Искусственный интеллект для написания: почему тексты стали одинаковыми

Но вместе с доступностью пришёл побочный эффект, который всё заметнее в интернете: материалы на разные темы начинают звучать так, будто их произносит один и тот же автор — вежливый, уверенный и слегка безликий.

Это не только вопрос плохих промптов или неумелого копирайтинга. Однообразие встроено в сам способ генерации текста: модель выбирает продолжение, опираясь на вероятности, а затем проходит настройку, призванную сделать её ответы полезными и приемлемыми. В результате машина хорошо воспроизводит узнаваемую норму — и с трудом сохраняет то, что делает письмо индивидуальным: неожиданный поворот мысли, неровный ритм, точную интонацию.

Статистическая ловушка: как работает предсказание следующего слова

Языковая модель не начинает с намерения, которое потом переводит в слова. Она последовательно предсказывает следующий токен — фрагмент слова, слово или знак — исходя из уже созданного текста. В каждый момент у неё есть несколько возможных продолжений, но одни вероятнее других. Генерация складывается из таких локальных выборов.

Здесь и возникает напряжение. Наиболее вероятное продолжение часто оказывается не самым выразительным, а самым ожидаемым. Если в корпусе много текстов, где проблему «важно учитывать», вывод «играет ключевую роль», а изменения «открывают новые возможности», модель усваивает не только грамматику этих оборотов, но и их высокую предсказуемость. Она не обязана повторять один и тот же шаблон буквально, чтобы производить сходное впечатление.

Отдельный ответ может выглядеть вполне гладким. Повторяемость проявляется на масштабе множества ответов: одинаковые связки между тезисами, близкая длина предложений, привычная последовательность «обозначить проблему — перечислить преимущества — добавить оговорку — подвести итог». Внутри конкретного текста это воспринимается как ясность. В потоке публикаций — как сужение стилистического диапазона.

Исследование переписывания текстов с участием GPT-3.5, Gemini и Llama 3 обнаружило снижение вариативности сложности письма на 21–50%. Этот диапазон не означает, что любой текст после обработки непременно становится проще ровно на заданную долю. Он показывает более общий эффект: модели тяготеют к ограниченному набору стилистических решений, даже когда исходные материалы заметно различаются.

Модель выбирает не «самую человечную» фразу, а продолжение, которое лучше вписывается в усвоенную вероятность.

Это не приговор генеративным системам. Предсказание следующего токена позволяет им писать связно, быстро и в разных регистрах. Но статистическая связность и авторская субъектность — разные свойства. Первая помогает не терять нить абзаца; вторая предполагает выбор, который не всегда ведёт к наиболее гладкой формулировке.

Эффект RLHF: откуда берётся голос вежливого ассистента

После базового обучения многие модели дополнительно настраивают с помощью обратной связи людей. В общих чертах такой процесс — RLHF, обучение с подкреплением на основе человеческих оценок — помогает модели чаще давать ответы, которые воспринимаются как полезные, корректные и безопасные. Это важный механизм: без него система могла бы чаще уходить от вопроса, давать грубые ответы или не замечать рискованных контекстов.

Но у настройки есть стилистическая цена. Оценщики обычно поощряют ясность, дружелюбие и аккуратность. Модель усваивает, что хороший ответ должен быть структурированным, терпеливым, уравновешенным, не слишком резким. Так возникает характерный регистр «вежливого помощника»: мысль формулируется доступно, конфликт смягчается, сомнение сопровождается оговоркой, а финал стремится закрыть тему.

В бытовой переписке такая манера часто уместна. В журналистике, эссе или авторской колонке она может сгладить различия, ради которых текст вообще стоило писать. Сдержанная ирония превращается в нейтральное пояснение. Неприятный вывод обрастает страховочными формулами. Авторская позиция подменяется симметрией: с одной стороны — так, с другой — иначе, хотя материал может требовать ясного суждения.

Важно и то, что механизм настройки закрытых коммерческих моделей нельзя полностью восстановить извне. Мы можем наблюдать устойчивые особенности выдачи, но не всегда знаем, какие именно решения привели к конкретной формулировке. Поэтому сходство текстов разумнее объяснять совместным действием предсказания, обучающих данных и последующей настройки, а не приписывать его одному универсальному правилу.

Пользователь тоже влияет на результат. Просьба написать «понятно, профессионально и структурированно» задаёт модели достаточно широкую, но и достаточно стандартную рамку. Она выбирает наиболее безопасное воплощение этих пожеланий. Чем меньше в задании предметных деталей, авторской позиции и запретов на привычные обороты, тем легче получить аккуратный текст, который мог бы принадлежать почти кому угодно.

Лексическая унификация: от отдельных слов до целого ритма

После массового появления ChatGPT в ноябре 2022 года исследователи отмечали рост употребления в научных публикациях и материалах в интернете некоторых английских слов, в том числе delve, underscore, tapestry, landscape, meticulous и pivotal. Их стали замечать чаще не потому, что каждое из них само по себе является «словом нейросети», а потому, что модели склонны воспроизводить определённые лексические предпочтения.

Один маркер ничего не доказывает. Слова существовали до генеративного бума; ими пользуются люди, и автор вполне может выбрать их самостоятельно. Попытка распознавать машинный текст по единственному слову превращает стилистическое наблюдение в ненадёжный детектор. Существеннее совокупность признаков: предсказуемые вводные конструкции, одинаковые переходы, высокая плотность абстрактных существительных при низкой вариативности лексики, повторяющиеся оценочные формулы.

