Почему нейросети пишут одинаково: откуда берётся узнаваемый ИИ-стиль

В Nesuho мы регулярно видим странный эффект.

Берём тексты на совершенно разные темы.

Один посвящён ипотеке. Другой - кибербезопасности. Третий - экологическому туризму. Четвёртый объясняет, как выбрать CRM.

Факты разные. Терминология разная. Даже аудитория разная.

Но после нескольких абзацев возникает ощущение, что у всех материалов один автор.

Он любит сначала обозначить актуальность проблемы, затем аккуратно объяснить преимущества, после этого предупредить о сложностях, собрать три-пять рекомендаций и закончить выводом о том, что грамотный подход позволит получить максимальный результат.

Меняются существительные.

Каркас остаётся.

В Nesuho мы называем этот эффект сжатием авторского пространства.

Это наш редакционный термин, а не общепринятая научная метрика. Он описывает простую вещь: теоретически модель способна построить огромное количество разных текстов, но на практике регулярно возвращается в относительно узкий коридор безопасных слов, синтаксических конструкций, переходов, ритмов и композиционных решений.

Именно поэтому «машинность» текста часто ощущается раньше, чем удаётся показать пальцем на конкретное слово.

Одинаковость начинается не со слова «важно»

Самый простой способ бороться с ИИ-стилем - составить список подозрительных выражений.

«Важно отметить».

«Следует подчеркнуть».

«Играет ключевую роль».

«Открывает новые возможности».

«Комплексный подход».

Удаляем их, подставляем другие слова и получаем якобы человеческий текст.

Мы считаем такую модель слишком поверхностной.

Потому что характерное слово обычно является не причиной, а следствием.

Если модель построила предложение по шаблону:

X играет важную роль в Y, позволяя Z и создавая новые возможности для A,

можно заменить «важную роль» на «большое значение».

Архитектура фразы останется той же.

Можно поменять ещё пять слов.

Она всё равно останется узнаваемой.

Настоящий ИИ-стиль появляется раньше - в момент выбора того, какую форму мысли модель считает наиболее вероятной и безопасной.

Почему вероятность постепенно превращается в стиль

Большие языковые модели генерируют текст последовательно. Упрощённо: для уже имеющегося контекста модель оценивает возможные продолжения и выбирает следующие токены.

Она не начинает статью так, как человек иногда начинает её в голове:

«Я знаю, чем закончу, но пока не понимаю, как туда прийти».

Модель строит продолжение шаг за шагом.

При этом качественная современная LLM обучена не просто выдавать возможный текст. От неё ждут связности, полезности, понятности, безопасности и следования инструкции.

Это даёт впечатляющее качество.

Но у качества есть побочный эффект.

Некоторые решения оказываются удобны почти всегда.

Если нужно перейти от проблемы к решению, существуют проверенные связки.

Если пользователь просит объяснить тему, безопасно сначала дать определение.

Если нужны преимущества, удобно превратить их в список.

Если тема спорная, разумно показать две стороны.

Если статья заканчивается, универсально работает краткий вывод.

Каждый такой выбор по отдельности нормален.

Повторяемый тысячи раз - формирует узнаваемую систему.

Исследование 2025 года, посвящённое гомогенизации творческих текстов, прямо связывает часть этого эффекта с устройством авторегрессионных моделей и последующим alignment/instruction tuning: оптимизация на вероятное, согласованное и безопасное продолжение может систематически тянуть ответы к более конвенциональным решениям.

Получается важный парадокс.

Чем лучше модель научилась выдавать «правильный ответ», тем заметнее может становиться её собственное представление о том, как выглядит правильный ответ.

Один хороший текст ещё ничего не показывает

Предположим, нейросеть написала отличное эссе.

Оригинальное.

Связное.

Не похожее на типичный ChatGPT.

Из этого ещё не следует, что проблема одинаковости исчезла.

Интереснее взять сто текстов.

И посмотреть не только на качество каждого, но и на расстояние между ними.

Именно такой подход использовали авторы исследования 2025 года, где анализировались 2200 эссе для поступления в университет. Исследователи измеряли не просто креативность одного ответа, а то, насколько много новой смысловой вариативности появляется с каждым дополнительным текстом.

Человеческие эссе увеличивали коллективное разнообразие быстрее.

GPT-4 генерировал хорошие отдельные тексты, но при накоплении большого числа ответов они быстрее начинали повторять уже освоенное смысловое пространство. Эффект сохранялся даже после специальных промптов, изменения параметров и более сложных техник генерации.

Это различие принципиально.

Модель может написать:

один оригинальный текст.

Проблема проявляется, когда она пишет:

тысячу оригинальных текстов одинаковым способом.

В одном из экспериментов авторы обнаружили, что при удвоении количества человеческих эссе коллективное разнообразие росло значительно быстрее, чем у базовых GPT-4 текстов. Даже методы, специально повышавшие разнообразие отдельных ИИ-ответов, не полностью устраняли разрыв на уровне всей совокупности.

Мы и называем эту разницу сжатием авторского пространства.

Модель не обязательно повторяет конкретное предложение.

