Мойте руки перед ИИ. Или опыт экологичного писательского процесса вместе с нейросетью.

Человеческое художественное письмо с «приходом» ИИ изменилось.

Изменились и сами писатели. В и без того полноводные реки авторских тревог добавилось новых переживаний. Теперь одни авторы боятся отстать, другие — что их вытеснят, третьи — что их разоблачат, четвёртые — что им не поверят, пятые — что их не заметят, шестые боятся поглупеть. Смело можно заявить, что атмосфера нездоровая.

А как известно, чтобы снизить риски заболеваний, нужно соблюдать определённые правила гигиены. Вот и с использованием LLM для письма — та же песня.

Немного моего бэкграунда. У меня довольно «тесная взаимосвязь» с ИИ, я использую языковые модели с самых первых их версий. Я много лет живу в эмиграции и не разбрасываюсь возможностями побеседовать о сложном на родном языке. Однако стараюсь придерживаться когнитивной гигиены и не скармливаю все свои мыслительные ресурсы цифре. Так что очевидно, что я принадлежу к «шестому лагерю писателей», которые побаиваются поглупеть из-за использования такого милого, услужливого и полезного ИИ. Последние два года я поизучала вопрос машинного письма, понаблюдала за другими авторами, поэкспериментировала и пришла сейчас к следующим правилам гигиены писательства в содружестве с ИИ.

1. Озадачиваться самостоятельно + первый черновик без LLM

Никогда не иду к ИИ с запросом вроде «Как думаешь, о чём мне написать?». Есть у группы Otto Dix в одной песне такая простая, но показательная строчка: «Без ваших целей наша жизнь пуста». У ИИ нет потенции размышлять о чём-то, потому что его это волнует. У ИИ нет резона о чём-то думать чисто ради интереса. Как и нет у ИИ стимула выдумывать что-то новое, когда перед его «машинным взором» масса старого, которое можно до бесконечности пересобирать в якобы свежее. А у человека есть эта «досадная черта» – фантазировать, воображать, задумываться. По ряду причин поставленный человеком вопрос «А что если...?» заковыристее «А что если...?», поставленного машиной. Во всяком случае пока заковыристее.

К тому же если писатель ставит перед собой проблему и некоторое время бьётся над ней самостоятельно, а не делегирует вопрос ИИ, то выигрывает не только текст, но и сам автор. Из исследований MIT Media Lab можно предположить, что привычка передавать нейросети самую сложную часть интеллектуальной работы снижает вовлечённость человека в процесс и ухудшает запоминание материала. В эксперименте с написанием эссе участники, работавшие с LLM, хуже воспроизводили собственные формулировки, чем те, кто писал самостоятельно.

Поэтому мне кажется, золотое правило когнитивного здоровья для писателя - это «скрипи мозгами» над произведением до усталости, а потом уже иди с наработками к ИИ.

2. Внимательнее к деталям собственной генерации.

ИИ может «придумать» сотню примеров каким может быть закат. Или как именно кряхтел герой. Однако! Это будут, скорее всего, типичные варианты. (Можно, конечно, «раскачать» ИИ и до здорового креатива, об этом я напишу ниже; но оно вам надо? За каждый симпатичный эпитет потеть с промтом?) А ведь у каждого человека есть между ушами индивидуальный регистратор мелочей и оттенков.

Объективная реальность от человеческого сознания закрыта, однако мы неплохо умеем считывать разнообразные «тональности» и нюансы мира. В 2008 году Тимоти Брэди и его коллеги из MIT провели исследование: несколько часов они показывали участникам эксперимента 2600 фотографий обычных предметов, по три секунды на каждую. Потом людям показывали пары картинок и просили выбрать ту, что они видели. И ничего себе! Испытуемые показали неожиданную точность распознавания деталей: 92% правильных ответов в выборе между тем, что видели, и предметом из совершенного другой категории; 88% правильных ответов при выборе между двумя похожими объектами одного класса (между двумя пультами управления, например); 87% точности, когда нужно было отличить тот же самый предмет от этого же предмета, но в едва изменившемся состоянии (например, комод с закрытыми дверцами от комода с одной открытой дверцей).

