Как экспертам использовать ИИ для написания статей: гид для тех, кто не хочет видеть свое имя в подписи под нейрослопом

Если вы хоть раз присылали редактору текст со словами «я с ИИ уже все написал, нужно только причесать», то, скорее всего, у него в этот момент на фоне предчувствия неизбежных проблем учащался пульс и скакало давление. У Григория Васюкова и Айгуль Ширяевой, руководителей редакции коммуникационного агентства iTrend, эти симптомы носят регулярный характер. Поэтому они обобщили и систематизировали свои боли, чтобы поделиться со спикерами знанием о том, как использовать LLM при подготовке исходных материалов для написания лонгридов.

Вопрос «кто написал?» устарел. Важнее понять, есть ли в тексте смысл 

ИИ сегодня научился писать почти как человек. И, что уже намного хуже, люди понемногу начинают писать совсем как ИИ: с теми же канцелярскими связками и шаблонами, псевдоаналитическим менторским тоном, той же избыточной обтекаемостью.

Установить, кто на самом деле автор текста — человек, машина или перед нами «гибрид» — становится все труднее. Одну и ту же работу детекторы ИИ-контента способны оценить с разбросом от 11% до 70% «искусственности». Недавний судебный случай (студентку в Татарстане пытались отчислить за «ИИ-курсовую», три прогона через детекторы дали три разных результата) подтвердил: выводы детектора — не доказательство, а гипотеза. Алгоритм не может быть арбитром в отношении другого алгоритма.

Эпоха чисто человеческого или чисто машинного контента закончилась. Люди перенимают стилистику нейросетей, ИИ обучается на текстах людей — получается замкнутый контур взаимного опыления. Спрашивать «кто это написал?» больше не актуально. Единственный значимый вопрос: «насколько профессионально написано?».

Почему вы видите только «плохой ИИ»?

Здесь работает классическая «ошибка выжившего». Мы отмечаем тексты, которые «спалились» — со штампами, повторами, пустыми абзацами, нелогичными выводами и явным словесным мусором. И пропускаем работы, не вызвавшие подозрений, потому что они оцениваются нами как качественные, «человеческие». Хороший ИИ-текст неотличим от человеческого именно потому, что он хорош, как текст.

Отсюда вывод, неприятный для тех, кто гордится своим «чутьем на нейросети»: вы детектируете не использование ИИ, а небрежное использование ИИ. Это разные вещи. Сам факт, что в создании текста поучаствовала большая языковая модель, ничего не говорит о его качестве.

Главная проблема — не ИИ, а исходник

Поэтому источник проблем почти никогда не в инструменте, а в том, как его использовали. Рассмотрим на примере подготовки исходных материалов для наших статей, колонок и обзоров.

Можно выделить три типа исходников, которые присылают редактору эксперты и клиенты (мы в данном случае говорим о нашей внутренней главной редакции iTrend: специальном подразделении агентства, которое занимается подготовкой всех крупноформатных материалов).

Хороший исходник. Пять-шесть тезисов на пару абзацев каждый, иногда даже несколько предложений. На первый взгляд — «маловато материала, караул». На самом деле там есть собственная позиция, реальный опыт и авторский голос. Из такого можно сделать качественный материал для деловых СМИ — объем и степень участия ИИ в его подготовке не имеют значения, если внутри есть мысль, интересные наблюдения, оригинальная позиция автора.

Графоманский исходник. Двадцать страниц текста, который выглядит как «много материала — отлично». На деле же пригодные для дальнейшей работы мысли и фактура оказываются «размазаны» по всему объему, структура рассыпается, половину можно вычеркнуть без потери смысла. В придачу ко всему этому идет трепетное отношение автора к собственному «литературному стилю». Работать с этим можно, но придется серьезно пересобирать и долго согласовывать сокращения с автором, который успел эмоционально привязаться к каждому абзацу.

Мертвый исходник. Первая выдача нейросети на слабый промпт: устаревшие цифры, избитые штампы в подзаголовках, ощущение, что текст слепили в последний момент, лишь бы что-то сдать. Ни мысли, ни фактуры, ни стиля — просто объем ради объема. Здесь не помогает «причесывание»: переписывать нужно все, и зачастую проще начать с чистого листа.

Во всех трех типах может использоваться ИИ, но разность в базовом подходе к задаче даст на выходе совершенно разные результаты при применении одной и той же LLM-модели.