Она повторяет диапазон решений, внутри которого строит предложения.

Стилометрия видит то же самое с другой стороны

Есть ещё один способ посмотреть на проблему.

Не анализировать идеи.

Не искать «ИИ-слова».

А измерить стиль статистически.

В исследовании 2025 года сравнивались художественные тексты людей и тексты GPT-3.5, GPT-4 и Llama 70B. Для анализа использовали методы стилометрии, в том числе частотность наиболее распространённых слов и кластеризацию.

Картина получилась довольно наглядной.

Человеческие тексты образовывали более широкие и неоднородные группы.

Тексты одной LLM собирались в более плотные кластеры.

Причём группы разных моделей тоже можно было различать между собой.

То есть у модели возникает своего рода статистический почерк.

Не обязательно такой простой, чтобы человек мог сказать:

«Вот здесь слово pivotal, значит это ChatGPT».

Скорее это совокупность слабых предпочтений.

Какие слова выбираются чуть чаще.

Какие функции выполняют предложения.

Как соединяются части текста.

Насколько равномерно развивается мысль.

Какие варианты синтаксиса предпочитаются.

По отдельности эти различия могут казаться незначительными.

Вместе они образуют стиль.

Почему ИИ-слова вообще становятся заметными

История с характерными словами интересна именно потому, что показывает масштаб явления.

В 2025 году исследователи проанализировали более 15 миллионов англоязычных аннотаций PubMed за 2010-2024 годы.

После массового распространения LLM они обнаружили резкий рост ряда стилистических слов. Среди особенно заметных примеров были английские эквиваленты выражений вроде «углубиться», «подчеркнуть», «продемонстрировать», а также прилагательные, создающие повышенную значимость или сложность.

Авторы оценили, что не менее 13,5% аннотаций 2024 года могли подвергаться LLM-обработке. При этом они специально предупреждают: метод работает на уровне большого корпуса и не позволяет определить происхождение конкретной статьи по одному слову.

Нам здесь интересна другая сторона результата.

Почему некоторые слова внезапно начинают массово размножаться?

Не потому, что модель получила команду:

всегда используй слово X.

Скорее определённые выражения оказываются удобными для огромного количества контекстов.

Они хорошо связывают мысли.

Звучат профессионально.

Не слишком категоричны.

Работают в разных темах.

Не требуют конкретики.

И модель возвращается к ним снова.

При массовом использовании LLM это уже становится видно статистически.

Русский ИИ-стиль не является переводом английского

Здесь особенно легко ошибиться.

Берётся англоязычная статья про ChatGPT.

Из неё выписывается двадцать признаков.

Они переводятся на русский.

Получается «детектор русского ИИ-текста».

Мы в Nesuho так не работаем.

У русского языка своя грамматика, синтаксис, пунктуация, норма порядка слов и собственная история канцелярита.

Например, длинное тире абсолютно нормально для русского языка.

Нельзя объявлять его машинным признаком только потому, что в английском интернете пользователи начали ассоциировать em dash с ChatGPT.

Есть уже и первые данные именно по русскому языку.

Корпус LLMTrace создавался как большой двуязычный набор русских и английских текстов с современными открытыми и коммерческими моделями. Он включает человеческие, полностью машинные и смешанные тексты.

На его русскоязычной части в исследовании ВШЭ 2026 года сравнивались восемь жанров, более двадцати моделей и разные типы промптов.

В среднем у сгенерированных русскоязычных текстов обнаружили более высокую долю существительных, большее количество слогов и большую длину слова. Некоторые характеристики существенно зависели от модели и жанра.

Для нас этот последний момент особенно важен.

Русского ИИ-стиля в единственном числе не существует.

Есть пересекающиеся модельные привычки.

Есть жанровые эффекты.

Есть влияние промпта.

Есть особенности конкретной LLM.

И есть общий слой усреднения, возникающий потому, что модели решают похожую задачу похожими способами.

Мы видим пять уровней сжатия

В нашей редакционной модели ИИ-одинаковость удобно рассматривать не как список ошибок, а как движение от малого к большому.

Первый уровень виден легче всего.

Поэтому вокруг него и построено большинство «детекторов на глаз».

Но самый серьёзный эффект начинается выше.

Можно полностью очистить текст от характерной лексики и оставить нетронутыми:

одинаковую логику;

одинаковую аргументацию;

одинаковые разделы;

одинаковую последовательность мысли.

Получится текст без «слов ChatGPT», который всё равно звучит как ChatGPT.

Вот почему промпт «пиши более по-человечески» помогает слабее, чем кажется

Модель понимает такую просьбу.

Она может сократить формальности.

Добавить разговорные обороты.

Изменить длину предложений.

Убрать очевидные штампы.

Результат действительно станет другим.

Но команда остаётся слишком абстрактной.

Что такое «человек»?

Научный редактор?

Журналист?

Предприниматель?

Студент?

Юрист?

Автор Telegram-канала?

Человек в спешке?

Человек, который десять лет пишет колонку?

У модели нет одного человеческого стиля, к которому можно переключиться.

Поэтому без дополнительных ограничений она часто создаёт другую усреднённую конструкцию:

менее формальный ИИ.

