Я пишу статьи вместе с ИИ. Часто начинаю с голосовых заметок: надиктовываю мысль, вопросы, наблюдения. Модель помогает собрать черновик, найти исследования, проверить возможные объяснения. Иногда ей достаётся почти вся первая версия. Затем я открываю источники, сверяю утверждения и редактирую текст.
На этом этапе всплывает неприятная особенность. В тексте остаются мои идеи, ссылки на исследования, иногда довольно сложная аргументация, но сам язык становится подозрительно гладким. Снова появляются одинаковые переходы, риторические противопоставления и выводы, которые подошли бы к любой другой теме. Перечитываю абзац и понимаю, что придётся писать его заново.
Так появилась первая версия скилла «Без ИИ-тона» для Claude и ChatGPT. Он разбирает готовый черновик, показывает проблемные места и предлагает минимальные правки, сохраняя факты и авторские формулировки. Архив уже можно скачать и проверить на собственном тексте. Скачать скилл «Без ИИ-тона» · v1.1 ↓ ↗
Правила я собирал по конкретным работам: исследованию Дмитрия Кобака и коллег о языке 15 миллионов медицинских аннотаций (Science Advances, 2025), сравнению грамматики моделей и людей у Рейнхарта с соавторами (PNAS, 2025), эксперименту Рассел, Карпинской и Айера о распознавании ИИ-текстов (ACL, 2025) и работе Альтая и Жиларди о доверии к заголовкам с пометкой «создано ИИ» (PNAS Nexus, 2024). Для самой редактуры использовал и «Слово живое и мёртвое» Норы Галь. Первые приёмы опробовал на «Чёрном октябре» и Warhound. Независимых испытаний скилла ещё не было. Кобак и соавторы, 2025 ↗ · Рейнхарт и соавторы, 2025 ↗ · Рассел и соавторы, 2025 ↗ · Альтай и Жиларди, 2024 ↗ · Нора Галь ↗
Откуда берётся узнаваемая манера
У нейросетевого текста есть особенности, которые можно подсчитать. Дмитрий Кобак с коллегами исследовал более 15 миллионов аннотаций медицинских публикаций за 2010–2024 годы. После распространения ChatGPT в английских аннотациях резко выросла частота отдельных слов. По оценке исследователей, в 2024 году языковые модели использовались при подготовке не менее 13,5% текстов этого корпуса. Исследование Кобака и соавторов ↗
Другое исследование, опубликованное в PNAS в 2025 году, сравнивает грамматические привычки людей и языковых моделей. В изученных англоязычных текстах некоторые модели использовали отглагольные существительные примерно в полтора-два раза чаще, а причастные конструкции в два-пять раз чаще. Это измерения конкретных моделей на конкретном материале. Для русского языка их нельзя просто перенести с теми же цифрами. Reinhart и соавторы, PNAS ↗
Есть и признаки, которые редакторы замечают без подсчётов: напыщенные определения, одинаковые вступления, безымянные эксперты, риторические тройки. В Википедии даже ведут список таких конструкций. Пользоваться им удобно, но он не позволяет достоверно установить происхождение текста. Wikipedia: Signs of AI writing ↗
Чтобы понять, какие претензии действительно новые, я сравнил эти наблюдения с журналистскими текстами 2013–2016 годов. В материале Дмитрия Крюкова про 3D-сканеры рассказ начинается со сцены из игры, а затем автор объясняет технологию. Султан Сулейманов в статье об ИИ 2016 года строит повествование на конкретных разработках и их последствиях. У авторов разный ритм, и ни один из них не обязан заканчивать каждый абзац выводом. При этом громоздкие обороты и редакционные клише существовали задолго до нейросетей. Дмитрий Крюков, 2013 ↗ · Султан Сулейманов, 2016 ↗
Что замечают читатели
Пятеро участников исследования Дженны Рассел, Марзены Карпинской и Мохита Айера, часто использовавших ChatGPT для письма, оценивали 300 англоязычных статей. При объединении их решений получилась всего одна ошибка. Это результат небольшой опытной группы. Он ничего не говорит о том, с такой ли точностью читает обычная аудитория. Russell, Karpinska, Iyyer, ACL 2025 ↗
С доверием есть более прямые данные. Саша Альтай и Фабрицио Жиларди провели два эксперимента с 4976 участниками в США и Великобритании. Пометка «создано ИИ» снижала оценку точности новостного заголовка и готовность им делиться, даже когда заголовок написал человек. Во втором эксперименте эффект зависел от того, как участникам объясняли роль модели: помощь с формулировками воспринималась иначе, чем полностью автоматическая подготовка материала. Altay и Gilardi, PNAS Nexus 2024 ↗
Это исследование касалось маркировки заголовков. Оно не проверяло, вызывает ли такой же эффект знакомая интонация внутри длинной статьи. Для моего случая эта разница существенна: читатель может заметить повторяющиеся обороты и сделать вывод об авторстве, но сила такой реакции пока требует отдельной проверки.
