Проблема схождения ИИ

от

Многие цифровые маркетологи сейчас чувствуют давление. Им говорят, что если они не начнут использовать ИИ – в частности, большие языковые модели – для каждого принимаемого ими решения, они рискуют потерять работу кому-то, кто будет это делать. Сообщение простое: ИИ теперь умеет думать, рассуждать и планировать стратегию. Идея заключается в том, чтобы позволить ИИ взять на себя управление, и он, как предполагается, создаст будущее, которое будет идеально оптимизировано, адаптировано к каждому конкретному человеку и способно бесконечно расти.

Купил акции на все деньги, а они упали? А Илон Маск снова написал твит? Знакомо. У нас тут клуб тех, кто пытается понять этот цирк и не сойти с ума.

Купить на падении (нет)

Позвольте мне деликатно возразить, вооружившись классическим MSPaint.exe.

Есть две основные проблемы, связанные с чрезмерной зависимостью от ИИ при принятии маркетинговых решений. Когда ИИ испытывает трудности, он допускает действительно базовые ошибки, которые делают его непригодным для планирования. Но даже когда он работает хорошо, это на самом деле более проблематично. Он тонко подталкивает ваш маркетинг к тому, что типично, а в маркетинге быть средним — это худший результат, к которому можно стремиться.

LLMs не думают, они предсказывают следующий токен.

Давайте проясним кое-что, что разработчики ИИ часто приуменьшают: большие языковые модели на самом деле *не думают*. По сути, это сложные машины предсказаний. Они работают, вычисляя наиболее вероятное следующее слово на основе слов, которые они уже обработали. И это все. У них нет внутренних мыслей, понимания окружающего мира или способности ставить под сомнение несоответствия. Они просто определяют, какие слова обычно следуют за заданной последовательностью слов.

Это не просто скептицизм – исследовательская группа Apple опубликовала статью под названием ‘The Illusion of Thinking’, которая раскрывает ключевую слабость в продвинутых моделях AI. Когда они сталкиваются даже с незначительно более сложными проблемами, эти модели не просто испытывают трудности – их точность полностью падает. Удивительно, но они фактически *используют меньше* вычислений по мере усложнения задач, почти как будто сдаются. Предыдущие исследования Apple показали, что даже незначительные изменения в математической задаче – изменения, которые не влияют на ответ – могут снизить производительность до 65%, намекая на то, что эти модели не ‘рассуждают’ по-настоящему, а вместо этого полагаются на запомненные шаблоны. Недавние исследования классифицируют эти сбои как проблемы, такие как ‘проклятие обратного порядка’ (неспособность применять простую логику) и ‘композиционный коллапс’ (трудности с многоступенчатыми проблемами). Эти проблемы возникают из-за того, что эти модели предназначены для предсказания следующего слова, отдавая приоритет статистическому завершению, а не подлинному мышлению.

По сути, модель превосходно справляется с задачами, с которыми она неоднократно сталкивалась. Однако даже небольшая доля оригинальности или новизны в задаче может привести к значительным ошибкам.

Exhibit A: Автомойка

Наиболее наглядная демонстрация этого в реальных условиях — это теперь уже печально известная подсказка автомойки:

Это действительно простая идея – её легко поймут большинство маленьких детей. Конечно, машина должна *находиться на* автомойке, чтобы её помыли! Нельзя просто дойти туда, надеясь, что она сама себя помоет, как бы сильно ты этого ни хотел.

Как вебмастер, я внимательно слежу за ажиотажем вокруг AI-чатботов, и недавно произошло кое-что интересное. Начал циркулировать запрос, который действительно выявил слабость в том, как эти модели – ChatGPT, Claude, Grok, называйте любую – ‘думают’. По сути, запрос содержал вопрос, разработанный, чтобы обмануть их, и все они уверенно посоветовали пользователю *пройти* очень короткое расстояние. Они оправдали это тем, что это всего 100 метров, полезно для здоровья и лучше для окружающей среды. Было очевидно, что их обучали на огромном количестве данных, таких как ‘ехать или идти пешком до [ближайшего места]?’ и они просто выдавали ожидаемый ответ об упражнениях и сокращении выбросов. Реальная уловка? Вопрос был о том, *что* управляет, а не *как* туда добраться. Они полностью упустили основной смысл, потому что сосредоточились на типичной схеме ‘ехать или идти пешком’, которую они усвоили.

