Когнитивный партнер: я все-таки изобрела велосипед или нет

Я сначала собрала, протестила и апробировала на живых людях когнитивного партнера, а потом пошла разбираться, не изобрела ли я велосипед.

Готового чужого велосипеда пока не нашла, но есть три разных практики.

1️⃣ Сильному эксперту дают AI, чтобы он думал сильнее

Это уже довольно большой тренд вокруг AI as a tool for thought / thought partner.

Например, Microsoft Research ведет отдельное направление Tools for Thought. 

Концепт: ИИ должен челленджить человека, а не слушаться его: человек уже умеет решать задачу → AI помогает ему решать ее сильнее.

Неистово плюсую. Люблю, умею практикую.

Общее с моим кейсом: гипотезы, альтернативы, критика, работа с неопределенностью.

Отличие: У Microsoft объект дизайна — взаимодействие уже достаточно компетентного knowledge worker с AI. А у меня была команда, которая пока сама не умеет стабильно выполнять часть нужных профессиональных операций.

2️⃣ Экспертное мышление начинают кодировать как инфраструктуру компании

2 сентября Meta Engineering опубликовала An Organizational Second Brain: Building an AI That Learns From Experts.
Задача у них такая: в организации может лежать тонна документов, но документы еще не равны экспертизе.
Экспертиза находится также в том,
▪️что специалист считает существенным;
▪️в каком порядке исследует ситуацию;
▪️как интерпретирует неоднозначность;
▪️какие процедуры использует для решения;
▪️когда считает анализ достаточным.

Поэтому Meta специально разделяет:
what the agent knows и how the agent reasons.

Они не ограничиваются гигантским системным промптом.
Они делают специальные recipes — составные процедуры, в которых явно прописано:
▪️что исследовать сначала;
▪️какие знания подключить именно на этом шаге;
▪️какую методологию принятия решения использовать;
▪️что считать достаточным результатом этапа;
▪️какой следующий кусок reasoning запускать.

Recipes собираются в пайплайны. Причем Meta отдельно пишет, что такая стадийность еще и уменьшила количество лишнего контекста: вместо загрузки всего подряд модель на каждом этапе получает только то, что нужно именно сейчас.

🚀 Логика как у меня, но на максималках, конечно

Еще одно очень близкое место у Meta — экономика экспертной мощности. Они хотят, чтобы экспертное виешательство не оставалась одноразовым эпизодом. Эксперт поправил систему один раз — feedback превращается в проверенное обновление, которым потом может пользоваться организация.

У меня, в компании на 100 человек в ситуации пилота, конечно, попроще: после этого запускаем сеньора. Но сеньор уже не сидит над десятью сырыми транскриптами. Он получает рабочую модель, спорные места, конфликтующие данные и гипотезы. То есть дорогая экспертная мощность включается не на всю работу, а там, где действительно нужно экспертное суждение.

Но есть и важное различие.

Meta строит цифрового эксперта для организации — ИИ-агента, которому можно передать значительную часть специализированной аналитической работы.

У меня основной объект дизайна другой: junior + AI + senior.
Мне недостаточно, чтобы система хорошо сделала работу. Мне нужно еще и распределить ее так, чтобы менее опытный сотрудник сам участвовал в нужных профессиональных операциях и постепенно становился сильнее.

L&D-шная душа, ну, простите

3️⃣ ИИ специально делают таким, чтобы он не забирал мышление у менее опытного человека

И тут уже интересно, что владельцы самих больших моделей массово двигаются в одну сторону.
🔻 Anthropic в Claude Learning Mode прямо пишет: модель должна guide students' reasoning process rather than providing answers. Claude ведет сократический диалог, просит обосновывать выводы и концентрирует внимание на базовых принципах.
🔻OpenAI в ChatGPT Study mode делает примерно то же: guiding questions, hints, self-reflection, knowledge checks и движение по задаче вместо немедленной выдачи финального ответа.
🔻Google называет свой режим Guided Learning и прямо противопоставляет answers и understanding: вопросы, пошаговая декомпозиция, активная работа самого learner.
🔻У Microsoft формулировка вообще замечательная: их Study and Learn должен keep the thinking with the student.

То есть тут формула уже другая:
человек пока не умеет → AI специально устроен так, чтобы не просто скомпенсировать дефицит, а простраивать нужные когнитивные операции.

И это уже очень близко к нашей задаче развития джунов. Но опять есть серьезное отличие.
Обычный Study/Learning mode универсален:
▪️пойми концепт;
▪️подумай сам;
▪️объясни свое решение;
▪️попробуй следующий шаг.

А мы зашивали внутрь конкретную профессиональную методологию конкретного класса рабочих задач.
Не просто «думай критически», а:
▪️вот что в нашей профессии считается evidence;
▪️вот какие различия надо замечать;
▪️вот какие гипотезы здесь стоит строить;
▪️вот какой пробел существенный;
▪️вот когда тебе надо вернуться к информатору;
▪️а вот здесь ты вообще не имеешь права принимать решение — вызывай эксперта.

То есть обучающая компонента происходит в процессе выполнения реальной задачи, как in-job-training/

Кажется, мой когнитивный партнер находится ровно на пересечении трех линий.
Исходим из экспертной методологии
→ раскладываем на когнитивные операции
→ определяем, что способен сделать джун
→ что компенсирует ИИ
→ где нужно суждение эксперта
→ собираем из этого рабочий контур
→ и уже внутри него одновременно производим результат и, если это действительно нужно заказчику, развиваем человека.

Развитие не обязано быть целью каждой ИИ-системы.

Иногда бизнесу совершенно рационально нужен просто быстрый и достаточно хороший результат — и тогда нечего насильно превращать бизнес-инструмент в тренажер развития.

Но если заказчику одновременно нужны результат сейчас + передача компетенций внутрь команды, тогда, кажется, есть довольно интересная территория между «обучить людей», «автоматизировать работу» и «дать всем доступ к ChatGPT».

Это посильней библиотеки промптов. Это задачка: «Как спроектировать совместную когнитивную систему, в которой человек, AI и эксперт делают каждый именно ту часть работы, где дают максимальную ценность?»

И в моих проектах - это сейчас довольно классно работает. Может, вам тоже зайдет как идея.