Когнитивный долг

Когнитивный долг - это термин, которым Media Lab в MIT назвала закономерность, измеренную в исследовании "Your Brain on ChatGPT": люди, перекладывающие формулировку и черновик задачи на LLM, экономят умственные усилия в моменте, но теряют способность критически осмысливать результат в дальнейшем. Название выбрано осознанно: как и технический долг, он накапливается незаметно, может давать кратковременную отдачу и разрушительно растёт по сложным процентам, если его не выплачивать.

Измерения MIT

Media Lab сравнила три группы, писавшие эссе: с помощью LLM, с помощью поисковика и без посторонней помощи ("только мозг"). Замеры ЭЭГ показали, что связность между областями мозга снижалась с каждым уровнем внешней поддержки, причём в группе с LLM взаимодействие оказалось самым слабым. Самый наглядный результат: после написания эссе 83% пользователей LLM не смогли процитировать ни строчки из того, что только что выдали.

Структурное объяснение: письмо - это экстернализация внутренней ментальной модели. Если экстернализация происходит за пределами головы автора, внутренняя модель так и не обновляется. Результат выглядит точно так же, но мозг автора не проделал эту работу.

Согласующиеся свидетельства

Ещё два исследования 2026 года - разобранные вместе в статье Османи - приводят к тому же выводу:

Рандомизированный эксперимент Anthropic по изучению библиотек: инженеры с ИИ-помощниками и инженеры, работавшие вручную, справились с задачами за одинаковое время. Однако на последующем тесте на понимание группа с ИИ набрала 50% против 67% у контрольной группы. Ещё интереснее оказалось расслоение внутри группы с ИИ: инженеры, задававшие модели концептуальные вопросы, набрали от 65%, а те, кто просто копировал и вставлял код - менее 40%. Результат определил не сам инструмент, а подход к работе.
CHI 2026: когда LLM была доступна в самом начале задачи, она задавала рамку всей проблеме, и последующие решения человека оказывались заметно хуже, даже если большую часть работы он затем делал самостоятельно.

Разные инструменты, один и тот же вывод.

Почему долг так живуч

Когнитивный долг отличается от обычного забывания несколькими свойствами:

Он незаметен по результату работы. Артефакт выглядит так же, а иногда и лучше. Ничто сразу не выдаёт, что автор не понимает написанного.
Он зависит от траектории. Результат CHI показывает, что использование LLM на раннем этапе задачи определяет весь её ход, а не только ту часть, которой коснулась модель.
Он нарастает вместе со стоимостью восстановления навыка. Навык, который не практиковался в этом месяце, в следующем применить будет ещё труднее, что снова превращает обращение к ИИ в путь наименьшего сопротивления.

Связь с другими концепциями

skill-atrophy-supervision-paradox - более жёсткая версия Ларса Фэйе, адресованная старшим инженерам в роли контролёров агентов: понимание, необходимое для ревью работы агента, - это ровно то понимание, которое разрушается при использовании агентов. Когнитивный долг - базовый механизм; Фэйе описывает его последствия на уровне роли.

agentic-coding-fatigue - парная концепция об усталости от принятия решений: само количество микросуждений изматывает, даже если каждое из них незначительно. Когнитивный долг - это то, что атрофируется; усталость - то, что истощается. И то и другое накапливается по сложным процентам.

fooling-yourself-with-ai - тот же сбой самооценки, но замеренный на скорости, а не на понимании. Опытные разработчики в исследовании METR считали, что с ИИ справились быстрее, тогда как замеры показали замедление примерно на 19%: артефакт выглядел хорошо, а оценка собственного состояния разошлась с реальностью точно так же, как у тех 83%, что не смогли процитировать собственное эссе.

programming-as-theory-building даёт более старую формулировку того, что именно утрачивается. По тезису Наура, главный продукт - это разделяемая командой теория программы, а код - лишь её проекция. Когнитивный долг - это деградация такой теории в голове каждого отдельного человека.

ironies-of-automation - версия из инженерной психологии сорокалетней давности: навыки и знание системы деградируют, когда рутинную работу делает машина, а человеку остаётся контролировать её уже без этих знаний.

owning-ai-written-code объясняет, почему этот долг - явление новое: раньше написание кода неизбежно требовало его понимания, поэтому понимание никто не считал отдельной статьёй расходов, пока написание не взяли на себя агенты. writing-code-vs-building-software описывает вариант на уровне команды: сгенерированный pull request на 3000 строк добавляет 3000 строк к тому, в чём команда обязана разбираться, а зелёный прогон тестов маскирует то, что понимание так и не появилось.

Контрмеры

Рецепт Османи (см. dont-outsource-learning) опирается на изменение подхода: выдвигать гипотезу до обращения к модели, запрашивать объяснение до кода, относиться к выдаче как к PR'у джуниора, время от времени выводить решения вручную, просить модель объяснить, что именно она только что сделала. Ничего радикального: небольшие разрывы привычного автоматического цикла. Суть в том, что поведение по умолчанию за вас их не выберет.

См. также

dont-outsource-learning - полное эссе Османи
skill-atrophy-supervision-paradox - формулировка со стороны надзора и ревью
agentic-coding-fatigue - формулировка со стороны усталости
agentic-coding-is-a-trap - формулировка со стороны вендоров и рынка
programming-as-theory-building - классическое описание того, что именно утрачивается
a-voice-from-nowhere - тот же механизм, описанный без измерений: результат в Google - это целый документ с тремя-четырьмя сопутствующими деталями вокруг, а ответ чат-бота обрезан строго под запрос и лишён какого-либо контекста на полях