TL;DR
Пользу от работы с ChatGPT и Claude определяет не уровень знаний и не GPA, а AIC — три конкретных навыка: точно формулировать запросы, фильтровать и проверять ответы модели, итеративно уточнять через диалог. Люди с высоким AIC получают непропорционально большой результат от AI. Люди с низким AIC — ограниченный или даже отрицательный эффект: они хуже справляются с задачей, чем если бы работали без ChatGPT вообще.
Главная ловушка — иллюзия компетентности. Большинство пользователей искренне оценивают своё умение работать с AI как приличное. На деле самооценка AIC почти не коррелирует с реальными результатами. Вы можете думать, что работаете с ChatGPT хорошо — и при этом недополучать от него 30-50% ценности. Хуже: при низком AIC AI ведёт вас к уверенным, но неверным выводам — модель генерирует правдоподобные ответы, пользователь принимает их без проверки, и ошибка уходит дальше в работу.
Решение — два рычага. Первый: развивать сами навыки AIC (они конкретны и тренируемы). Второй: scaffolding — работать по структурированному маршруту, где заранее определены ключевые темы и порядок их проработки. Scaffolding снижает разброс результатов без потери среднего качества: даже человек с низким AIC работает предсказуемо хорошо, когда у него есть карта маршрута.
Схема метода
ДИАГНОСТИКА: Есть ли у вас структурная карта перед задачей?
↓
ШАГ 1 [Scaffolding]: Создать концептуальную карту — ключевые темы,
их связи, порядок проработки
→ Один запрос к LLM: "построй карту темы X"
ШАГ 2 [AIC — Elicit]: Формулировать запросы точно и с целью:
не "расскажи про X", а "объясни X с учётом {цель} и {контекст}"
→ Каждый запрос привязан к конкретному узлу карты
ШАГ 3 [AIC — Filter]: Проверять каждый ответ: факты, логика, источники
→ Задавать уточняющие вопросы, а не принимать ответ как данность
ШАГ 4 [AIC — Iterate]: Уточнять через диалог — если ответ не точный,
дорабатывать промпт: добавить ограничения, сменить угол, попросить
привести примеры или контрпримеры
→ Цикл повторяется до нужного качества
Все шаги выполняются в одном чате. Scaffolding (шаг 1) — отдельный запрос в начале сессии.
Пример применения
Задача: Предприниматель из Екатеринбурга открывает магазин детской одежды. Хочет быстро разобраться в юнит-экономике — никогда этим не занимался, но нужно посчитать перед открытием.
Промпт (Шаг 1 — Scaffolding):
Я предприниматель, открываю розничный магазин детских товаров в Екатеринбурге.
Никогда не считал юнит-экономику, но мне нужно разобраться за 2-3 дня
самостоятельно.
Построй мне концептуальную карту: какие ключевые понятия юнит-экономики
для розничного магазина мне нужно знать, в каком порядке их изучать,
и как они связаны между собой.
Формат: тема → зачем мне это → на что влияет → что изучить следующим.
Промпт (Шаг 2–4 — AIC в работе):
Ты объяснил понятие CAC (стоимость привлечения клиента).
Теперь три вопроса с проверкой:
1. Как именно считать CAC для офлайн-магазина, если у меня нет
CRM и я не отслеживаю каждого клиента?
2. Какую ошибку чаще всего допускают при подсчёте CAC в рознице?
3. Назови 2 ситуации, когда высокий CAC — это нормально и не
означает проблему.
После ответа скажи: что я должен проверить в твоих ответах сам,
прежде чем принимать эти числа за истину?
Результат:
Шаг 1 даст структурированную карту из 5–8 ключевых понятий с порядком изучения — это scaffold для всей дальнейшей работы. Последующие запросы выдадут не просто объяснения, а объяснения с указанием типичных ошибок и пограничных случаев. Финальный вопрос "что проверить самому" — встроенный AIC-триггер: модель указывает на своя слабые места и источники, которые стоит проверить.
Почему это работает
LLM генерирует правдоподобный текст, а не верифицированные факты. Без проверки пользователь принимает уверенно звучащий, но ошибочный вывод. Это не баг интерфейса — это фундаментальная особенность того как работают языковые модели. Чем сложнее тема, тем выше риск получить красиво упакованную ошибку.
