TL;DR
Когда вы просите LLM отредактировать ваш текст — даже с инструкцией «исправь только грамматику» — модель значительно меняет смысл и аргументацию, а не только орфографию. Это не ошибка пользователя и не вопрос неточного промпта. Это системное свойство: LLM тянет любой текст в сторону своего «среднего» стиля, независимо от инструкций.
Главная находка: 70% участников, которые активно использовали LLM при написании эссе, потеряли собственную позицию — их текст стал нейтральным вместо «за» или «против». Даже люди, которые написали текст сами и попросили LLM лишь поправить грамматику, получили другой текст по смыслу. На карте семантического пространства LLM-отредактированные тексты уходят в одну точку — туда, где не было ни одного человеческого текста до ChatGPT. Все модели делают это одинаково: GPT, Claude, Gemini — стрелки на графике летят в одну сторону.
Механизм прост: LLM обучена на огромной массе текстов, у неё есть своё «среднее» представление о том, как должно звучать эссе о беспилотных машинах или счастье. Когда она редактирует — она тянет текст к этому среднему. Ваша живая формулировка «смерть женщины в Аризоне от рук беспилотника» превращается в «трагическое столкновение, выявившее необходимость регуляции». Смысл другой. Тон другой. Голос — ваш уходит.
Схема дрейфа по уровням использования
УРОВЕНЬ 0: Пишете сами
→ Текст остаётся в зоне человеческих текстов
→ Малые, разнонаправленные изменения при правке
УРОВЕНЬ 1: LLM-Influenced (спросили совет, написали сами)
→ Небольшой дрейф смысла
→ Голос частично сохранён
УРОВЕНЬ 2: LLM редактирует ваш готовый текст — даже «только грамматику»
→ Значительный сдвиг семантики
→ Начинается гомогенизация
УРОВЕНЬ 3: LLM пишет за вас
→ Текст уходит в «зону LLM» — туда, где нет человеческих текстов
→ Аргументативная позиция теряется (~70% случаев)
→ Эмоциональность удваивается (и позитивная, и негативная)
→ Живые детали заменяются генерализациями
Все уровни — в одном чате. Разница только в том, насколько вы отдаёте текст модели.
Пример применения
Задача: Андрей Мусиенко пишет колонку для VC.ru о том, почему ИИ-стартапы переоценены. Написал черновик сам — с острыми формулировками, личными наблюдениями, живым голосом. Хочет «причесать» текст перед публикацией.
❌ Промпт, который убьёт голос:
Отредактируй мою колонку. Исправь грамматику, сделай текст
более профессиональным и читаемым.
[текст колонки]
Что произойдёт: Модель заменит «венчурные мальчики с деньгами дяди» на «инвесторов в ранних стадиях», смягчит все острые тезисы, добавит оговорки в каждое утверждение, удвоит канцелярит. Позиция станет нейтральнее — «с одной стороны, с другой стороны».
✅ Промпт, который сохраняет голос:
Прочитай мою колонку и ответь на вопросы — без правки текста:
1. Где логика рассыпается или тезис не подкреплён примером?
2. Какие предложения читаются тяжело — синтаксис, не стиль?
3. Есть ли фактические ошибки или спорные утверждения без оговорок?
НЕ переписывай текст. Только список вопросов и замечаний
с цитатами из моего текста.
[текст колонки]
Что произойдёт: Модель выдаст список конкретных вопросов и проблемных мест с цитатами. Вы сами решаете что исправить и как. Голос — ваш. Смысл — ваш. Правки — точечные.
Почему это работает (механика дрейфа)
Слабость LLM: Модель не знает что хотите вы — она знает что хотят все. Её обучали на миллионах текстов, и у неё сформировалось представление о «хорошем нейтральном тексте». Когда вы говорите «улучши» — она улучшает к этому стандарту, а не к вашему голосу.
Почему даже «только грамматика» не работает: Модель не умеет делать только грамматические правки. Когда она видит ваш текст, она обрабатывает его целиком и генерирует «следующий токен» — который будет чуть ближе к её среднему. Инструкция снижает степень изменений, но не устраняет дрейф. В исследовании даже промпт «minimal edits» давал значительный сдвиг семантики на карте.
