Та же модель. Те же пятнадцать минут. Та же задача. Перенесите это окно из первой половины часа во вторую — и оценённая экспертами креативность падает на 0,62 стандартного отклонения (Huang, Yu, Chen & Zhou, 2026). В инструменте не изменилось ничего — изменился только момент, когда команде разрешили им воспользоваться. Этот результат превращает время доступа к ИИ в решение о конфигурации с измеримой ценой, и в большинстве компаний это решение, которого никто не принимал: ассистент просто включён, всегда, для всех.
Исследование — предварительно зарегистрированный лабораторный эксперимент со 148 командами по три человека (444 участника), случайно распределёнными по пяти графикам доступа к одной и той же языковой модели во время 40-минутной задачи по продуктовому дизайну. Задача включала 15-минутную стадию поиска, 15-минутную стадию отбора и стадию разработки. Решающий рубеж — авторы называют его the screen, отбор — приходился на 15-ю минуту во всех условиях.
Что эксперимент действительно перенёс
Пять условий: ассистент только во время поиска, только во время отбора, на протяжении всего процесса, никогда, и во время поиска с постоянным предупреждением о чрезмерной зависимости. Платформа принудительно соблюдала каждое окно, и все 2124 зарегистрированных запроса попали внутрь назначенного окна. Ассистентом была одна модель (DeepSeek V3.2) при температуре 0,1. Четыре оценщика с пятью-десятью годами отраслевого опыта оценивали каждую сдачу вслепую.
Главный контраст противопоставляет доступ на стадии поиска доступу на стадии отбора: 0,356 балла по шкале оценки, 95% ДИ [0,064, 0,648], Welch p = 0,018, что авторы сообщают как 0,62 стандартного отклонения. Он выдерживает их предварительно зарегистрированную поправку Бенджамини-Хохберга по всем восьми контрастам.
На фоне контрольной группы без ИИ картина становится резче:
| Условие | Прирост против «без ИИ» | значение p |
|---|---|---|
| Доступ во время поиска | +0,486 балла | 0,002 |
| Доступ на протяжении всего процесса | +0,479 балла | 0,002 |
| Доступ только во время отбора | +0,130 балла | 0,43 |
Две вещи в этой таблице заслуживают второго прочтения. Во-первых, поздний доступ не дал измеримого прироста — но и не сделал команды хуже, чем полное отсутствие ИИ. Авторы высказываются прямо: прямых свидетельств штрафа они не находят; издержка — это упущенная премия, а не ущерб. Во-вторых, добавление доступа на стадии отбора поверх доступа на стадии поиска не дало ничего: непрерывный против только-раннего составляет −0,007 балла. Вся отдача была в первом окне.
Почему время доступа к ИИ определяет отдачу
Логи платформы локализуют механизм точно, и дело не в усилиях и не в интенсивности использования. Команды использовали модель примерно одинаково во всех условиях.
Команды с ранним доступом подошли к рубежу, имея 19,8 записанных различных идей против 3,9 у команд без ИИ — пул в пять раз больше. Большая часть была получена от машины (18,6 идеи), а собственные записанные идеи команд даже упали с 3,9 до 1,3. Ассистент вытеснил часть их собственной генерации идей, одновременно умножив пул. Затем они отсеивали: около трети собранных идей (32%) вновь появилось в сдаче — та же доля, что и у команд без ИИ, — и сдачи содержали 2,9 предложения.
В этом вся история. Широкий пул, затем человеческий отбор, затем узкое обязательство.
Команды с поздним доступом достигли того же рубежа с 3,8 идеи — статистически идентично 3,9 в контроле, ровно как предполагает рандомизация. Затем им выдали модель, и они использовали её не для выбора. Они использовали её, чтобы искать заново. При фиксированных окне, системном промпте и модели — поздний доступ против непрерывного, чистое сравнение — команды с поздним доступом направили 29% своих запросов стадии отбора на порождение новых вариантов против 11% у команд, у которых ассистент уже был во время поиска.
Последствие видно в том, что уцелело. Лишь 5% сданного текста команд с поздним доступом существовало до рубежа против 22% у команд без ИИ и 71% у команд с ранним доступом. Поздние варианты не добавились к отобранному множеству. Они его заменили. Сходство по эмбеддингам предложений даёт ту же картину, так что дело не в том, что ассистент переформулировал уже имевшееся у команд.
