Как ChatGPT «выключает» мозг: исследование MIT о когнитивной цене ИИ

Эксперимент с тремя группами

В лаборатории MIT Media Lab доктор Наталья Космина провела эксперимент, который может изменить представление о том, как мы интегрируем AI в образование и работу. 54 студента из Бостонской агломерации были разделены на три группы и попросили написать серию эссе на темы SAT-экзаменов.

Первая группа работала без каких-либо технологических помощников — только мозг, ручка и бумага. Вторая могла использовать Google Search. Третья получила доступ к GPT-4o от OpenAI. На протяжении всех сессий участники носили EEG-устройства с 32 электродами, которые фиксировали активность мозга в реальном времени.

Результаты: тишина в нейронах

Группа без технологий продемонстрировала самую высокую нейронную связность, особенно в альфа-, тета- и дельта-диапазонах. Исследователи зафиксировали активное вовлечение фронтально-париетальных сетей, отвечающих за исполнительные функции и глубокую обработку информации. Эти студенты демонстрировали любопытство, высокую вовлечённость и заявляли о чувстве «владения» своими эссе.

Группа с Google Search показала промежуточные результаты: нейронная активность была ниже на 48% по сравнению с «мозговой» группой, но всё ещё демонстрировала значительную вовлечённость. Студенты также заявляли о высокой удовлетворённости работой.

Группа с ChatGPT продемонстрировала самые тревожные результаты. Нейронная связность была на 55% ниже, чем у группы без технологий. EEG-данные показали минимальную активность в альфа- и тета-диапазонах — признак того, что мозг выполняет задачу поверхностно, без глубокого кодирования информации в долгосрочную память.

«Задача была выполнена, и можно сказать, что это было эффективно и удобно. Но, как мы показываем в исследовании, вы в принципе не интегрировали ничего из этого в свои нейронные сети памяти»— Доктор Наталья Космина, MIT Media Lab

Переключение групп: когнитивный долг

Самая показательная часть эксперимента началась на четвёртой сессии. Исследователи «переключили» инструменты: группа с ChatGPT должна была написать новое эссе без AI, а группа без технологий получила доступ к GPT-4o.

Студенты, которые ранее полагались на ChatGPT, продемонстрировали катастрофические результаты. Они не могли вспомнить содержание своих предыдущих эссе, не могли цитировать собственные аргументы и демонстрировали значительно более слабые альфа- и тета-волны — признак того, что глубокие процессы памяти были «обойдены» на ранних этапах.

В противоположность, студенты, которые начинали с собственного мышления, а затем получили доступ к AI, показали существенное увеличение нейронной связности во всех EEG-диапазонах. Это даёт надежду: AI, используемый правильно и на поздних этапах работы, может усиливать обучение, а не подавлять его.

Гомогенизация контента: проблема «одинаковости»

Помимо нейронных эффектов, исследование MIT выявило ещё одну тревожную тенденцию: эссе, написанные с помощью ChatGPT, были статистически гомогенны внутри каждой темы. Natural Language Processing-анализ показал значительно меньшее отклонение в структуре, лексике и аргументации по сравнению с другими группами.

Иными словами, использование LLM не просто снижает вовлечённость мозга — оно стандартизирует мышление. Студенты, полагающиеся на AI, производили похожие тексты с минимальными индивидуальными различиями. Это поднимает вопрос: что происходит, когда целое поколение обучается мыслить через один и тот же алгоритм?

Что это значит для бизнеса и образования

Для руководителей образовательных организаций результаты MIT ставят принципиальный вопрос: можно ли разрешать студентам использовать LLM на ранних этапах обучения? Исследование предполагает, что ранний доступ к AI может подавлять формирование критического мышления, глубокой памяти и оригинальности.

Для компаний, внедряющих AI-инструменты в рабочие процессы, данные MIT указывают на риск «когнитивной атрофии» сотрудников. Если работники полагаются на LLM для создания контента, они могут утратить способность к глубокому анализу, креативной генерации идей и владению информацией.

Однако исследование также предлагает конструктивную модель: AI, используемый на поздних этапах — после того, как человек уже проработал задачу собственным мышлением — может усиливать производительность без когнитивных потерь. Это предполагает workflow, в котором AI выступает как «усилитель», а не «замена».

Ограничения исследования и будущие направления

Важно отметить, что исследование MIT является preprint и ещё не прошло peer-review. Выборка составила 54 человека в возрасте 18–39 лет — относительно небольшая для обобщения на всю популяцию. Требуется масштабирование эксперимента с большими выборками и различными демографическими группами.

Команда MIT планирует расширить исследование на задачи программирования, изучая, как AI-инструменты вроде GitHub Copilot влияют на когнитивные процессы разработчиков. Это критически важно, учитывая массовое внедрение code generation tools в индустрии.

Сценарии развития:

Оптимистичный: Образовательные институты и компании разработают гибридные модели использования AI: сначала собственное мышление, затем AI-усиление. Это сохраняет когнитивные навыки и максимизирует продуктивность.

Реалистичный: Формируется «когнитивный разрыв» между теми, кто научился использовать AI стратегически, и теми, кто стал зависимым от него. Рынок труда начинает ценить «глубокое мышление» как premium-навык.

Пессимистичный: Массовое использование LLM с раннего возраста создаёт поколение с ослабленной памятью, критическим мышлением и креативностью. Образовательные системы не успевают адаптироваться, и когнитивные потери становятся структурными.

Практические рекомендации

Для образовательных организаций: Внедряйте правило «сначала думай, потом AI». Студенты должны проработать задачу самостоятельно перед использованием LLM-инструментов.

Для компаний: Разработайте workflow-политики, где AI используется на этапах редактирования и улучшения, а не генерации идей с нуля. Тренируйте сотрудников на «AI-literacy», включая понимание когнитивных рисков.

Для индивидуальных пользователей: Если вы используете ChatGPT для письма, программирования или аналитики — сначала сформулируйте собственное решение или черновик. Используйте AI для улучшения, а не замены мышления.