AI делает людей одинаковыми? Почему Nature пишет о “same-ify” человеческого мышления и письма

Что означает “same-ify”

Nature не утверждает, что все люди внезапно начнут говорить одинаково. Идея тоньше: когда миллионы пользователей берут похожие AI-подсказки, они начинают чаще выбирать одинаковые интонации, структуры аргумента и стилистические решения.

LLM выступают не только инструментом, но и культурным фильтром между человеком и текстом. Именно поэтому вопрос уже не только в производительности AI, но и в том, как он незаметно формирует норму.

Почему это может работать

Механизм очень земной: люди тяготеют к удобному, гладкому и социально безопасному варианту. Если модель быстро предлагает “достаточно хороший” текст, у пользователя появляется сильный соблазн принять его почти без сопротивления.

Сильнее всего это проявляется там, где важны скорость и формальная аккуратность: письма, конспекты, PR, описания товаров, студенческие работы, корпоративная коммуникация, часть журналистики.

Что говорит наука

Nature говорит именно об emerging evidence и ссылается на ряд статей и preprints. Это не окончательный приговор, а пакет тревожных сигналов из разных направлений: доверие к AI-ответам, выравнивание стиля, снижение когнитивного трения, влияние на формулировки и решения.

То есть важно не преувеличивать: поле ещё формируется. Но и отмахиваться не стоит, потому что культурный дрейф к однородности легко пропустить именно из-за его медленности.

Что с этим делать

Лучший защитный режим — не полный отказ от AI, а активное использование. Переписывать, спорить с подсказкой, менять структуру, оставлять себе финальное слово, особенно если текст связан с личным голосом, брендом или репутацией.

Для редакций, университетов и компаний урок ещё шире: нужно учить не только “пользоваться AI”, но и сохранять agency рядом с AI. Именно это может стать одной из главных навыков ближайших лет.

Обзор в Trends in Cognitive Sciences формулирует проблему жёстче: это риск для collective intelligence

Zhivar Sourati, Alireza Ziabari и Morteza Dehghani пишут, что cognitive diversity — различия в языке, перспективах и reasoning — является фундаментом творчества, problem-solving и адаптивности групп. По их мнению, LLM склонны отражать dominant patterns и приглушать альтернативные голоса.

Причина не только в training data. Сам процесс обучения поощряет частые, легко обобщаемые паттерны. В результате minority representations и редкие стили могут системно “сглаживаться”, даже если модель не имеет цели сделать всех одинаковыми.

Четыре исследования показали: содержание может сохраняться, а стиль — становиться одинаковее

Preprint The Shrinking Landscape of Linguistic Diversity in the Age of Large Language Models объединяет четыре исследования с experimental и observational методами. Авторы сообщают, что при LLM polishing core content часто сохраняется, но writing styles сближаются и некоторые доминирующие черты усиливаются.

Последствие шире эстетики. Если язык используется для психологических или социальных inference — например в hiring, personalization или diagnostic contexts — AI-polishing может стереть часть сигнала, который раньше содержал информацию об авторе.

AI-ассистент может менять не только текст, но и мнение пользователя

Классический эксперимент Jakesch и коллег включал 1 506 участников, писавших о пользе social media для общества, а language model была настроена подталкивать к позитивной или негативной позиции. После работы с таким assistant смещались не только тексты, но и ответы самих участников в subsequent attitude survey.

В 2026 году Science Advances опубликовал новую работу Biased AI writing assistants shift users’ attitudes on societal issues. Это важный мост между “same-looking prose” и cognition: автодополнение может быть мягким каналом влияния на взгляды.

Парадокс творчества: отдельный автор может стать лучше, а коллектив — однообразнее

Работа Doshi и Hauser в Science Advances показала характерный trade-off: доступ к GenAI ideas улучшал оценки отдельных историй, особенно у менее креативных авторов, но AI-assisted stories становились более похожими друг на друга.

То есть проблема не в том, что AI “делает каждый текст хуже”. Он часто улучшает отдельный результат. Риск возникает на уровне популяции: множество локально оптимизированных текстов могут сходиться к одному культурному среднему.

В науке тот же trade-off уже виден на 41,3 миллиона публикаций

Статья Nature об AI-assisted science проанализировала 41.3 млн research papers. AI-augmented scientists публиковали в 3.02 раза больше papers, получали в 4.84 раза больше citations и становились project leaders в среднем на 1.37 года раньше.

Но коллективная картина была обратной: volume of scientific topics сократился на 4.63%, а engagement учёных друг с другом — на 22%. Авторы описывают парадокс: AI расширяет impact отдельного исследователя, но может сужать reach науки как системы.

Есть и контраргумент: не все авторы движутся к AI-стилю

Более свежий preprint Writing in Symbiosis предлагает важную противовес простой истории “все становятся одинаковыми”. На longitudinal corpus авторы описывают dual-track evolution: часть писателей становится более похожей на AI-style, часть — наоборот удаляется от него, а часть сохраняет стабильный стиль.

Это делает вывод честнее: LLM не обязательно неизбежно стирают индивидуальность. Они создают сильное поле притяжения, а результат зависит от expertise, agency, мотивации и human–AI workflow.

Свежий Nature Feature добавляет ещё один риск: люди могут учиться нравиться самому AI

В материале Bland new world исследователи обращают внимание на feedback loop: есть работы, где LLM выше оценивают CV или тексты, созданные моделями, чем человеческие или написанные другими systems. Если AI всё чаще становится reviewer, recruiter или gatekeeper, люди могут сознательно подстраивать стиль под то, что “любит модель”.

Тогда homogenization становится не просто side effect autocomplete, а экономически рациональным поведением.

↗