AI Brain Fry — это реально: почему больше ИИ-инструментов снижает вашу продуктивность

Коротко о главном

Что важно знать: добавление новых ИИ-инструментов сверх определённого предела начинает активно вредить результатам работы. Исследование BCG с участием 1 488 работников показало: продуктивность достигает пика при использовании 1–3 ИИ-инструментов, а начиная с 4 — снижается.

Ключевые выводы:

BCG (март 2026): использование 4 и более ИИ-инструментов вызывает «AI brain fry» (умственное истощение от управления слишком большим количеством инструментов) — когнитивную усталость от необходимости следить за работой большего числа инструментов, чем человек способен эффективно контролировать

Активный контроль над ИИ требует на 14% больше умственных усилий, вызывает на 12% большую усталость и на 19% большую информационную перегрузку

Goldman Sachs не обнаружил «значимой связи» между внедрением ИИ и ростом производительности в масштабах экономики

ИИ даёт ~30% прирост продуктивности только в узких, чётко определённых задачах: поддержка клиентов и разработка программного обеспечения

Разработчики ожидали, что ИИ сэкономит им 24% времени — контролируемое исследование показало, что на самом деле они стали работать на 19% медленнее

Решение — консолидация, а не расширение: несколько инструментов, используемых глубоко, превосходят по результату многие инструменты, используемые поверхностно

Вы наверняка знакомы с этим ощущением. Всё началось с ChatGPT. Потом добавился Claude — кто-то сказал, что он лучше пишет. Затем Perplexity для исследований. Потом ИИ-помощник для записи встреч. Потом специализированный ассистент для кода. И вот у вас уже шесть подписок на ИИ-сервисы, а вы почему-то чувствуете себя загруженнее, чем раньше.

В BCG для этого есть название: AI brain fry.

В марте 2026 года BCG опубликовала в Harvard Business Review результаты исследования с участием 1 488 штатных сотрудников компаний в США. Главный вывод привлёк всеобщее внимание — не тот, что ИИ не работает, а тот, что слишком большое количество ИИ-инструментов делает вас менее эффективным профессионалом.

Что такое AI brain fry?

BCG определяет это как «умственную усталость от чрезмерного использования или контроля ИИ-инструментов, превышающего когнитивные возможности человека».

Участники исследования описывали своё состояние так: ощущение «гудения» в голове, туман в мыслях, трудности с концентрацией, замедленное принятие решений. Один старший менеджер по разработке сформулировал это прямо: «Я тратил больше усилий на управление инструментами, чем на решение самой задачи».

Эта фраза точно описывает ловушку. Вы добавляете ИИ-инструменты, чтобы разгрузить мышление. Но каждый инструмент создаёт собственные накладные расходы: формулировка запросов, оценка результатов, выявление ошибок, переключение контекста. В какой-то момент эти издержки начинают обходиться дороже, чем польза от инструмента.

Данные BCG показывают, где находится эта точка перелома. Продуктивность росла при переходе от 1 до 2 инструментов, продолжала расти при 3, а затем снижалась начиная с 4 и более.

Больше всего пострадали специалисты по маркетингу — 26% из них сообщили о симптомах AI brain fry. Значительные показатели также зафиксированы среди инженеров, финансистов, HR- и IT-специалистов. Меньше всего затронута юридическая сфера — 6%.

Цифры, стоящие за перегрузкой

Когда задачи с использованием ИИ требовали высокого уровня человеческого контроля, BCG зафиксировала конкретные когнитивные издержки:

на 14% больше умственных усилий по сравнению с задачами без ИИ
на 12% большая умственная усталость
на 19% большая информационная перегрузка

Усилия тратятся не на саму работу, а на контроль над ИИ. Вам всё равно приходится читать каждый результат, проверять галлюцинации, решать, что оставить, исправлять ошибки. Это новая работа, которой раньше не существовало, и она накапливается, когда вы делаете это одновременно в нескольких инструментах.

Это согласуется с теорией когнитивной нагрузки. Объём рабочей памяти ограничен. Каждый новый инструмент требует затрат на переключение контекста и оценку результатов. Когда эти издержки суммируются, качество работы падает, даже если количество инструментов растёт.

Goldman Sachs: общая картина

Выводы BCG не изолированы. В начале марта 2026 года Goldman Sachs опубликовал собственный неудобный вывод: «Мы по-прежнему не находим значимой связи между производительностью и внедрением ИИ на уровне экономики в целом».