Варианты, которые так и не встретились с командой
Одна деталь заслуживает внимания всякого, кто отвечает за процесс ревью. Среди команд с поздним доступом машинный материал попадал в сдачи, ни разу не будучи показанным товарищам по команде, в 9,6% случаев против 3,9% при раннем доступе. Когда авторы фиксируют тип запроса, большинство различий между двумя условиями сжимается и теряет значимость — но неразделённое заимствование выживает. Поздно в задаче, при нерешённом вопросе, результат идёт прямо в сдачу, не проходя через вторую пару глаз.
Это тот же сбой, который «налог на проверку» измеряет в поле: 52% работников регулярно исправляют сгенерированную ИИ работу, произведённую коллегами, а 42% тратят на проверку вывода ИИ больше времени, чем экономят, используя его (Adaptavist, 2026). Неотобранный вывод не исчезает. Он становится чужой проблемой отбора, одним шагом ниже по потоку.
Поздний доступ купил широту, а широта — не качество
Команды с поздним доступом не бездействовали. Они произвели больше. Число предложений на сдачу выросло на 1,53 относительно контроля (SE 0,54, p = 0,005) — прирост в 73% к контрольному среднему в 2,10 предложения и вдвое больше прироста при раннем доступе.
Человеческие оценщики это не вознаградили. По совокупности команд каждое дополнительное предложение ассоциировалось с оценкой ниже на 0,179 балла. Вариантов стало больше, а качество каждого упало — чего и следует ожидать, когда фиксированный бюджет разработки распределяется на большее число кандидатов.
Такова форма проблемы для операционного руководителя: поздний доступ к ИИ надёжно увеличивает видимый выпуск и столь же надёжно не увеличивает оценённое качество. Если ваша панель считает артефакты, поздний доступ выглядит победой.
Честное возражение: внутри этого результата сидит правило подсчёта
Авторы сами формулируют возражение, и это самая полезная часть работы. Начислите баллы за широту — и вердикт сдвинется.
Добавьте γ баллов за предложение к счёту каждой команды, и преимущество раннего над поздним падает с 0,356 при γ = 0 до 0,279 при γ = 0,1 и до 0,203 при γ = 0,2 (p = 0,076), а при γ = 0,46 исчезает полностью. При начислении всего 0,1 балла за предложение поздний доступ обходит контроль без ИИ. Ранний доступ также ведёт на 0,356 по среднему предложению, на 0,221 по лучшему предложению — и переворачивается по сумме: команды с поздним доступом набирают в сумме больше.
Поэтому честная формулировка условна: если вам нужно одно сильное обязательство, дайте команде ассистента до отбора. Если вам нужен широкий набор вариантов, которые понесут дальше, поздний доступ — не режим отказа. Ошибка — не выбирать вовсе. Всегда включённый ассистент задаёт этот параметр по умолчанию, и умолчание — дорогое для работы на обязательство.
Ещё три ограничения принадлежат любому внутреннему резюме этого исследования. Участниками были 444 студента университета в Китае, средний возраст 21,6 года, в структурированной 40-минутной задаче с одной моделью — авторы прямо заявляют, что их дизайн «разменивает широту контекста на чистоту идентификации». Дизайн обладал мощностью для d ≈ 0,74 и обнаружил g = 0,62, так что это не узко оценённый эффект, хотя он и выдерживает поправку. И сравнение «рано против поздно» несёт смешение по промпту, которое авторы раскрывают: системный промпт задавался по стадии, так что ассистенту стадии поиска было велено порождать, а ассистенту стадии отбора — дорабатывать. Сравнение, фиксирующее промпт, окно и модель, — это поздний доступ против непрерывного, то есть результат 29% против 11%, и он указывает в ту же сторону.
Ваш ИИ-оценщик этого не заметит
Вот результат, который должен менять процесс, а не мнение.
Каждое предложение оценили также десять передовых языковых моделей из пяти семейств, по той же рубрике, что и человеческие эксперты. Панель была внутренне согласованной, и её командные оценки коррелировали на 0,61 с оценками человеческой панели. Она верно уловила валовую пользу доступа к ИИ, разместив все условия доступа на 0,58–1,41 стандартного отклонения выше контроля.
Издержку времени доступа она не увидела вовсе. Контраст «рано против поздно» составил 0,59 стандартного отклонения по человеческим оценкам (p = 0,019) и −0,08 по панели моделей (p = 0,77). Исключение ближайшей к ассистенту модели оставляет его на −0,10; исключение обеих моделей DeepSeek оставляет его на −0,08 — значит, это не самопредпочтение. Слепота проявляется по каждому измерению — оригинальность, уместность, проработанность, качество текста, — там, где человеческие эксперты видели разрывы в 0,5–0,7 стандартного отклонения.
