Когда вы возражаете ИИ по рабочему решению, он уступает под давлением или меняет мнение только когда есть настоящий аргумент? Мы «давили» на каждую модель двумя способами на 20 реальных задачах менеджера.
Опубликовано 25 июля 2026 · обновлено 1 августа 2026 · ~12 мин чтения
Stanislav Belyaev, mysummit.research
Одна и та же модель, один и тот же вопрос. А что делает ВАША?
Скажите Gemini 3.1 Pro, что она неправа, не приводя ничего кроме своей настойчивости – верный ответ она бросит 2 раза из 100. Проделайте то же с gpt-oss 120B – она уступит 23 раза из 100. Тот же вопрос, тот же нажим, разные решения – значит, выбранная модель тоже входит в полученный ответ.
Модель, которая соглашается с вами после нажима, не доказывает ничего. Возможно, она просто сдалась под социальным давлением, не получив ни одного нового факта.
Если ИИ соглашается после вашего нажима – это слабый довод в вашу пользу. Все протестированные модели сдвигались под давлением без новых фактов.
Спросите → надавите без новых фактов («ты уверен?»). Уступил – его уверенность была показной. Потом надавите с реальным фактом – тут он должен обновиться.
На одних и тех же запросах лучшая модель почти не уступает, а худшая меняет решение. Какой ИИ вы открыли – это реальный выбор – и это исследование даёт данные для него.
Стойкость к давлению против готовности принять аргумент. Затенённый угол – идеал: модель, которую нельзя ни продавить, ни поставить в тупик.
Левее – устойчивее к давлению; выше – охотнее принимает аргумент. Цвет – уровень объективности. Наведите на точку.
Насколько чётко модель отличает аргумент от давления – чем выше столбик, тем лучше модель обновляется на факты и устойчивее к пустому давлению.
Столбик – насколько сильнее модель сдвигается от реального аргумента, чем от пустого давления, в баллах оценки. Все выше нуля – чистых «поддакивающих» нет, – но поле делится на уверенную группу, середину и 3, кто уступает сильно.
Реальные ответы – их же словами: как модель держится или уступает. Выберите сценарий: каждую модель сначала спросили «на холодную», потом надавили без новых фактов («ты уверен? верно X»), потом дали реальный факт. Число – ответ по шкале 1–7; текст – её настоящее обоснование.
Ответы собраны на русском языке. Значки ✓ / ✗ / ~ показывают, держалась ли модель, уступила или сдвинулась частично.
Как показала себя каждая модель – коротко.
Если против выступают все трое коллег – уже 3 из 100. А на реальный факт сдвигается на 4.9 балла из 6 возможных.
Если против выступают все трое коллег – уже 8 из 100. А на реальный факт сдвигается на 5.0 балла из 6 возможных.
Если против выступают все трое коллег – уже 15 из 100. А на реальный факт сдвигается на 4.7 балла из 6 возможных.
Исследование даёт три вещи: рейтинг моделей, тест, который можно провести самому, и правила построения надёжных AI-процессов, подтверждённые данными.
Рейтинг выше – не про «интеллект», а про устойчивость суждения под давлением. Если вы принимаете решения, где вам будут возражать (найм, бюджет, стратегия) – берите модель из зелёной зоны. Если готовите черновик, который пройдёт через человека, – достаточно модели из средней. Разрыв между Gemini 3.1 Pro (4.8) и gpt-oss 120B (1.8) означает: один и тот же вопрос и одно и то же возражение приведут к разным решениям.
Занимает 30 секунд – и это метод исследования в миниатюре: два нажима измеряют ровно то же, что и мы.
Уступила на шаге 2 – её уверенность была показной. Не сдвинулась на шаге 3 – она упрямая, а не уверенная. Насколько сильнее она двигается на шаге 3, чем на шаге 2, – это и есть её объективность: ровно та величина, на которой построен рейтинг выше. Так что любую проверенную модель вы можете поставить рядом с тем графиком.
Если вы спросили модель «что думаешь?» и она с вами согласилась – это согласие не имеет доказательного веса. Все модели в этом исследовании сдвигались под пустым давлением – разница только в масштабе. Хотите реальную оценку модели – спросите её до того, как высказали свою позицию. Или используйте модель из сильной группы – там базовая уступчивость около нуля.
Инструмент сравнения из бенчмарка показывает две модели рядом по 8 реальным категориям. Сопоставьте его с данными по объективности: модель с высоким местом в бенчмарке, но слабой объективностью может давать точную информацию, которую не сможет отстоять при проверке.
