На карте
Почему одни люди с помощью ИИ решают задачи нового масштаба, а другие продолжают просить его переписать письма
В разговорах об искусственном интеллекте постоянно возникает вопрос: насколько умными стали модели? Мы сравниваем Claude с ChatGPT, следим за бенчмарками и пытаемся понять, какая версия сильнее.
Но есть другой вопрос: насколько сложные задачи мы вообще способны перед ними поставить?
13 октября 2026 года Феликс Ризеберг, инженерный руководитель Anthropic, опубликовал статью How to be more ambitious: A tutorial for humans with models. Он описал проблему, которая становится заметнее по мере развития ИИ. Модели уже умеют значительно больше, чем большинство людей пытается с их помощью сделать.
Получается странная ситуация. Технология развивается с огромной скоростью, а привычный масштаб человеческих задач остаётся прежним.
Четыре измерения амбиций
Ризеберг предлагает рассматривать работу с ИИ через четыре измерения: скорость, высоту, глубину и широту. Эта модель помогает увидеть, где именно мы ограничиваем возможности системы собственными представлениями о работе.
Скорость: делать привычное быстрее
Раньше человек писал текст два часа, теперь получает черновик за десять минут. Раньше программист самостоятельно писал функцию, теперь поручает её кодинговому агенту.
Экономия времени реальна. Но исходная задача осталась той же самой. Скорость — первый и самый понятный уровень использования ИИ, одновременно ограниченный с точки зрения принципиально новых возможностей.
Высота: подняться от задачи к цели
Представьте, что у вас есть приложение, которое периодически падает. Сначала вы поручаете Claude исправить конкретную ошибку. Затем просите найти другие похожие ошибки. А потом формулируете задачу совершенно иначе: поддерживать приложение в рабочем состоянии и предотвращать повторение сбоев.
Для этого агенту потребуется доступ к отчётам об ошибках, системе контроля версий, инструментам тестирования и рабочему окружению. Вместо последовательности отдельных поручений возникает процесс, ориентированный на постоянное достижение результата.
Другой пример из статьи — квартальная презентация руководству компании. Можно собрать слайды с показателями. Можно исследовать причины изменений и подготовить решения. А можно спросить, зачем компании вообще нужна эта презентация.
Её назначение — помочь руководителям вовремя обнаруживать проблемы и принимать решения. Возможно, ИИ способен построить постоянную систему анализа бизнеса, которая сигнализирует о рисках задолго до очередного совещания. Презентация тогда становится лишь одним из интерфейсов к системе.
Высота определяется тем, насколько далеко от первоначального поручения мы готовы подняться в поисках настоящей цели.
Глубина: требовать профессиональных методов
Когда мы просим модель «выступить в роли опытного аналитика», она может просто начать использовать профессиональную терминологию. Выглядит убедительно, но правильные слова ещё не означают правильных методов.
Ризеберг предлагает требовать от модели работы с настоящими инструментами, первичными данными и проверяемыми результатами.
Предположим, компания хочет выяснить причины ухода клиентов. Поверхностный ответ перечислит распространённые гипотезы: неудобный интерфейс, сложная регистрация, высокая цена, слабая поддержка. Глубокий анализ начинается с фактических данных: событий поведения, истории платежей, обращений в поддержку.
Агент применяет статистические методы, проверяет гипотезы и ищет признаки, предшествующие уходу клиентов. Ещё интереснее, если он сможет построить предсказательную модель и проверить её на новых данных.
Здесь необходимо независимое подтверждение. Качественно написанный отчёт ничего не доказывает сам по себе. Код должен проходить тесты, прогноз — проверяться, а выводы — подтверждаться расчётами и источниками.
Есть и другой приём из статьи: завышать первоначальную цель. Если страница загружается за десять секунд, можно попросить сократить время до пяти. А можно поставить цель в 200 миллисекунд и предложить агенту исследовать пределы возможного. Достижимость такой цели ещё предстоит проверить, но само требование заставляет пересмотреть архитектуру вместо локальной оптимизации.
Глубина появляется, когда мы требуем профессионально проверяемого результата и готовы исследовать устройство проблемы.
Широта: выходить за пределы одной профессии
Человек привык мыслить в границах своей специализации. Дизайнер решает задачу как дизайнер, маркетолог — как маркетолог, программист — инструментами программирования.
ИИ позволяет дешевле привлекать методы из соседних и далёких дисциплин.
Ризеберг сравнивает такой подход с командой из фильма об ограблении: для сложной операции собирают специалистов с разными навыками. Теперь подобную команду можно организовать внутри агентной системы.
Подготовку отчёта можно рассматривать одновременно как аналитическое исследование, журналистское расследование, задачу визуальной коммуникации и проверку финансовых рисков.
Здесь есть тонкость. Недостаточно предложить модели вообразить себя журналистом или финансовым расследователем. Нужно поручить ей применить методы, которыми эти специалисты пользуются в реальной работе.