Часть объяснения механическая. Человеческие оценщики снимали 0,179 балла за каждое дополнительное предложение; панель моделей снимала 0,063. Панель оценила широту не так, как эксперты, а широта — это ровно то, что произвёл поздний доступ.
Фраза самих авторов — та, которую стоит принести на управляющий комитет: организация, оценивающая работу с ИИ при помощи ИИ-судей, «увидит, что помощь помогает, но не увидит, что её время имеет значение».
Это не изолированный результат про одну рубрику. Слои оценки — измерительные инструменты со своими свойствами, и они дрейфуют: в лонгитюдном исследовании ревью вывода агентов более строгий рецензент, подключившийся в мае, оценил идентичные партии на 0,79 стандартного отклонения ниже и сгладил в сырых данных реальный тренд улучшения в 0,53 стандартного отклонения (Эффекты оценщика в оценке агентов, 2026). Человек ваш судья или модель, его нужно откалибровать относительно чего-то, прежде чем позволить оценивать внедрение.
Есть примечательная параллель со стороны компетенций. В трёхмесячном рандомизированном испытании со 133 патентными юристами доступ к ИИ поднял качество сданной работы на 0,38 стандартного отклонения к 90-му дню — а когда инструмент убрали, сохранённое преимущество сконцентрировалось у старших юристов на уровне 0,45 стандартного отклонения, тогда как младшие не показали среднего прироста вовсе (Autor et al., NBER w35720, 2026). Сданное качество и лежащее в основе суждение разошлись. Исследование о времени доступа — тот же урок уровнем выше: артефакт выглядит прилично, тогда как процесс, который должен был его произвести, не отработал.
Что руководителю операций сделать в этом квартале со временем доступа к ИИ
Четыре конкретных шага в порядке возрастания стоимости.
- Найдите свои точки отбора и запишите их. Для двух-трёх самых ответственных повторяющихся рабочих процессов назовите момент, в который множество вариантов закрывается и начинается обязательство. Большинство команд не может на него указать, а это и есть предпосылка неверно назначенного доступа.
- Решите по каждому процессу, что вы покупаете: глубину или широту. Это вопрос γ, сделанный конкретным. Работа на обязательство — одно предложение, один поставщик, один план — хочет ассистента до отбора. Работа на набор хочет его после. Впишите ответ в определение процесса, а не оставляйте его тому, кто откроет окно чата.
- Ограничьте использование ИИ после отбора разработкой, а не порождением. Разрыв 29% против 11% — это измеримый сбой. Там, где первый вклад ассистента неизбежно приходит поздно, требуйте, чтобы поздний вывод сравнивался с уже выбранным, а не конкурировал с ним без отбора.
- Проверьте своего оценщика, прежде чем доверять вердикту. Оцените одну партию и автоматическим судьёй, и двумя опытными людьми, и сравните именно те контрасты, которые вам важны, а не только общее согласие. Панель, коррелирующая на 0,61 по уровням, всё равно может выдать −0,08 на том сравнении, которое имеет значение.
Третий и четвёртый пункты — вопросы конфигурации, а не обучения, и именно поэтому управление на уровне задачи сильнее общей политики. Там, где эта работа происходит на платформе, а не в документе, значимые средства контроля — те, что находятся на уровне отдельного действия: Digital Employees от Scovai по умолчанию работают по принципу confirm-first, с автономией, зарабатываемой по виду действия из журналируемого реестра одобрений, и с occupancy, задаваемой для каждой позиции, так что «ассистент может дорабатывать выбранный вариант, но не может открывать новый после рубежа» становится принудительной настройкой со следом аудита, а не строкой в регламенте, который никто не читает на 22-й минуте.
Заметьте, чего всё это не требует. Ни нового инструмента, ни новой строки бюджета, ни миграции модели. Эксперимент изменил один параметр, который ваша компания уже задаёт случайно, каждый день, в каждом процессе, где у кого-то открыто окно чата.
Возьмите своё самое ответственное повторяющееся решение в этом квартале и задайте один вопрос: ИИ приходит до отбора или после? Если ответить никто не может, вы ведёте не пилот ИИ. Вы по умолчанию гоняете дорогое условие — и если оценивает его ИИ-судья, ничто в вашей отчётности вам об этом никогда не скажет.