Как сохранять критическое мышление, пока ИИ-агенты берут на себя работу

Автор: Адди Османи (команда Anthropic Claude Code, известный архитектор технологий)

Перевод: Shenchao TechFlow

Обзор Shenchao: По мере широкого внедрения агентных рабочих процессов инженеры-программисты и продуктовые команды переживают радикальную трансформацию парадигмы человеческо-машинного взаимодействия. Когнитивный буфер, который ранее возникал между вопросом и ответом, теперь сжат до нескольких секунд; по мере того как крупные модели становятся все более реалистичными и точными, явные ошибки резко сокращаются, но люди постепенно скатываются в «когнитивную капитуляцию» под влиянием приятного чувства покорности, а системное понимание и базовые навыки незаметно ускоренно деградируют.

Как бывший руководитель инженерной команды Google Chrome и нынешний ключевой член команды Anthropic Claude Code, Эдди Османи в этой статье системно анализирует феномен постепенного смещения вдоль спектра от «когнитивной разгрузки» и «откладывания суждений» до «когнитивной капитуляции». Он не только детально разбирает механизмы скрытого накопления долгов по системному пониманию, но и предлагает практическую и защитную стратегию активного чтения и контрольных вопросов для повседневных рабочих процессов, объясняя, почему даже в будущем, где ИИ обладает более высокой вероятностью успеха, человеку необходимо сохранять ответственность и критическое мышление.

Раньше в школах преподавали критическое мышление как необходимость подходить к новой информации с скромным любопытством и умеренным скептицизмом: собирать разнообразные точки зрения, слушать все стороны, чтобы в итоге сформировать собственное независимое мнение. Этот принцип остается актуальным и сегодня, но теперь, когда большую часть моей повседневной работы выполняют агенты, в реальной жизни почти ничего больше не вынуждает меня применять критическое мышление.

Для инженеров и продуктовых специалистов, которые уже полностью приняли рабочие процессы с агентами, одновременно запускают несколько сессий в повседневной работе и с нетерпением ждут постоянного улучшения производительности моделей, я хочу сразу отметить: сам я — страстный поклонник таких инструментов. Я пишу эту статью не для того, чтобы побуждать вас снижать использование рабочих процессов с агентами.

Моя основная цель — помочь вам сохранить свою критическую мысль в мире, где всё можно легко передать агентам.

В прошлом большая часть человеческой когнитивной обработки и эстетических суждений рождалась в промежутках между вопросом и ответом. Однако сегодня этот промежуток сократился до нескольких секунд. Чем глубже вы используете рабочие процессы агентов, тем сложнее становится оставаться бдительным (хотя эта сложность может отличаться от того, что ожидают большинство): по мере постоянного совершенствования моделей доля очевидных абсурдных ошибок резко снизилась. Большинство генерируемых результатов написаны крайне прилично и в целом верно, но именно эта кажущаяся безупречной приличность заставляет людей даже не задумываться о том, чтобы взглянуть на них вторично.

Даже если вы одновременно запускаете десятки агентов, окончательно оценивать результаты все равно будете вы своими собственными глазами.

Вы должны намеренно включать критическое мышление в повседневные процессы, поскольку в состоянии по умолчанию никакая внешняя сила не будет за вас контролировать.

Частичная причина, по которой людям трудно самостоятельно исправлять ошибки, заключается в том, что опыт взаимодействия с рабочими процессами агентов чрезвычайно приятен. В напряженный рабочий день получить быстрый, приличный, комфортный и в целом правильный готовый ответ — действительно освежает; но именно это создает идеальную почву для полного расслабления и сдачи позиций.

При обсуждении этого явления с коллегами я обычно описываю его как непрерывный спектр:

На вершине спектра находится «когнитивная внешняя нагрузка» (Cognitive Offloading) — передача конкретных и трудоемких задач ИИ, при этом человек сохраняет абсолютную собственность и ответственность за конечный результат. Я сам делаю это весь день, и вам тоже следует так поступать.

На среднем участке спектра находится «откладывание суждения» (Deferral), при котором результат, выдаваемый инструментом, напрямую становится новым входом для вашего следующего шага, и созданный контент больше не рассматривается как гипотеза, требующая проверки.

А на самом дне спектра находится «когнитивная капитуляция»: выводы ИИ незаметно становятся вашими собственными утверждениями, и вы инстинктивно чувствуете, что нет никакой необходимости их проверять.