Gemini, на удивление, сразу же ответил правильно. Я был настроен скептически, и оказалось, что я был прав. Вопрос стал популярным в сети, а это значит, что правильный ответ уже широко обсуждался и оспаривался. Google, благодаря доступу ко всей этой онлайн-информации, быстро нашёл и использовал эти новые ‘знания’. Через две недели Grok также дал правильный ответ, не потому, что внезапно улучшил свои рассуждения, а просто потому, что ответ стал частью его обучающих данных.

Модели не научились думать. Они выучили ответ.

Вот что я всегда держу в голове при работе с большими языковыми моделями. Когда кажется, что LLM ‘думает’ над проблемой, обычно он просто вспоминает наиболее распространенный ответ – тот, который уже широко обсуждался и был решен в сети. Это вполне полезно, если *вам* нужно стандартное решение. Но это может быть реальной проблемой – даже катастрофической – если вам нужно что-то оригинальное или решение уникальной задачи.

И теперь худшая проблема.

Часто на этом обсуждения об использовании ИИ в маркетинге и заканчиваются. Люди указывают на необходимость избегать полностью автоматизированных систем – предполагая, что человек всё ещё должен осуществлять надзор – а затем быстро делятся своими мыслями в социальных сетях, часто используя инструменты ИИ, такие как ChatGPT, чтобы помочь им это написать.

Легко понять, когда модель ИИ терпит неудачу. Реальная проблема возникает, когда она *хорошо* выполняет задачу – тогда всё может стать сложным.

Если ИИ-модель хорошо справляется с задачей, обычно это происходит потому, что она была обучена на большом количестве данных, демонстрирующих, как это делать. Поскольку большинство продвинутых моделей обучаются на схожих данных из интернета, их результаты естественным образом будут довольно похожи друг на друга – по сути, усредняя то, что уже широко известно.

В маркетинге самая большая ошибка, которую вы можете совершить, — это слиться с конкурентами. Цель состоит в том, чтобы быть замеченным, быть выбранным и оставаться в центре внимания. Как только коммуникация вашего бренда — будь то ваш голос, концепции кампаний или даже контент — становится неотличимой от других, вы перестаете эффективно заниматься маркетингом и просто добавляете шум.

Джереми Дейли объяснил, что аналогичные результаты происходят, когда разные компании используют одни и те же данные, стремятся к одним и тем же целям и быстро совершенствуют свои подходы. Если несколько компаний вводят одну и ту же информацию в модель, все стремясь максимизировать вовлеченность пользователей, и постоянно улучшаясь быстрыми темпами, они не разработают уникальные стратегии – они в конечном итоге придут к по сути одной и той же стратегии, просто представленной с разным брендингом.

Это не просто ощущение – исследования показывают, что позволение ИИ принимать решения за вас может фактически изменить ваши предпочтения. Исследователи из Колумбийского и MIT обнаружили, что когда люди делегируют решения ИИ, они, как правило, тяготеют к более мейнстримным вариантам, делая свой выбор менее уникальным. Они в шутку назвали это «Эффектом Basic B». Другое исследование в *Science Advances* показало, что хотя ИИ может помочь людям стать более креативными, он также может привести к снижению разнообразия в целом – работа каждого улучшается, но она начинает выглядеть удивительно похожей. Эта закономерность гомогенизации даже проявляется *внутри* самого ИИ, когда модели неоднократно генерируют один и тот же ограниченный набор ответов, даже когда существует множество других возможностей.

Проще говоря, качества, которые, кажется, предпочитают большие языковые модели – такие как быстрая, плавная и последовательная письменная речь, следование установленным правилам – это именно то, что может сделать ваш маркетинг пресным и непримечательным.

