AI робить людей однаковими? Чому Nature пише про “same-ify” людського мислення й письма

Що означає “same-ify”

Nature не стверджує, що всі люди раптом почнуть говорити однаково. Ідея тонша: коли мільйони користувачів беруть схожі AI-підказки, вони починають частіше обирати однакові інтонації, структури аргументу й стилістичні рішення.

LLM виступають не лише інструментом, а й культурним фільтром між людиною та текстом. Саме тому питання вже не тільки в продуктивності AI, а й у тому, як він непомітно формує норму.

Чому це може працювати

Механізм дуже земний: люди тяжіють до зручного, гладкого та соціально безпечного варіанта. Якщо модель швидко пропонує “досить хороший” текст, у користувача з’являється сильна спокуса прийняти його майже без спротиву.

Найсильніше це проявляється там, де важливі швидкість і формальна акуратність: листи, конспекти, PR, опис товарів, студентські роботи, корпоративна комунікація, частина журналістики.

Що каже наука

Nature говорить саме про emerging evidence і посилається на низку статей та preprints. Це не остаточний вирок, а пакет тривожних сигналів із різних напрямів: довіра до AI-відповідей, вирівнювання стилю, зниження когнітивного тертя, вплив на формулювання й рішення.

Тобто важливо не перебільшувати: поле ще формується. Але і відмахуватися не варто, бо культурний дрейф до однорідності легко пропустити саме через його повільність.

Що з цим робити

Найкращий захист — не повна відмова від AI, а активний режим використання. Переписувати, сперечатися з підказкою, міняти структуру, залишати собі фінальне слово, особливо якщо текст пов’язаний з особистим голосом, брендом чи репутацією.

Для редакцій, університетів і компаній урок ще ширший: треба вчити не тільки “користуватися AI”, а й зберігати agency поруч із AI. Саме це може стати головною навичкою кількох найближчих років.

Огляд у Trends in Cognitive Sciences формулює проблему жорсткіше: це ризик для collective intelligence

Автори Zhivar Sourati, Alireza Ziabari та Morteza Dehghani пишуть, що cognitive diversity — різниця у мові, перспективах і reasoning — є не декоративною рисою, а фундаментом творчості, problem-solving та адаптивності груп. На їхню думку, LLM схильні віддзеркалювати dominant patterns і приглушувати альтернативні голоси.

Важлива причина — не лише training data. Сам процес навчання винагороджує часті, легко узагальнювані патерни. У результаті minority representations і рідкісні стилі можуть системно “згладжуватися”, навіть якщо модель не має явної мети зробити всіх однаковими.

Чотири дослідження показали: зміст може зберігатися, а стиль — ставати однаковішим

Preprint The Shrinking Landscape of Linguistic Diversity in the Age of Large Language Models об’єднує чотири дослідження з experimental та observational методами. Автори повідомляють, що під час LLM polishing core content текстів часто зберігається, але writing styles зближуються і деякі домінантні риси підсилюються.

Наслідок ширший за естетику. Якщо мова використовується для психологічних чи соціальних inference — наприклад у hiring, personalization або навіть diagnostic contexts — AI-polishing може стерти частину сигналу, який раніше містив інформацію про автора.

AI-асистент може змінювати не лише текст, а й думку користувача

Класичний експеримент Jakesch та колег включав 1 506 учасників, які писали про те, чи корисні social media для суспільства, а language model була налаштована підштовхувати до позитивної або негативної позиції. Після роботи з таким assistant зміщувалися не лише тексти, а й відповіді самих учасників у subsequent attitude survey.

У 2026 році Science Advances опублікував нову роботу Biased AI writing assistants shift users’ attitudes on societal issues. Це важливий місток між “same-looking prose” і реальним cognition: автодоповнення може бути не просто стилістичним помічником, а м’яким каналом впливу на погляди.

Парадокс творчості: окремий автор може стати кращим, а колектив — одноманітнішим

Робота Doshi та Hauser у Science Advances показала дуже характерний trade-off: доступ до GenAI ideas покращував оцінки окремих історій, особливо для менш креативних авторів, але AI-assisted stories ставали більш схожими одна на одну. Це майже лабораторна версія головного парадоксу same-ify.

Тобто проблема не в тому, що AI “робить кожен текст гіршим”. Навпаки, він часто робить окремий результат кращим. Ризик виникає на рівні популяції: багато локально оптимізованих текстів можуть сходитися до одного культурного середнього.

У науці вже видно такий самий trade-off на 41,3 мільйона публікацій

Окрема стаття Nature про AI-assisted science проаналізувала 41.3 млн research papers. Дослідники виявили сильний індивідуальний бонус: AI-augmented scientists публікували у 3.02 раза більше papers, отримували у 4.84 раза більше citations і ставали project leaders у середньому на 1.37 року раніше.

Але колективна картина була протилежною: volume of scientific topics скоротився на 4.63%, а engagement учених одне з одним — на 22%. Автори описують це як парадокс: AI розширює impact окремого дослідника, але може звужувати reach науки як системи, особливо тягнучи роботу в data-rich areas.

Але є й контраргумент: не всі автори рухаються до AI-стилю

Свіжіший preprint Writing in Symbiosis пропонує важливу противагу простій історії “всі стають однаковими”. На longitudinal corpus автори описують dual-track evolution: частина письменників стає схожішою на AI-style, частина — навпаки відходить від нього, а частина зберігає стабільний стиль, навіть активно працюючи з AI-темами.

Це робить висновок цікавішим і чеснішим: LLM не обов’язково неминуче стирають індивідуальність. Вони створюють сильне поле тяжіння. А те, чи людина конвергує до machine average, може залежати від expertise, agency, мотивації та того, як саме побудований human–AI workflow.

Нова feature-стаття Nature 1 вересня додає ще один ризик: AI може навчити нас подобатися самому AI

У свіжому Nature Feature Bland new world дослідники звертають увагу на ще один feedback loop: є роботи, де LLM вище оцінюють CV або тексти, створені моделями, ніж людські чи написані іншими systems. Якщо AI дедалі частіше стає reviewer, recruiter або gatekeeper, люди можуть почати свідомо чи несвідомо підлаштовувати стиль під те, що “подобається моделі”.

Тоді homogenization стає не просто side effect autocomplete. Вона може перетворитися на економічно раціональну поведінку: писати так, щоб тебе краще оцінював алгоритмічний посередник.

↗