Термин «когнитивная капитуляция» был предложен Стивеном Шоу и Гидеоном Нейвом из Уортонской школы бизнеса. Он точно отражает то, что я недавно наблюдал: по мере роста доверия к инструментам (или из-за возникающего бездействия) люди неосознанно скользят вдоль этого спектра.

Такое скольжение часто крайне незаметно и трудно обнаружить, поскольку каждый шаг происходит постепенно и кажется разумным в данный момент: вы внимательно изучили предыдущий ответ, поэтому в следующий раз вы просто поверхностно просматриваете его; в следующий раз вы лишь бегло оглядываете структуру; пока однажды, когда кто-то указывает на одну из строк кода и задает вам вопрос, вы с удивлением осознаете, что даже при помощи агента не можете объяснить его базовую логику.

Это и есть типичная капитуляция сознания. Именно здесь кроется источник накопления «когнитивного долга». Этот долг обычно проявляется, когда вы пытаетесь вызвать глобальную ментальную модель системы, но обнаруживаете, что в вашем сознании пусто.

Ученый Маргарет-Энн Стори отмечала, что это проявляется в командной работе как постоянное разрушение общего понимания теории системы. Я также писал о соответствующем явлении на уровне кода — «долге понимания» (Comprehension Debt, термин, предложенный Джереми Твей). В повседневной практике написания кода этот долг полностью невидим: кодовая база выглядит аккуратно и элегантно, все автоматизированные тесты проходят успешно. Однако, как только система требует архитектурной рефакторинга, все оказываются в неловком положении: в команде никто действительно не понимает эту систему. Та же проблема возникает, когда вы лишь бегло просматриваете оглавление стратегического плана или технического спецификации и затем подписываете ее без внимательного изучения.

Следует подчеркнуть, что я не выступаю за нереалистичный перфекционизм. Требовать от инженеров постоянного удержания в уме полной когнитивной модели всей огромной современной кодовой базы невозможно. Ранее команда Claude Code открыто заявляла, что сейчас они применяют стратегию «восстановления понимания по требованию»: когда необходимо изменить модуль, они просто заставляют Claude объяснить логику этого фрагмента на месте, вместо того чтобы пытаться удерживать в уме глобальную картину.

Как я уже отмечал ранее, такая локальная долговая нагрузка понимания на самом деле легче устранить, чем большинство инженеров считают. Если вы можете в любой момент восстановить локальное понимание, вам не нужно постоянно поддерживать полную картину. Но главный вывод заключается в следующем: вы должны четко осознавать, в каких именно областях у вас есть слепые зоны.

В мелких вопросах, где стоимость ошибок крайне низка, можно смело передать принятие решений полностью. Но как только вы сталкиваетесь с ключевой проблемой, а даже агент не может объяснить ее базовый ответ, вы фактически полностью утратили контроль над системой.

Конечно, это не означает, что во всех ситуациях нужно относиться с излишней серьезностью. Недавно мне нужно было записать курс и выбрать место для съемок среди трех отелей с почти одинаковыми рейтингами. У меня действительно не было времени вручную изучать огромное количество отзывов гостей, поэтому я полностью поручил это решение ИИ. Результат оказался очень удовлетворительным, и в следующий раз при аналогичной ситуации я поступлю так же.

Однако, когда речь идет о инвестициях в ключевые активы, планировании карьеры детей или принятии решений на работе — что разрабатывать, какие изменения повлияют на реальных пользователей, соответствует ли код стандартам безопасного вывода в продакшн — я никогда не передам право принятия решений другим. На периферийных участках, где стоимость ошибок низка, вы можете смело делегировать; но в ключевых этапах, где другие должны платить за последствия, вы должны упорно держаться за человеческую логику.

Когда в прошлом я чувствовал себя запутанным, я обычно возвращался к простому списку базовых вопросов: как я знаю, что решаю правильную проблему? Как я уверен, что выбрал правильный путь решения? Есть ли убедительные объективные доказательства, подтверждающие мои выводы? Как я могу убедиться, что эта работа завершена полностью? Чаще всего это просто классические пять «к» журналистики: кто, что, где, почему, когда и как. Когда они записаны на бумаге, они кажутся наивными, как детская игра, но заставляют вас взглянуть на вещи с углов, которые обычно игнорируются.

