Humanizer или редактор: где автоматизация справляется, а где нужен человек

Фраза выглядит тяжёлой:

Осуществление внедрения автоматизированной системы позволяет обеспечить повышение эффективности обработки поступающих обращений.

Автоматический редактор легко превратит её в:

Автоматизированная система помогает быстрее обрабатывать обращения.

В такой задаче человек действительно кажется избыточным. Исходный смысл понятен, дефект локальный, исправление почти очевидно.

Теперь другой пример:

При необходимости заказчик может направить претензию в течение 10 рабочих дней с момента получения уведомления.

Здесь тот же принцип «сделать проще и естественнее» уже опасен. Достаточно превратить «может» в «должен», рабочие дни в календарные или отсчитать срок от другой даты, и аккуратная редактура изменит условие документа.

Разница между этими двумя примерами объясняет почти весь спор о humanizer-сервисах.

Автоматизация хорошо работает там, где нужно исправить форму.

Редактор становится особенно важен там, где сначала приходится понять, что именно разрешено менять.

Редактирование оказалось сложнее, чем казалось

В июне 2026 года в журнале Computers and Composition вышло исследование, авторы которого проверили восемь генеративных ИИ-систем в роли редакторов академического текста.

Моделям дали четыре образца академического письма и проверяли, насколько хорошо они обнаруживают 20 типов ошибок на уровне предложений. Результат сравнивали с человеческой редакторской базой.

GenИИ-системы обнаружили меньше ошибок, чем человек. Кроме того, они были склонны переисправлять одни типы проблем и пропускать другие, особенно ошибки, для понимания которых требовался контекст. Авторы исследования пришли к довольно осторожному выводу: если требуется точность человеческого редактора, большинство протестированных систем пока не обеспечивают очевидного выигрыша в эффективности.

Это не означает, что ИИ плохо редактирует.

Скорее исследование показывает границу задачи.

Исправить заметный канцеляризм легко. Решить, является ли необычная конструкция ошибкой, стилистическим приёмом или необходимой особенностью жанра, значительно сложнее.

Humanizer и редактор вообще решают не одну задачу

Под одним словом «редактура» часто смешивают несколько разных операций.

Возьмём предложение:

В рамках проведённого исследования было выявлено существенное увеличение показателя.

С ним можно сделать по крайней мере пять разных вещей.

Сократить

Исследование выявило увеличение показателя.

Сделать естественнее

В исследовании показатель вырос.

Проверить точность

Какой показатель? Насколько вырос? Был ли рост статистически значимым?

Исправить логику

Может быть, исследование ничего не «выявило», а только обнаружило корреляцию.

Изменить под аудиторию

В научной статье и пресс-релизе одна и та же информация будет изложена по-разному.

Первые две задачи сравнительно легко автоматизируются.

Последние три требуют всё больше контекста.

Поэтому сравнивать humanizer с редактором только по принципу «какой текст звучит приятнее» недостаточно.

Нужно сначала определить, что считать качеством.

Пять параметров, по которым стоит сравнивать результат

Для нас полезнее смотреть не на количество изменённых слов и не на ИИ-detector score, а на пять характеристик конечного текста.

Последний пункт особенно недооценён.

Предложение:

Встреча состоится 14 сентября в 16:00.

уже выполняет свою задачу.

Улучшать его не нужно.

Система, которая обязательно должна «очеловечить» каждое предложение, фактически получает стимул создавать изменения там, где дефекта нет.

Человеческий редактор обычно работает наоборот: хороший фрагмент экономит ему время.

Машина сильна там, где дефект можно формализовать

У автоматической обработки есть огромное практическое преимущество - масштаб.

Пять страниц человек прочитает внимательно.

Пять тысяч страниц - уже совсем другая задача.

Если проблему можно определить достаточно чётко, автоматизация особенно полезна.

Например, можно искать:

повторяющиеся вводные конструкции;

избыточный пассивный залог;

канцелярские цепочки;

дублирование соседних абзацев;

подозрительно одинаковые структуры;

частое повторение одной связки;

слишком тяжёлые номинализации;

пустые выводы;

предложения, которые практически повторяют предыдущие.

Такой анализ хорошо подходит машине: ей не надо уставать на двухсотом документе.

Логика именно поэтому не должна сводиться к одному большому запросу «перепиши этот текст как человек». Разумнее сначала диагностировать проблемные участки, а затем вмешиваться только там, где есть причина.

Человек сильнее там, где появляется цена ошибки

Рассмотрим три предложения.

Лечение снижает риск осложнений.

В исследовании лечение было связано со снижением риска осложнений.

Авторы предполагают, что лечение может снижать риск осложнений.

Для невнимательного рерайтера это почти одна мысль.

Для редактора - три разные степени утверждения.

Первое предложение говорит о фактически заявленной причинной связи.