Проверка на собственных текстах
Я поднял историю правок «Чёрного октября» и Warhound. В двух статьях отметил 36 мест, которые захотелось изменить: тяжёлые технические обороты, общие вопросы, фразы с избыточной значимостью. Правки касались языка и аргументации. В некоторых случаях хватало заменить слово; иногда приходилось переписывать фрагмент целиком. «Чёрный октябрь» ↗ · Warhound ↗
Для статьи я выбрал шесть правок из истории двух публикаций. Они отличаются по масштабу: от удаления лишней концовки до изменения вступления и проверки исследовательского аргумента. В каждой паре слева сохранён прежний текст, справа стоит фрагмент из текущей опубликованной версии.
«Чёрный октябрь»: доступ, агенты и источники
Главный вопрос: сколько полномочий мы уже делегировали ИИ и успели ли научиться эти полномочия ограничивать.
Мы даём им исходный код, продакшен и секреты, а потом надеемся, что промпта с запретами хватит.
Вместо отвлечённого вопроса появилась авторская позиция с конкретными объектами доступа. Последние слова «вместо нормального разграничения доступа» убраны: пример уже объясняет проблему.
ОТКРЫТЬ ПУБЛИКАЦИЮ ↗В последнее время я всё чаще думаю о том, насколько умным стал искусственный интеллект. И особенно о том, сколько доступа к реальным системам мы уже ему предоставили.
За несколько дней октября вышли сообщения о двух уязвимостях PHP, атаках с участием ИИ-агентов, вредоносном обновлении LiteLLM и утечке секретов Railway. Во всех четырёх случаях речь идёт о доступе к коду или инфраструктуре, хотя роль ИИ в них разная.
Вступление больше не рассказывает о размышлениях автора. Читатель сразу получает события, а следующая фраза задаёт точную границу: не каждый инцидент был атакой ИИ.
ОТКРЫТЬ ПУБЛИКАЦИЮ ↗Тут сошлись три разные истории. ИИ помогает быстрее находить уязвимости. Атакующие начали автоматизировать взломы агентами. А платформы и цепочки поставок остаются уязвимыми, с ИИ или без него.
Уязвимости PHP нашли исследователи при поддержке ИИ. В кампаниях CrowdStrike модели выбирали действия и выполняли команды атакующих. У LiteLLM злоумышленник подменил цепочку выпуска пакетов. В Railway получил доступ к секретам. Последние два инцидента пока не связаны с автономными агентами.
Вместо абстрактной схемы — четыре случая с различными ролями ИИ. Здесь редактура потребовала заново разложить факты по категориям, иначе заголовок про агентов создавал ложную общность.
ОТКРЫТЬ ПУБЛИКАЦИЮ ↗Warhound: обещания, испытания и благополучие собак
Warhound хочет собрать биобанк клеточных линий лучших служебных собак, чтобы потом их клонировать. Геном на первом этапе собираются править ради здоровья: наследственные болезни, суставы, мышцы.
По словам Бена Ламма, команда уже собрала образцы клеток служебных собак. Их намерены использовать для клонирования. Первые генетические изменения планируют направить на снижение риска наследственных заболеваний.
Разделены уже собранные образцы клеток и будущие процедуры. Добавлена атрибуция заявления. Текст больше не объединяет обещание и достигнутый результат.
ОТКРЫТЬ ПУБЛИКАЦИЮ ↗В одной собаке у Warhound смешаны гены, дрессировка и техника. Мне интересно, получится ли вообще понять, что из этого сработало.
Чтобы проверить эффект генетических изменений, понадобятся сравнительные испытания: собак нужно обучать по сопоставимым программам и наблюдать за их здоровьем. Warhound пока не публиковала таких данных.