В современную эпоху людям слишком легко сразу пропустить все эти болезненные размышления и обратиться к агенту с вопросом: «Как ты думаешь, что мне делать?». Поэтому я обновил для себя новый список размышлений для эпохи агентов:

• Прежде чем задавать вопрос, сформировал ли я свои первоначальные предположения? Перед тем как запустить агент для выполнения любой нетривиальной задачи, я заставляю себя записать (в уме или на заметке) то, как, по моему мнению, может развиваться ответ. Даже если это грубая и плохая догадка — это совершенно нормально. После получения новой информации вы всегда можете отвергнуть и изменить свое мнение. Но как только вы прочитаете чрезвычайно изящный и плавный сгенерированный ответ, вам будет сложно представить любую другую возможность. Если у вас совершенно нет представления, попробуйте метод «вопросов на выявление слепых зон», описанный Тарики Шихипаром: изложите все известные вам факты и попросите модель помочь вам обнаружить неизвестные неизвестные.

• Я использую его как помощника для мышления или передаю сам процесс мышления ему? Оба режима допустимы, главное — сохранять полную ясность и точно знать, в каком состоянии вы находитесь.

• Какие предварительные условия должны быть выполнены, чтобы эта схема полностью потеряла эффективность? После того как вы это четко осознаете, немедленно проверьте это на практике. Самооценка уверенности модели в своем ответе имеет гораздо меньшую ценность, чем ваш собственный реальный тест, поэтому установите для нее настоящий испытательный барьер.

• Слушал ли я аргументы с противоположной точки зрения? Когда я формирую твердую позицию по какому-либо открытому вопросу, я прошу модель сыграть роль придирчивого оппонента и специально составить для меня список самых сильных контраргументов против этой позиции. Это не обязательно для того, чтобы опровергнуть моё решение, а скорее для того, чтобы заставить меня столкнуться с неблагоприятными слепыми зонами, которые в обычных условиях я бы инстинктивно игнорировал.

• Если мне придется самому защищать этот результат, что я скажу? Временно закройте окно агента и попробуйте объяснить эту идею коллеге своими словами, простым языком. Если вы запинаетесь и не можете четко объяснить — значит, вы еще не до конца поняли суть, и просто механически повторяете то, что говорит ИИ.

В пассивном режиме чтения ваш мозг просто механически скользит по заданному тексту, пассивно принимая поток информации. Поскольку тексты, генерируемые интеллектуальными агентами, обычно плавны, стилистически выверены и грамматически безупречны, пассивное чтение в таких условиях легко заставляет вас ошибочно полагать, что вы полностью усвоили суть. Это похоже на то, как вы сидите на технической конференции и смотрите, как ведущий эксперт демонстрирует безупречные операции с архитектурой, кивая в зале, считая всё очевидным, но как только вы возвращаетесь в отель и открываете пустой редактор, вы понимаете, что не можете написать даже первую строку кода.

Активное чтение — это осмотрительное поведение, основанное на противоречивых предположениях. Оно не только фокусируется на том, что написано в тексте, но и настойчиво задает вопросы: почему это написано именно здесь? Какие ключевые трудности были проигнорированы? Почему был выбран именно этот подход, а не другой?

При чтении длинных планов, сгенерированных агентами, я обычно использую два крайне четких критических взгляда:

Прежде всего, найдите те «отсутствующие контексты»: какие предположения лежат в его основе? Не упустило ли оно какие-либо крайние случаи? При конфликте между двумя требованиями, на каком принципе оно тайно приняло решение за вас?

Во-вторых, активно задавайте «контраргументирующие вопросы»: как разрушится эта архитектура, если объем одновременных запросов внезапно возрастет в десять раз? Что произойдет, если внешняя зависимая служба третьей стороны будет недоступна полчаса? Вместо пассивного чтения готовых ответов на бумаге лучше взять скальпель и провести стресс-тестирование.

Агенты могут использоваться не только для написания длинных текстов, но и быть обученными в качестве мощных союзников, помогающих вам в глубоком критическом чтении. Ключ в том, чтобы не ограничиваться только приятными выводами, а заставлять его раскрывать скрытые разногласия и противоречия:

Вы можете заставить его провести перекрестный допрос двух кажущихся противоположными архитектурными решениями, выявив, на что каждая сторона пошла на уступки; вы можете заставить его сыграть роль враждебного рецензента кода, который целенаправленно выявляет плохой код, проходящий тесты, но скрывающий будущие ловушки при поддержке; вы даже можете заставить его после генерации длинного текста случайным образом извлечь три детали и задать вам обратные вопросы, чтобы проверить, действительно ли вы поняли контекст.

Воспринимайте агентов как точильный камень для мышления, а не как его замену.