Выставка B: Парламент был LinkedIn-ифицирован.

Для примера из реальной жизни, демонстрирующего объединение различных идей, достаточно взглянуть на британскую Палату общин.

Журнал Pimlico Journal проанализировал каждое слово, произнесенное в Хансарде с 2007 по 2025 год, и отследил частоту Z-оценки фраз, которые являются контрольными тиками ChatGPT. «Я встаю, чтобы говорить». «Это не просто». «Навигация». «Подчеркивает». «Оптимизация». «Не просто [X], а [Y]». «Суета». Фразы, которые колебались по базовому уровню в течение 15 лет, а затем, почти до недели выпуска ChatGPT в конце 2022 года, резко вылетели из графика. Только фраза «Я поднимаюсь, чтобы говорить» к 2025 году достигнет Z-оценки 3,60. The Telegraph подхватила эту историю под заголовком «ChatGPT вызывает рост числа членов парламента, использующих речи, написанные с помощью ИИ».

Давайте отложим политические вопросы на мгновение. С точки зрения маркетинга, подумайте вот о чем: у нас есть 650 человек, каждый из которых сосредоточен на своей местной области, личных интересах и создании узнаваемого публичного имиджа, все они пытаются переизбраться. Теперь, позволив ИИ писать их материалы, они все начинают звучать одинаково – как один и тот же человек, который пишет большинство общих постов, которые вы видите в LinkedIn.

Так естественно происходит сближение. Дело не в тайных планах, или в нежелании или неспособности людей. Это просто происходит, когда все начинают с одной и той же информацией, оцениваются по одним и тем же стандартам и следуют похожему процессу: пробуют что-то, смотрят, что получается, а затем делают больше этого. И в мире маркетинга это почти всегда так.

Подумайте о применении этой идеи ко всему, что создает ваш бренд – заголовкам вашего веб-сайта, мета-описаниям, началам в блогах, идеям кампаний, тому, как вы говорите, вашему экспертному контенту и даже вашим продажным презентациям. Затем будьте честны с собой: после всего этого брендинга, какие реальные различия остаются, на основе которых клиенты могут сделать свой выбор?

Выставка C: Тактический MSPaint.exe в LinkedIn

Я случайно провёл свой собственный контрольный эксперимент.

В последнее время я делился советами и обновлениями по SEO в LinkedIn, и, честно говоря, сопровождающие визуальные материалы ужасны. Я говорю о серьёзно базовых рисунках MS Paint – представьте себе фигурки, обозначенные как ‘SEO’, указывающие на роботов, представляющих Google Search Console. Они не преднамеренно причудливы; они просто… плохо сделаны и, вероятно, созданы человеком, которому не стоит доверять программное обеспечение для дизайна.

Этот пост достиг 35 363 человек, получил 448 реакций, 46 комментариев и 24 репоста. Дело было не в том, что работа была особенно хороша – на самом деле, она не была великолепна – а в том, что она выглядела подлинно нарисованной от руки. Это выделялось, потому что платформа наводнена изображениями, созданными ИИ, все с похожими сценами разнообразных, улыбающихся профессионалов, празднующих перед цифровыми дисплеями.

Я часто слышу, как люди говорят, что им нравится теплота моих изображений, или что они ценят личный подход. И именно этого я и добиваюсь. Сейчас существует реальное желание видеть вещи, которые ясно показывают, что их создал человек – что-то, что кажется, будто это было намеренно создано с учетом ваших пожеланий.

Или, как выразился Тайлер Дерден в Бойцовском клубе:

Эти стеклянные изделия, с их маленькими пузырьками и дефектами, показывают, что они были сделаны с любовью местными жителями, которые вели простую и трудолюбивую жизнь.

То, что началось как лёгкая насмешка над типичными привычками расходов, удивительным образом превратилось в популярный подход к созданию контента в LinkedIn.

Что это значит для цифрового маркетинга

Хорошо. Так что же вы на самом деле делаете с этим, кроме как киваете головой с видом знатока и возвращаетесь к подсказкам?