Риторический вопрос превращён в проверяемое условие: что нужно сравнивать, какие переменные учитывать и каких результатов пока нет. Это переработка содержания, а не косметическая чистка языка.
ОТКРЫТЬ ПУБЛИКАЦИЮ ↗Ещё больше меня волнует, что будет с самими собаками. Отчёты о выполненных заданиях мало что скажут. Я хочу видеть, как собаки живут от рождения до выхода со службы.
Warhound обещает заботиться о животных на протяжении всей жизни, в том числе после службы. Для оценки этих обещаний нужны данные о здоровье, травмах и продолжительности жизни будущих собак. Пока таких данных нет.
Личная оценка получила предмет проверки: обещания компании, здоровье, травмы, срок жизни. Редактура сохранила вопрос благополучия животных и показала, какие данные позволят на него ответить.
ОТКРЫТЬ ПУБЛИКАЦИЮ ↗Что заложено в первую версию скилла
Я начал с минимальной редактуры. Скилл должен сначала назвать конкретное проблемное место и объяснить, что в нём не работает. Если достаточно убрать одно слово, нет причин переписывать абзац. Каждая существенная правка сопровождается сравнением «было → стало».
Второе правило касается достоверности. Модель не должна придумывать личные наблюдения, числа, цитаты и детали для убедительности. Когда в исходном тексте не хватает авторского факта, она оставляет пометку и просит уточнение. Имена, даты, ссылки и прямые цитаты сверяются отдельно. Если ошибка обнаружена в самом источнике, её нужно показать автору, а не исправлять незаметно.
Список запретных слов не возвращает авторскую манеру. Один человек пишет длинными фразами; другой строит текст из коротких наблюдений. В версии скилла 1.1 я добавил работу с голосовыми заметками и образцами собственного письма, чтобы модель опиралась на исходный авторский материал.
Как проверить, что скилл помогает
В версии 1.1 есть два режима: редактирование готового текста и подготовка статьи по авторским заметкам или диктовке. Ни один из них ещё не прошёл независимое сравнение с обычной редактурой. Для испытания можно дать модели одну тему в нескольких форматах и сохранить исходники каждого черновика.
Придётся считать время редактуры и количество фактических ошибок. Тексты стоит показать читателям без указания способа подготовки и попросить оценить ясность, убедительность и ощущение авторской интонации. До такого теста нельзя утверждать, что скилл действительно уменьшает работу редактора или повышает доверие.
Ниже доступен архив скилла 1.1: двенадцать приёмов правки, работа с диктовкой, проверка фактов и протокол сравнения результатов. После испытаний можно будет уточнить, какие правила действительно экономят время и улучшают текст.
- Kobak et al. — Delving into LLM-assisted writing in biomedical publications through excess vocabulary (Science Advances, 2025) ↗Корпусное исследование
- Reinhart et al. — Do LLMs write like humans? Variation in grammatical and rhetorical styles (PNAS, 2025) ↗Исследование языка
- Russell, Karpinska, Iyyer — People who frequently use ChatGPT for writing tasks are accurate and robust detectors of AI-generated text (ACL, 2025) ↗Исследование восприятия
- Altay, Gilardi — People are skeptical of headlines labeled as AI-generated (PNAS Nexus, 2024) ↗Эксперимент
- Wikipedia — Signs of AI writing ↗Редакторские признаки
- Дмитрий Крюков — «Трёхмерный подъём», Секрет фирмы (2013) ↗Журналистика до 2017
- Султан Сулейманов — «Skynet ищет кошку», Медуза (2016) ↗Журналистика до 2017
- Нора Галь — «Слово живое и мёртвое» ↗Редакторская школа
- Илья Бирман — «Презентуйте простыми словами» ↗Редакторская школа
- Максим Ильяхов — «Признаки нейросети», Бюро Горбунова (2026) ↗Редакторская практика
Научные утверждения сверены с опубликованными работами; собственные наблюдения описаны как редакторский разбор, без заявлений о доказанной эффективности скилла. В блоках «было → стало» использованы прежние версии текста и нынешние версии статей «Чёрный октябрь» и Warhound; часть примеров показывает переработку аргумента, а не буквальную замену формулировки. Материалы журналистов 2013–2016 годов использованы для сравнения стилистики. Состояние источников на 25 октября 2026 года.
КОММЕНТАРИИ / 0
ВЫДЕЛИТЕ ТЕКСТ, ЧТОБЫ ОБСУДИТЬ ФРАГМЕНТ