Написание кода и проверка кода — это совершенно разные навыки мышления. Перед огромным потоком сгенерированного кода человеческая проверка легко утомляется и превращается в механическое одобрение «штампом».

Поэтому при проверке изменений в коде (Diff) обязательно представьте, что этот код не был написан всемогущим ИИ, а был отправлен недавно принятым стажером. Еще важнее: не ограничивайтесь анализом добавленных и удаленных строк, а проникните за поверхностный код и задайте себе вопрос: какие значимые скрытые решения принял агент за вас? Какие значения по умолчанию он выбрал? Какие сложные логические участки он тайно исключил из текущего объема работ? Когда возник конфликт между двумя требованиями к продукту, какую из них он переинтерпретировал в свою пользу?

Если отчет просто поверхностно сообщает вам «все идет хорошо, все тесты пройдены», вы никогда не увидите внутреннюю информацию о ключевых решениях. Поэтому четко запросите, чтобы в нем отдельно был представлен список: перечислите все субъективные предположения и компромиссные решения, принятые в рамках этой задачи. Затем проведите случайную проверку самих себя: выберите случайно две-три строки ключевого кода и спросите себя, почему именно так было написано? Если бы это был дизайн-документ, закройте страницу и попробуйте полностью воспроизвести по памяти его основные тезисы. Мне очень нравится одна жесткая практика, применяемая некоторыми командами: заставлять агентов добавлять в конец отчета об изменениях набор самотестов, причем строгое правило команды звучит так: «Код не будет объединен, пока я не отвечу на все вопросы теста на 100%».

Убедитесь, что вы достаточно глубоко понимаете и уверены в своем продукте, чтобы всегда быть готовым отстоять его. В один из дней к вам обязательно придут с вопросами.

В то же время агенты могут помочь нам построить ценную защиту внимания. Например, я веду крупный открытый проект, получающий огромное количество запросов на включение. Я поручаю агентам первичную фильтрацию: определять, какие коммиты нарушают правила участия сообщества, а какие требуют моего личного вмешательства. Я никогда не позволяю агентам принимать окончательное решение о слиянии, но они помогают мне точно сузить воронку внимания, позволяя мне сосредоточить свои человеческие когнитивные ресурсы на вопросе: «Решают ли эти изменения настоящую проблему правильным способом?»

Наконец, необходимо признать психологическое раздувание, вызванное взрывным ростом объема производства. Я называю это «налогом на оркестровку» (Orchestration Tax) — это огромная пропасть между количеством промышленных продуктов, генерируемых в огромных объемах агентами, и тем небольшим количеством продуктов, которые вы действительно готовы подписать своим именем с чистой совестью. Если скорость накопления результатов уже значительно превышает ваши физические возможности тщательной проверки, то открытие нового параллельного сеанса не поможет: вам нужно либо сузить процессы автоматической проверки, либо решительно замедлиться.

Когда то, что вы создаете, выходит за рамки того, за что вы можете отвечать, вы уже не проводите профессиональный аудит — вы просто надеетесь, что ничего не случится.

В системе взаимодействия человека и машины человеческая когнитивная модель не исчезла, а лишь сместила свой центр: она переместилась из длительного промежуточного этапа кодирования на передний край ввода задач и на финальный этап проверки результатов. Вы концентрируете все свои когнитивные усилия на разборе задачи на этапе инициализации, подаче контекста и строгой аудиторской обратной связи на завершающем этапе. Именно поэтому качество промптов (Prompting) имеет решающее значение для конечного результата, и я всегда считаю мастерство создания эффективных промптов ключевым навыком высокого уровня критического мышления.

В прошлом, если бы вы бросили человеческому коллеге расплывчатую, нечеткую задачу, он немедленно бы вас остановил, и вы сами бы в ответном вопросе осознали: «Оказывается, я даже не разобрался в сути этого вопроса». Однако агенты зачастую не останавливают вас в этот момент. Они молча дополняют все пропущенные вами детали и, казалось бы, чрезвычайно эффективно возвращают вам внешне безупречный и полный результат, хотя его основная суть по-прежнему остается неясной. Я называю это явление «долгом намерений» (Intent Debt): скрытые цели и ограничения, тайно встроенные в результат, но никогда по-настоящему проанализированные даже вами самими. В отличие от других долгов, никто не может погасить за вас долг намерений — основное намерение должно исходить исключительно и полностью от вас самих.

Ваше формулирование подсказки — это зеркало, отражающее глубину вашего понимания проблемы; если вы не можете выразить её ясным и точным языком, это часто означает, что она сама по себе является хаосом в вашем сознании.