Как сохранить голос: Отделите диагностику от редактуры. LLM отлично видит логические дыры, фактические ошибки, синтаксически тяжёлые места. Плохо — сохраняет ваш голос при переписывании. Используйте её как умного редактора-советника, который говорит что не так, а не переписывает за вас.
Рычаги управления: - «Не переписывай — только замечания» → ключевая инструкция для сохранения голоса - «Цитируй мой текст» → модель работает с вашими словами, не придумывает свои - «Задавай вопросы, не предлагай замены» → получаете осмысленный диалог вместо нового черновика - Конкретные вопросы вместо «улучши» → чем конкретнее задача, тем меньше пространства для дрейфа
Шаблон промпта
Режим 1 — Диагностика без правки
Прочитай {тип текста} и дай обратную связь в формате вопросов и замечаний.
Не переписывай текст. Только:
1. Где логика рассыпается или тезис не подкреплён?
2. Какие места читаются тяжело по синтаксису?
3. Что звучит спорно или требует оговорки?
Цитируй мой текст при каждом замечании.
{текст}
Режим 2 — Точечная правка
В этом абзаце одна проблема: {конкретная проблема — например, «причастный оборот
читается как скороговорка»}.
Предложи 2-3 варианта как переформулировать это предложение,
сохранив мой тон и смысл.
Мой абзац: {абзац}
Режим 3 — Проверка после правки
Я отредактировал текст. Сравни два варианта и скажи:
- Изменился ли смысл или аргументация?
- Потерял ли текст что-то важное из первой версии?
Версия 1: {оригинал}
Версия 2: {отредактированный текст}
Что подставлять:
- {тип текста} → колонку / письмо клиенту / резюме / пост
- {конкретная проблема} → называйте проблему своими словами, не «улучши»
- {текст} → ваш черновик целиком или нужный фрагмент
🚀 Быстрый старт — вставь в чат:
Вот три шаблона для работы с текстом без потери голоса.
Адаптируй под мою задачу: [твоя задача — например, «хочу причесать пост
для телеграм-канала перед публикацией»].
Задавай вопросы, чтобы я мог использовать нужный режим.
[вставить шаблон выше]
LLM спросит что за текст, в чём конкретная задача — потому что режим выбирается под задачу, и без этого она не знает какой шаблон активировать.
Ограничения
⚠️ Степень дрейфа зависит от типа текста: Исследование проводили на аргументативных эссе с чёткой позицией. Для нейтральных информационных текстов или инструкций дрейф может быть менее критичным — там нет «авторской позиции», которую терять.
⚠️ Детекция ненадёжна: В исследовании использовали Pangram AI для определения LLM-текста в рецензиях. Классификаторы ошибаются — есть ложные срабатывания. Конкретные цифры (21% LLM-рецензий на ICLR 2026) стоит воспринимать как оценку, не как точные данные.
⚠️ Разные инструкции — разный масштаб, не другое направление: Промпты «только грамматика» и «расширь текст» дают разный масштаб дрейфа. Но направление — одинаковое. Все модели тянут в одну сторону.
⚠️ «Умеренное» использование LLM изучено хуже: Участники, которые использовали модель минимально (спросили совет, написали сами), показали меньший дрейф — но граница между «умеренным» и «значительным» использованием нечёткая.
Как исследовали
Исследователи собрали доказательства с трёх сторон — чтобы ни одно не звучало как случайность.
Первая часть: рандомизированный эксперимент на 100 участниках с Prolific. Одни писали эссе о деньгах и счастье сами, другие — с доступом к GPT-4o-mini. Исследователи фиксировали все переписки с моделью и сравнивали итоговые тексты. Инсайт: половина «AI-группы» использовала модель минимально (задавала вопросы, но писала сама) — их тексты почти не дрейфовали. Те, кто отдавал модели генерацию — теряли позицию. Исследователи специально разделили группы до анализа результатов, не после.
Вторая часть: датасет ArgRewrite-v2 — 86 эссе о беспилотниках, написанных студентами в 2021 году (до ChatGPT). У каждого эссе была экспертная обратная связь и человеческая правка. Исследователи попросили GPT-5-mini, Claude Haiku и Gemini 2.5 Flash сделать то же самое — отредактировать под ту же обратную связь. Потом сравнили на карте семантического пространства. Человеческие правки — маленькие стрелки в разные стороны. LLM-правки — большие стрелки в одну сторону, в область где раньше не было ни одного человеческого текста. Это не интерпретация — буквально видно на графике.
