Понеже кралят никак не одобрявал това, че синът му напуска надзираваните пътища и се скита напряко през полята, за да си изгради своя собствена представа за света, той му подарил каляска и кон.
„Вече няма нужда да ходиш пеша“ — казал той.
Гюнтер Андерс, (1956) „Светът като фантом и матрица“
„Вече не бива да го правиш“ — бил смисълът на думите му.
„Вече не можеш да го правиш“ — бил техният резултат.
Човек не губи една способност в същият момент, в който технологията поеме задачата вместо него. Първо изчезва необходимостта тази способност да бъде използвана.
Това разграничение винаги прави загубата по-незабележима и по-коварна. Последната е в ход с навлизането на генеративния изкуствен интелект. В непосредствен план той предлага очевидно улеснение: по-малко време, по-малко усилие, по-бърз достъп до информация, по-добре оформен текст, решение на задача, готово обяснение. Но човешките способности не са пасивно притежание. Те се изграждат, развиват и поддържат именно защото средата непрекъснато ни принуждава да ги упражняваме.
В психологията съществува понятието „когнитивно разтоварване“. Евън Риско и Сам Гилбърт (Risko & Gilbert, 2016) го използват за случаите, в които променяме начина на изпълнение на дадена задача така, че част от когнитивното натоварване да бъде поето от външната среда. Записваме нещо, за да не го помним. Задаваме напомняне. Използваме калкулатор. Организираме информацията така, че да не е необходимо да я държим цялата в работната памет. Когнитивното разтоварване само по себе си не е дефицит. Напротив, голяма част от човешката култура може да бъде разбрана и като история на все по-ефективно изнасяне на памет, изчисление и информация извън индивидуалния ум. С генеративния AI обаче възниква прецедент. Външният инструмент вече не поема само съхраняването или механичното обработване на информация. Той е способен да поеме междинните операции, чрез които човек стига до резултата: формулирането на проблема, извличането на знания от паметта, построяването на аргумент, избора между възможни обяснения, редактирането, обобщаването, проверката и дори формулирането на самата преценка.
Значение има не само какъв обем работа се делегира, а и от какъв тип е тази работа и каква функция е изпълнявало самото усилие.
Тази разлика е позната от изследванията върху ученето. Никълъс Содърстрьом и Робърт Бьорк (Soderstrom & Bjork, 2015) правят разграничение между моментното изпълнение и ученето. Това, което наблюдаваме по време на упражнение, не е непременно надежден показател за трайна промяна в знанията или уменията. Условията могат да улеснят изпълнението тук и сега, без да произвеждат съответстващо дългосрочно учене. Понякога се наблюдават дори противоположни ефекти: по-добро непосредствено представяне и по-слабо последващо задържане.
Дейвид Стрьомберг, Виктор Лей и Янхуей У анализират 30 месеца данни за 26 811 ученици от 7. до 12. клас в Китай. Разполагат с оценки от домашни работи, времето за изпълнението им, резултати от ежемесечни изпити в клас без достъп до външни средства, както и резултати от ключови приемни изпити. Данните обхващат девет учебни предмета. Тъй като учениците започват да използват генеративен AI в различни моменти, изследователите използват дизайн с разлики в разликите, за да проследят как се изменят резултатите след започването на употребата спрямо учениците, които не са започнали да използват AI. (Strömberg et al., 2026)
Първоначално картината изглежда като недвусмислен успех.
След около шест месеца употреба резултатите от домашните работи се повишават с приблизително 18% спрямо базовата средна стойност, докато средното време за изпълнение намалява от 64 на около 45 минути. Учениците работят значително по-бързо и представят по-добре оценени домашни работи. Ако училището наблюдава единствено произведения резултат, няма причина за тревога. Напротив, показателите подсказват повишена продуктивност.
Когато обаче същите ученици трябва да работят без AI, картината се обръща. Резултатите от ежемесечните изпити без външна помощ намаляват с около 20% спрямо базовата средна стойност. Отрицателният ефект се развива постепенно и достига приблизително пълния си размер в рамките на шест месеца.
