Microsoft решила проверить, можно ли без опасений полностью доверить нейросетям длинные рабочие задачи. В тесте участвовали ChatGPT, Claude, Gemini, Grok и другие популярные модели. Им давали большие документы и просили выполнить работу самостоятельно, без проверки человеком. Результат получился неожиданным. Почти все модели уверенно начинали выполнять задачу, но спустя какое-то время могли внезапно удалить часть текста, испортить форматирование, переписать важные данные или добавить информацию, которой вообще не существовало. Самое неприятное - многие ошибки были практически незаметными, поэтому пользователь мог их даже не обнаружить. В среднем Gemini, Claude и GPT повреждали около четверти содержимого документа. Более слабые модели портили ещё больше. Иногда ИИ справлялся безупречно... а потом одним действием ломал всю проделанную работу. Похоже, до полной замены людей в офисах нейросетям всё-таки ещё далеко.