При этом модель отлично работает в итеративном режиме. Чем точнее контекст в запросе, тем точнее ответ. Чем больше уточняющих вопросов вы задаёте — тем больше модель "калибруется" под вашу задачу. Проблема низкого AIC не в том, что люди глупо спрашивают — они просто не знают, что нужно спрашивать дальше.
Scaffolding убирает этот пробел структурно. Когда у вас есть карта ключевых тем — вы знаете, что именно спрашивать и в каком порядке. Нет карты — ChatGPT отвечает на то что спросили, пропуская важное. Концептуальная карта превращает хаотичный диалог в целенаправленный маршрут. Именно поэтому scaffolding снижает разброс: даже человек без развитого AIC двигается по правильным узлам.
Рычаги управления: - Глубина карты — попросите 3 уровня детализации или только верхний уровень - Проверочный вопрос в конце — "что мне стоит проверить в твоём ответе" переключает режим с доверия на критический разбор - Контрпримеры — "назови 2 ситуации, где это не работает" — антидот от галлюцинаций - Уровень запроса — добавьте цель ("для принятия решения к пятнице") и ограничения ("без технического жаргона") — точность ответа вырастет
Шаблон промпта
Шаг 1 — Scaffolding (один раз в начале сессии):
Я {кто вы и ваш уровень в теме}. Мне нужно разобраться в {тема}
за {срок} для {конкретная цель}.
Построй концептуальную карту:
— Ключевые понятия и идеи, которые мне нужны
— Порядок изучения (что сначала, что потом)
— Связи между понятиями (как одно влияет на другое)
Формат: понятие → зачем мне это → что изучить следующим.
Шаг 2–4 — AIC-работа по карте:
Объясни {конкретное понятие из карты}.
После объяснения ответь на три вопроса:
1. Какую ошибку чаще всего допускают при работе с {понятие}?
2. Приведи 2 ситуации, где стандартный подход не работает.
3. Что мне стоит проверить в твоём ответе самостоятельно?
Контекст моей задачи: {1-2 предложения о вашей конкретной ситуации}.
Плейсхолдеры:
- {кто вы} — роль + уровень: "маркетолог без опыта в аналитике"
- {тема} — конкретная тема, не абстрактная
- {срок} — за сколько нужно разобраться
- {конкретная цель} — для чего именно: принять решение, написать документ, провести встречу
- {понятие из карты} — берёте из маршрута который построили на шаге 1
🚀 Быстрый старт — вставь в чат:
Вот AIC-шаблон для изучения темы с помощью AI.
Адаптируй под мою задачу: [твоя задача].
Задавай вопросы, чтобы заполнить поля.
[вставить шаблон выше]
LLM спросит вашу цель, уровень знаний и сроки — потому что без этого невозможно построить правильный маршрут. Она возьмёт структуру шаблона и сделает его под вашу конкретную тему.
Ограничения
⚠️ Задачи без структуры: Scaffolding помогает только там, где у темы есть логический порядок — юнит-экономика, медицина, право, технические домены. Для творческих или открытых задач (написать стихотворение, придумать нейминг) концептуальная карта бесполезна.
⚠️ Самооценка AIC ненадёжна: Исследование показало слабую связь между тем, как люди оценивают своё умение работать с AI, и реальными результатами. Нельзя диагностировать свой AIC "на ощущение" — нужна практика с обратной связью.
⚠️ Краткосрочный эффект: Исследование измеряло результат через 3 дня. Долгосрочные эффекты — как AIC меняется со временем, как scaffolding влияет на формирование собственных навыков — не изучались.
⚠️ Низкий AIC может дать отрицательный результат: Если вы принимаете ответы ChatGPT без проверки на сложных профессиональных задачах, итог может быть хуже чем работа без AI. Доступ к инструменту ≠ автоматическая польза.
Как исследовали
Исследователи провели рандомизированный контролируемый эксперимент (настоящее RCT — с случайным распределением) на 179 студентах Texas A&M Engineering. Задача была намеренно выбрана рекурсивной: участники изучали LLM с помощью LLM. Часть студентов работала только с ChatGPT (бесплатной версией), другая — с традиционными ресурсами: учебники, YouTube, статьи.
