Двойное сжатие: что ИИ-поиск делает с мышлением, пока все спорят о трафике

О том, что ИИ-поиск забирает у сайтов клики, я писал в своём Telegram. Это фасад. Настоящий вопрос жёстче: что происходит с самим актом мышления, когда между вопросом и ответом больше не остаётся зазора. Тех самых пауз на «подумать».

Частокол ссылок оставлю научным журналам. Здесь они собраны внизу — чтобы не перебивать мысль, но дать возможность проверить каждую её опору.

Аутсорс мышления

После первой сессии большинство участников, писавших с помощью ИИ, не смогли процитировать ни одного предложения из собственного текста. Связность между исследуемыми областями мозга была заметно ниже. Похоже, работа с моделью в этом режиме не дополняла внутреннюю работу, а просто занимала её место.

Повторение заметно улучшало результат: к третьей сессии доля снизилась. Но разрыв с теми, кто изначально писал сам, всё равно оставался огромным.

И ещё деталь, которая объясняет многое: тексты разных пользователей, написанные с ИИ, оказываются более похожи друг на друга. Аутсорсинг мышления не только ослабляет память, но и начинает стирать различия между голосами.

То же самое видно и без нейрофизиологии. Чем чаще человек передаёт мышление модели, тем слабее его критическое мышление — и разрыв особенно заметен у молодых. Но куда важнее: если тех же людей научить не отдавать мышление целиком, а задавать модели правильные вопросы, делегирование падает, а рассуждение становится живее.

Значит, дело не в самом ИИ. Дело в том, замечает ли человек момент, когда инструмент перестаёт помогать ему думать и начинает думать вместо него.

Гипотеза умножения

Из этого напрашивается гипотеза: сжатие выбора и сжатие обработки не просто складываются — они умножают друг друга. Меньше альтернатив на входе — меньше повода критически оценивать единственную оставшуюся.

Дело даже не в склонностях или предпочтениях. Когда перед человеком на выбор прямая асфальтированная дорога и тропинка в тёмный лес, среда сама подталкивает к дороге — особенно если по тропинкам он не ходил или однажды заблудился и больше рисковать не хочет.

Для пользователя, который с самого начала получает готовую сводку, тропинка может так и не стать привычным маршрутом. В итоге внутренний инструмент сравнения рискует просто не успеть сформироваться. Вместо отбора происходит удобное лишение самой возможности что-то отбирать.

Хотя, возможно, никакого умножения и нет — просто два разных эффекта совпали в одном интерфейсе.

А эксперимент со структурированными подсказками намекает на третье: стоит человека всё же вывести на тропинку — научить спрашивать, а не принимать первый ответ — делегирование падает, а рассуждение оживает. Ведь навык сравнения, да и критического мышления вообще, не даётся нам от природы, а формируется в процессе.

К сожалению, сейчас я наблюдаю вокруг тотальный перевес в сторону первой версии. Оба сжатия происходят у одних и тех же людей, на одном материале, синхронно.

Схлопывание разнообразия

Однородность результатов, о которой упомянул выше, — про тексты, которые человек пишет сам вместе с моделью. Есть и зеркальный эффект — про то, что случается с текстом, который модель приносит человеку в ответ.

В эксперименте с оценочными, поляризующими вопросами ответ ИИ-поиска раз за разом звучал так, будто система уже знает, с какой стороны вы пришли, и подыгрывает.

А если пропустить текст через цепочку из ста ИИ-пересказов подряд, читатели на выходе значимо реже считали его честным к обеим сторонам — и меньше хотели разговаривать с несогласными.

А теперь внимательно: каждый шестой источник, на который ссылается ИИ-поиск в темах политики, здоровья, экологии, сам оказывается написан ИИ.

Контур начинает питаться собой.

Уроборос. На следующем круге новая модель сжимает уже не разнообразие мира, а остатки сжатия предыдущей модели.

Двойной изоморфизм

В социологии организаций давно известно: под одинаковым институциональным давлением разные компании начинают становиться похожими друг на друга. И причина отнюдь не в эффективности — просто так выглядит легитимно.

То же самое уже находят у самих языковых моделей — под давлением контекста они систематически выдают безопасные, конформные ответы.

Наложите это на всё сказанное выше — и выходит: контент в интернете гомогенизируется с двух концов сразу.

Спросом — тексты пишут так, чтобы их выбрала машина.

Предложением — тексты всё чаще пишут с помощью той же машины, которая сама сглаживает стиль.

А может, однородность — не финал, а фаза. Целые отрасли десятилетиями казались обречёнными на сходство, а потом расходились сильнее прежнего, когда сами условия, которые держали их похожими, ослабевали: цели становились яснее, моделей для подражания — больше.

Не исключено, что нынешняя одинаковость — то, что сделает живой голос особенно ценным.

Пауза на «подумать» никуда не исчезла. Просто она больше не лежит на дороге по умолчанию — теперь к ней придётся сворачивать самому.

Сознательно.

Источники и подробности

1. Kosmyna et al., MIT Media Lab, 2025, препринт. 54 участника, четыре месяца, три условия — без инструментов, поисковик и LLM — плюс кроссовер. Связность нейросетей в LLM-группе была ниже вплоть до 55%. После первой сессии 83% участников не смогли процитировать ни одного предложения из собственного эссе, к третьей сессии доля снизилась до 33%. В двух других группах к третьей сессии таких участников не осталось. Эссе LLM-группы оказались статистически однороднее и содержали в два-три раза больше именованных сущностей.

2. Gerlich, 2025, Societies. Исследование с участием 666 человек: значимая отрицательная корреляция между частотой использования ИИ и результатами по критическому мышлению, опосредованная когнитивной делегацией. Разрыв заметнее у молодых участников.

В отдельной работе того же автора — From Offloading to Engagement, 2025, Data — участвовали 150 человек из Германии, Швейцарии и Великобритании. Неструктурированное использование ИИ приводило к делегации без роста качества рассуждений. Структурированное использование с обучением работе с подсказками снижало делегацию и повышало качество рассуждений и рефлексивную вовлечённость.

3. Схлопывание разнообразия. Sharma et al., 2024, цитируется по обзору Search Engines in an AI Era: в 19 из 21 сессии с оценочными вопросами ИИ подстраивал ответ под предполагаемую позицию пользователя.

В эксперименте Lost Before Translation сбалансированный текст прошёл через 101 последовательный ИИ-пересказ. Читатели финальной версии реже считали её справедливой к обеим сторонам, хуже понимали суть и проявляли меньше готовности разговаривать с несогласными.

Отдельный аудит источников генеративного поиска по темам политики, здоровья и экологии показал, что около 16% процитированных материалов сами были написаны ИИ.

4. Институциональный изоморфизм. DiMaggio & Powell, The Iron Cage Revisited, 1983. Классическая работа о том, почему организации под общим институциональным давлением становятся похожими друг на друга не обязательно из-за эффективности, а из-за требований легитимности.

Отдельная работа о языковых моделях под институциональным давлением фиксирует склонность систематически выдавать конформные, «институционально безопасные» рекомендации.

5. Обратный изоморфизм. Hambrick, Finkelstein, Cho & Jackson, Isomorphism in Reverse, 2004/2005. Исследование американских отраслей, включая сталелитейную промышленность, в период с 1980 по 2000 год. По мере того как цели становились яснее, а количество доступных моделей для подражания увеличивалось, компании внутри отраслей начинали различаться сильнее.