То есть, зрительная долговременная память человека обладает колоссальной ёмкостью и способна хранить тысячи объектов с невероятной точностью к деталям, а не только в виде общих абстрактных образов. Дальше лучше! Способность видеть и запоминать детали можно прокачивать.

В 2008 году в Гарварде медики-первокурсники прошли обучение Бостонского музея изящных искусств, в котором искусствоведы тренировали медиков внимательно смотреть на картины и отвечать на классические Visual Thinking Strategies вопросы:
1. Что происходит на этой картине? (активное наблюдение запускается)
2. Что визуально на картине подтверждает ваш ответ? (отделяется «то, что я додумал» от «то, что я реально вижу»).
3. Что ещё мы можем заметить? (поиск продолжается, углубляется внимательность).

Затем студенты переносили этот навык на осмотр пациентов по медицинским снимкам и точных наблюдений стало на 38% больше. Кроме того, первокурсники давали более глубокие и детализированные описания.

Получается, что способность человека замечать детали – это не какой-то врождённый дар, а навык, который хорошо прокачивается. И что это, если не возможность учиться писать выразительнее, объёмнее, минуя штампы? И не забывайте, что мы не только смотрим на мир, но и трогаем его, нюхаем и на зубок даже пробуем. (О способах лучше регистрировать визуальные, аудиальные, вкусовые и тактильные детали поговорим с вами как-нибудь потом, если выкажете желание в комментариях).

Здесь снова упомяну, что очень важно задумываться о чём-то самостоятельно. Детали реальности замечает тот, кто смотрит на неё через «фильтр озадаченности».

С человеческими склонностями к деталям всё более или менее понятно, а как быть с ИИ-шной «въедливостью» до мелочей? Может же как-то машина послужить тексту? Может.

3. Разрешить ИИ проанализировать грамматические детали текста.

Автор видит в своём тексте замысел и потому частенько не замечает опечатки. Для ИИ же текст – это весь текст сразу, состоящий из кусков слов. Если попросить ИИ проверить в написанном тексте ошибки, машина, которая знает, как обычно выглядит грамотный русский текст, отметит места, где присланный текст отличается от «стандарта красоты». Однако «в ошибках» окажутся и авторские находки, и просторечия героев, и необычный художественный порядок слов. Поэтому я в этом вопросе придерживаюсь простого правила: прошу отметить ошибки в тексте, но не исправлять их. А после того, как модель проверит мой текст, всё равно несу опус на дополнительный «чек-ап» к специализированным системам типа Орфограммки, которые заточены на словарях и поточнее работают с многообразием правил русского языка. Я жуткий дисграфик и дислексик, поэтому да... Мои тексты нужно по сто раз перетряхивать.

Но вся эта цепочка проверок всё равно не заменяет хорошего редактора-человека. Когда мой отутюженный машинами текст просматривает редактор, правок ко мне всё равно стыдное разнообразие.

4. Искать информацию с ИИ можно, но осторожно.

Если для текста нужно поискать факты и информацию, то быстрее всего провернуть это дело с помощью ИИ. Главное, держать перед собой данные сравнительного тестирования First Page Sage, проведённого в сентябре 2026 года. Вот они:

А. Меньше всего ошибок делает Claude, за ним идут ChatGPT, Google Gemini, Microsoft Copilot, Grok, Meta AI, DeepSeek.

Б. Чем быстрее меняется информация, тем выше риск ошибки. Поэтому чаще всего ИИ ошибается в информации о местных компаниях и организациях (доля неправильных ответов 26,4%), в юридических вопросах (23,8%), в текущих событиях (21,2%), в информации о товарах и брендах (19,7%), в финансах (17,1%), в медицине и здоровье (15,3%), в программировании (12,4%), в науке и технических вопросах (9,6%), в исторических фактах (6,8%).

В. Вопрос влияет на ответ. Если попросить пересказ предоставленного документа, то риск нарваться на галлюцинации всего 4,3%. Простой поиск факта — 7,2%. Многоступенчатое рассуждение – это уже 14,8%. Запрос статистики и числовых данных — 22,6%, источники и цитаты — 27,9%, узкоспециализированные темы и вопросы с ложной предпосылкой — это уже 31,4% и 46,7% соответственно. (Для справки: исследователи считают галлюцинацией наличие хотя бы одного фактически ошибочного утверждения в ответе. Это не означает, что ответ целиком неправильный).

