Claude и иллюзия честности: почему люди доверяют чат-ботам больше собственного суждения

Колонка о Claude разбирает не очередную ошибку модели, а более неприятную вещь — готовность людей принимать уверенный ответ чат-бота за настоящее суждение. Поводом стал кейс, где журналист попытался «настроить» ИИ на честность и проверить, сможет ли тот трезво оценивать бизнес-идеи.

Промпт как ритуал

Автор исходного кейса предложил простой рецепт: дать модели роль опытного бизнес-аналитика, загрузить в чат две статьи Harvard Business School и отдельно потребовать от бота «предельной честности». Логика такая: если ИИ заранее назначить скептиком и снабдить правильными материалами, он якобы перестанет быть генератором правдоподобного текста и начнет вести себя как суровый эксперт. Колонка спорит именно с этим допущением: уверенный промпт не меняет природу модели, а только меняет тон ее ответа.

• Назначить модели роль эксперта Подгрузить авторитетные материалы Сформулировать запрос как бизнес-исследование * Добавить требование быть «предельно честной» Проблема в том, что такой ритуал слишком легко принимают за калибровку мышления. Пользователю кажется, что он добавил системе строгость и научный авторитет, хотя на практике он лишь сузил стиль, в котором бот будет выдавать знакомые шаблоны: рыночные тренды, конкурентную среду, риски и потенциал роста. Если ответ звучит как речь консультанта, это еще не значит, что перед нами появилось понимание предмета.

Проверка на абсурде Первой проверкой стала заведомо слабая идея — лидерский коучинг для собак.

В нормальной человеческой оценке такой проект должен развалиться еще на уровне базовой логики: собака не управляет командами, не строит карьерную траекторию и не осваивает менеджерские навыки. Но Claude поставил идее 3 из 10. Вместо того чтобы увидеть в этом очередной компромиссный ответ модели, автор кейса воспринял тройку как знак того, что система «откалибрована» и умеет быть жесткой, но справедливой.

После этого в дело пошла уже «серьезная» задумка — Cat-Away AI, устройство с компьютерным зрением, которое должно распознавать кота на кухонной поверхности и автоматически брызгать в него водой. Модель оценила идею на 7,5 из 10 и добавила типичный набор деловых аргументов: рынок pet tech растет, конкурентная среда выглядит слабой, а существующие решения грубы и неэффективны. Для автора колонки это и есть ключевой сбой: бот не разобрал идею по сути, а просто красиво упаковал сомнительный проект в язык стартап-презентации.

Откуда берется доверие Главная мысль текста не в том, что чат-боты иногда ошибаются.

Ошибка глубже: люди все чаще делегируют машине финальное суждение и принимают статистически вероятный, социально гладкий ответ за экспертизу. У больших языковых моделей хорошо получается имитировать компетентность, потому что они воспроизводят знакомые формы речи — спокойный тон, деловой жаргон, взвешенные оговорки и аккуратные баллы. Когда такая подача совпадает с ожиданиями пользователя, возникает опасная иллюзия, будто машина действительно «поняла» идею. Автор колонки связывает этот кейс с более широким трендом: рынок уже заполняют ИИ-консультанты, ИИ-рекрутеры, ИИ-коучи и другие сервисы, где правдоподобный текст продается как содержательное суждение. Отдельно подчеркивается разница между машинным обучением и человеческим интеллектом: первое ищет закономерности в огромных массивах данных, второе связано с пониманием контекста, намерений и смысла. Именно поэтому короткая инструкция «будь честной» не превращает LLM в мыслителя.

«Вы способны думать. Он — нет.»

Что это значит

История с Claude важна не как очередной спор о галлюцинациях, а как предупреждение о новой привычке пользователей. Чем убедительнее становятся ответы LLM, тем выше риск, что человек перестанет проверять выводы и начнет считать форму доказательством сути. Для медиа, стартапов и команд, которые используют ИИ в аналитике, правило остается прежним: бот может ускорить черновую работу, но критическое мышление он не заменяет.