Свяжите 1258 человек с ИИ-агентами, поручите им сделать 7266 медийных объявлений, а затем дайте 1168 независимым экспертам оценить результат. Худшей комбинацией во всём дизайне оказалась не слабая модель и не необученный пользователь. Это были экстравертные люди, работавшие с добросовестным ИИ (Ju & Aral, PNAS, 2026).
Добросовестность. Именно та черта, к которой по умолчанию настраивает свои модели каждый вендор: аккуратный, тщательный, сфокусированный на задаче. Отданная не тому человеку, она дала работу самого низкого качества во всём эксперименте.
Именно на этом результате стоит остановиться операционным командам среднего бизнеса, потому что почти все они сделали противоположную ставку: одна персона ассистента, настроенная однажды, развёрнутая на всех. Это исследование — первое масштабное каузальное свидетельство того, что сама персона является переменной производительности, и что оставить её на вендорской настройке по умолчанию — это решение, а не нейтральное состояние.
Что эксперимент измерил на самом деле
Харанг Джу (Johns Hopkins Carey Business School) и Синан Арал (MIT Sloan, директор MIT Initiative on the Digital Economy) провели предрегистрированный рандомизированный эксперимент: у 1258 участников измерили черты «Большой пятёрки», а затем случайным образом связали их с ИИ-агентами, которым было предписано независимо проявлять высокий или низкий уровень каждой из этих же пяти черт (Ju & Aral, PNAS, 2026).
У команд было 40 минут, чат в реальном времени и синхронизированные инструменты редактирования текста и изображений, чтобы создать медийные объявления для годового отчёта реального аналитического центра. Результат: 7266 объявлений. Затем их оценили по качеству текста и изображения 1168 независимых экспертов (MIT Sloan / EurekAlert, 2026).
Дальше — часть, которая делает это больше, чем лабораторный результат. Исследователи две недели крутили объявления на X — почти пять миллионов показов — и измеряли кликабельность и стоимость клика. Оценённое качество предсказало рыночный результат: более высокое качество текста подняло кликабельность примерно на 7 процентов и снизило стоимость клика примерно на 30 центов (MIT Sloan / EurekAlert, 2026).
Два решения в дизайне заслуживают акцента, потому что именно они отделяют эту работу от уже циркулирующих рассуждений о персонах ИИ. Уровни черт назначались случайно и варьировались независимо, поэтому сравнение идёт не между самоотобранными пользователями разных инструментов — оно каузальное. И людей измеряли тем же инструментом «Большой пятёрки», которым инструктировали агентов, а именно это и делает взаимодействие оцениваемым. Большинство вендорских исследований сообщает, что пользователи чувствуют по поводу персоны. Это сообщает, что сочетание сделало с работой.
Итак, каузальная цепочка замкнута от начала до конца. Сочетание персон сдвинуло качество. Качество сдвинуло деньги.
Таблица сочетаний: какие комбинации помогли, какие навредили
Результаты не сводятся к «подбирай подобное к подобному» — а именно это большинство предполагает до прочтения.
Сильнейшими сочетаниями оказались экстравертные люди с экстравертным ИИ, добросовестные люди с добросовестным ИИ и открытые опыту люди с добросовестным ИИ — последнее является дополнением, а не зеркалом (MIT Sloan / EurekAlert, 2026).
Сочетания, значимо ухудшившие качество, в том порядке, в каком их приводит статья:
- Экстравертные люди + добросовестный ИИ — самое низкое качество в исследовании
- Добросовестные люди + доброжелательный (agreeable) ИИ
- Нейротичные люди + добросовестный ИИ
Перечитайте вторую строку дважды
Добросовестный ИИ фигурирует в двух из трёх худших сочетаний и в двух из трёх лучших. В этих данных нет универсально хорошей персоны. Добросовестный агент, отданный добросовестному человеку, был среди лучших доступных комбинаций; тот же агент, отданный экстраверту, — худшей. Идентичная конфигурация, противоположный результат, целиком определяемый тем, кто её получил.
И обратите внимание, что вторая строка делает со стандартным ответом вендоров. Доброжелательный ИИ — услужливый, уступчивый, никогда не возражающий — ухудшил результат добросовестных людей. Персона, сильнее всего настроенная на удовлетворённость пользователя, оказалась активно вредна именно для той группы, которая с наибольшей вероятностью делает вашу самую аккуратную работу.
Почему единая персона на всю организацию — это тихий налог на производительность
Вот операционный перевод, и он неудобен именно потому, что исправление ничего не стоит, а никто это не измеряет.
Когда вы разворачиваете единую конфигурацию ассистента на 300 человек, вы не проводите нейтральное внедрение. Вы проводите нерандомизированный эксперимент, в котором части вашего персонала досталось сочетание, определённое этим исследованием как дающее худший результат, — и ни у них, ни у вас нет инструмента, который это выявил бы. Сбой проявляется как чуть более слабые черновики, чуть больше переделок, смутное ощущение в отдельных командах, что инструмент «не так уж полезен». Он никогда не появляется как статья расходов.