Г. Чтобы было меньше галлюцинаций, можно пользоваться таким методом: прописать ИИ возможность поиска в интернете + расширенное рассуждение + дать инструкцию: сообщать о неопределённости. Запрос будет выглядеть примерно так: «Найди информацию в интернете и проверь её по нескольким независимым надёжным источникам. Сопоставь найденные данные, обрати внимание на противоречия и не делай выводов, которые не подтверждаются источниками. Если достоверно установить ответ не получится, скажи об этом».

Собирать информацию с ИИ, конечно, быстрее, чем «нагугливать» её шаг за шагом, но готовьтесь потратить часть высвободившегося времени на перепроверку данных.

Когда со сбором данных разобрались, пора переходить к самому каверзному правилу в списке.

5. Совместное исследование темы, сюжета, героев, где ИИ — знаток клише.

Почему это непростой и даже щекотливый процесс? Во-первых, потому, что есть у человеческого мышления и у машинного интеллекта общая глубинная черта — выбирать знакомый и очевидный ответ на поставленный вопрос. У людей этот механизм называется шаблонным мышлением. А у ИИ это эффект mode collapse, то есть сужение разнообразия генераций — унаследованная от людей любовь к знакомому.

А во-вторых, ИИ склонен «поддакивать» и льстить пользователю, жертвуя правдой ради вежливости. Исследователи Anthropic в работе Towards Understanding Sycophancy in Language Models (2023, обновлённая версия 2025) показали, что мнение пользователя способно влиять на ответы языковой модели даже там, где правильность можно проверить объективно. Если пользователь заранее подсказывал неверный ответ, точность модели могла снижаться. А если после правильного ответа пользователь выражал сомнение, модель иногда отказывалась от собственного верного решения и соглашалась с человеком. Название этому дали «сикофанство» и объяснили феномен тем, что поведение во многом стимулируется методом обучения на основе отзывов людей: и люди-оценщики, и автоматические модели вознаграждения склонны отдавать предпочтение тем ответам, которые соответствуют их собственным убеждениям.

Сегодня разработчики ИИ внедряют новые методы обучения, где ИИ поощряют за честность и объективность, но пока имеем то, что имеем.

В общем, садясь за стол, чтобы хорошенько обсудить с ИИ свой свеженький черновик, можно незаметно угодить в круговорот взаимного «целования в попу» и так и не придумать ничего захватывающего, оригинального, сложного.

А значит, нужно сломать стандартный паттерн поведения ИИ и переключить его в режим критика и соавтора. Я делаю это так:

• Ослабление сикофанства.

Исследование от Anthropic, которое я упомянула выше, в помощь! Не показываю LLM своё отношение к происходящему. Никакого «вот тебе мой кропотливо написанный текст» в промте. Плюс требую доказательства. Общая похвала для ИИ ничего не стоит, а просьба показать конкретную фразу заставляет его опираться на текст, а не на моё настроение.

• Запрос на генерацию редких сценариев.

Как я уже писала, у нейросети есть проблема под названием mode collapse – выдача узкого набора стандартных ответов.

Чтобы обойти это ограничение, авторы исследования Verbalized Sampling: How to mitigate mode collapse and unlock LLM diversity разработали метод Verbalized Sampling — просили модель выдать не один конкретный ответ (например, «Расскажи анекдот»), а просили сгенерировать несколько вариантов и написать их вероятности, то есть насколько этот конкретный ответ типичен, естественен и ожидаем в человеческом языке (например, «Сгенерируй 5 разных анекдотов и укажи их вероятности»). Исследование показывает, что модель, «задумываясь» о вероятностях и распределении вариантов, раскрывает своё внутреннее творческое разнообразие.

Я адаптирую это наблюдение под писательское мастерство так: предлагаю сильной LLM написать пять вариантов развития сюжета и каждый оценить, насколько он типичен для данного жанра, по шкале от 1 до 10. Плюс прошу объяснить, какие жанровые клише в варианте используются и насколько они предсказуемы для читателя.

