В основі ефективних скілів для AI-агентів — психологія впливу на людей

💡 Усі статті, обговорення, новини про AI — в одному місці. Приєднуйтесь до AI спільноти!

Нещодавно провів аудит більше 100 офіційних скілів для AI-помічників. Найбільше мене цікавили інструкції, які визначають, як агент виконує роботу: пише документи, проводить аудит (наприклад, SEO), працює з фінансами, рев’ювить код чи пише його.

Я шукав відповідь на питання, яке мене зацікавило нещодавно — чи використовується в цих підходах щось із поведінкової науки — психології, когнітивістики, соціології — на користь людини, яка працює з AI?

Знайшлось дещо інше. І воно виявилось цікавішим за просте «ні».

Чалдіні — для агента

У одному з найпопулярніших agent skill фреймворків та методології створені софта є окремий документ «Persuasion Principles for Skill Design». Мова про superpowers (автор — Jesse Vincent, поширюється через офіційний каталог плагінів та github). Всередині проєкту є writing-skills, який «вчить» писати інші скіли, він посилається на референс-документ «persuasion-principles.md», який, в свою чергу, базується на класиці психології переконання Роберта Чалдіні та на свіже дослідження (Meincke et al., 2025, N=28 000 розмов, один із авторів — той же Чалдіні), яке показало: принципи переконання, що працюють на людях, працюють і на LLM. Авторитет, послідовність, дефіцит, соціальний доказ (authority, commitment, scarcity, social proof) — правильно застосовані, вони піднімають поступливість (compliance) моделі з 33% до 72%. У документі навіть є застереження «не для маніпуляції, а щоб критичні практики виконувались навіть під тиском».

Тобто питання «чи працює поведінкова наука у скілах» уже закрите. Працює, і її системно застосовують — щоб агент краще слухався інструкцій. Станом на сьогодні, єдиний, хто уважно читає Чалдіні, — це АІ агент.

Друга половина картини про те, що скілів, які застосовували б ту саму науку до людини — щоб вона не втрачала навички, пам’ять і критичне мислення, працюючи з AI, — я не знайшов. З найближчого — навчальні скіли, де педагогіка і є предметом роботи.

Асиметрія Чалдіні. Стан екосистеми AI-інструментів, у якому поведінкову науку системно застосовують до агента — щоб він краще виконував інструкції, — і ніяк не застосовують до людини, яка з цим агентом працює. Асиметрія — в увазі, а не в методі. Симетрична відповідь — це не про «переконувати людину», а будувати опорні механізми (scaffolding), які зберігають її здатність мислити самостійно.

Одна ремарка до Superpowers — вони тут не «порушник», а навпаки — єдиний фреймворк, який взагалі поставив питання «як влаштована поведінка іншої сторони взаємодії» і відповів на нього дослідженнями, а не інтуїцією. Претензія не в тому, що хтось застосував Чалдіні до агента. Претензія в тому, що симетричного документа про людину і для людини ще не написали.

А наслідки вже виміряні

За 2025-2026 роки з’явився ряд досліджень, які вимірюють, що відбувається з людиною при несистемній роботі з AI:

• MIT, «Your Brain on ChatGPT» (EEG, 4 місяці): у групи, що писала есе з LLM, — найслабша нейронна зв’язність із трьох груп; 83% не змогли процитувати текст, який щойно «написали». Автори назвали це cognitive debt — когнітивний борг, і він зберігався навіть після відключення AI.
• Microsoft + CMU (CHI 2025, 319 інтелектуальних працівників): що вища довіра до AI — то менше критичного мислення. І дзеркально: що вища впевненість у власній експертизі — то більше.
• Gerlich (2025, n=666): частота використання AI негативно корелює з критичним мисленням; механізм-посередник — когнітивне розвантаження (cognitive offloading); найсильніший ефект у наймолодших.
• Lancet Gastroenterology & Hepatology (2025): досвідчені ендоскопісти після кількох місяців роботи з AI-асистуванням стали знаходити менше аденом без AI, ніж до знайомства з ним: 28.4% → 22.4%. Професіонали з роками практики. Навичка деградувала, поки нею «користувались» через AI.

Найважливіше в цих роботах — не страшилки, а важелі. Те саме MIT-дослідження показало, що група, що спершу думала сама, а потім підключала AI, мала найвищу залученість — вищу, ніж у групи «спершу AI». Шкодить не інструмент. Шкодить послідовність кроків, відсутність звички верифікації та втрата самостійної практики. Три речі, які можна проектувати.

Чому платформи(ШІ-провайдери) цього не виправлять

Зараз набирає силу наратив, що AI-помічники стають соціальними платформами. Групові чати, спільні простори, агенти як учасники команд. Звучить як еволюція.

