Naukowcy z arXiv opracowali matematyczną teorię opisującą, co dzieje się w naszym mózgu — czy w rzeczywistości, czy w sztucznym systemie — gdy otrzymujemy przewidywaną pomoc przed własnym poszukiwaniem rozwiązań. Tradycyjnie zdolności poznawcze rozwijają się poprzez eksplorację: próbujemy różnych podejść, uczymy się na błędach, stopniowo zwęża się przestrzeń poszukiwań do efektywnych strategii. Jednak gdy AI lub inteligentny asystent natychmiast dostarcza rozwiązanie, ten naturalny proces eksploracji zostaje przerwany.
Mathematyczny model pokazuje trzy kluczowe problemy. Po pierwsze, gdy asystencja predykcyjna stabilizuje naszą ścieżkę rozwiązywania problemu, zmniejsza się nasza wewnętrzna motywacja do eksploracji — nawet jeśli technicznie pozostaje ona dostępna. Po drugie, nasze systemy poznawcze zmieniają się asymetryjnie, przez co powrót do samostalnego myślenia po wycofaniu asystencji jest wolny i trudny. Po trzecie, moment udzielenia pomocy ma krytyczne znaczenie — jeśli AI interweniuje zbyt wcześnie, zanim samodzielnie zgłębimy problem, ograniczamy sobie możliwości rozwoju umiejętności w przyszłości.
Badanie ma doniosłe implikacje dla projektowania systemów AI wspierających naukę, pracę i problem-solving. Chociaż predykcyjne asystenty mogą zwiększać wydajność, niezrównoważone ich użycie może prowadzić do atrofii samodzielnego myślenia i eksploracyjnych zdolności. Wynik sugeruje, że optymalne wsparcie AI powinno celowo pozostawiać przestrzeń do własnych poszukiwań zamiast całkowicie zastępować proces uczenia się.