• Запрос на пошаговое размышление.

По исследованиям Google Research «Chain-of-Thought Prompting Elicits Reasoning in Large Language Models» видно, что если заставить модель формулировать промежуточные шаги рассуждения (а не выдавать готовый ответ сразу), она реже ошибается и демонстрирует более сложную логику.

В своих работах я не прошу ИИ сразу оценивать всю идею. Сначала предлагаю проверить отдельные элементы: причинно-следственные связи, мотивацию персонажей, внутренние противоречия, альтернативные объяснения. А уже после этого прошу сформулировать общий вывод.

А теперь все три метода вместе!

Дабы ваша следующая беседа с ИИ о новом произведении прошла продуктивнее, предлагаю такие промты.

▼ Промт для поиска сюжета и генерации идей ▼

Предлагаю исследовать творческие возможности художественного произведения, его сюжета, персонажей или отдельных ситуаций.

Твоя задача — расширять пространство возможных решений, помогать обнаруживать неочевидные идеи и исследовать различные направления развития истории.

Принципы работы:

1. Независимость суждений.

Не соглашайся автоматически с предложенными предположениями и не подстраивай идеи под мои ожидания. Не хвали из вежливости. Если считаешь какое-либо решение интересным, объясни его художественный потенциал. Если видишь ограничения, обозначь их.

2. Разнообразие вместо предсказуемости.

Не ограничивайся первыми очевидными ассоциациями. Предлагай действительно разные направления развития, а не вариации одной идеи.

При исследовании сюжетной ситуации:

• Сначала выдели исходные условия и уже установленные обстоятельства.

• Определи наиболее очевидные решения и распространённые жанровые клише.

• Предложи пять содержательно разных вариантов развития.

• Обязательно исследуй хотя бы два неочевидных направления, которые выходят за пределы привычных сюжетных решений, но остаются логически и психологически убедительными.

• Для каждого варианта оцени его типичность для выбранного жанра по шкале от 1 до 10, где 1 — относительно редкое решение, а 10 — распространённый сюжетный ход. Объясни оценку и укажи используемые жанровые клише. Помни, что это субъективная оценка, а не объективная статистика.

Не считай необычность достоинством сама по себе, а привычность — недостатком. Оценивай, насколько идея может работать в конкретном произведении.

3. Последовательное исследование.

Не торопись с готовым решением. Рассматривай идеи через их художественный потенциал, психологическую убедительность, причинно-следственные связи и возможные последствия для дальнейшего повествования.

Отделяй установленные факты от предположений и новых предложений. Если для развития идеи не хватает информации, обозначь, какие допущения ты делаешь.

Не пытайся написать произведение за меня или принимать окончательные творческие решения. Твоя задача — расширять мои возможности, а не заменять авторский выбор.

Исходные данные

Жанр: [...]

Завязка или сюжетная ситуация: [...]

Уже установленные обстоятельства и ограничения: [...]

Вопрос, который предстоит исследовать: [...]

▼ Промт для критического анализа текста ▼

Предлагаю провести независимый анализ представленного художественного текста, его сюжета, персонажей или отдельных элементов.

Рассматривай материал как самостоятельный объект исследования. Не делай предположений об авторстве, личных предпочтениях и эмоциональной привязанности к отдельным решениям.

Принципы работы:

1. Независимость суждений и доказательность.

Не соглашайся автоматически с моими оценками и предположениями. Не хвали из вежливости и не придумывай недостатки ради демонстрации строгости.

Обосновывай существенные выводы конкретными фрагментами текста, поступками персонажей или установленными обстоятельствами. Если считаешь решение удачным или неудачным, покажи, что именно в тексте подтверждает твою оценку.

Не выдавай собственные интерпретации за факты.

2. Последовательный анализ.

Не торопись с общей оценкой. Сначала проверяй конкретные элементы, имеющие отношение к поставленной задаче, и только после этого формулируй вывод.

Обращай внимание на:

• причинно-следственные связи и внутреннюю логику событий;

• мотивацию, психологию и последовательность поступков персонажей;

• временную, пространственную и информационную согласованность;

• подготовленность сюжетных поворотов и последствия принятых решений;

• жанровые клише, предсказуемость и драматургическую убедительность.