Прежде чем обращаться за вычислительной мощностью за пределы, составьте план требований к задаче собственными простыми словами. Четко укажите целевую аудиторию, определите абсолютно запрещенные ограничения и задайте объективные критерии завершения (Definition of Done). Если после второго раунда правок результат все еще не соответствует ожиданиям, немедленно остановите слепую настройку и полностью перепишите ваш запрос.

Вы также можете использовать агентов, чтобы повысить качество своих запросов. Философ Энди Кларк сделал глубокое различие между «односторонним делегированием задач ИИ» и «глубокой двусторонней коллаборацией с ИИ». В настоящем режиме сотрудничества вы попадаете в положительный цикл взаимного усиления: ваши точные запросы порождают выдающиеся результаты, а эти результаты, в свою очередь, побуждают вас формулировать еще более глубокие запросы, в конечном итоге значительно углубляя вашу собственную модель восприятия системы. Если вы не уверены, насколько логически обоснованы ваши рассуждения, попросите агента провести с вами обратное интервью и задать вопросы о тех областях, которые ему непонятны. Если к концу разговора ваше собственное логическое понимание достигло нового уровня — это и есть настоящий признак успеха.

Кроме того, необходимо крайне внимательно следить за загрязнением контекста. При совместной работе нескольких агентов легко возникает проблема, при которой последующий агент продолжает работу, основываясь исключительно на сжатом резюме предыдущего агента; в результате на третьем этапе агент может вообще не ознакомиться с исходным основным документом.

В то же время вы должны сформировать собственные стандарты эстетики и качества. Я многократно экспериментировал с ИИ в различных творческих и инженерных областях, и большинство результатов никогда не публиковались, поскольку они не соответствовали моим личным критериям. В наше время все результаты моделей могут быть безупречно оформлены и поданы с уверенностью, поэтому «поверхностная гладкость» уже не является надежным индикатором качества.

ИИ, возможно, значительно ускорил производственный процесс создания контента, но если какой-либо результат заставляет меня чувствовать неловкость при подписании своего имени, я никогда не позволю ему быть опубликованным.

Когда какой-либо результат не соответствует стандартам, четко зафиксируйте конкретные причины неудачи в общем конфигурационном файле, Git-хуке или автоматизированном тестовом сценарии, чтобы подобные ошибки больше не повторялись. Именно так достигается накопительный эффект вкуса и стандартов, а осознанная фиксация того, что не соответствует пороговым значениям, сама по себе является ценной интеллектуальной практикой.

Если вы, как и многие из моих одержимых коллег, твердо верите в будущее ИИ, вы, вероятно, уже подумали об этом, еще читая первые главы: «Через год-два способности моделей к исправлению ошибок и предоставлению проницательных выводов полностью превзойдут мои — зачем мне тогда упорно развивать навыки критического анализа?»

На многих чисто технических индикаторах ваше предсказание, скорее всего, абсолютно верно, и я сам постоянно выступаю за передачу все большего числа автоматизированных проверок агентам. Но почему это умение останется невероятно важным в будущем? Причина только одна: в конечном счете, за реальные результаты, выводимые в продакшн, должен нести полную ответственность живой человек. Независимо от того, сколько вычислительных мощностей было задействовано за кулисами, на скамье подсудимых или перед лицом последствий окажется только реальный человек.

Определение степени доверия, которую следует предоставить агенту при выполнении конкретной задачи, само по себе является качественным решением, требующим высочайшей мудрости. Чтобы постоянно поддерживать точную способность к оценке, вы должны лично регулярно проверять выполненные задания, поскольку необычные модели ошибок модели постоянно меняются. Исследования Anthropic, проведенные среди своих ведущих инженеров и исследователей, ярко выделяют смертельную ловушку этого «парадокса надзора»: высокие инженерные и архитектурные навыки, необходимые для надзора и управления Claude, именно те самые компетенции, которые люди наиболее быстро теряют при чрезмерной зависимости от ИИ.

Эти фундаментальные вопросы — те, которые я считаю наиболее важными и которые ни одна модель, сколь бы мощной она ни была, не может ответить за вас: зачем вы создаете этот продукт? Какую социальную и коммерческую ценность он несет? Кто именно будет им глубоко затронут? Какую цену и какие компромиссы вы готовы заплатить ради его реализации? Все это вы должны ответить сами. Агенты могут блестяще помочь в анализе этих вопросов, и я рад этому, но окончательное решение и печать всегда остаются только в ваших руках.

