AI उपलब्धतेमुळे लोकांची 'मला माहीत नाही' म्हणण्याची तयारी जवळपास संपुष्टात

AI उपलब्धता पुसून टाकते असे वाटणारे छोटे वाक्य

अनिश्चितता कबूल करणे हे उपलब्ध असलेल्या सर्वात स्वस्त बौद्धिक साधनांपैकी एक आहे: "मला माहीत नाही" म्हणण्यास काहीच खर्च येत नाही आणि ते अनेक चुका टाळते. नवीन संशोधन असे सूचित करते की भाषा मॉडेल उपलब्ध असण्यानेच हे साधन गुपचूप बंद होत आहे. ३,१३२ सहभागींचा समावेश असलेल्या पाच प्रयोगांमध्ये, संशोधकांना आढळले की AI सल्ला घेऊ शकणारे लोक निर्णय राखून ठेवण्यास जवळपास पूर्णपणे तयार नव्हते — अशा परिस्थितीतही जिथे AI मुद्दाम आणि विश्वासार्हपणे अविश्वासार्ह होते.

हे कार्य २०२६ मध्ये Marcoccia, Quattrociocchi आणि Capraro यांना श्रेय दिले जाते, आणि त्यात वर्णन केलेला नमुना स्पष्ट आहे. एका प्रयोगात, सहभागींनी उत्तर देण्यास नकार दिलेल्या प्रश्नांचे प्रमाण AI उपलब्ध नसताना ४४ टक्क्यांवरून AI उपलब्ध असताना फक्त ३ टक्क्यांपर्यंत घसरले. त्यांनी खूप जास्त उत्तरे दिली. ती बरोबर खूप कमी होती.

प्रयोग कसे तयार केले गेले

रचना महत्त्वाची आहे, कारण ती या वर्तनासाठी सर्वात खुशमस्करी करणारे स्पष्टीकरण बाद करते. संशोधकांनी हे तपासले नाही की लोक सक्षम सहाय्यकावर समजूतदारपणे अवलंबून राहतात का. त्यांनी तपासले की सहाय्यक आत्मविश्वासाने वाईट असताना काय होते.

मॉडेल तोडण्यासाठी निवडलेले प्रश्न

संघाने असे प्रश्न निवडले जिथे त्यांचे निवडलेले मॉडेल, Step 3.5 Flash, जवळपास नेहमीच चुकीचे होते. हे चित्रपटांतील सूक्ष्म दृश्य तपशिलांशी संबंधित होते — उदाहरणार्थ, Bend It Like Beckham मधील संघाच्या गणवेशाचा रंग. लेखक नोंदवतात की अशा सूक्ष्म तपशिलांचा ऑनलाइन मजकुरात क्वचितच उल्लेख येतो, ज्यामुळे ते भ्रम निर्माण करण्यासाठी उत्तम लक्ष्ये बनतात: मॉडेलकडे पुनर्प्राप्त करण्यासाठी फार कमी असते आणि शोध लावण्यासाठी भरपूर जागा असते.

ही रचना केवळ खराब साधनाची चाचणी नव्हती याची पुष्टी करण्यासाठी, संशोधकांनी हे देखील निरीक्षण केले की GPT-5.5, Claude 4.6 Sonnet आणि Gemini 3.5 Flash यांनी इतर बहुतेक प्रश्न बरोबर हाताळले, तरीही ते कठीण प्रश्नांवर अडखळले. महत्त्वाचा मुद्दा असा आहे की AI सल्ला बहुतांश चुकीचा असल्याने, सहभागींनी दाखवलेला कोणताही आदर विश्वासार्ह साधनाकडे केलेले वाजवी काम सोपवणे म्हणून मांडता येणार नाही.

अधिक उत्तरे, कमी बरोबर उत्तरे

अभ्यास 1a आणि 1b मध्ये सहभागींना उत्तर देण्यापूर्वी AI ला विचारायचे की नाही हे स्वतः ठरवू दिले. नियंत्रण स्थितीत, AI उपलब्ध नसताना, त्यांनी अनुक्रमे ३६ टक्के आणि ४४ टक्के प्रश्नांवर निर्णय राखून ठेवला. AI उपलब्ध झाल्यावर, ते संयम प्रमाण ६ टक्के आणि ३ टक्क्यांपर्यंत कोसळले.

अभ्यास 2 मध्ये दुसरे मापन — आत्मविश्वास — जोडले गेले आणि त्यातून कदाचित या संचातील सर्वात अस्वस्थ करणारा निकाल मिळाला:

• AI उपलब्ध असताना आत्मविश्वास १००-गुणांच्या प्रमाणात ७५.९ गुणांपर्यंत पोहोचला, तर तो उपलब्ध नसताना २९.६ गुण होता — अंदाजे अडीच पट जास्त.
• त्याच तुलनेत बरोबर उत्तरे २७.६ टक्क्यांवरून १०.० टक्क्यांपर्यंत घसरली.
• सर्व अभ्यासांमध्ये, आर्थिक प्रोत्साहन नसलेल्या पण AI उपलब्ध असलेल्या सहभागींनी ९.२ टक्के वेळा बरोबर उत्तर दिले, तर AI नसताना २७.५ टक्के वेळा.

