Одна из самых полезных идей ранних исследований генеративного ИИ — «рваная технологическая граница». Она описывает ситуацию, в которой внешне похожие задачи оказываются по разные стороны возможностей модели. В эксперименте с консультантами BCG участники с доступом к GPT-4 быстрее и лучше справлялись с набором задач, находившихся «внутри границы» возможностей системы.
Где ИИ действительно помогает
По материалам Института ИИ Гарвардской школы бизнеса, на задачах внутри этой границы использование GPT-4 увеличивало скорость более чем на четверть, повышало оценку качества и помогало завершить больше подзадач. Но другая часть эксперимента была специально построена так, чтобы модель уверенно вела пользователя в неверном направлении. Там слепое доверие ИИ могло ухудшать результат. В этом и состоит практическая ценность концепции: нельзя оценить инструмент один раз и считать, что его качество одинаково во всех задачах.
Где уверенность становится ловушкой
Исследование проводилось с конкретной версией GPT-4 и конкретной группой профессионалов. Модели меняются, интерфейсы меняются, сотрудники учатся. Поэтому проценты не стоит превращать в вечную характеристику технологии. Но структурный вывод остаётся: человеку нужно понимать не только «как написать промпт», но и где проверка ответа дороже самого ответа, где ошибка видна сразу, а где может пройти незаметно.
Как думать о границе возможностей
Полезная рабочая привычка — составить карту задач команды по двум осям: насколько ИИ помогает их выполнить и насколько легко проверить результат. Для задач с быстрым контролем можно смелее автоматизировать черновики. Для задач с высокой ценой ошибки и слабой проверяемостью нужен более строгий режим: источники, двойная проверка, эксперты и иногда сознательный отказ от ИИ. Это гораздо взрослее, чем единое правило «использовать всегда» или «запретить полностью».