Второе сообщает об обнаруженной связи.

Третье сохраняет неопределённость.

Чем важнее такая разница для документа, тем опаснее редактировать его исключительно по критерию естественности.

По той же причине особенно чувствительны:

медицинские материалы;

юридические документы;

финансовые тексты;

научные публикации;

технические инструкции;

условия договоров;

материалы с большим количеством чисел и ограничений.

Здесь хороший результат определяется не красотой языка, а сохранностью значений.

Экспертное редактирование действительно оставляет другой след

В 2025 году на конференции NAACL был представлен benchmark Beemo, посвящённый именно реальному сценарию совместного авторства человека и машины.

В набор вошли примерно 6,5 тысячи человеческих, машинных и экспертно отредактированных текстов, а также ещё 13,1 тысячи материалов, где машинный текст дополнительно редактировался LLM. Использовались разные задачи - от творческого письма до суммаризации - и десять языковых моделей.

Один из интересных результатов: после экспертной человеческой редактуры машинные тексты значительно чаще переставали определяться как машинные, тогда как тексты, дополнительно переписанные другой LLM, обычно сохраняли признаки машинного происхождения.

Для темы humanization этот результат интересен не как рецепт обхода детекторов.

Он показывает другое.

Человеческое редактирование не равно ещё одной генерации.

Эксперт принимает решения, которые не сводятся к замене слов:

что вырезать;

что оставить;

какая мысль важнее;

где текст требует пояснения;

где повтор оправдан;

где формальная гладкость ухудшает голос автора.

Именно поэтому попытка заменить редактора несколькими последовательными рерайтами не обязательно приближает текст к человеческому.

Иногда она просто создаёт более отполированную машинную версию.

Ещё один рерайт не всегда делает текст лучше

Современные исследования rewriting-систем рассматривают качество переписывания сразу по нескольким независимым целям.

Это важный сдвиг.

Раньше можно было оценивать рерайт в основном по сходству с исходником и беглости новой версии.

Теперь задачи разделяют:

фактическую корректность;

сохранение смысла;

следование инструкции;

стилистическое изменение;

внутреннюю связность;

минимальность ненужных правок.

В работе Dr Genre 2025 года авторы прямо строят систему вокруг нескольких отдельных целей переписывания, потому что улучшение одного параметра не гарантирует улучшения остальных.

Это хорошо объясняет знакомую ситуацию.

Текст после humanizer может стать заметно естественнее.

Одновременно он может стать менее точным.

Или наоборот: смысл сохранён идеально, но машинная структура практически не изменилась.

Поэтому универсальная оценка:

было 6/10, стало 9/10

слишком грубая.

Отдельная проблема - humanizer, оптимизированный под детектор

В 2025 году исследователи изучили 19 онлайн-инструментов для humanization и paraphrasing.

Они анализировали, как сервисы меняют ИИ-тексты, насколько сохраняют исходный смысл и что происходит с обнаружением машинного происхождения. Многие существующие детекторы действительно значительно хуже распознавали тексты после такой обработки.

Но способность снизить detector score и способность хорошо отредактировать текст - разные характеристики.

Можно изменить статистический рисунок радикально:

• перестроить синтаксис;
• заменить лексику;
• сделать предложения менее предсказуемыми;
• добавить разговорные конструкции.

Detector score изменится.

Но если вместе с этим потерян факт или изменена модальность, редакционный результат стал хуже.

Она легко начинает конкурировать с более важными вещами.

Автоматический редактор склонен быть слишком активным

Есть простой психологический эффект интерфейса.

Человек нажал кнопку «улучшить».

Он ожидает увидеть изменения.

Если сервис вернёт исходник без правок, возникает ощущение:

ничего не сделал.

Поэтому автоматическим системам выгодно менять текст.

Редактору такое ограничение не мешает.

Он вполне может написать:

Абзац нормальный. Оставляем.

Исследование 2026 года по GenИИ-редактированию обнаружило как раз проблему over-correction: модели могли исправлять структурные особенности текста, которые человеческий редактор не считал требующими вмешательства. Одновременно более контекстные ошибки оставались незамеченными.

Отсюда можно вывести важное продуктовое правило:

нулевая правка тоже является допустимым результатом анализа.

Если предложение выполняет задачу, не содержит дефекта и соответствует жанру, его не нужно переделывать ради демонстрации работы сервиса.

Человек тоже далеко не идеальный эталон

Было бы ошибкой закончить рассуждение выводом:

машина ошибается, человек понимает всё.

Люди:

• устают;
• пропускают ошибки;
• имеют вкусовые предпочтения;
• переисправляют чужой стиль;
• по-разному оценивают одно предложение;
• хуже работают с очень большими объёмами;
• могут не заметить изменение числа через 30 страниц.

Есть и другая проблема - само знание происхождения текста влияет на оценку.