Още по-показателна е динамиката при приемните изпити, които обхващат знания, натрупвани в продължение на години. Там спадът се проявява по-бавно. При учениците с поне две години употреба на генеративен AI резултатите на китайския университетски приемен изпит (Gaokao) са средно с около 18% по-ниски спрямо базовата средна стойност, а на приемния изпит за гимназия (Zhongkao) спадът достига около 24%. Разпределението на загубите по предмети е показателно. Според авторите те са най-големи в социалните науки, следвани от STEM дисциплините, а най-малки при езиците. Ефектът е също по-силен при по-младите ученици, при първоначално по-силните и при момчетата. Предметното разпределение е трудно съвместимо с идея, че проблемът е пропуснатото повторение. То е по-съвместимо с предположението, че уязвими са преди всичко задачите, в които същинската работа е конструирането на аргумент, подборът между обяснения и организирането на собствена позиция. Тъкмо това е и типът работа, който генеративният AI произвежда най-убедително и с най-малко видимо участие от страна на ученика.
Тази времева последователност е важна.
Ако непосредственият ефект беше единствено неправилно решаване на задачи с помощта на AI, бихме очаквали проблемът да се прояви веднага. Данните показват друго. Домашното се подобрява. След това постепенно започват да се влошават резултатите върху наскоро изучен материал. Едва на по-дълъг хоризонт се появява пълният ефект върху изпити, които изискват натрупано знание. Това е модел, който заслужава да бъде мислен не само като проблем на образованието, а като проблем на формирането и поддържането на способности изобщо. Първата промяна е функционална. Нещо, което доскоро е изисквало собствено усилие, вече може да бъде направено с много по-малко съ-участие. Следва поведенческа промяна. Понеже усилието вече не е необходимо за получаването на желания резултат, то започва да се полага по-рядко. Ако операцията е била и упражнение, чрез което се изгражда умението, постепенно се променят самите условия за учене. Едва след достатъчно време това може да стане видимо като по-слаба самостоятелна работа.
Изследването показва емпирично как когато технологията позволява учебното усилие системно да бъде избягвано, подобрението във външния резултат може да съществува едновременно с влошаване на способността резултатът да бъде постигнат самостоятелно.
От значение са и данните за начина, по който учениците използват AI.
При учениците без AI повече време върху домашната работа е свързано както с по-добри домашни, така и с по-добри изпитни резултати. При голяма част от използващите AI се появява различен профил: необичайно кратко време за работа, много високи оценки на домашното и ниски резултати на изпит. Авторите определят този модел като поведение, съвместимо с „изнасяне“ на домашната работа към генеративния AI. След повече от пет месеца употреба около 81% от използващите AI попадат в тази категория според използвания от изследователите критерий. Изследователите не наблюдават директно всяко взаимодействие между ученика и AI. Затова краткото време за работа не доказва само по себе си какво точно е правил ученикът. Самите автори предупреждават, че връзката между времето за домашна работа и резултатите не трябва да бъде интерпретирана като самостоятелно доказан причинен механизъм. И все пак сравнението с останалите AI потребители е показателно.
Когато учениците с AI продължават да прекарват приблизително толкова време над домашната работа, колкото учениците без AI, изпитните им резултати са сходни. В същото време домашните им са по-добре оценени, което подсказва, че те действително използват технологията. Авторите заключават, че в този диапазон AI не изглежда да намалява ефективността на ученето. Основната загуба е концентрирана сред учениците, при които употребата му е свързана с рязко намаляване на времето и усилието. Това разграничение е много по-полезно. Един и същ инструмент може да изпълнява различни психологически функции. Може да даде обратна връзка след собствен опит, да посочи грешка, да предложи допълнителен пример или да постави въпрос, който задълбочава разбирането. Тогава той участва в упражнението. Може обаче и да произведе самия отговор, преди ученикът да е извлякъл необходимото знание, да е формулирал хипотеза или да е направил опит за решение. Тогава същият инструмент започва да замества упражнението. Разликата е съществена, защото упражненията не са някаква цена, която плащаме, за да получим правилния отговор, колкото и да е подвеждаща комерсиализираната структура на съвременната образователна система.
