Алхімія підказок: чому людське судження не можна перетворити на машинні інструкції

П'ятниця, 20 лютого 2026 року

У гарячковій атмосфері сучасного буму штучного інтелекту виникла ціла підгалузь, присвячена цікавій амбіції: витягти людський досвід з живих розумів і перетворити його на навчальні дані для великих мовних моделей. Професорам, юристам, лікарям, військовим аналітикам і фінансистам пропонується складати завдання та оцінювати результати відповідно до складних критеріїв. Кажуть, що їхні знання можна формалізувати, масштабувати та вбудовувати в такі системи, як ChatGPT від OpenAI або Gemini від Google.

Передумова неймовірно проста. Експерта в предметній області просять створити високоякісні підказки — запитання, сценарії, гіпотетичні ситуації — які досліджують міркування моделі. Той самий експерт або інший оцінює відповіді моделі за певними критеріями: критерії правильності, глибини, нюансу, тону та узгодженості. Ці оцінки потім повертаються в цикл навчання. Завдяки навчанню з підкріпленням від людського зворотного зв'язку машина нібито поглинає стандарти експертної спільноти. Судження стають даними; дані стають оптимізацією; оптимізація стає видимим інтелектом.

Це спокусливий наратив. Він передбачає, що знання можна атомізувати на позначені приклади. Він має на увазі, що експертиза — це питання правильного створення шаблонів. Він обіцяє масштаб — відтворення рідкісних інтелектуальних здібностей майже з нульовими граничними витратами. Мільярди доларів венчурного капіталу, суверенного капіталу та корпоративних інвестицій зараз обертаються на цій передумові.

Однак ця передумова концептуально нестабільна.

У цьому процесі від експертів вимагається не просто надання інформації. Йдеться про формалізацію критеріїв, за якими оцінюється інформація. Рубрика повинна визначати, що вважається гарною відповіддю. Але експертиза у своїй зрілій формі не зводиться до контрольних списків. Конституційний юрист не вирішує справу, механічно застосовуючи перераховані фактори; він чи вона зважує конкуруючі принципи з урахуванням контексту, історії та інституційної розсудливості. Командир на полі бою не вибирає маневри, ставлячи галочки; він вивчає місцевість, моральний дух та ймовірну психологію супротивника. Дипломат не створює комюніке, записуючи фрази в матриці; він чи вона відчуває, як тон резонуватиме в різних культурах та серед особистостей.

Таке судження є мовчазним, ситуативним і часто незвідно наративним. Його засвоюють через навчання та невдачі. Воно включає здатність сприймати, яке правило слід обійти, який прецедент є аналогічним, а яка аналогія є оманливою. Це саме мистецтво вирішувати, коли не слідувати рубриці.

Парадокс гострий. Щоб навчити модель за рубрикою, потрібно припустити, що експертизу можна представити як явні критерії. Але саме ті люди, які найбільше здатні до судження, знають, що їхня майстерність залежить від меж явності. Знання експерта полягає не лише в тому, що певні відповіді є правильними; воно полягає в тому, що сама структура питання може бути хибною. Підказка може передбачати хибну дихотомію; наймудрішою відповіддю може бути відхилення передумови. Як заздалегідь закодувати умови, за яких саме питання має бути оскаржене?

Захисники концепції підприємства відповідають, що достатній масштаб компенсує концептуальну недосконалість. Маючи достатню кількість підказок, достатньо зворотного зв'язку та достатньо параметрів, модель наближено описуватиме розподіл експертних результатів. Однак наближення – це не розуміння. Мовна модель не має жодних інтересів у світі; вона не несе відповідальності за наслідки своїх результатів. Вона прогнозує токени відповідно до статистичних закономірностей у своїх навчальних даних. Вона не оцінює – вона імітує поверхневі закономірності оцінки.

Ця відмінність має значення. Судження передбачає відповідальність. Коли хірург вирішує оперувати, він чи вона зобов'язує себе відповідати за результат. Коли суддя виносить вирок, він чи вона перебуває в межах інституційного порядку, який може похвалити або засудити його чи її міркування. Модель, навпаки, не може бути морально чи інституційно відповідальною. Вона не може по-справжньому обмірковувати, оскільки її не можна притягнути до відповідальності.

Таким чином, промислові зусилля замінити людське судження машинним навчанням ґрунтуються на змішанні. Вони плутають вираження міркувань з володінням відповідальністю. Вони помилково приймають зовнішню форму експертизи за її внутрішню структуру.

Ніщо з цього не заперечує корисності великих мовних моделей. Вони можуть узагальнювати, складати та витягувати дані з надзвичайною ефективністю. Вони можуть допомагати людям-практикам, пришвидшуючи буденні процеси. Але допомога – це не заміна. Перехід від інструменту до сурогату – це саме те, де виникає концептуальна неузгодженість.

І все ж саме цей стрибок передбачає нинішній інвестиційний клімат. Величезні суми витрачаються на найм фахівців у предметній області для внесення підказок у системи в надії, що їхні висновки можна буде перетворити на вагові коефіцієнти моделей. Університети реструктуризують навчальні програми навколо штучного інтелекту. Корпорації реорганізовують робочі процеси, припускаючи, що автоматизоване мислення незабаром замінить штатних фахівців. Уряди оголошують стратегії, засновані на підвищенні продуктивності, які можуть виявитися ілюзорними.

Історія пропонує застережні аналогії. Фінансові бульбашки часто спираються на зерно технологічної істини, роздуте спекулятивними очікуваннями. Залізниці трансформували транспорт, але акції залізниць, попри це, впали у дев'ятнадцятому столітті, коли прогнози перевищили прибутковість. Інтернет змінив комерцію, але бульбашка доткомів луснула, коли інвестори зрозуміли, що транспорт не гарантує доходу. У кожному випадку інновації витримали; оцінки – ні.

Сучасний бум штучного інтелекту має схожі ознаки. Існують справжні технічні досягнення в масштабуванні нейронних мереж та вдосконаленні навчання з підкріпленням. Але екстраполяція від вражаючої лінгвістичної мімікрії до заміни людського судження є категоріальною помилкою. Якщо ця помилка стане широко визнаною — якщо установи виявлять, що насправді не можуть довірити остаточні рішення генераторам ймовірнісних закономірностей — тоді капітал відступить.

Бульбашка може не луснути, бо моделі перестануть функціонувати. Вона може луснути, бо обіцянка, дана для них, була метафізично неможливою. Експертиза — це не набір даних. Судження — це не функція, яку можна вичерпно визначити. Людську здатність зважувати, вагатися, переосмислювати та нести відповідальність не можна звести до підказок та рубрик, не втративши при цьому тих самих якостей, які роблять її цінною.

Прагнення закодувати всі судження в машинному навчанні може розкрити менше про машини, ніж про нас самих. Воно відображає управлінське прагнення до формалізації, вимірюваності та контролю. Воно висловлює надію на те, що невизначеність можна усунути. Але людські справи — право, війна, дипломатія, медицина, політика — це сфери незвідної випадковості. Вони вимагають людей, які можуть відповідати не лише за те, що є оптимальним в теорії, але й за те, що є правильним у контексті.

Коли ця істина знову стверджується — як це зрештою і станеться — ринок може знову відкрити, що судження є рідкісним саме тому, що їх неможливо автоматизувати. А величезний капітал, який зараз витрачається на спроби їх механізації, може, озираючись назад, стати схожим на ще один розділ у довгій історії технологічного буйства, що випереджає філософську послідовність.