Это примечательное заявление с учётом того, сколько средств было вложено в ИИ-инструменты по всем отраслям за последние три года.

Goldman Sachs всё же обнаружил рост производительности — но только в двух конкретных контекстах: поддержка клиентов и задачи разработки программного обеспечения. В этих узких, чётко определённых сценариях медианный прирост составил около 30%. Ключевое слово здесь — «чётко определённых». Задачи с ясными критериями успеха, измеримыми результатами и минимальными требованиями к контролю. Не открытая интеллектуальная работа, где качество приходится постоянно оценивать на глаз.

Для понимания масштабов: лишь 10% компаний из S&P 500 количественно оценили влияние ИИ на конкретные сценарии использования. Только 1% количественно оценил его влияние на прибыль. При этом 70% обсуждали ИИ на ежеквартальных звонках с инвесторами.

Большинство компаний говорят о производительности ИИ, не измеряя её.

Эксперимент с разработчиками, разрушивший нарратив

Исследование METR 2025 года — это наиболее конкретный пример в этой теме. Исследователи METR наняли 16 опытных разработчиков open-source для выполнения 246 задач с использованием Cursor Pro с Claude 3.5/3.7 Sonnet — одной из лучших на тот момент связок инструментов для написания кода с ИИ.

До начала исследования разработчики предполагали, что ИИ ускорит их работу на 24%.

Реальный результат: они работали на 19% медленнее.

Особенно поразительно то, что показал опрос после исследования. Даже выполнив задачи и лично столкнувшись с замедлением, разработчики по-прежнему считали, что ИИ сделал их быстрее. Они ожидали ускорения на 24%, а после измеримого замедления оценивали своё ускорение в 20%.

Это разрыв не только в производительности, но и в восприятии. Когда вы чувствуете себя продуктивным с ИИ — когда результаты кажутся быстрее, когда вы генерируете больше контента, когда работа ощущается как движение вперёд — легко принять это ощущение за реальную эффективность.

Иногда ощущение продуктивности и реальная продуктивность указывают в противоположные стороны.

Почему больше инструментов ощущается как прогресс

Есть психологическое объяснение тому, почему стек ИИ-инструментов продолжает расти даже тогда, когда отдача падает.

Каждый новый инструмент решает реальную проблему в изоляции. ИИ-помощник для записи встреч действительно ведёт заметки лучше, чем вы делали бы это вручную. Специализированный инструмент для исследований действительно находит источники быстрее, чем ручной поиск. Ассистент для кода действительно автодополняет шаблонный код быстрее, чем вы его набираете.

Проблема не в каждом отдельном инструменте. Проблема в системе, которую они создают вместе.

Когда у вас шесть инструментов, у вас также шесть интерфейсов для освоения, шесть разных стилей запросов, которые нужно понять, шесть наборов результатов для одновременной оценки и шесть подписок, которые нужно оправдать. Когнитивные издержки становятся фоновым шумом. Вы уже не просто работаете — вы управляете своим ИИ-стеком.

По этой же причине вопрос о бесплатных и платных ИИ-инструментах сложнее, чем кажется. Дело не только в стоимости. Каждый дополнительный платный инструмент — это ещё один набор решений: когда его использовать, доверять ли его результатам, как интегрировать его выводы с тем, что дают остальные инструменты.

Что реально работает

Исследования BCG и Goldman Sachs указывают на один и тот же базовый принцип: узкое и глубокое использование ИИ превосходит широкое и поверхностное.

Несколько паттернов, прослеживающихся в данных:

Конкретные задания. Работники, которые поручали ИИ дискретные, чётко ограниченные задачи (резюмировать это, составить ответ, найти ссылки для этого утверждения), показывали лучшие результаты, чем те, кто пытался использовать ИИ как универсального помощника в мышлении на протяжении всего рабочего процесса. Чем конкретнее задача, тем меньше контроля она требует.

Один инструмент для одного рабочего процесса. Вместо того чтобы переключаться между тремя ИИ-инструментами в рамках одного проекта, выбор одного и его глубокое освоение снижает издержки на переключение контекста. Вы изучаете его сильные стороны и типичные ошибки. Вы вырабатываете суждение о том, когда ему можно доверять.

