ИИ сделал материал, который выглядит как работа. Но это не работа

⚡ Коротко

Материал, сделанный быстро и выглядящий безупречно, разрушает репутацию сильнее, чем сорванный срок.

Для тех, кто работает руками: четыре примера из практики и три правила, по которым нейросеть работает в плюс, а не против вас.

📊 У этого явления есть измерение

В сентябре 2025 года Harvard Business Review опубликовал исследование BetterUp Labs и Стэнфордской лаборатории социальных сетей. Опросили 1150 офисных сотрудников. Для описания явления авторы ввели термин, который с тех пор разошёлся по деловой прессе: материал, который выглядит как хорошо сделанная работа, но не содержит достаточно содержания, чтобы задача сдвинулась.

Цифры такие. 40% опрошенных получали подобные материалы в течение предыдущего месяца. На разбор каждого случая уходило в среднем час пятьдесят шесть минут: получатель вынужден восстанавливать контекст, проверять и переделывать.

Дальше — то, ради чего стоит читать всю статью. Около половины получателей стали считать отправителя такого материала менее творческим, способным и надёжным, чем раньше; 42% стали меньше ему доверять. Треть заявили, что реже захотят с ним работать.

Не «материал плохой». Переоценка человека. Один документ — и репутация, которую вы строили годами, пересматривается. Причём молча: вам об этом не скажут.

🕳 Механизм: модель не знает, чего в тексте нет

Языковая модель отлично работает с тем, что ей дано. Она не работает с тем, чего в её распоряжении не оказалось, и не сообщает об этом — не потому что скрывает, а потому что не может обнаружить собственный пробел. Намерения обмануть тут нет.

Отсутствие не имеет текстового представления.

Гладкий абзац, в котором пропущено ключевое ограничение предметной области, читается точно так же, как абзац, где оно учтено. Заметить пропуск может только тот, кто знает, что там должно было быть.

Ниже — четыре примера из моей практики. Все обезличены, ни один не является выдуманным.

Пример 1. Ядро, собранное на объём

Разбирал список запросов, переданный подрядчиком по поисковому продвижению. До 89% запросов в нём не имели спроса — их не вводит никто. При этом они шли в ежемесячную отчётность как продвигаемые.

Механизм ошибки не в инструменте, а в подходе: список собран ради количества строк, без сверки с реальными частотами. Нейросеть на такой задаче даёт ровно тот же результат мгновенно и бесплатно — правдоподобный список с правдоподобными числами. Данных о спросе нет в знаниях ни одной модели: они существуют только в инструменте поисковой системы, по конкретному региону и периоду.

Поэтому порядок работы у меня жёсткий: сначала я составляю список формулировок, по которым услугу могут искать, затем выгружаю по ним реальные частоты из инструмента поисковой системы с операторами точного соответствия (без них в число попадут все запросы, содержащие те же слова), и только потом начинается группировка и разметка — вот тут модель экономит часы честно. Числа приходят с измерения.

Всё остальное — генерация правдоподобия.

Пример 2. Один совет для двух поисковых систем

Задача: закрыть от поиска старую версию сайта, оставив её доступной для сотрудников. В интернете лежит огромное количество копий совета «закройте в robots.txt». Модель воспроизведёт его уверенно, потому что он частотный, и не уточнит, о какой поисковой системе речь.

Для Яндекса совет рабочий: его справка прямо называет запрет в robots.txt одним из способов убрать ненужные страницы из поиска. Для Google нет. Там запрет обхода означает запрет читать страницу, а не указание убрать её из выдачи: адрес, на который ведут ссылки, может остаться в поиске без описания, а указание noindex внутри страницы робот не увидит, потому что читать страницу ему запрещено.

При этом для исходной задачи оба варианта не лучшие. Служебную копию, доступную сотрудникам, закрывают паролем или доступом только из сети компании: тогда её не увидит ни один поисковый робот, а вопрос «обход или индексирование» вообще не возникает. Google называет защиту паролем среди рекомендованных способов не пустить страницу в поиск.

Ошибка стоит месяцев: копия продолжает показываться в Google, дубли конкурируют с основным сайтом, а причина не видна, потому что формально «всё закрыто». Пропущенное различие между поисковыми системами здесь и есть то, чего в тексте нет.

Пример 3. Разметка, которая всё путает

В одном проекте решения о бюджетах принимались по тегам, которыми операторы отмечали звонки. Тег «запись» означал что угодно: новую запись, перенос, подтверждение, отмену. Направление, где половина звонков — переносы уже записанных клиентов, выглядело успешнее направления, которое приводило новых людей.

Это не вина операторов: человек ставит тег в потоке, различать оттенки ему некогда. Это дефект метода измерения. Модель, получив такую выгрузку, добросовестно посчитает по ней доли, построит динамику и сделает выводы — из мусора получится аккуратный отчёт с графиками.

Исправляется не аналитикой, а источником данных: классификация переводится на содержание разговора, а не на метку. После этого цифра в отчёте означает ровно то, что написано.

