Девяносто два оператора прошли батарею многозадачных тестов NASA (MATB) на авиатренажёрах. Когда нагрузка резко выросла, точность слежения упала с 76% до 55%: люди бросили задачу непрерывного мониторинга, чтобы защитить дискретные (TechXplore, 2026). Это не удивляет. Удивляет второй раунд — и именно он должен изменить то, как вы настраиваете агентов: когда системе разрешили самой решать, когда забрать задачу и когда вернуть её, результат был лучше только на острых пиках. Во всех остальных режимах лучше работали люди, сами выбиравшие момент делегирования, — и они сообщали о заметно большей усталости, когда за них выбирала система (International Journal of Human–Computer Interaction, 2026).
Тот же агент. Те же возможности. Единственная переменная — у кого право перемещать работу.
Любая дорожная карта агентного ИИ, которую вам показывали, трактует автономию как лестницу зрелости: с ассистированием, затем с надзором, затем автономно, и адаптивная передача управления — премиальная ступень. Эти данные говорят, что одна ступень прибита вверх ногами. Перехват по инициативе агента — верное решение для узкой полосы условий и неверная настройка по умолчанию везде остальном.
Что тренажёр измерил, а что нет
Исследование выполнено на факультете психологии Lingnan University под руководством профессора Jie (Jay) Xu и опубликовано в International Journal of Human–Computer Interaction в августе 2026 года (IJHCI, 2026). Участники выполняли три параллельные задачи на MATB: слежение джойстиком, мониторинг систем и управление ресурсами — структура нагрузки, намеренно приближённая к рабочей смене, а не к одному решению.
Первый раунд задал базовый уровень. На пике нагрузки точность слежения обрушилась с 76% до 55%, тогда как две дискретные задачи держались. Под давлением человек первой отбрасывает непрерывную бдительность. Именно этот разрыв и должен закрывать агент.
Во втором раунде сравнивались два режима:
- Human-led authority allocation (HLAA). Оператор сам решает, когда передать задачу системе и когда забрать обратно.
- Shared authority allocation (ShAA). Система отслеживает нагрузку и берёт управление — или возвращает его — по собственной инициативе.
ShAA выигрывал на острых пиках и в аварийных ситуациях: он защищал ровно ту задачу, которую человек бросает под нагрузкой. За пределами этих окон выигрывал HLAA. При ShAA операторы отключались от задачи; когда управление возвращалось, они не успевали восстановить ситуационную осведомлённость, и это давало измеримый провал в результатах. В длинных сессиях показатели поздней усталости у группы ShAA были заметно выше, чем у группы с человеческим управлением (TechXplore, 2026).
Причинная трактовка авторов важнее самих цифр. Дефицит был не в способностях, а в необъяснённой передаче полномочий. Отслеживать, что делает система, почему она вмешалась и что сделает дальше, — это само по себе когнитивная работа, которая не попадает ни в один расчёт сэкономленного времени.
Точка отказа — возврат управления, а не перехват
Почти всё внимание в проектировании агентов уходит на момент делегирования: что запускает агента, что ему разрешено, какие ограничители его держат. На возврат не уходит почти ничего.
Порядок перевёрнут. В этих данных перехват под нагрузкой — то, что сработало. Ущерб сконцентрирован на обратном пути: управление возвращается человеку, который выпал из контура, без объяснения, что и почему сдвинулось, плюс период восстановления, в течение которого результативность снижена и никто это не измеряет.
Возьмите версию для среднего бизнеса. Агент ночью разбирает очередь, эскалирует исключения, которые не может решить, а координатор забирает их в 8 утра. На дашборде эскалация выглядит чисто: двенадцать обработано, три эскалировано. Дашборд не видит двадцати минут, которые координатор тратит на реконструкцию того, почему эскалированы именно эти три и что агент уже пробовал. Умножьте на каждый возврат за неделю — и стоимость восстановления начнёт конкурировать с экономией на обработке, по статье, которую никто не заводил.
Это та же структурная проблема, которую IBM Institute for Business Value обнаружил на уровне руководителей. В опросе 2000 CIO и CTO две трети заявили, что отвечают за системы ИИ, которые не контролируют полностью, а 77% сказали, что внедрение уже опережает их управленческие возможности (IBM Institute for Business Value, 2026). Исследование на тренажёре — тот же разрыв, воспроизведённый за рабочим столом и с секундомером.
Почему адаптивную автономию продают как премиальную функцию
Потому что она отлично смотрится в демо. Агент, который замечает, что очередь растёт, и вмешивается без запроса, — лучшая двухминутная демонстрация, чем агент, ждущий команды. Но демо — это условие пика. Пик и есть единственный режим, в котором данные разрешают агенту решать.