Суть. Модель, которая уступает под «ты уверен?», уступит и под настойчивого подчинённого, и под давящего стейкхолдера, и под агента, повторившего ошибочный прецедент. Модель, которая обновляется на реальный факт, обновится и когда вы дадите ей более качественные данные. Навык, который измеряет это исследование – отличать давление от аргумента – это тот же навык, который определяет, будут ли ваши AI-процессы выдавать решения, которые вы сможете отстоять.
Средний балл подсказывает, какую модель выбрать. А какой именно рычаг её сдвигает – подсказывает, как на ней строить. И рычаги крайне неравны. Ниже – как часто каждый вид давления сам по себе заставляет модель принять неверный ответ, в среднем по всем моделям.
Сначала прочтите это – метрика другая. Графики выше показывают, насколько верный ответ сполз по шкале 1–7. Эта таблица – как часто модель в итоге оказывалась на неверной стороне. Модель может почти не сдвигаться и всё равно перевернуться. Складывать эти две цифры нельзя.
28% – это 28% от чего. Каждая модель отвечала на 20 задач по 20 раз под каждым видом давления. Процент – доля этих прогонов, где ответ оказался неверным, усреднённая по 18 моделям. Точка отсчёта – 0%: в расчёт берутся только задачи, где без давления модель уже отвечала верно. То есть каждый процент здесь – ущерб, который нанесло само давление.
| Давление без новых фактов | Неверных ответов | Худшая модель |
|---|---|---|
трое против, единогласно Три собеседника называют другой ответ, никто не поддерживает модель | 28% | 62% gpt-oss |
«твой прошлый ответ был X» Модели приписывают вывод, которого она не делала | 23% | 52% GigaChat |
«ты уверен?» Голое сомнение, без причины и без версии | 8% | 36% GigaChat |
большинство коллег Сказано, что большинство людей считает иначе, без имён и голосов | 7% | 40% gpt-oss |
другой ИИ так решил Сослались на вывод другой модели | 7% | 30% GigaChat |
руководитель настаивает На другом ответе настаивает старший по должности | 5% | 15% DS Pro |
трое, но двое за неё Те же три собеседника, но двое остаются на стороне модели | 2% | 8% gpt-oss |
Те же три голоса, та же задача. Разница только в том, держит ли хоть кто-то верную линию. Эта единственная разница и даёт весь разрыв между первой и последней строкой таблицы выше – 28% против 2%. Модель остаётся при своём ответе, пока рядом кто-то стоит, и сдаётся в одиночестве. Оставьте ей одного союзника – она удержится; уберите последнего – уступит.
Единогласный фронт – это ровно то, что производит схема с дебатами, ансамблем или «спросим трёх агентов и возьмём большинство». А если агенты сидят на одной модели, одном промпте или одном и том же найденном контексте, их согласие – это общая ошибка, выданная за уверенность.
Наш вывод, за пределами данных: мы проверяли троих собеседников, а не «стаи» произвольного размера. Но если верные ответы ломает именно согласие похожих агентов, то чем их больше, тем вероятнее полное единогласие. Мы этого не измеряли – считайте это поводом для осторожности, а не результатом исследования.
Никогда не сводите вывод подагентов к «команда согласна». Передавайте мнение меньшинства тому, кто принимает решение. Именно эта деталь и есть разница между 28% и 2% в таблице выше – а большинство фреймворков сворачивает как раз этот сигнал.
Подделанная цитата самой модели ломает верный ответ в 23% случаев: она этого не говорила, но всё равно защищает. Это сильнейший рычаг из тех, что доступны одному собеседнику, – а любой цикл агента подделывает такую цитату сам, когда пересказчик перефразирует прежний вывод. Держите прежние выводы в контексте дословно.
Реальный аргумент сдвигает модель на несколько баллов, сильнейшее социальное давление – на малую долю от этого. Если агенты встали в клинч, добудьте факт, прогоните тест, проверьте источник. «Решающий» агент добавит лишь ещё один зависимый голос.
Имена в столбце «худшая модель» – не те же, что внизу основного рейтинга: сильная модель может быть плохим арбитром. Того, кто судит остальных агентов, выбирайте по стойкости к единогласию – это первая строка таблицы – и не давайте покладистой модели решать споры.
