Лекция «Нейросети в производстве контента — где ускоряют, где выдают себя и что теряется, даже когда всё получилось»

Около 85 минут на 17 тем. Прогресс сохраняется, поэтому лекцию можно проходить частями и возвращаться к ней позже.

Начало — да: первые 1 тема открыты сразу, без регистрации. После бесплатной регистрации откроются темы до 2-й — вместе с частью из 50 тестов и монетами за верные ответы. Полная лекция — 99 ₽ навсегда, либо подписка на все лекции платформы от 499 ₽ в месяц.

Семнадцать тем о том, как встроить генерацию в производство текста, не потеряв качество и не потеряв различение. Ускорение измерено: в эксперименте на 453 специалистах время выполнения письменных задач снизилось на 40% при росте оценки качества на 18%, но выигрыш больше у тех, кто писал хуже, и модель замещала усилие, а не дополняла навык. Граница возможностей модели зубчатая: в полевом эксперименте на 758 консультантах BCG внутри границы качество росло более чем на 30%, а за границей правильность падала на 19 процентных пунктов и группа с инструментом отрабатывала хуже контрольной. Самоотчёт об ускорении метрикой не является — в испытании METR на 16 разработчиках задачи выполнялись на 19% дольше, а участники и после этого оценивали своё ускорение в 20%. Маркеры машинного стиля измерены корпусно на 15 млн абстрактов PubMed (delves встречается в 28 раз чаще ожидаемого) и на 1,19 млн полных текстов, где к декабрю 2025 года маркеры нашлись в 89% статей, — но русского списка слов-маркеров публично не существует, а корпусный метод не позволяет судить об отдельном тексте. Детекторы доказательством не являются: OpenAI закрыла свой классификатор с точностью 26% по машинным текстам, а семь популярных детекторов давали 61,22% ложных срабатываний на эссе авторов-неносителей языка. Смысловой центр — работа Доши и Хаузера: генеративный ИИ повышает креативность отдельного текста и снижает разнообразие корпуса, и это социальная дилемма, в которой каждый автор выигрывает, а вместе производится более узкий спектр нового. Разобраны три кейса с посчитанной ценой (41 корректировка на 77 статей CNET, потеря Sports Illustrated после выдуманных авторов, возврат более 97 000 австралийских долларов Deloitte за отчёт со сфабрикованными ссылками) и собран механический конвейер проверки. Отдельно: масштаб машинного текста в вебе и почему оценки Graphite и Ahrefs несравнимы, политика Google про масштаб без ценности со словами «no matter how it's created», склон вместо бинарного фильтра в данных Ahrefs, алгоритм Баден-Баден как критерий старше нейросетей на пять лет, российский рынок по опросу 120 специалистов, притяжение редактора к машинному черновику по данным из постредактирования машинного перевода, парадокс раскрытия и красные линии конвейера. Каждая цифра подана вместе с выборкой, методом и оговоркой; корреляция не выдаётся за причинность, юридические выводы не делаются.

Потому что она получена на других задачах. В эксперименте Ноя и Чжана 453 специалиста выполняли короткие письменные задания на 20–30 минут — письмо на деликатную тему, пресс-релиз, заявку на грант, — и задача заканчивалась сдачей. В вашем конвейере она заканчивается публикацией, а между черновиком и публикацией лежат фактчек, согласование и переделка. Сами авторы оговаривают, что в реальной работе выигрыш по скорости может быть меньше из-за времени на проверку фактов и написание запросов. Поэтому перенос цифры на ваш случай — экстраполяция, и называть её надо экстраполяцией вслух. Что делать вместо: измерить двадцать материалов одного типа от брифа до публикации и отдельно посчитать переделки. Это два столбца в таблице и одна неделя наблюдения. Спрашивать команду «стало быстрее?» бесполезно: в испытании METR участники прошли через замедление на 19% и после него оценивали своё ускорение в 20%.

Нет, и риск здесь не у автора, а у вас. OpenAI запустила собственный классификатор в январе 2023 года и закрыла его в июле того же года с формулировкой про низкую точность: он верно опознавал 26% машинных текстов и 9% человеческих помечал как машинные. В проверке семи популярных детекторов на 91 эссе, написанном живыми людьми — неносителями английского, средняя доля ложных срабатываний составила 61,22%, все семь детекторов единогласно ошиблись на 18 эссе, а хотя бы одним детектором были помечены 89 эссе из 91. Механизм назван: детекторы наказывают за ограниченный набор языковых конструкций, то есть систематически бьют по тем, кто пишет проще. Голосование нескольких детекторов проблему не решает — ошибки у них коррелированы. Проверяемым остаётся не авторство, а фактура: попросите источники, откройте ссылки, задайте автору вопрос по предмету вне текста. Отказ на основании показания детектора — это репутационный риск издания, а не защита от него.

Цифра описывает объём производства, а не результат. В исследовании Graphite, откуда она взята, трафик не измерялся вовсе, а гипотезу о причинах плато на отметке около 50% авторы сами называют гипотезой. Второе: доля Graphite и оценка Ahrefs в 71,7% меряют разное — преобладание машинного текста против любого участия модели, поэтому веб становится скорее гибридным, чем синтетическим, и ставить эти числа рядом нельзя. Но главный ответ не про цифры. Работа Доши и Хаузера показывает, что генеративный ИИ повышает креативность отдельного текста и одновременно снижает разнообразие корпуса: каждый автор в отдельности выигрывает, а вместе производится более узкий спектр нового. Контент-маркетинг живёт различением, и в мире, где корпус однообразен, различение дорожает, а не дешевеет. Делать «так же» — значит платить за производство того, что не выполняет свою работу.