Третья часть: реальные рецензии с конференции ICLR 2026. Выбрали только те статьи, где была ровно одна человеческая рецензия и одна LLM-рецензия — чтобы исключить смешение. LLM-рецензии ставили оценки в среднем на балл выше и почти не обсуждали ясность и значимость исследования. Зато налегали на воспроизводимость и практическое применение. Это уже не про стиль — это про то, как меняется сам стандарт оценки науки.
Неожиданное: даже инструкция «грамматика только» не помогла. Все ждали, что жёсткое ограничение задачи снизит дрейф до нуля. Нет — семантический сдвиг остался значительным.
Оригинал из исследования
Пример что происходит с текстом при разных режимах редактуры:
HUMAN DRAFT:
"The topic of self-driving cars is highly debated especially in light of recent
event with the death of an Arizona woman at the hands of a self-driving Uber.
Those for self-driving cars argue that they reduce the rate of accidents...
Those against self-driving cars argue the system does not eliminate accidents,
that there is a learning curve with the technology..."
GENERAL EDIT | gpt-5-mini:
"The debate over self-driving cars intensified after the fatal Arizona collision
involving an autonomous Uber, but a careful assessment shows that the benefits
of adopting self-driving technology outweigh its risks. Autonomous vehicles
promise to reduce crash rates caused by human error..."
GRAMMAR EDIT | CLAUDE-HAIKU:
"The transition phase of slowly adding self-driving cars would cause tension
and last until production costs are reduced. At this time, since the drawbacks
do not outweigh the benefits, America is not ready for self-driving cars until
we can implement them efficiently to truly reap their advantages."
Контекст: Исследователи брали оригинальные эссе из ArgRewrite-v2 и просили разные модели отредактировать их с разными инструкциями. Красным отмечено что исчезло, зелёным — что добавилось. Обратите внимание: «death of an Arizona woman at the hands of» (смерть от рук) превращается в «fatal collision» (трагическое столкновение). Смысл не тот же. Эмоциональная окраска не та же. И это «Grammar Edit», не «General».
Адаптации и экстраполяции
💡 Адаптация для деловой переписки
Тот же принцип работает для писем, КП, переговорных позиций. Попросите LLM отредактировать жёсткое письмо об условиях сделки — получите мягкое.
Я написал письмо партнёру с отказом от условий.
Прочитай и скажи: где моя позиция звучит размыто или
можно интерпретировать как «готов к переговорам»?
Не переписывай. Только укажи конкретные места с цитатами.
[письмо]
🔧 Техника: попросить «сыграть редактора», а не «отредактировать»
Разница тонкая, но работает:
Войди в роль строгого редактора «Кинопоиска», который уважает авторский голос.
Твоя задача — задать мне 5 вопросов о тексте, которые помогут мне
самому найти слабые места. Не правь. Только вопросы.
[текст]
Когда модель «играет роль», фрейм задачи меняется — она не в режиме «улучшить текст», а в режиме «помочь автору найти проблему». Меньше тяги к переписыванию.
🔧 Техника: «Защитная инструкция» перед редактурой
Если всё же нужна правка текста — добавьте якорь перед ним:
Вот мой текст. Перед редактурой запомни три маркера моего голоса:
- Я всегда [конкретная особенность — например, «начинаю с конкретного случая, не с общего тезиса»]
- Я использую [конкретный приём — например, «короткие предложения после длинных для эффекта»]
- Моя позиция: [конкретно — например, «против, не нейтрально»]
Теперь исправь только грамматику и синтаксис, сохранив эти три маркера.
[текст]
Это не устраняет дрейф полностью — исследование показывает, что он всё равно будет. Но явное закрепление якорей снижает его.
Ресурсы
Работа: «How LLMs Distort Our Written Language» (2026)
Проект: sites.google.com/view/llmwritingdistortion
Код: github.com/abdulhaim/llm_writing_distortion
Датасет: ArgRewrite-v2 (Chen et al., 2022) — 86 эссе о беспилотниках с экспертной обратной связью
Авторы: Marwa Abdulhai, Isadora White, Yanming Wan, Ibrahim Qureshi, Joel Leibo, Max Kleiman-Weiner, Natasha Jaques
Аффилиации: UC Berkeley, UC San Diego, University of Washington, Zaytuna College, Google DeepMind