В исследованиях отдельные слова и сочетания, включая формулу objective study aimed и слово delve, встречались в машинно созданных текстах в 50–269 раз чаще, чем в человеческих. Эта оценка относится к анализировавшимся корпусам и не позволяет переносить ту же кратность на любой язык, жанр или модель. Русскоязычный интернет имеет собственную лексику и собственные нормы; полной статистики, которая описывала бы долю генеративных текстов во всём его объёме, нет.

Но лексическая унификация — лишь самый заметный слой. У читателя складывается впечатление однообразия не из-за одного «подозрительного» слова, а из-за согласованности множества мелких решений. Абзацы одинаково хорошо связаны. Все позиции заранее уравновешены. Сильная мысль подана с предохранительной оговоркой, а последняя фраза аккуратно замыкает композицию. Ничего не выбивается — и именно поэтому мало что запоминается.

Снижение сложности: усреднение авторского стиля

Когда модель переписывает текст, она не просто заменяет слова синонимами. Она может менять степень сложности, синтаксический рисунок, тон и структуру аргумента. Исследование с участием нескольких языковых моделей зафиксировало сокращение вариативности сложности письма на 21–50%. Этот результат особенно важен для авторов, чья индивидуальность строится не на редких словах, а на организации мысли.

Сложность здесь не равна запутанности. Это может быть длинная фраза, в которой несколько условий удерживаются одновременно; неожиданное сопоставление; переход, оставленный читателю для самостоятельного вывода. Генератор часто стремится сделать связь явной, а предложение — равномерно понятным. В результате читателю проще двигаться по тексту, но сам текст меньше сопротивляется чтению и реже удивляет.

Усреднение заметно и в том, как нейросеть обращается с противоречиями. Человеческий автор может оставить несогласованность открытой: например, показать, что удобство технологии одновременно расширяет возможности человека и усиливает его зависимость от инфраструктуры. Модель нередко стремится разрешить такую двойственность готовой формулой — признать оба полюса и завершить ответ нейтральным балансом. Получается рассудительно, но не всегда содержательно.

В этом смысле автоматизация написания статей ИИ меняет не только скорость производства. Она влияет на то, какие формы мысли становятся дешевле и доступнее. Если черновик можно получить за секунды, растёт объём текстов, построенных на стандартных композиционных решениях. Если редакционная работа сводится к беглой проверке связности, эти решения сохраняются и распространяются дальше.

При этом инструменты ИИ для копирайтинга не обязаны превращать любой материал в безликую прозу. Модель может помочь собрать варианты заголовка, выявить повторы, уплотнить справочный фрагмент или предложить структуру для сложной темы. Но эти операции не тождественны созданию авторского текста. Система удобна там, где результат можно проверить по заданным параметрам; она гораздо менее надёжна там, где смысл зависит от нюанса, контекста и осознанного нарушения нормы.

Практическая граница проходит не между «писать самому» и «пользоваться ИИ», а между разными распределениями ответственности. Модель может предложить языковой материал. Человек должен понимать, почему оставляет одну формулировку, отказывается от другой и какой смысл теряется при упрощении. Редактирование — не косметическая чистка машинного черновика, а возвращение решениям их автора.

Масштаб проблемы: когда треть новых страниц звучит знакомо

Исследования новых веб-страниц указывают, что более трети свежих материалов содержат признаки создания или редактирования с помощью генеративного ИИ. Это показатель не всей сети и не исключительно полностью сгенерированных статей: в категорию могут попадать тексты, где модель участвовала лишь в части работы. Однако даже такая оговорка не отменяет главного изменения — машинная помощь стала заметной частью производства онлайн-контента.

В этой ситуации легко перейти от тревоги к упрощению: объявить каждый гладкий текст машинным, а всякое применение модели — угрозой авторству. Но такой вывод не выдерживает проверки. Разные модели и разные инструкции дают неодинаковые результаты; человеческие тексты тоже бывают шаблонными, а нейросеть можно использовать для задачи, не передавая ей авторскую позицию.

Гораздо точнее говорить о смещении условий. Если публикацию легче создать по шаблону, шаблонов становится больше. Если платформы оценивают объём и регулярность, а не индивидуальность, автоматизация особенно хорошо обслуживает именно эти приоритеты. Однообразие возникает не только в модели — его производит вся цепочка: редакционные задания, темп выпуска, критерии поисковой видимости и привычки читателя, который всё чаще ожидает ответа немедленно.

Здесь проходит и граница качества контента от нейросетей. Гладкость не гарантирует точности; аккуратный тон не подтверждает, что автор разобрался в предмете. Текст может быть грамматически безупречен, но не объяснять, откуда взялось утверждение, где заканчиваются данные и начинается интерпретация. В такой ситуации автоматизация придаёт неизвестному вид уже установленного знания.

Будущее профессии писателя и ИИ поэтому не сводится к соревнованию человека с машиной в скорости набора. Важнее, кто отвечает за постановку вопроса, выбор фактов и смысловые последствия публикации. Модель способна расширить рабочий инструментарий — так же, как редакторские программы когда-то изменили набор и корректуру. Но инструмент не становится субъектом ответственности только потому, что производит связный текст.

Когда писать становится почти бесплатно, редкостью оказывается не текст, а осмысленный выбор того, что именно стоит сказать.

Однообразие нейросетевых текстов — не техническая авария, которую достаточно устранить новой версией модели. Это следствие того, что статистическая вероятность, массовая настройка и производственные стимулы встречаются в одной точке. Искусственный интеллект для написания может снимать рутину и помогать выражать мысль; но он же способен незаметно подменить разнообразие голосов одной удобной нормой. Сохранить различие можно не запретом на технологию, а вниманием к авторству: к тому, кто выбирает формулировку, проверяет смысл и готов отвечать за сказанное.