Группа исследователей пришла к выводу: активное использование больших языковых моделей приводит к тому, что тексты разных авторов становятся всё более похожими друг на друга. Речь идёт не только о содержании, но и о стилистике — выборе слов, длине предложений, ритме изложения. По мнению авторов работы, алгоритмы тянут письмо к некоему усреднённому стандарту, из-за чего индивидуальные голоса авторов размываются.
В основе выводов лежит анализ больших массивов текстов, сопоставление материалов, написанных людьми, и текстов, сгенерированных или отредактированных нейросетями. Исследователи сравнивали лексику, синтаксические конструкции и распределение длин предложений. Выяснилось, что после прохождения через LLM письмо статистически сдвигается к так называемым «безопасным» формулировкам: исчезают редкие слова, характерные обороты, нестандартные пунктуационные приёмы. На уровне отдельного автора это означает постепенную утрату тех маркеров, по которым обычно считывается личность — манера шутить, строить аргументацию, расставлять акценты.
Авторы работы отдельно подчёркивают: речь не о том, что ИИ «портит» грамотность или логику. Напротив, модели часто выдают гладкий, синтаксически правильный текст. Проблема в другом — в статистической середине, к которой тяготеет машинная речь. Чем чаще человек полагается на автодополнения и готовые формулировки, тем меньше в его тексте остаётся того, что лингвисты называют идиолектом — устойчивым личным набором речевых привычек. По сути, нейросеть предлагает самый вероятный вариант продолжения, а самый вероятный вариант по определению массовый.
Эффект накладывается и на общую картину. Если значительная доля публикуемых текстов — от деловых писем до постов в соцсетях — проходит через языковые модели, общий стилистический фон сжимается. Уменьшается разнообразие формулировок, реже встречаются непривычные метафоры, авторские отступления, разговорные вкрапления. Это касается и редакционных процессов: когда черновики журналистов, копирайтеров, аналитиков правятся нейросетью по одним и тем же внутренним правилам, итоговые тексты разных авторов начинают напоминать вариации одного шаблона.
Отдельное направление исследования — попытки измерить, насколько по тексту можно восстановить личность автора: пол, возраст, профессию, черты характера. Если стиль нивелируется, точность таких моделей падает. Для маркетинга, HR-аналитики, социологических опросов это уже практическая проблема — сигналы, которые раньше считывались автоматически, становятся слабее.
Исследователи не призывают отказаться от LLM, но указывают на необходимость осознанного подхода: фиксировать, какие именно правки вносит модель, сохранять авторские черновики, проверять готовый текст на следы машинной «шлифовки». В долгосрочной перспективе, по их мнению, именно сохранение индивидуального стиля станет одной из ключевых задач редакторской и писательской практики в эпоху генеративных моделей.
