: без технического шума, с сохранением важных деталей и цифр. Такой формат экономит время, если вам нужно понять суть и применить её в работе, а не читать научную статью целиком.

Есть вопрос или заметили неточность? Напишите - разберёмся вместе.