Сосредоточьтесь на использовании больших языковых моделей (LLMs) для задач, в которых они преуспевают, с чёткими целями, и будьте довольны результатами, которые «достаточно хороши». Для рутинных задач, таких как генерация alt text для множества изображений, суммирование встреч или написание быстрых, профессиональных электронных писем – даже если получатель указан неверно – LLMs фантастичны. Недостаток среднего результата минимален. Люди не будут выбирать вашу компанию, основываясь на том, насколько хорошо суммируются ваши внутренние записи встреч. Используйте инструмент, освободите время и двигайтесь вперёд.

Не полагайтесь на ИИ в вопросах, которые могут привести к катастрофическим последствиям, если вы просто средний специалист. Это относится к важнейшим элементам брендинга, таким как ваше сообщение, заголовки, то, как вы привлекаете внимание, идеи кампаний и ваш общий голос. В любой ситуации, когда клиенты выбирают между вами и вашими конкурентами, *вы* должны принимать решение. Позволять ИИ решать означает соглашаться быть таким же хорошим, как все остальные – а это никогда не выигрышная стратегия.

Воспринимайте то, что генерирует ИИ, как отправную точку, а не конечный ответ. Полезная техника — сначала получить первоначальный ответ от ИИ, а затем спросить его, как выглядел бы абсолютно противоположный вариант. Наконец, спросите себя, что *ваш* бренд сделал бы в той же ситуации уникальным образом. ИИ часто предоставляет наиболее распространённый или ожидаемый ответ, и ваша роль — понять эту базовую линию, чтобы намеренно создать что-то отличное и более узнаваемое.

Сосредоточьтесь на уникальной информации, к которой у ИИ нет доступа. Такие вещи, как ваши собственные эксклюзивные данные, прямые разговоры с клиентами, внутренние исследования и неопубликованные мнения, дают вам реальное преимущество. Если ваши идеи основаны на легкодоступной общедоступной информации, они не являются по-настоящему ценными. Как отмечает Джереми Дейли, лучшие возможности возникают, когда у вас есть уникальные источники данных, и другим требуется время, чтобы догнать.

Сделайте вашу работу по-настоящему человечной. Добавьте личные штрихи, такие как иллюстрации, конкретные истории, причудливый язык или даже мнения, которые не являются общепринятыми. Сосредоточьтесь на мелких деталях – на тех вещах, которые показывают, что её создал настоящий человек. Люди сейчас ищут эти признаки подлинности, и не требуется много усилий, чтобы убедить их в том, что в создании участвовал человек.

Не принимайте плавное письмо чат-бота за настоящий интеллект. Тот факт, что ИИ может быстро генерировать текст, не означает, что он умнее человека – он просто быстрее. Подумайте об этом как об автомойке: если ситуация требует реального понимания, креативности или менее распространённого решения, это сигнал прекратить полагаться на ИИ и начать думать самостоятельно.

TL;DR

Как SEO-эксперт, я внимательно слежу за большими языковыми моделями. Они невероятно хорошо предсказывают следующее слово – их ‘дикция’ безупречна. Но у них есть уникальные слабости. В отличие от человека, они не *понимают* контекст, поэтому могут уверенно давать вам бессмысленные советы, основанные на закономерностях в данных. Это простая ошибка, которую можно заметить. Большая проблема, и реальная забота для маркетологов, заключается в том, что они *успевают* слишком хорошо. Они склонны направлять всех к одному и тому же, среднему ответу, а в мире SEO и маркетинга крайне важно выделяться – быть *отличным* от других. Нам нужна оригинальность, а не только статистически вероятные ответы.

Проблема конвергенции ИИ описывает, как общие данные, общие цели и быстрая итерация могут привести к тому, что все примут схожие, часто непримечательные подходы. Мы уже начинаем видеть это в правительстве, и это затронет каждую отрасль. Ключевой вопрос заключается в следующем: будет ли ваша уникальная стратегия размыта до среднего уровня, или она выделится как освежающая альтернатива скучному и предсказуемому?

Не думай как робот.

Смотрите также

2026-06-09 14:17