В презентации зашита и непроверенная посылка: будто изъятие решения у человека снижает его нагрузку. Данные об усталости говорят, что решение никогда не было дорогой частью. Дорого — удерживать модель того, что делает система, и автономная передача эту стоимость увеличивает: теперь вы отслеживаете и работу, и суждение агента о работе.
Требование прозрачности — не опция
Авторы формулируют прямо: без объяснения, почему управление сдвинулось, между оператором и системой открывается когнитивный разрыв. Это не предпочтение в UX. Это механизм, который производит провал результативности.
У него есть и бенчмарк-тень. Оценка HANDBOOK.md от Surge AI прогнала передовые модели через 65 агентных задач, регулируемых настоящими корпоративными руководствами на 43 страницы; строгий pass@1 остался ниже 25% у всех протестированных моделей, а увеличение усилий на рассуждение надёжно не помогало (Surge AI, 2026). Если следование политике на длинной задаче настолько хрупко, то оператор, два часа не участвовавший в работе и получивший управление без обоснования, получает пакет, который не может эффективно проверить.
Где это проявляется в компании на 50–500 сотрудников
Три места, в порядке скорости удара.
Очереди исключений и покрытие вне рабочих часов. Любой процесс, где агент работает без присмотра и возвращает часть человеку, — это проблема возврата под видом маршрутизации. Если возврат не несёт обоснования, вы платите стоимость восстановления в каждом цикле.
Роли постоянного надзора. Эффект усталости проявился в длинных сессиях, на поздней стадии. Короткие пилоты его не увидят. Если у вас есть человек, чей день — наблюдать за работой агентов, ваш двухнедельный пилот измерял не то окно.
Пороги эскалации, заданные вендором. Большинство агентных платформ поставляются с настройкой чувствительности по умолчанию. Её выбрал тот, кто оптимизировал впечатление от демо и объём обращений в поддержку, а не ситуационную осведомлённость ваших операторов. Это действующее конфигурационное решение, которое почти никто не принимал осознанно.
Под всеми тремя лежит вопрос организационного дизайна, который Work Trend Index 2026 от Microsoft поставил с другой стороны: 86% сотрудников уже относятся к выводу ИИ как к отправной точке, а не к окончательному ответу, а организационные факторы весят более чем вдвое больше индивидуального навыка работы с ИИ — 67% против 32% (Microsoft Work Trend Index, 2026). Работу по проверке люди уже делают. Дизайн передачи решает, дешёвая эта работа или дорогая.
Чего это исследование не говорит
Три ограничения, названные прямо, потому что политика, построенная на переоценке результата, провалится.
Участники — студенты, а не профильные операторы. Опытные специалисты, возможно, восстанавливают ситуационную осведомлённость быстрее. Внешняя валидность для квалифицированной интеллектуальной работы не установлена.
Это авиатренажёр, а не бэк-офис. MATB — инструмент измерения нагрузки, а не модель очереди исключений. Перенос вывода на надзор за агентами в операциях — это вывод по аналогии: обоснованный, но вывод.
N=92 в двух раундах, размеры эффекта в публикациях не приведены. Направление устойчиво; величина в вашем контексте неизвестна.
Все три оговорки переживает механизм — и он же переносим: полномочия, перешедшие без объяснения, накладывают стоимость восстановления на человека, который их принимает. Джойстики тут ни при чём.
Сделать право перехвата проектным решением уже в этом квартале
Четыре шага. Ни один не требует новых затрат, и все четыре — конфигурация, а не стратегия.
Сделайте эскалацию по умолчанию инициируемой человеком. Пусть оператор решает, когда передавать. Перехват по инициативе системы оставьте для поимённо заданных пиковых условий — объём выше порога, определённый сбой, конкретное временное окно, — а не для постоянного усмотрения агента.
Требуйте обоснование при каждом возврате. Агент сообщает, что сделал, что пробовал и почему возвращает элемент. Это правка промпта и шаблона, а не инженерная программа, и она бьёт ровно в тот разрыв, который выявило исследование.
Пилотируйте длинно, а не только широко. Если роль включает надзор за постоянно работающим агентом, протестируйте её хотя бы на одной полной смене. Стоимость усталости по построению проявляется поздно; двухнедельный пилот на неполных днях сконструирован так, чтобы её не заметить.
Измеряйте окно восстановления. Измеряйте время между возвратом и первым содержательным действием человека по нему. Этот интервал и есть цена вашего нынешнего дизайна передачи, и сегодня он невидим на всех агентных дашбордах, которые я видела.
Вопрос этого квартала — не в том, насколько автономными должны быть ваши агенты. Он уже и куда более отвечаем: кто сегодня решает, когда агент берёт управление в вашем самом нагруженном процессе — вы или настройка по умолчанию, которую отгрузил кто-то другой? В этом исследовании одна эта переменная развела результативность и усталость в противоположные стороны при неизменной технологии. Это самый дешёвый рычаг на вашем столе — и по умолчанию он стоит в неверном положении.