Извличането на информация от паметта е част от механизма, чрез който паметта се изгражда и укрепва. Класическите експерименти на Хенри Рьодигър и Джефри Карпике (Roediger & Karpicke, 2006) показват, че самото активно извличане може да подобри дългосрочното задържане повече от повторното изучаване, въпреки че повторното изучаване понякога създава по-добро непосредствено усещане за овладяване. Следователно моментът, в който ученикът се опитва да си спомни и не успява веднага, не е загубено време. Грешният първи опит не е непременно дефект, който трябва възможно най-бързо да бъде отстранен. Трудността, усилието да организираш знанията си, да сравниш възможности, да разбереш защо нещо не работи, да удържиш проблема достатъчно дълго, преди да видиш решението, е съществена част от това, което превръща информацията в умение.
Един от най-интересните резултати на Стрьомберг, Лей и У е, че измереното намаляване на общото учебно време трудно обяснява само по себе си целия спад. Авторите изчисляват, че съкратеното време за домашна работа се равнява приблизително на 2,2 до 2,8 часа седмично, около 5 до 6% от общото време за учене на учениците. Това е значително по-малко от наблюдавания приблизително 20% спад на ежемесечните изпити. Те предполагат, че значение има не просто количеството време, а видът на дейността, която е отпаднала, както и възможността същият начин на делегиране да се пренася към други учебни задачи.
В ежедневния език усилието обикновено се мисли като „разход“. Ако една и съща цел може да бъде постигната по-бързо и с по-малко усилие, рационално изглежда да предпочетем по-лесния път. Това е напълно оправдано само когато усилието няма друга функция освен да забавя резултата.
Не всяко когнитивно усилие обаче е от този тип.
Усилието в повечето случаи има функция на тренировъчен стимул. Премахвайки го от задачата, премахваме и самата причина съответната функция да бъде активирана. Ако това се случва рядко, цената вероятно е незначителна. Ако се превърне в постоянна характеристика на средата, вече се променя честотата, с която човек трябва да извлича, сравнява, формулира, проверява и разбира.
Една способност, ако е вече изградена, може да остане налична известно време, въпреки че почти не се използва. Тъкмо затова непосредственият ефект лесно се подценява, особено от възрастните, експертите, самите обучаващи. В началото човек все още може да извърши операцията сам. Просто все по-рядко му се налага. Разликата между „мога, но няма нужда“ и „вече го правя по-трудно“ става видима едва когато измине достатъчно време или когато външната опора бъде премахната. Когато вече е твърде късно.
Вече представеното изследване на Киара Маркоча, Валтер Куатрочоки и Валерио Капраро (Marcoccia et al., 2026) показва подобен процес на много по-кратък времеви хоризонт и на равнището на метакогнитивната преценка. В пет експеримента с общо 3132 участници наличието на AI съвет, който в задачата е бил умишлено ненадежден, рязко намалява готовността на хората да се въздържат от отговор и да заявят „не знам“. Участниците отговарят повече, точността им намалява, а увереността им се увеличава.
Това изследване не показва, че хората са загубили способността си за собствена преценка. То показва промяна в готовността тази преценка да бъде мобилизирана и в прага, при който човек решава, че разполага с достатъчно основание, за да отговори.
Преди да отслабне една способност, може да се промени честотата, с която средата изобщо изисква употребата ѝ.
Това свързва двете изследвания, без да означава, че те доказват един и същ причинен процес. Едното наблюдава непосредствена промяна в метакогнитивното поведение при възрастни. Другото проследява учебни резултати на ученици в продължение на месеци и години. Популациите, задачите и методите са различни. Взети заедно обаче, резултатите поставят въпрос, който трудно може да бъде сведен до надеждността на конкретен езиков модел.
Какво се случва с една човешка функция, когато средата системно премахва необходимостта тя да бъде използвана?