Не превращай этот перечень в обязательную анкету: исследуй те аспекты, которые действительно важны для рассматриваемого материала.

3. Различение проблем и художественных решений.

Отделяй реальные логические противоречия от недостатка информации, психологической неоднозначности, драматургических рисков и субъективных вкусовых предпочтений.

Не считай нелинейность повествования, открытый финал, внутренние противоречия персонажей и нарушение жанровых ожиданий недостатками сами по себе.

Если обнаруживаешь проблему:

• укажи конкретное основание для замечания;

• объясни, почему это может не работать и как отразится на восприятии произведения;

• оцени серьёзность проблемы;

• предложи возможные способы исправления, если они необходимы.

Если ситуация допускает несколько трактовок, проверь альтернативные объяснения. Если информации недостаточно, прямо скажи об этом, не превращая предположение в доказанную ошибку.

Не пытайся сделать текст привычным, гладким или удобным ценой его художественной индивидуальности.

Твоя задача — установить, насколько убедительно работает произведение на собственных художественных условиях.

Исходные данные

Жанр: [...]

Краткое описание произведения или необходимый контекст: [...]

Материал для анализа: [...]

Что необходимо проверить в первую очередь: [...]

И помните! Ни один промпт не гарантирует, что модель будет продуктивно следовать ему до конца, особенно в длинном разговоре. Если почувствуете, что LLM снова начала поддакивать или переписывать, проще открыть новый чат с тем же промптом, чем спорить в старом. 

На этом закругляюсь, выпуская вас из этой духоты.

Спасибо, что почитали. 

Также спасибо Клоду, Джеминай и ДжиПиТи, что помогли определиться с вектором этой заметки, помогли разобраться с промтами и с первоисточниками исследований, и что почистили этот текст от грубых грамматических и логических ошибок.

Буду рада, если напишете, каких правил общения с ИИ придерживаетесь вы.
А больше моих заметок можно почитать на моём сайте

Источники:

1. Kosmyna, N., Hauptmann, E., Yuan, Y. T., Situ, J., Liao, X.-H., Beresnitzky, A. S., Braunstein, I. and Maes, P. (2025). Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. arXiv preprint arXiv:2506.08872 (revised 31 December 2025).

2. Brady, T. F., Konkle, T., Alvarez, G. A. and Oliva, A. (2008). Visual long-term memory has a massive storage capacity for object details. Proceedings of the National Academy of Sciences, 105(38), 14325–14329.

3. Naghshineh, S., Hafler, J. P., Miller, A. R., Blanco, M. A., Lipsitz, S. R., Dubroff, R. P., Khoshbin, S. and Katz, J. T. (2008). Formal art observation training improves medical students’ visual diagnostic skills. Journal of General Internal Medicine, 23(7), 991–997.

4. Cerqueira, A. R., Alves, A. S., Monteiro-Soares, M., Hailey, D., Loureiro, D. and Baptista, S. (2023). Visual Thinking Strategies in medical education: a systematic review. BMC Medical Education, 23, 536.

5. First Page Sage Research Team (2026). AI Hallucination Statistics: October 2026. First Page Sage (reporting results from testing conducted in September 2026).

6. Sharma, M., Tong, M., Korbak, T., Duvenaud, D., Askell, A., Bowman, S. R., Cheng, N., Durmus, E., Hatfield-Dodds, Z., Johnston, S. R., Kravec, S., Maxwell, T., McCandlish, S., Ndousse, K., Rausch, O., Schiefer, N., Yan, D., Zhang, M. and Perez, E. (2023; revised 2025). Towards Understanding Sycophancy in Language Models. arXiv:2310.13548.

7. Zhang, J., Yu, S., Chong, D., Sicilia, A., Tomz, M. R., Manning, C. D. and Shi, W. (2025). Verbalized Sampling: How to Mitigate Mode Collapse and Unlock LLM Diversity. arXiv:2510.01171.

8. Wei, J., Wang, X., Schuurmans, D., Bosma, M., Ichter, B., Xia, F., Chi, E., Le, Q. V. and Zhou, D. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. Advances in Neural Information Processing Systems, 35.