Эти переделки приземляются в самом дорогом месте. Разбор затрат McKinsey QuantumBlack по агентным процессам в банкинге относит расходы на токены к 20–25 процентам переменной стоимости работы агента, а человеческий надзор со стороны функциональных и риск-экспертов — к 70–75 процентам (McKinsey QuantumBlack, 2026). В такой структуре качество вывода — не мягкая метрика. Каждый потерянный на генерации пункт качества возвращается по ставке проверяющего, то есть старшего сотрудника, который делает контроль.
И контроль никуда не денется. В исследовании MIT Technology Review Insights и Microsoft, где 300 технологических руководителей ранжировали 101 агентную задачу, 59 процентов уже планируют постоянный человеческий надзор, причём доверие следует за проверяемостью задачи, а не за «сырой» способностью модели (MIT Technology Review Insights, 2026).
Таким образом, несовпадение персоны — это не жалоба на пользовательский опыт. Это тихий множитель на крупнейшую статью расходов вашего ИИ-стека.
Дисперсия уже внутри должности
Если нужны доказательства, что это измеримо в вашей компании, а не только в лаборатории, — они уже есть в данных об использовании. Бик, Блэндин, Деминг и Шумахер, связав национально репрезентативный опрос с детализированными задачами O*NET, обнаружили, что меры подверженности генеративному ИИ объясняют лишь около половины вариации в его освоении между работниками: люди на одной и той же работе с одними и теми же инструментами осваивают его систематически по-разному (NBER Working Paper 35677, 2026).
Половина дисперсии находится внутри должности, а не между должностями. Большинство операционных команд списывает это на мотивацию или обучение. Результат PNAS предлагает для части этого менее лестное и более пригодное к действию объяснение: инструмент настроен под человека, который им не пользуется.
Такая переформулировка меняет то, что вы делаете с кластером низкого освоения. Отправить ещё одну обучающую сессию команде, которая тихо получает худший вывод от агента по умолчанию, не устраняет причину — это добавляет часы людям, чьи черновики всё равно вернутся с большим объёмом переделок, чем у коллег.
Честное возражение
Три ограничения, и они важны.
Задачей было создание рекламы, а не операции. Сорокаминутные креативные сессии с медийными объявлениями — это не ваше квартальное закрытие, не онбординг поставщиков и не сортировка тикетов. То, что сочетание личностей сдвинуло качество в креативной задаче, — это результат; то, что оно сдвинет его в ваших процессах, — вывод по аналогии. Относитесь к этому как к сильной гипотезе для проверки, а не как к установленному факту.
У авторов есть коммерческая позиция. Джу и Арал сооснователи Pairium, которая создаёт и распространяет использованную в исследовании экспериментальную платформу Pairit (Ju & Aral, PNAS, 2026). Работа предрегистрирована и прошла рецензирование в PNAS, что ограничивает очевидные искажения, — но исследователи, у которых есть результат, продают и средство, и это часть вашего прочтения.
Идеально подобрать всех — тоже имеет цену. Работы в той же литературе показывают, что разнообразие персон ИИ смягчает эффект гомогенизации в совместной генерации идей человека и ИИ (Wan & Kalman, 2026). Оптимизируйте каждое сочетание под индивидуальное качество вывода — и вы можете сжать дисперсию мышления ваших команд: черновики лучше, черновики похожее. Если вашей функции нужен размах, а не полировка, этот компромисс реален.
Ничто из этого не спасает статус-кво. Конфигурация по умолчанию — не страховка от этих ограничений; это единственный вариант, который гарантированно неверен для части вашего персонала, причём без каких-либо данных о том, для какой именно.
Что решить в этом квартале
Четыре шага, ни один не требует новых расходов на вендоров.
- Перестаньте считать персону ИТ-настройкой. Системный промпт ассистента — это параметр производительности с измеренным влиянием на качество вывода. Кто отвечает за внедрение ИИ, тот и владеет им — и обосновывает текущую настройку.
- Проведите один тест сочетаний в функции, которая уже производит оцениваемый результат. Контент, ответы поддержки, первичный анализ. Две персоны, случайное назначение, один квартал, слепые оценки качества. Вы воспроизводите опубликованный дизайн в малом масштабе — это самое дешёвое исследование, которое вы когда-либо закажете.
- Внимательнее всего посмотрите на экстравертов и сотрудников с высоким нейротизмом в ролях с большим объёмом вывода. Это два человеческих профиля, которые исследование отметило как проблемные с добросовестным агентом по умолчанию. Если явно способный человек тихо получает мало от инструмента, несовпадение теперь рабочая гипотеза, а не проблема обучения.
- Предложите выбор персоны прежде, чем строить назначение персоны. Полное распределение по чертам требует персонологических данных, которых у большинства компаний среднего бизнеса нет и которые они могут не хотеть иметь. Два-три выбираемых профиля ассистента забирают часть эффекта без всякой управленческой уязвимости.
Сочетание личности с ИИ теперь измеряемая переменная с ценником. Вы уже её задаёте — один раз, глобально, принимая то, что поставил вендор.
Вопрос этого квартала не в том, важна ли персона. На это PNAS ответил. Вопрос в том, продолжите ли вы принимать это решение по умолчанию, за всех, а затем списывать результат на модель.
