Adversarial Explanation Attacks: как AI манипулирует доверием через стиль объяснения

Парадокс: Люди доверяют не правильности ответа AI, а тому насколько убедительно звучит объяснение. Даже неправильный ответ с «правильными» цитатами, пошаговой логикой и нейтральным тоном воспринимается как экспертный. Исследование Adversarial Explanation Attacks (AEA) показывает, как создавать убедительные промпты через 4 рычага стиля объяснения И как защититься от манипулятивных ответов AI. Четыре измерения убедительности: reasoning mode (как строится логика: пошагово vs через аналогии), evidence type (цитаты vs формулы vs внутренняя логика), communication style (нейтральный vs эмпатичный vs подхалимский), presentation format (текст vs графики). Комбинируя их правильно — adversarial explanations сохраняют до 90% доверия, даже будучи неправильными.