Проверка человеком в ключевых точках, а не постоянно. Проверка результатов ИИ в точках принятия решений, а не непрерывно в ходе выполнения задачи, снижает когнитивную нагрузку на мониторинг. Дайте ему отработать, затем оцените. Не читайте через плечо.

Это напрямую связано с тем, что делает автоматизацию повседневных задач с помощью ИИ по-настоящему эффективной: автоматизация, требующая постоянного вмешательства человека, — это не автоматизация. Это делегирование инструменту, который немного быстрее вас, но требует постоянного присмотра.

Аргумент в пользу консолидации

Если BCG права в том, что кривая продуктивности достигает пика при 1–3 инструментах, большинство работников умственного труда уже перешли оптимальную отметку.

Практический вывод — не «прекратите использовать ИИ». Вывод таков: осознанно определите, какие 2–3 инструмента по-настоящему заслуживают места в вашем стеке, и безжалостно откажитесь от остального.

Критерии, которые стоит применить:

Этот инструмент снижает требования к контролю или создаёт их?
Могу ли я определить конкретный набор задач, с которыми он справляется лучше всего?
Оправдывает ли качество результатов издержки на их оценку?
Я использую это потому, что оно реально помогает, или потому что боюсь упустить что-то важное?

Последний вопрос имеет значение. Страх упустить что-то (FOMO) — реальный движущий фактор внедрения ИИ-инструментов, который никак не коррелирует с продуктивностью.

Для солопренёров и независимых специалистов это особенно актуально. У вас нет команды, которая возьмёт на себя издержки управления сложным ИИ-стеком. Каждый добавленный инструмент — это ещё одно, что только вы можете оценить и поддерживать.

Часто задаваемые вопросы

AI brain fry — это навсегда?

Нет. BCG описывает это как ситуативную усталость, а не хроническое повреждение. Работники, которые сократили количество ИИ-инструментов или переключились на задачи с меньшим контролем, восстанавливались. Теория когнитивной нагрузки предполагает, что эффект обратим при снижении требований к рабочей памяти.

Какие профессии в зоне наибольшего риска?

Маркетинг (26% работников сообщили о симптомах), затем управление персоналом, операционная деятельность, инженерия, финансы и IT. Работа, требующая постоянной оценки, контроля качества и принятия решений, создаёт большую нагрузку контроля, чем структурированные, повторяющиеся задачи.

Это значит, что ИИ-инструменты не работают?

Не совсем. Goldman Sachs зафиксировал реальный 30%-ный прирост производительности в поддержке клиентов и разработке ПО. BCG выявил прирост при использовании 1–3 инструментов. Проблема в масштабе и контроле: ИИ хорошо работает, когда задачи узкие и результаты легко оценить. Он буксует, когда задачи открытые, а качество требует экспертного суждения.

Сколько ИИ-инструментов мне следует использовать?

Данные BCG предполагают, что 1–3 — продуктивный диапазон для большинства работников. После этого вы, скорее всего, тратите больше когнитивной энергии на управление инструментами, чем экономите. Оптимальное число зависит от того, насколько чётко определены ваши сценарии использования и какого контроля требует каждый инструмент.

Исследование разработчиков METR — окончательный ответ?

Сами исследователи оговаривались. Исследование охватывало возможности ИИ начала 2025 года на конкретном типе задач open-source разработки. Результаты могут отличаться для других типов задач или с более новыми моделями. Это один весомый аргумент, но не универсальный закон.

Заключение

Самый неожиданный вывод начала 2026 года: люди, получающие максимальную отдачу от ИИ, — не те, кто использует наибольшее количество ИИ-инструментов. Это те, кто определил 2–3 задачи, с которыми ИИ справляется стабильно хорошо, и выстроил свой рабочий процесс вокруг них, вместо того чтобы пытаться «заИИшить» всё подряд.

AI brain fry реален, измерим и порождается тем же инстинктом, который движет внедрением большинства программных инструментов: если что-то полезно, добавь больше. Эта логика работает до определённого предела.

Данные теперь дают вам этот предел. Большинство из нас его уже пересекли.

Если вы хотите ИИ-платформу, которая объединяет исследования, написание текстов и аналитику в одном месте, вместо того чтобы заставлять вас жонглировать несколькими подписками, Zemith построен именно на этой модели консолидации.