До и после трёх дней самостоятельного обучения — экзамен. Измерялись реальные знания, а не ощущения. И вот что удивило: ни GPA, ни базовые знания не предсказывали кто получит больше пользы. Единственным предиктором оказался AIC — навык которого нет в стандартных резюме и который сами участники плохо осознают. Корреляция самооценки AIC с реальными результатами — всего 0.46, то есть примерно "угадал в половине случаев".
Внутри LLM-группы исследователи протестировали несколько интервенций для новичков: дополнительное время, scaffolding (концептуальная карта), совместная работа. Scaffolding оказался единственным, что надёжно снизил разброс результатов, не ухудшив средний результат — это редкий случай когда простое управленческое решение решает проблему неравенства без компромиссов.
LLM-группа набрала в среднем 0.56 против 0.48 у контрольной — статистически значимо. Но медианы не рассказывают всю историю: разброс внутри LLM-группы был значительно выше. Те кто умел работать с AI — ушли в отрыв. Те кто не умел — остались у средней линии или упали ниже базового уровня.
Оригинал из исследования
Определение AIC из статьи:
AI Interaction Competence (AIC) is defined as the set of practical skills and
habits that enable an individual to use generative AI systems effectively and
reliably in their work. It includes the ability to:
(1) Formulate precise and goal-oriented prompts that communicate intent clearly
to AI systems.
(2) Filter and verify generative AI's outputs for accuracy, bias, and relevance
rather than accepting them at face value.
(3) Iterate interactively, refining inputs and combining human judgment with
machine suggestions to improve quality and efficiency.
In practice, AIC determines how well employees can translate GenAI access into
measurable performance gains.
Контекст: Авторы вводят AIC как новую единицу человеческого капитала — аналог того как в 90-е появился навык работы с Excel. Тогда тоже доступ был у всех, а умели использовать — единицы.
Адаптации и экстраполяции
💡 Адаптация: AIC-самодиагностика через разговор с LLM
Поскольку самооценка AIC ненадёжна, можно использовать AI для объективной диагностики:
Я хочу понять, насколько хорошо умею работать с AI.
Дай мне задачу средней сложности в теме {тема}.
Я попробую её решить с твоей помощью — используй мои промпты
как диагностику моего AIC:
После каждого моего запроса скажи:
— Насколько точно я сформулировал цель (1-5)?
— Что я потерял по сравнению с оптимальным формулированием?
— Как бы звучал более сильный промпт?
В конце дай общую оценку по трём компонентам AIC.
Это не тест знаний — это тест навыка взаимодействия.
🔧 Техника: Встроенный верификационный вопрос → снижает риск принять ошибку за факт
Добавьте в конец любого запроса:
...После ответа: что в твоём ответе мне стоит проверить
по независимым источникам перед тем как опираться на это?
Это один дополнительный вопрос — но он переключает режим с доверчивого чтения на критическую оценку. По сути, вы заставляете модель самой указывать на свои слабые места. Особенно критично для юридических, медицинских и финансовых тем.
🔧 Техника: Scaffolding из самого ChatGPT → нулевой барьер входа
Не умеете строить концептуальные карты сами — попросите AI:
Мне нужно разобраться в {тема} за {N} дней.
Создай для меня учебный маршрут:
— 5-7 ключевых тем в правильном порядке
— Для каждой темы: что это и почему важно изучить именно сейчас
— Контрольные вопросы по каждой теме
(чтобы я понимал что усвоил, прежде чем идти дальше)
Мой уровень: {новичок / есть базовые знания / хочу углубиться}.
Цель: {что буду делать с этими знаниями}.
Это и есть scaffolding из исследования — только модель строит его за вас.
Ресурсы
Работа: Generative AI and the Productivity Divide: Human–AI Complementarities in Education and Knowledge Work (Working Paper)
Авторы: Bharat Anand (Leonard N. Stern School of Business, New York University), Lihi Idan (Industrial and Systems Engineering Department, Texas A&M University)
Ключевые отсылки в работе: Концепция skill-biased technical change, теория комплементарных активов (complementary assets), эксперименты Dell'Acqua et al. (консалтинг + AI), Noy & Zhang (написание текстов + AI)