Вы можете полностью передать алгоритму конкретные задачи и даже значительные этапы аудита, но окончательную ответственность и чувство ответственности вы никогда не сможете передать.

Вам совершенно не обязательно слепо и механически следовать всем догмам — достаточно естественно интегрировать те подходы, которые подходят вашему рабочему процессу:

• Еженедельная осознанная практика в офлайне: еженедельно выделяйте фиксированное время, полностью отказавшись от помощи агентов, и вручную напишите ключевой фрагмент кода или самостоятельно выполните одну из ключевых задач, пренебрежение которой может привести к серьезным последствиям (я называю это упражнением по когнитивной калибровке — это совершенно не моральное давление).

• Ежемесячный аудит навыков: ежемесячно составляйте список, в котором запишите действия, которые вы перестали выполнять самостоятельно из-за зависимости от ИИ, и серьезно проанализируйте: какие из этих навыков вы действительно можете спокойно принять как навсегда утраченные? Вопрос, который я задавал много лет назад в своем старом блоге, сегодня звучит не менее актуально: что произойдет с вами, если ИИ вдруг полностью исчезнет — насколько сильно вы окажетесь в состоянии паралича и растерянности?

• При встрече с непонятным обязательно углубляйтесь сами: если вы сталкиваетесь с понятием, выходящим за рамки вашего текущего понимания, обязательно изучите его систематически. Если во время написания статьи я встречаю незнакомый термин, я мог бы просто найти готовое объяснение из Википедии и вставить его в текст, но я предпочитаю выделить немного времени для глубокого микроисследования, чтобы понять его причины и следствия, пока не увижу его место в общей картине знаний.

• Планируйте проверку машин как официальную рабочую задачу: серьезная проверка результатов, выдаваемых машинами, сама по себе является чрезвычайно трудоемкой и интенсивной умственной работой. Притворяться, что эта задача проста, — именно то, что приводит многие команды к полному отказу от проверок и создает огромные риски. Проверка — это не бесплатный обед; включите ее как официальную задачу в свой ежедневный график, чтобы иметь реальные возможности для ее выполнения.

• Навыки, которые вы перестаете практиковать, быстро ухудшаются: любая когнитивная мышца, которую вы долго не используете, будет сокращаться быстрее, чем вы предполагаете. Обязательно регулярно практикуйте те ключевые навыки, которые вы не готовы отказаться.

• Сохраняйте четкую намеренность: агент полностью может провести обратное тестирование, интервьюировать вас и представить вам базовые аргументы, но только при условии, что вы активно разработаете и настроите этот механизм сотрудничества. Поэтому немедленно создайте его.

• Честно признайте свою реальную нишу в спектре: если вы не можете объяснить другим происхождение ответа без подсказок от агента, признайте: вы допустили когнитивную капитуляцию.

• Задавайте вопросы с предварительными предположениями: перед тем как задать вопрос ИИ, независимо от того, хорошее это или плохое, сформулируйте свою гипотезу в уме.

• Зелёная галочка означает только прохождение одного теста: всегда уточняйте: что именно он проверяет? Что он незаметно пропустил?

• Сначала изучите объективные аргументы, затем прочитайте субъективные выводы: перед тем как ознакомиться с его впечатляющими выводами, внимательно просмотрите каждую строку, чтобы понять, какие именно команды были выполнены и какие базовые данные были использованы.

• Читайте с чувствительностью к принятию решений: выясните, какие мелкие решения агент принял за вас в этом выводе.

• Тщательно отшлифуйте свои входные запросы: глубина и структура вашего запроса напрямую отражают ваше истинное понимание сути проблемы.

• Установите абсолютную границу качества и неуклонно придерживайтесь её: если вы сами стесняетесь поставить своё имя на этом продукте,坚决 не допускайте его выхода.

Постоянно практикуйте ключевые навыки, чтобы оставаться в центре доски. Простой микро-привычка, которую вы можете сразу применить в повседневной жизни: перед тем как задать вопрос агенту, запишите на заметке свои предположения о возможном развитии событий; сразу после получения результата от агента запишите один аспект, который он упустил. Посмотрите, сможет ли эта небольшая противодействующая привычка кардинально изменить глубину вашего анализа результатов ИИ. Думайте самостоятельно, задавайте более проницательные и качественные вопросы и несите полную ответственность за итоговый результат.

Рисунок: Сохранение независимого мышления и замкнутого цикла ответственности в рабочих процессах AI-агентов