Хороший исходник рождается из мыслей. Плохой — из желания избежать мыслительного процесса.

«Я уже все написал, нужно только причесать»

Это, пожалуй, самая тревожная фраза, которую может произнести спикер перед передачей фактуры редактору. Практика показывает: в девяти случаях из десяти за этим скрывается отсутствие структуры, логики и сюжета, непонимание аудитории и формата конкретного СМИ, а порой — откровенное самолюбование по принципу «ай да Пушкин, ай да сукин сын».

Здесь проявляется дух времени, который стоит учитывать. После массового распространения ИИ количество людей, считающих себя авторами, выросло в разы. Количество хороших текстов при этом осталось прежним. Вспоминается старая шутка: «суммарное количество интеллекта на планете – константа, а население растет».

Если «легкое причесывание» на практике занимает два дня переписывания, это не редактура, а производство текста с нуля. Для редакции исходник, прошедший через ИИ или написанный ИИ — это всегда сырье, а не готовый материал. И это нормально: хороший эксперт не обязан быть хорошим автором, и почти никогда им не является. Умение отлично разбираться в теме и умение увлекательно об этом писать — две разные профессии, которые редко совмещаются в одном человеке. 

Именно поэтому существует институт райтерства и редактуры как отдельная функция.

Не автоматизируйте то, что не умеете делать сами

Это правило настолько простое, что его легко проигнорировать, а зря.

ИИ не заменяет компетенции автора. Он их масштабирует — то есть ускоряет то, что вы умеете, или же умножает объемы того, чего не умеете.

Неправильный подход: «Писать статьи — не мое. Никогда не умел. Но теперь у меня есть ChatGPT, сейчас все сделаю». Правильный подход: «Я умею писать и сам. Раньше я писал одну колонку в день-полтора по нескольким исходникам среднего качества. С ИИ я пишу две за то же время и на том же уровне». Разница не в инструменте, а в том, есть ли у человека критерий, по которому он способен оценить результат. Если вы не можете адекватно оценить, что вам выдала модель, вы не можете этим результатом управлять.

Формула получается почти арифметическая: экспертиза в текстах, умноженная на ИИ, дает ускорение при сохранении качества. Отсутствие экспертизы, умноженное на ИИ, дает размножение ошибок и масштабирование графомании.

Не верьте цифрам, ссылкам и «исследованиям»

Отдельный и, возможно, самый опасный для PR- и медийной работы класс проблем — это фактчекинг. Модели охотно генерируют убедительно выглядящие цифры со ссылками на «авторитетные источники», и проблема в том, что эти источники часто оказываются чушью.

Практика показывает типичные паттерны провала:

Цифра без первоисточника. Автор находит цифру на стороннем сайте со ссылкой «по данным компании Х», идет по цепочке ссылок — и обнаруживает, что цепочка обрывается на чьем-то личном блоге, который сам ссылается на третий источник, где искомой цифры… просто нет. Она не существует в природе, хотя выглядит при этом совершенно солидно — с упоминанием деловых СМИ первого эшелона, известных спикеров и крупных исследовательских структур.

Смешение разных цифр в одну. Если на одной странице упоминаются два разных исследования двух разных компаний, ИИ-модель может «слить» их данные в одну цифру, которой не существовало ни у одной из них по отдельности.

Устаревшие данные. Ссылка может вести на реальное и даже корректное исследование — но датированное позапрошлым годом, в быстро меняющейся теме (тот же рынок ИИ) это делает цифру неактуальной, хотя формально источник существует.

Искаженный смысл исследования при сохранении ссылки. Самый коварный случай: ссылка валидна, но смысл вывода вывернут наизнанку. Например, реальный случай из нашей практики: исследование говорит, что разновозрастные команды работают со снижением эффективности, а сгенерированный текст утверждает обратное — рост эффективности на условные 19%. Без внимательного чтения первоисточника на языке оригинала это не отловить.

Фейковые источники в библиографии. Отдельный анекдотический, но частый случай: в конце текста, сгенерированного ИИ, появляется блок «источники» с аккуратно оформленными ссылками, которых в самом тексте нет вообще — и которые при проверке либо не относятся к делу, либо просто не содержат заявленных цифр.

Практический вывод простой и довольно неприятный: цифру, появившуюся в тексте через ИИ, нужно отследить до первоисточника — а не до статьи, которая на него ссылается. Не до условного Reuters, который процитировал блог, который процитировал презентацию. До самой презентации, документа или исследования. Это требует времени, но единственная альтернатива — публикация недостоверных данных под своим именем.