Журналист проверяет происхождение утверждений. Финансовый расследователь сопоставляет документы и ищет противоречия. Дизайнер информации продумывает, как показать данные, сохранив причинно-следственные связи.
Каждая дисциплина приносит собственный способ работы с реальностью. А несколько агентных процессов позволяют объединять результаты и взаимно проверять выводы.
Человеческий интеллект становится ограничителем
Из концепции Ризеберга следует ещё один вывод. Когда доступ к мощным моделям получают миллионы людей, результаты всё сильнее зависят от способности формулировать задачи.
Один человек просит ИИ написать описание товара. Другой поручает исследовать ассортимент, определить конкурентные преимущества, проверить спрос и предложить эксперименты по улучшению продаж.
Оба используют искусственный интеллект, но работают на разных уровнях абстракции. В первом случае ИИ ускоряет привычный труд. Во втором помогает исследовать проблему и проектировать новые процессы.
Разница возникает ещё до генерации ответа. Человек должен представить желаемый результат, распознать проблему, увидеть связи с другими областями и определить критерии качества. Модель может помочь на каждом этапе, но готовность расширить рамку задачи имеет огромное значение.
Здесь и проявляется агентное мышление: способность двигаться от цели к действиям, находить ресурсы, проверять результаты и менять способ решения, когда первоначальный не работает.
Проблема в том, что мы сами не верим в возможность результата
В конце статьи Ризеберг обращается к понятию self-efficacy — вере человека в собственную способность справляться с задачами.
Автор вспоминает историю математика Джорджа Данцига. В 1939 году тот опоздал на занятие, переписал с доски две задачи, приняв их за домашнее задание, и позднее представил решения. Оказалось, задачи считались нерешёнными научными проблемами.
В этой истории примечательно отсутствие психологического барьера: Данциг приступил к работе, не воспринимая задания как заведомо невозможные.
Ризеберг ссылается и на исследования постановки целей: конкретные сложные цели при подходящих условиях способны давать более высокие результаты, чем расплывчатая просьба приложить максимум усилий.
В работе с ИИ этот механизм приобретает новое значение. Многие привыкли, что модель пишет тексты, создаёт изображения и объясняет темы. Гораздо сложнее привыкнуть к мысли, что ей можно поручить разработку продукта, организацию исследования или построение инструментов для достижения результата.
Разумеется, возможности агента ограничены качеством модели, инструментами, ресурсами и проверками. Сложная постановка задачи сама по себе не гарантирует её выполнения. Но если человек даже не рассматривает такой результат, попытки не будет.
Как научиться ставить более масштабные задачи
Концепцию четырёх измерений можно использовать непосредственно в работе.
Поднимите высоту. Определите конечную цель поручения. Возможно, саму задачу можно исключить, автоматизировав процесс, который её порождает.
Увеличьте глубину. Выясните, как с проблемой работал бы ведущий профессионал. Какие данные он запросил бы, какими инструментами воспользовался, как проверил бы результат?
Расширьте кругозор. Посмотрите на задачу через другие дисциплины. Какие неожиданные методы применимы? Каких специалистов собрали бы для её решения при практически неограниченном бюджете?
И только после этого обсуждайте скорость выполнения.
Для практической работы я бы добавил проверку возможности автономного исполнения. Есть ли у агента нужные доступы? Может ли он получать данные, запускать инструменты, наблюдать результаты, исправлять ошибки? Где требуется решение или разрешение человека?
Именно здесь амбициозная идея превращается в рабочую агентную систему.
Новая мера возможностей
Мы привыкли оценивать развитие искусственного интеллекта по тому, какие задачи научились решать модели. Но теперь появляется другая мера: какие задачи люди научились им поручать.
Ризеберг предлагает полезную мыслительную конструкцию. Когда ИИ уже хорошо выполняет привычную работу, попробуйте подняться ещё на один уровень и пересмотреть саму постановку задачи.
Возможно, настоящее ограничение находится именно там.
Модели будут становиться способнее, инструменты — доступнее, агентные системы — самостоятельнее. И всё большую роль будет играть способность человека представить результат, которого пока нет, и решиться поставить задачу на его достижение.
Материал основан на статье Феликса Ризеберга «How to be more ambitious: A tutorial for humans with models», опубликованной 13 октября 2026 года. Концепция четырёх измерений принадлежит автору оригинала; выводы об агентном мышлении и практическая адаптация развивают её применительно к работе с ИИ.
Следующий шаг
Амбициозной постановке задачи нужна среда, в которой агент способен её выполнить: доступы, инструменты, проверки результата. Как такую среду собрать вокруг себя: Перестаньте искать самую умную нейросеть. Стройте среду
Масштаб задач, которые вы поручаете ИИ, растёт через практику: сначала на одном процессе, потом на работе всей команды. Разбирать такую постановку полезнее всего на конкретных задачах, которые уже стоят перед вами.
Если захотите обсудить, как это применить у себя или в команде — пишите в Telegram @pimenov