Пример 4. Выручка, приписанная рекламе задним числом

При сверке обращений с внутренней системой учёта легко получить красивую картину: обращение было, лечение состоялось, сумма есть. Только рекламный контакт должен предшествовать началу работы с клиентом. Если человек уже лечится, а звонок был про сопутствующую услугу, это не результат рекламы — это служебное обращение.

Без такой проверки хронологии крупные суммы приписываются кампаниям постфактум. Отчёт выглядит отлично и разваливается на первой же сверке — обычно публично, на совещании. Модель такую проверку не гарантирует: она не знает, что у пациента в вашей системе учёта уже есть история, пока вы ей об этом не скажете.

⏱ Вы не почувствуете, что стало хуже

Естественное возражение специалиста: я-то свою область знаю, я замечу. Здесь есть измерение, и оно неприятное.

В июле 2025 года некоммерческая организация METR опубликовала рандомизированное исследование: опытные разработчики решали задачи в собственных проектах с инструментами начала 2025 года и без них. Результат: с моделью работа занимала на 19% больше времени. Ожидали ускорения на 24%. И даже после эксперимента участники оценивали свою работу с моделью как на 20% более быструю.

Сами цифры уже устарели, и авторы это признают: в феврале 2026 года METR сообщил, что с новыми инструментами разработчики, вероятно, ускоряются сильнее, чем в начале 2025 года, хотя надёжно измерить это пока не удаётся. Устаревшим не стал другой вывод. Профессионалы на знакомом материале ощущали ускорение там, где замер показывал замедление, и METR отдельно отмечает, что самооценки ускорения ненадёжны. Ощущение продуктивности не заменяет её замер.

💡 Что обычно возражают

«Мне так быстрее». Возможно. Проверьте: возьмите две сопоставимые задачи, засеките время до сдачи и, главное, до окончательной приёмки — с учётом правок. Правки обычно и съедают выигрыш.

«Клиент не заметит разницы». Клиент заметит не текст, а последствия: заявок нет, цифры не сходятся, специалист на его стороне задаёт вопрос, на который вы не отвечаете. Дальше срабатывает механизм из исследования — переоценка вас, а не материала.

«Это черновик, потом доработаю». Черновик, который выглядит как чистовик, доработке сопротивляется. Проще принять готовое, чем переписывать связный текст. На этом эффекте и держится весь описанный ущерб.

«Так все работают». Именно поэтому профессионала видно за минуту. Когда вокруг все материалы собраны по одному шаблону — «современные технологии», «значительный рост», «индивидуальный подход», — текст с конкретикой читается иначе: конкретная модель оборудования вместо «современных инструментов», число из выгрузки вместо «значительного роста». Это и есть разница между объёмом и работой.

🛠 Три правила, по которым это работает в плюс

1. Данные приносите вы. Модель не подставляет числа: выгрузка, кабинет, система учёта — источник, регион, период. Всё, что названо без источника, из материала удаляется. Внутри этого ограничения генерация экономит реальные часы на группировке, разметке и структурировании тысяч строк.
2. Применяйте там, где проверка дешевле выполнения. Если результат вы проверяете за минуту, а сами делали бы полчаса, выигрыш настоящий. Если проверка требует столько же, сколько работа, вы просто перенесли усилие и потеряли контроль над качеством.
3. Отдельно проверяйте, чего в материале нет. Это единственная проверка, которую машина за вас не сделает, и она же ловит самые дорогие ошибки: неучтённое ограничение отрасли, несуществующая услуга, пропущенная проверка хронологии, инструмент, измеряющий не то, что вы думаете.

🛠 Мой порядок

1. Не вычитываю материал целиком заново — сверяю по пунктам, которых в модели нет и быть не может: услуги, цены, фамилии, лицензионные ограничения.
2. Спрашиваю не «похоже ли на правду», а «откуда этот факт взялся» — если источника нет, вырезаю, а не смягчаю формулировку.
3. Засекаю время проверки и сравниваю с временем, которое ушло бы на самостоятельное написание — если проверка выходит дороже, в следующий раз делаю этот кусок сам.

🎯 Итог

Инструмент усиливает то, что уже есть.

Специалисту с глубоким знанием предмета он даёт скорость. Специалисту без такого знания — скорость производства убедительных ошибок.

И различие между этими двумя случаями заметно не сразу. Оно проявляется в момент, когда материал попадает к тому, кто в теме разбирается: к клиенту с профильным образованием, к подрядчику, к проверяющему, к коллеге. В этот момент оценивают не документ, а вас — и, по данным исследования, довольно сурово.

Личный бренд специалиста строится годами и обнуляется одним материалом, в котором профессионал увидел ерунду. Это единственная причина, по которой стоит тратить пятнадцать минут на проверку перед отправкой.

✅ Что запомнить

» Модель не знает, чего в тексте нет: пропущенное ограничение читается так же гладко, как учтённое.

» Ощущение продуктивности — не показатель: судить можно только по замерам.

» Данные приносите вы, модель — группирует и структурирует.