То же касается законов и нормативных актов: модель нередко уверенно «пересказывает» закон так, как его не существует. Рабочий лайфхак — просить модель дать прямую цитату из текста закона. Если цитаты нет — «пересказ», скорее всего, тоже нафантазирован нейронкой.

Как формулировать запрос к ИИ

Здесь работает одно простое правило, которое решает половину проблем с качеством исходников.

Не просите ИИ написать статью. Просите его помочь сформулировать позицию.

Плохой запрос: «Напиши колонку про импортозамещение ПО».

Хороший запрос: «Помоги структурировать мои мысли о том, почему проекты импортозамещения ПО буксуют после запуска».

Разница не косметическая. В первом случае модель вынуждена придумывать содержание с нуля, и неизбежно генерирует усредненный, «никакой» текст. Во втором случае модель работает с вашей фактурой и вашей позицией, а не подменяет их.

Из этого следует и второе правило: лучше пять сильных тезисов, чем десять страниц пустого, «водянистого» текста. Для качественной колонки обычно достаточно ответить на конечный набор вопросов: в чем ситуация или проблема (предыстория, данные, тренды), какие у нее причины и детали, почему это плохо или хорошо, почему эти причины не устраняются и повторяются, что делать и кому конкретно, какие возможны результаты и что изменится через год-два-три. Если ответы на эти вопросы есть — текст, по сути, уже готов в виде каркаса, и дальше это вопрос техники, а не творчества.

И третье, едва ли не самое важное правило: после того как текст сгенерирован, стоит задать себе вопрос — «что здесь невозможно было бы написать без моего личного опыта и знаний?». Если ответ «ничего» — исходник фактически бесполезен. Нейрослоп среднего качества можно сгенерировать за три минуты и без вашего участия; смысла ждать неделю, пока эксперт «доработает» то же самое, нет.

На что обращать внимание при редактуре ИИ-текста

Помимо смысловой и фактологической проверки, у текстов, написанных с помощью ИИ, есть набор узнаваемых стилистических маркеров, которые стоит вычищать — не потому, что они «выдают ИИ» сами по себе, а потому что они шаблонны и быстро надоедают читателю и редакторам деловых СМИ.

Слова-маркеры, которые стоит убрать: «парадокс», «ключевой», «радикальный», «фактически». Логические связки-паразиты вроде «в этой связи», «в данном контексте», «на этом фоне», «в этих условиях» — в небольшом количестве не критичны, но в избытке создают ощущение, что текст писала машина, а не человек с собственной интонацией. Сюда же можно отнести попытки обозначить скорость описываемых в тексте процессов или трендов бесконечными «постепенно», «резко», «внезапно», «и вот тут». Конструкции-противопоставления типа «это не просто X, а Y» или «дело не в X, а в Y» — узнаваемый риторический прием, который при частом использовании превращается в маркер нейрослопа.

Из пунктуационных привычек: избыточные двоеточия в подзаголовках и в начале каждого пункта списка, и длинное тире (em dash), которое у части аудитории и клиентов стало восприниматься как прямой маркер ИИ-генерации — вне зависимости от того, использовался ли ИИ на самом деле. Это не значит, что от тире нужно отказываться насовсем, но стоит знать, что для части читателей это триггер.

Ничего из перечисленного не криминал в одном-двух случаях. Проблема возникает, когда приемы накапливаются и текст начинает резонировать со всеми остальными статьями, написанными тем же способом.

Резюме

Идеальный исходник — не пятнадцать страниц авторского текста и не коллаж из первых выдач нейросети. Это документ на одну-две страницы, в котором есть: проблема, собственная позиция, практический опыт, цифры и кейсы (с проверяемыми источниками), понимание аудитории и желание сказать что-то новое. ИИ прекрасно поможет с его подготовкой при условии понимания задачи и адекватных этому пониманию промптов.

Все остальное — упаковка, структура и стиль — работа редактора, и для нее ИИ может быть отличным ускорителем при наличии критериев качества, по которым можно сверять результат.

ИИ не делает эксперта автором и не делает плохого автора хорошим. Он умножает то, что уже есть: экспертизу – на скорость, отсутствие экспертизы – на объем ошибок. Вопрос не в том, использовался ли в тексте ИИ. Вопрос в том, использовался ли он профессионально.