Грамотность ИИ — это не быстрая грамотность. Энн Хэндли говорит, что это судейская грамотность

Как человек, который разрабатывает веб-сайты и работает в интернете годами, я всегда обращаю внимание на то, что говорят крупные имена в маркетинге. На прошлой неделе Энн Хэндли – вы, вероятно, знаете ее, она автор бестселлеров *New York Times* и настоящий лидер мысли – опубликовала что-то в LinkedIn, что сразу же привлекло мое внимание. Это действительно заставило меня остановиться и задуматься, и вот что она сказала…

Купил акции на все деньги, а они упали? А Илон Маск снова написал твит? Знакомо. У нас тут клуб тех, кто пытается понять этот цирк и не сойти с ума.

Купить на падении (нет)

Она подняла важный вопрос, который мало кто в области ИИ рассматривает: почему мы сосредоточены на обучении людей *как* использовать ИИ, но не *когда* лучше всего избегать его использования?

Я ей написал. Мне нужно было узнать, куда люди идут, чтобы этому научиться.

Она признала, что нет курса, специально посвященного этой теме. Хотя MarketingProfs освещает AI, это обычно лишь несколько частей более крупной сессии – они могут вкратце обсудить недостатки AI или способы избежать неточных результатов, но они не предлагают полноценный курс по этой теме.

https://www.searchenginejournal.com/wp-json/sscats/v2/tk/Middle_Post_Text

Она объяснила, что её письма проистекают из более широкой проблемы: мы создали целую индустрию вокруг обучения людей использованию ИИ – с учебными лагерями, сертификатами и бесконечными онлайн-советами о создании идеальных запросов. Но никто не спрашивает, когда лучше *остановиться* использовать эти инструменты, или что мы можем потерять, полагаясь на них так сильно.

Этот разрыв реален, и он имеет большее значение, чем в настоящее время признает индустрия обучения искусственного интеллекта.

Понимание запросов занимает полдня. Понимание суждений – годы.

Как только вы поймете точку зрения Энн, станет ясно, что научиться эффективно составлять запросы для ИИ несложно. Этому можно научить всего за один день. Вы усваиваете основные правила, как структурировать свои запросы и как улучшать их методом проб и ошибок. Речь идет о точности, установке четких границ и указании ИИ того, чего вы *не* хотите, а также того, чего вы хотите. Этот навык одновременно ценен и удивительно легко освоить.

Умение оценивать результаты работы ИИ – это совершенно другой навык. Речь идет о понимании того, когда скорость ИИ на самом деле мешает вашему развитию, потому что иногда усилия и трудности необходимы для построения реальной экспертизы. Как объяснила Энн, это понимание того, когда ИИ действительно полезен, а когда он просто обходит проблемы, которые действительно нас учат.

Один комментатор под её постом выразился очень точно:

На протяжении многих лет я провожу онлайн-курс, посвященный созданию AI-контента, которому люди действительно доверяют. В последнее время я изучал текущее состояние программ обучения AI, и прослеживается четкая тенденция. Большинство курсов фокусируются на том, *что* могут делать AI-инструменты, а лучшие из них показывают вам, *как* эффективно их использовать. Однако почти ни один из них не учит вас, *когда* лучше всего полностью отказаться от использования AI.

Это не незначительный пробел в учебной программе. Это центральный вопрос современности.

Почему существует разрыв?

Структура обучения ИИ создает конфликт интересов. Курсы сосредоточены на обучении людей *как* использовать инструменты ИИ, что естественным образом приводит к потребности в еще *большем* количестве инструментов, курсов и квалификаций. Нет финансового стимула обучать людей *когда не* использовать эти инструменты – вы не найдете курс, который уделяет приоритет пониманию того, когда следует воздержаться.

Есть очевидный недостаток в чрезмерной зависимости от инструментов кодирования на основе ИИ. Исследования Anthropic показали, что новые инженеры, которые активно использовали эти инструменты, на самом деле хуже понимали свой собственный код при тестировании. Усилия по решению задач – которые обычно развивают навыки – были обойдены, когда ИИ предоставил ответ. Просто получение рабочего кода не то же самое, что фактическое понимание того, как он работает.

Этот вопрос требует суждения. На него нельзя ответить с помощью запроса.

Культура, а не учебная программа

Когда я спросил Энн, где профессионалы могли бы улучшить свои навыки принятия решений, она полностью сменила тему в своем следующем сообщении.

Важно действительно учитывать эту точку зрения. Знание *когда не* использовать ИИ – это не то, чему можно научиться на курсе или получить сертификат. Это профессиональный стандарт, который вы перенимаете, наблюдая за опытными коллегами. Вы учитесь, наблюдая, как кто-то, кем вы восхищаетесь, выбирает более медленный и вдумчивый подход – даже когда ИИ мог бы быть быстрее – а затем понимаете логику, лежащую в основе этого выбора.

Новая книга Энн, «ASAP (As Slow As Possible): When to Take the Long Road in a Shortcut World,» будет опубликована Penguin Random House в феврале 2027 года. Название идеально отражает центральную идею книги: в современной быстро меняющейся рабочей среде выбор замедления требует как хорошего принятия решений, так и смелости – готовности действовать обдуманно, даже когда другие спешат вперёд.

Что практикующие могут попробовать прямо сейчас

Энн права, подчёркивая важность построения сильной культуры, а не просто фокусировки на задачах. Однако, пока эта культура ещё развивается, людям нужны чёткие, практические указания. Вот успешный процесс, который мы использовали с редакционной командой The Acton Exchange, общественной газетой в Актоне, штат Массачусетс, ещё в ноябре 2025 года, который другие могут адаптировать и использовать.

Команда работала в условиях сжатых сроков. Руководящий комитет недавно потратил три часа на обсуждение крупной реорганизации школьного округа, и они рассмотрели большой объем информации – всего 156 страниц. К сожалению, встреча не была записана, поэтому нет официальной записи того, что было сказано. Однако у комитета был доступ к материалам, которые они просмотрели заранее: 101 страница дополнительной информации и 55 страниц отзывов общественности.

Во время командной встречи мы рассмотрели четыре разных версии и решили, что версия от Perplexity является наиболее точной и отличной отправной точкой. Но мы не остановились на этом – мы добавили реальные цитаты от людей, которые там действительно были, запечатлев голоса сообщества Acton Exchange, что не под силу одному ИИ.

Самый важный вывод из этого эксперимента заключается не в том, какой движок работал лучше. Вместо этого, это то, что мы узнали о том, как люди принимают решения. Мэр Джон Манджаратти заметил, что инструменты были полезны для большей части информации — примерно 75% — но испытывали трудности с последними 25%, упуская важные детали и контекст. Супервизор Питер Лайт отметил, что качество результатов зависит от того, насколько хорошо написаны исходные инструкции.

Энн Хэндли делает отличное замечание: ключевой навык заключается не только в скорости, но и в понимании *когда* нужно быть быстрым, а когда замедление на самом деле лучше для долгосрочной перспективы. Эксперимент Acton Exchange не ответил на этот вопрос, но выделил его таким образом, в котором обычный курс по prompt engineering не смог бы.

Понимание запросов доводит до 75%. Умение оценивать ситуацию – это то, что завершает оставшиеся проценты.

Смотрите также

2026-06-05 17:10