Генеративният AI може да прикрива настъпващата промяна. При много по-стари форми на автоматизация загубата на умение става сравнително видима. Ако човек не може да извърши дадена операция, резултатът се влошава. При генеративния AI крайният продукт може да продължи да изглежда отличен. Текстът е по-гладък. Домашната работа е по-добра. Отговорите са повече. Изчислението е правилно. Работата е приключена навреме. Така видимото изпълнение може все по-слабо да информира за способността на човека зад него.
Това е сериозен проблем за образованието, защото неговият непосредствен продукт и неговата действителна цел не са едно и също нещо. Целта на математическата задача не е обществото да получи още едно вярно решение на уравнение. Целта е ученикът да стане човек, който може да разбира и решава определен клас проблеми. Целта на ученическото есе не е производството на още две страници добре оформен текст. То е сред средствата, чрез които се упражняват организация на мисълта, подбор на аргументи, езикова точност и способност за собствена позиция.
Когато оценяваме единствено продукта, започваме да възнаграждаваме точно онова, което технологията може да предостави без развитието на съответната човешка компетентност.
Това вероятно обяснява защо един друг резултат на Стрьомберг и колегите е толкова интересен. Най-добре представящите се ученици преди появата на AI не са защитени от ефекта. При горната третина по първоначални учебни резултати спадът на редовните изпити достига приблизително 24% спрямо 16% при долната третина. При приемните изпити посоката е същата. Не е необходимо да предполагаме, че добрите ученици внезапно стават по-малко способни или че AI им влияе по някакъв мистериозен начин. По-простата възможност е, че високо развитата способност също се нуждае от условия, в които да бъде използвана. Предишното умение не отменя ролята на последващата практика.
Налице е и отчетлива зависимост от интензивността на употреба. Учениците, които съобщават, че използват генеративен AI между нула и един час седмично, показват значително по-малък отрицателен ефект от тези, които съобщават пет или повече часа употреба седмично. При вторите оцененият спад след шест до десет месеца достига около 30% от базовата средна стойност. Това отново не позволява автоматично да заключим, че всеки допълнителен час AI причинява определено количество загуба на знания. По-интензивната употреба може да е свързана и с други характеристики. Но тя е съвместима с основната картина: колкото по-голяма част от учебната дейност може да бъде прехвърлена към външна система, толкова по-малко възможности остават съответните операции да бъдат упражнявани от самия ученик.
От тази перспектива най-неподходящият отговор би бил простата забрана. Не защото е принципно нелегитимна, а защото понастоящем е вече неприложима извън изпитната зала и защото отговаря на въпроса за достъпа, вместо на въпроса за употребата.
Самите данни показват, че AI употребата не е еднородна. Учениците, които запазват времето и участието си в решаването, не показват същия размер на загубите. Авторите намират и признаци, че отрицателният ефект отслабва в по-късните календарни периоди, което може да означава постепенно приспособяване на ученици, родители и учители към новата среда. По-смислен е въпросът как да бъде проектирана употребата така, че AI да разширява възможностите на човека, без да премахва точно онези операции, чрез които се формира компетентността. Как да започнем да различаваме помощта, която подобрява усилието, от помощта, която го обезсмисля.
Когато ученикът първо трябва да формулира собствен отговор, а след това получава обратна връзка, когнитивната задача остава негова. Когато трябва да сравни своето решение с друго, да открие грешката, да защити избора си или да обясни защо AI отговорът е неправилен, технологията може и да увеличи качеството на упражнението. Ако готовото решение пристига преди собственото усилие, същата система може да отнеме упражнението изцяло.
Практически това означава по-малко въпроси за достъпа до AI и повече за структурата на употреба. Кое усилие трябва да бъде положено, преди инструментът да участва: собствен опит за решение, формулирана хипотеза, извличане от паметта, чернова. Каква да бъде функцията на AI след този момент: обратна връзка, контрапример, въпрос, алтернативно обяснение, което ученикът трябва да сравни със своето. Кои части от задачата остават непрехвърляеми, защото самото им извършване е целта. И къде системата запазва ситуации без външна опора, не като наказание, а като единственото място, където става видимо какво е усвоено. Тази подредба не изисква нови технологии, а решение какво точно оценяваме.