Але гляньмо на механіку. Соціальна платформа живе з мережевих ефектів і утримання користувачів (retention). Її природна цільова функція — залученість (engagement). Ми вже бачили, що робить оптимізація під залученість із людською увагою. Тепер уявіть ту саму цільову функцію в системі, яка не просто тримає вашу увагу, а думає замість вас. Когнітивне розвантаження отримує власний двигун оптимізації.

Я не кажу, що це станеться неминуче. Я кажу, що покладати на платформи відповідальність за когнітивне здоров’я користувача — наївно з причин структурних, а не через чиюсь злу волю. Метрика «клієнти стала думати краще» не живе в жодному дашборді.

Співтворчість

Тому потрібна інша рамка.

Співтворчість. Режим роботи, у якому людина генерує, AI підсилює; взаємодія спроєктована так, щоб мислення залишалося в людини, а масштаб — в AI.

Це не корпоративне гасло. Там та сама дослідницька база:

• Ефект генерації і практика пригадування (generation effect, retrieval practice; Roediger & Karpicke). Те, що людина спершу дістала з власної голови, запам’ятовується на порядок краще. Тому «дай свою версію одним реченням — я побудую від неї» — це не ритуал ввічливості, а протокол створення пам’яті.
• Локус впевненості (CHI 2025). Критичне мислення вмикає не недовіра до AI, а впевненість у власному судженні. Тому «зроби прогноз до того, як я покажу цифри» працює, а плашка «перевіряйте відповіді AI» — ні.
• «Кентавр»-режими (Dell’Acqua et al., експеримент з консультантами BCG). Люди, що розділяли роботу з AI за сильними сторонами кожного, показували кращі результати за тих, хто делегував усе.

Співтворчість — не універсальний режим. Конвертувати список у CSV — делегуй АІ і не рефлексуй, всесвіт від цього не збідніє.

Тріаж делегування. Співтворчість використовується там, де результат має жити у вашій голові: рішення, які захищатимете; навички, за які вам платять; знання, які використовуватимете без підказки. Делегація — все решта.

Як це може виглядати в коді, а не в теорії

Щоб не залишати тезу без механізму, я зберу прототип скіла(слідкуйте за публікаціями ;)), який працюватиме під час виконання задачі й робитиме співтворчість поведінкою за замовчуванням. Кілька прикладів прийомів — у поведінковій науці їх називають інтервенціями, для кожного достатньо менше 30 секунд:

• Спершу — власна версія (generation-first). Перед відповіддю на змістовне питання «що підказує тобі інтуїція?». Одне речення і далі AI будує від нього.
• Прогноз результату (predict-then-reveal). Перед відображенням результату аналізу, — «як думаєш, ріст чи падіння, і чому?».
• Конкретна точка верифікації. Замість розмитого «перевірте уважно», асистент вказує одне найслабше місце у своїй відповіді: «якщо перевіряти щось одне — перевір цифру X: я не знайшов її в джерелах, а розрахував сам, тому тут найвища ймовірність помилки».
• Ручне повторення (manual-mode rep). Наприклад, раз в тиждень — «хочеш цю задачу зробити самостійно, а мене використати як рев’юера?». Тренування, а не заборона.

І важливе правило, без якого це все буде нежиттєздатне:

Бюджет фрикції. Фрикція — це додаткове зусилля, якого прийом вимагає від людини: зупинитись, сформулювати власну версію, зробити прогноз. Бюджет фрикції — жорсткий ліміт на це зусилля: максимум один прийом на задачу, на механічних задачах — нуль, коли людина поспішає — нуль.

І три умови, без яких навіть найкращі опорні механізми перетворюються на маніпуляцію:

1. Прозорість. Людина бачить, що прийом робить і навіщо.
2. Вимкнення одним рухом. Відмова від прийому не потребує пояснень, налаштувань чи розмови з керівником. Немає простого виходу — немає і добровільності.
3. Метрика належить людині. Успіх скіла вимірюється питанням «чи можу я зробити це без AI», а не «скільки часу я провів з АІ асистентом». Хто володіє метрикою, той і визначає, на кого скілл насправді працює.

У першому тестовому прогоні підхід дав очікуваний результат: на задачах мислення додав те, чого не робить звичайний асистент (питання на пригадування, точку верифікації, побудову від позиції користувача), а на механічних задачах не додав якраз нічого. Це і є критерій якості: не більше «турботи», а точніше її використання.

Що з цим робити

Якщо ви будуєте AI-продукти чи впроваджуєте AI в команді, у вас зараз є вибір рамки, і, як на мене, він важливіший, ніж здається:

• Рамка платформи питає: як зробити, щоб людина поверталась до AI-асистента якомога частіше і проводила в ньому якомога більше часу?
• Рамка співтворчості питає: що людина зможе робити краще через рік роботи з цією системою і що вона робити розучиться?

Скіли, що переконують агента за методиками Чалдіні, вже написані. Час писати ті, що працюють на людину.