दुसऱ्या शब्दांत, लोकांनी AI जवळ असताना अधिक प्रश्नांची उत्तरे दिली आणि अंदाजे एक तृतीयांश वेळा बरोबर होते. संशोधक अभ्यास 2 मधील बदलाचे वर्णन तीन एकाचवेळी घडणारे बदल असे करतात: निर्णय राखून ठेवणे जवळपास शून्यावर आले, आत्मविश्वास झपाट्याने वाढला, आणि अचूकता घटली. निश्चितता आणि अचूकता विरुद्ध दिशांनी गेल्या.

क्षमतेशिवाय आत्मविश्वास

हे संयोजन मानवी मानसशास्त्रातून परिचित आहे — ज्यांना सर्वात कमी माहीत असते तेच अनेकदा सर्वात जास्त खात्री बाळगतात — पण येथे ते दीर्घकाळ टिकलेल्या कौशल्यातून उद्भवण्याऐवजी एका साधनाद्वारे मागणीनुसार निर्माण होताना दिसते. सहभागी AI मधील आत्मविश्वास नोंदवत नव्हते; ते स्वतःच्या उत्तरांमधील आत्मविश्वास नोंदवत होते, जो संशोधकांनी बहुतेक वेळा चुकीचा ठरवलेल्या सल्ल्याच्या संपर्कानंतर दिला होता.

हे गतिशीलता स्पष्ट करण्यास मदत करते की हा परिणाम प्रयोगशाळेबाहेर का लक्षात ठेवण्यासारखा आहे. वास्तविक जगातील AI सहाय्यक नेमके तिथेच भ्रम निर्माण करण्याची शक्यता सर्वाधिक असते जिथे माहिती कमी, अस्पष्ट किंवा क्वचितच नोंदवलेली असते — अभ्यासाने मॉडेलला चुकीकडे नेण्यासाठी वापरलेल्या त्याच परिस्थिती. प्रवाहीपणा आणि वस्तुस्थिती यातील अंतर समान रीतीने पसरलेले नाही; ते नेमक्या त्या प्रदेशात केंद्रित होते जिथे व्यक्तीची स्वतःची अनिश्चितता सामान्यतः सर्वाधिक असते.

प्रोत्साहने मदत करतात, पण समस्या सोडवत नाहीत

अभ्यास 2 ते 4 मध्ये पैसे सादर केले. सहभागींनी प्रत्येक बरोबर उत्तरासाठी १० सेंट कमावले, प्रत्येक चुकीच्या उत्तरासाठी १० सेंट गमावले, आणि "मला माहीत नाही" म्हणण्यासाठी काहीच मिळाले नाही. ही गुणसंख्या योजना सापेक्ष अटींमध्ये संयम ठेवणे खरोखर महाग करते, तरीही संशोधकांना हे जाणून घ्यायचे होते की चुकांसाठीची दंड रचना लोकांना अज्ञान कबूल करण्याकडे परत ढकलते का.

त्यांनी हे गृहीतक पूर्व-नोंदणी केले होते की आर्थिक प्रोत्साहने संयम ठेवण्याची तयारी वाढवतील, पण AI ची उपलब्धता तो परिणाम कमकुवत करेल. निष्कर्षांचा उपलब्ध वृत्तांत मिश्र दिशा दर्शवतो: प्रोत्साहनांनी सहभागींनी AI सल्ला घेण्याचे प्रमाण कमी केले, आणि संशोधक त्यांना उपयुक्त म्हणतात, पण उपाय नाही. अंदाज लावण्याविरुद्ध थेट आर्थिक युक्तिवाद असूनही तात्काळ उत्तराचे आकर्षण टिकून राहताना दिसते.

काय अनिश्चित राहते

संशोधकांना अजूनही लोक AI आउटपुटकडे वळण्याची सर्वसाधारण प्रवृत्ती दिसते, पण त्यांच्या निकालाच्या मर्यादा अप्रमाणित आहेत हे ते स्पष्टपणे मान्य करतात. चित्रपटांच्या क्षुल्लक माहितीबाहेर — वैद्यक, कायदा, अभियांत्रिकी किंवा दैनंदिन तथ्यात्मक प्रश्नांमध्ये — संयम ठेवण्यातील हाच ऱ्हास तितकाच जोरदार टिकतो का, हा खुला प्रश्न आहे. काही क्षेत्रे "मला माहीत नाही" म्हणण्याची प्रवृत्ती टिकवण्याइतकी सावधगिरी जागवतात हे शक्य आहे. जिथे दाव लागलेले असतात आणि उत्तरे अधिक परिणामकारक वाटतात तिथे हा परिणाम अधिक प्रबळ असतो हे देखील शक्य आहे.

हा अभ्यास जे स्थापित करतो ते म्हणजे लक्षात ठेवण्यासारखी एक यंत्रणा: उत्तराची उपस्थिती त्या व्यक्तीचे मानसशास्त्र बदलते जी अन्यथा उत्तर नसल्याचे कबूल केले असते. किंमत मोजता येण्यासारखी आहे. AI खोलीत असताना, सहभागींनी त्यांच्या अचूकतेचा मोठा वाटा आत्मविश्वासाच्या मोठ्या वाट्यासाठी बदलला — आणि नेहमी प्रामाणिक असलेले एकमेव उत्तर सोडून दिले.

हा लेख The Decoder च्या अहवालावर आधारित आहे. मूळ लेख वाचा.