За оценяването следва още една неудобна последица. В среда на широко достъпен AI качеството на домашната работа става все по-несигурен индикатор за качеството на ученето. Това не означава, че домашната работа губи смисъл. Означава, че произведеният вкъщи резултат не може да носи същата диагностична тежест, ако не знаем как е бил произведен. Стрьомберг, Лей и У стигат до сходна практическа препоръка: родители и учители вероятно трябва да обръщат повече внимание на вложеното време и учебното усилие, а образователните системи да запазят достатъчно оценяване в условия, при които ученикът трябва самостоятелно да демонстрира знанието си.
Необходимо е и известно спокойствие при интерпретацията на резултатите. Изследването на Стрьомберг, Лей и У е голямо и необичайно продължително за тази бързо развиваща се област, но данните идват от един окръг в Централен Китай. Моментът на първата AI употреба е съобщен ретроспективно от самите ученици. Идентификацията на ефекта върху ежемесечните изпити е по-силна от тази при приемните изпити, а „изнасянето“ на домашната работа е изведено от поведенческия модел, не е наблюдавано непосредствено във всяка задача. Следователно тези резултати не са основание да обявим, че генеративният AI неизбежно причинява когнитивна атрофия. Те са основание да престанем да приемаме повишената продуктивност като доказателство за развитие на способността.
Това разграничение ще става все по-важно и извън училище.
Голяма част от професионалното развитие се случва в самата работа. Младият специалист не придобива експертиза само от готовите резултати, които произвежда. Той я придобива от стотиците малки операции преди тях: търсене, сравнение, погрешна хипотеза, проверка, редакция, опит да формулира нещо, което още не е напълно ясно. Част от тези операции изглеждат бавни и неефективни именно защото са работа на човек, който още се учи. Ако систематично ги изнесем към машина, производителността на начинаещия може да се повиши много преди неговата експертиза да е достигнала равнището, което предполага произведеният резултат. Така се появява една нова психологическа задача на технологичната среда. Не да ни помага да правим повече, а да запази достатъчно ситуации, в които все още трябва да можем сами.
Първо една операция престава да бъде необходима. После постепенно престава да бъде обичайна. Все по-рядко се извлича знанието, защото отговорът е наличен. Все по-рядко се стои в несигурност, защото системата веднага предлага формулировка. Все по-рядко се прави собствен опит, защото готовият изглежда по-добър. Докато крайният продукт продължава да се подобрява, този процес почти няма как да бъде забелязан. Проверката идва едва когато и ако външната опора бъде отстранена.
Тогава вече не е важно колко добре е свършена задачата. Важното е какво е останало у човека, който я е свършил
Marcoccia, C., Quattrociocchi, W., & Capraro, V. (2026, July 15). AI advice suppresses people’s willingness to say “I don’t know”, even when the advice is wrong and accuracy is incentivized [Preprint]. PsyArXiv. https://doi.org/10.31234/osf.io/5y6m4_v1
Risko, E. F., & Gilbert, S. J. (2016). Cognitive offloading. Trends in Cognitive Sciences, 20(9), 676–688. https://doi.org/10.1016/j.tics.2016.07.002
Roediger, H. L., III, & Karpicke, J. D. (2006). Test-enhanced learning: Taking memory tests improves long-term retention. Psychological Science, 17(3), 249–255. https://doi.org/10.1111/j.1467-9280.2006.01693.x
Soderstrom, N. C., & Bjork, R. A. (2015). Learning versus performance: An integrative review. Perspectives on Psychological Science, 10(2), 176–199. https://doi.org/10.1177/1745691615569000
Strömberg, D., Lei, V., & Wu, Y. (2026). The generative AI learning penalty: Evidence from Chinese secondary education (CEPR Discussion Paper No. 21577). CEPR Press. https://cepr.org/publications/dp21577