Это подтверждает и исследование творческой гомогенизации. Даже просьбы быть креативнее, изменение параметров генерации и более сложные prompting-подходы повышали вариативность отдельных ответов, но не устраняли общий разрыв между совокупностью машинных и человеческих текстов.

Есть ещё более интересный эффект.

ИИ-подсказки могут усреднять уже человеческое письмо.

В эксперименте CHI 2025 года 118 участников из Индии и США выполняли культурно обусловленные письменные задания с ИИ-подсказками и без них. Для индийских участников использование подсказок смещало стиль в сторону западных норм и уменьшало часть культурных различий в письме.

Получается, модель способна передавать собственный стилистический коридор человеку.

Не только ИИ начинает писать одинаково.

При массовом использовании ИИ часть людей тоже начинает писать немного ближе друг к другу.

У одинаковости есть ещё одна причина: мы сами одинаково ставим задачи

Есть соблазн свалить всё на модель.

Но пользователь тоже участвует в процессе.

Сравните два задания.

Первое:

Напиши экспертную статью на тему внедрения CRM. Сделай введение, преимущества, недостатки, рекомендации и вывод.

Модель почти загнана в один маршрут.

Второе:

Перед тобой результаты пяти интервью с руководителями отделов продаж. Найди одно противоречие, вокруг которого стоит построить материал. Не начинай с определения CRM. Не перечисляй общие преимущества. Сохрани прямые цитаты. Если собеседники расходятся во мнениях, не сглаживай разницу.

У второй задачи значительно больше шансов дать материал со своей формой.

Не потому, что промпт содержит магическую формулу.

Потому что появился сырой материал, ограничения и конфликт.

Именно отсутствие реального материала заставляет модель возвращаться к усреднённым решениям.

Если ей нечего сказать о конкретной компании, она расскажет про «повышение эффективности».

Если нет реальной причины выбрать три преимущества, появятся три типовых.

Если нет авторской позиции, будет безопасный баланс.

Если отсутствует сильный вывод, появится «грамотный подход».

ИИ-штампы часто являются не причиной пустоты.

Они заполняют пустоту.

Поэтому мы работаем не со «словами AI», а с количеством авторских решений

Это одна из центральных идей нашей системы.

Мы не считаем хорошим текст только потому, что в нём исчезли несколько характерных выражений.

В Nesuho мы смотрим, сколько настоящих решений осталось у автора.

Как начать материал.

Какой факт поставить первым.

Где сделать длинный абзац.

Где оборвать мысль.

Что вообще не объяснять.

Какой аргумент считать главным.

С чем не соглашаться.

Как закончить.

Как относиться к читателю.

Что сохранить сложным.

Что упростить.

У человеческого автора эти решения возникают из опыта, характера, среды, профессии, задачи и конкретной ситуации.

Модель по умолчанию стремится закрыть их наиболее надёжными вариантами.

Так и возникает сжатие авторского пространства.

В Nesuho мы используем обратный процесс: стилистическую декомпрессию

Это ещё один наш рабочий термин.

Стилистическая декомпрессия - восстановление вариативности текста без искусственного добавления хаоса.

Здесь важно последнее уточнение.

Мы не пытаемся сделать текст «человеческим» через ошибки.

Не вставляем случайные слова-паразиты.

Не ломаем хорошую грамматику.

Не превращаем деловой материал в дружескую переписку.

Декомпрессия означает другое.

Если три соседних абзаца выполняют одну функцию - один можно удалить или изменить функцию.

Если пять предложений построены одинаково - перестраиваем только часть.

Если каждый раздел заканчивается выводом - перестаём закрывать мысль механически.

Если модель автоматически добавила «преимущества и недостатки», проверяем, нужны ли они теме.

Если весь материал идёт по самому очевидному маршруту, ищем более содержательную ось: конфликт, вопрос, эксперимент, кейс, данные, изменение во времени.

Мы восстанавливаем выбор, а не имитируем несовершенство.

Самый опасный ИИ-стиль почти незаметен

Плохой машинный текст распознать легко.

Он напыщенный.

Повторяется.

Начинается с «в современном мире».

Заканчивается обещанием новых возможностей.

Гораздо интереснее другое поколение текстов.

Грамматика хорошая.

Очевидных штампов нет.

Предложения разной длины.

Вступление короткое.

Но десять таких статей подряд всё равно ощущаются родственниками.

У них одинаковая логика доказательства.

Одинаковое отношение к спору.

Одинаковая осторожность.

Одинаковая дистанция между автором и читателем.

Одинаковое количество конкретики.

Одинаковое стремление закрыть каждую мысль.

Вот здесь заканчивается обычный synonym humanizer и начинается настоящая редакционная задача.

В Nesuho мы считаем, что следующий этап рынка очеловечивания текста будет происходить именно на этом уровне.

Не:

какое слово заменить?

А:

какие решения в этом тексте модель уже приняла за автора?

Чем точнее мы отвечаем на этот вопрос, тем меньше приходится «маскировать AI».

Мы просто возвращаем тексту пространство, в котором снова может появиться автор.