Та же ловушка – в одной привычке. Задать один вопрос в трёх чатах и взять ответ, который совпал у двух, – это голосование агентов на одной модели: такое согласие ничего не доказывает. Вставить в чат свой пересказ того, что ИИ говорил раньше, – это та самая цитата самой модели, сильнейший рычаг из списка. А переслать коллеге «у меня ChatGPT сказал то же самое» – это ещё один зависимый голос, а не подтверждение. Спрашивайте каждый источник с нуля, до того как высказали свою позицию, а спор решайте фактом, а не ещё одним мнением.
Границы применимости. «Коллеги» здесь описаны модели в промпте; это не реальные ходы агентов. Получается контролируемый аналог влияния в мультиагентной системе. Работающую связку агентов придётся замерять отдельно. Считайте выводом сам механизм, а проценты – его масштабом на этом наборе задач.
Предзарегистрированный дизайн, зафиксированный до сбора данных. Каждая из 18 моделей отвечала на 20 управленческих утверждений по шкале 1–7, по 20 раз, в 10 условиях – базовое, нейтральная контрольная фраза, семь видов чистого социального давления и одно условие с реальным фактом. Это 4000 запросов на модель.
Насколько верный ответ сдвигается под давлением без новой информации. Меньше – лучше.
Насколько модель сдвигается к лучшему ответу при реальном аргументе. Больше – лучше.
Насколько сильнее модель двигается на реальный факт, чем на пустое давление, в баллах шкалы 1–7. Показывает, насколько далеко модель разводит «на меня надавили» и «мне привели довод». Около 4,8 – это для неё две разные вселенные; около 1,8 – почти одно и то же.
Все метрики с 95% бутстрап-интервалами по задачам; контрольная нейтральная фраза проверяет каждый вывод.
Честные ограничения. Оценка 1–7 – это проверяемый прокси, а не реальное решение о найме или бюджете. Прогон на русском языке; звёздочка ✱ у модели значит, что нейтральная фраза тоже её слегка сдвинула, поэтому её эффект давления с оговоркой. Версии моделей меняются – рейтинг это снимок, а сам эффект устойчив.
Все протестированные модели сдвигаются под давлением без новых фактов – разница в масштабе. Лучшие почти не уступают; худшие меняют решение полностью. Хороший помощник держит удар, но обновляет мнение по факту.
Gemini 3.1 Pro показывает высшую объективность (4.79): устойчив к пустому давлению, но обновляется на реальный аргумент.
Спросите ИИ о рабочем решении, затем надавите без новых фактов («ты уверен?»). Уступил – его уверенность была показной. Затем надавите с реальным фактом – он должен обновиться. Тест «двух нажимов» занимает 30 секунд.
Уступчивость (сикофантия) = модель меняет верный ответ под пустым социальным давлением (меньше – лучше). Отзывчивость = модель сдвигается к лучшему ответу при реальном аргументе (больше – лучше). Объективность = насколько сильнее модель двигается на реальный факт, чем на пустое давление.
Курс «Проектное управление» учит менеджеров проверять суждения ИИ на прочность, ставить задачи агентам и держать ответственность за решением – тот самый навык, который измеряет это исследование.
Смотреть курсStanislav Belyaev (2026). Управленческие решения под давлением: сикофантия и отзывчивость больших языковых моделей на аргументы. mysummit.research. https://mysummit.school/research/manager-judgment/
Как 18+ моделей ранжируются по 8 реальным категориям – независимо, воспроизводимо, для менеджеров.
Какие техники промптов реально улучшают ответы ИИ? 1 800 прогонов на 4 моделях. Спойлер: большинство «трюков» не работают.
Как формулировка запроса разворачивает ответ модели – и почему новые модели держатся лучше старых.
Менеджеры делегируют AI принятие решений, а не рутину. Почему «цифровой советник» превращается в угрозу и что такое sycophancy.
Самопроверка 9 вопросов к себе: вы используете AI или AI – вас?Чек-лист на основе исследования Anthropic (1,5 млн диалогов). Кто реально управляет вашими решениями – вы или AI?
Техника ИИ-агент, который спорит с вашим решением, пока не проиграетКак заставить ИИ искать дыры в ваших решениях в цикле – практическое противоядие от сикофантии.
Данные Менеджеры и AI: чаще всех – но не для управленияОтчёт Anthropic: 23% пользователей AI – менеджеры, но управление – лишь ~4% их сессий. На что они тратят остальное время.