В исследовании ACL 2025 года участники в слепом тесте не смогли уверенно различать человеческий и ИИ-контент в нескольких задачах, но при наличии ярлыка «Human Generated» предпочитали такой текст значительно чаще. Причём эффект сохранялся даже тогда, когда исследователи намеренно меняли ярлыки местами.

Поэтому «редактору просто нравится больше» тоже не идеальная метрика.

Хороший эксперимент должен быть слепым.

Интересный парадокс: опытный пользователь ИИ иногда замечает больше детектора

Есть ещё один результат, который ломает простую картину «человек против машины».

В исследовании ACL 2025 года специально отобрали людей, которые часто используют ChatGPT для письменных задач. Они оценивали 300 англоязычных нехудожественных статей.

Большинство голосов пяти таких опытных участников ошиблось только в одном случае из 300. В этом эксперименте они превзошли большинство протестированных автоматических детекторов даже при использовании перефразирования и humanization.

Авторы отмечают, что люди смотрели не только на отдельную «ИИ-лексику».

Они замечали:

• оригинальность;
• ясность;
• формальность;
• поведение текста в целом.

Это хорошо совпадает с редакционной практикой.

Человек способен увидеть дефект, который трудно выразить регулярным правилом:

вроде всё нормально, но весь раздел говорит одну и ту же мысль.

Для машины именно такие проблемы требуют анализа документа целиком.

Поэтому правильное сравнение выглядит не как дуэль

В реальной редакции вопрос редко должен звучать:

humanizer или человек?

Более рабочая схема:

машина находит и обрабатывает повторяемые проблемы; человек принимает решения там, где требуется контекст.

Можно разделить работу примерно так.

Автоматизация

Диагностика большого документа.

Поиск повторов.

Обнаружение стилистических кластеров.

Упрощение очевидного канцелярита.

Проверка чисел между версиями.

Поиск пропавших фрагментов.

Сравнение исходника и результата.

Формирование вариантов.

Человек

Определение задачи текста.

Выбор авторского голоса.

Оценка фактической достоверности.

Работа с аргументацией.

Оценка спорных правок.

Редактирование важных формулировок.

Принятие финальной версии.

Граница может двигаться.

Для обычного поста в блоге автоматизации можно отдать много.

Для медицинской инструкции - гораздо меньше.

Как это должно выглядеть

Если проект хочет отличаться от обычного paraphraser, полезнее строить не «автоматического писателя», а редакторский конвейер с контрольными точками.

Примерно так:

1. Разобрать исходник

Определить жанр, структуру и уровень допустимого вмешательства.

2. Защитить смысл

Зафиксировать числа, даты, имена, ссылки, цитаты, специальные термины, отрицания и модальные конструкции.

3. Найти дефекты

Не редактировать всё подряд.

Сначала определить, где текст действительно провисает.

4. Сделать локальные правки

Глубина изменения должна зависеть от глубины проблемы.

5. Сравнить версии

Проверить, что исчезло, что добавилось и что изменило смысл.

6. Отдельно проверить документ целиком

Потому что хороший абзац ещё не делает хорошей статью. На уровне документа остаются повторы функций, провисающая середина, дублирующиеся выводы и одинаковые секции.

7. Показать пользователю результат

Важно не только дать новую версию, но и объяснить хотя бы самые существенные изменения.

Так пользователь видит не магию «было ИИ - стало human», а понятную редакторскую работу.

Наиболее реалистичная модель уже видна

Исследования последних двух лет не показывают простого победителя.

Современные модели хорошо справляются с частью редакционных операций и способны обрабатывать объём, который человеку экономически бессмысленно читать вручную.

При этом человеческий редактор пока остаётся сильнее там, где требуется понять контекст, отличить ошибку от авторского решения и оценить последствия небольшого смыслового изменения. В исследовании 2026 года человеческая база обнаруживала больше sentence-level ошибок, чем протестированные GenИИ-системы.

С другой стороны, автоматическая оценка и подсветка проблем уже может помогать профессионалам работать с машинным текстом. Исследование 42 профессиональных постредакторов машинного перевода показало, что эффективность такой помощи зависит от языка, домена и самого редактора. Это хороший пример более зрелого подхода: ИИ не обязательно должен заменить человека, чтобы приносить пользу в редакционном процессе.

Поэтому наиболее интересная конкуренция проходит не между человеком и humanizer.

Она проходит между двумя процессами.

Первый:

сгенерировали -> переписали -> опубликовали.

Второй:

диагностировали -> защитили смысл -> исправили нужное -> проверили результат -> приняли решение.

Мы строим свою модель вокруг второго.

Тогда автоматизация перестаёт изображать человека и начинает делать то, в чём машина действительно полезна: быстро находить повторяемые проблемы, контролировать изменения и освобождать редактора от механической работы.