Когда в группу людей, которая совместно вырабатывает общий язык описания чего-то (общую формулировку, термин, договорённость), подмешивают AI-агентов, результат зависит не от того, "хороший ли AI", а от какой процент группы он занимает. Немного AI — договорённость людей укрепляется. Средняя доля — всё разваливается, никто ни с кем не соглашается. Много AI — согласие снова высокое, но теперь это уже не человеческая договорённость, а AI-договорённость: она более сухая, абстрактная, оторванная от живого опыта.
Главная находка — это не просто "AI мешает или помогает". AI-версия консенсуса отличается по содержанию: люди сами по себе приходят к конкретным, образным формулировкам ("сидит кролик на фоне") через живые аналогии и сюжеты. Когда в группе много AI, итоговая формулировка становится геометрической и перечислительной ("треугольник, квадрат, асимметрично") — как будто из инструкции по сборке, а не из живого разговора. Причина в том, что у всех AI-агентов общий стартовый "словарь" (из обучения), и они почти не меняют свою формулировку раунд за раундом — в отличие от людей, которые сначала активно подстраиваются друг под друга. Это делает AI-версию текста устойчивой "точкой притяжения", к которой постепенно стягивается вся группа.
Механика в исследовании раскладывается на два процесса. Со стороны AI — общая языковая "заготовка" + стабильность формулировок создают притяжение. Со стороны людей — сначала есть сопротивление: узнав, что партнёр — AI, человек неохотно копирует его фразы. Но по мере роста доли AI это сопротивление слабеет, и давление подстроиться под общую норму группы (конформизм) перевешивает.
Схема находки
ДОЛЯ AI ~12%: AI подстраивается под людей → консенсус людей усиливается (+8%)
ДОЛЯ AI 33-50%: AI и люди тянут в разные стороны → консенсус разваливается (-15...-23%)
ДОЛЯ AI ~75%: AI не меняется, люди подстраиваются под AI → консенсус восстанавливается,
но становится сухим, абстрактным, "AI-led"
Отдельно — рычаг, который исследователи проверили через прямое изменение промпта агента:
ФАЗА РАННИХ РАУНДОВ: агенту дают инструкцию "активно перенимай формулировки партнёра"
→ агент встраивается в словарь людей, но теряет влияние на смысл (CLR падает)
ФАЗА ПОЗДНИХ РАУНДОВ: агенту дают инструкцию "твёрже держись своей формулировки"
→ консенсус слабее по силе, но агент сильнее влияет на итоговый смысл (CLR растёт)
Вывод: максимальное и здоровое влияние агента получается не от одной стратегии, а от последовательности: сначала подстраиваться, потом — держаться своего.
Пример применения
Задача: Служба поддержки во ВКонтакте-группе крупного бренда. Часть ответов клиентам пишут живые операторы, часть — AI-бот. Со временем команда хочет, чтобы у бренда сложился единый стиль общения (tone of voice), но боится, что бот "перетянет" стиль в сухие канцелярские формулировки, а не в живой человеческий язык.
Промпт для настройки поведения бота (на основе найденного рычага adoption–persistence):
Ты — бот поддержки бренда {название}. Твоя задача — не задавить своим стилем
живых операторов, а органично влиться в их манеру речи.
Первые 2 недели работы:
- Активно перенимай слова, обороты и интонации, которые используют
живые операторы в этом чате
- Не навязывай собственные формулировки, даже если они кажутся точнее
- Явно ссылайся на конкретные, вещественные образы и примеры из жизни
клиента, а не на абстрактные категории ("не подошёл размер" вместо
"несоответствие параметрам")
После того как заметишь, что твои ответы совпадают по стилю с командой:
- Начни держаться найденных формулировок стабильно, не меняй их
от диалога к диалогу
- Продолжай использовать конкретные образы и избегай сухих
перечислений и канцелярита
Результат: В первую фазу бот будет звучать максимально похоже на живых операторов — это нужно, чтобы он не выделялся и не вызывал отторжения у клиентов и у самой команды. Во вторую фазу его формулировки станут "якорем" — команда начнёт непроизвольно перенимать удачные фразы бота, потому что они уже привычны и стабильны. Явное требование "конкретные образы" — защита от того, что стиль бренда со временем скатится в абстрактный канцелярит, что и происходит в исследовании при доминировании AI-голоса.
Почему это работает
Люди в диалоге естественно тянутся к устойчивым, повторяющимся формулировкам — это экономит усилия на согласование смысла. AI-модель, благодаря общему обучению, выдаёт похожие формулировки почти всегда одинаково, из раунда в раунд, без "усталости" или дрейфа. Это делает её текст надёжной точкой опоры для группы — даже если содержание менее живое.
Слабость AI — в том, что его "прирождённый" стиль тяготеет к абстрактным, перечислительным конструкциям, а не к образным аналогиям и сюжетам, которые используют люди. Сильная сторона AI — стабильность и предсказуемость формулировок при повторных обращениях.
Метод-рычаг (adoption → persistence) работает, потому что использует эту стабильность осознанно и по фазам: сначала заставляет модель мимикрировать под человеческий стиль (чтобы её не отвергли как "чужую"), а затем — держаться найденной формулировки (чтобы закрепить влияние). Рычаги, которые можно крутить: - Доля AI-участников в группе → чем выше, тем сильнее итоговый стиль смещается к AI-формулировкам. - Инструкция "перенимай/держись" → меняет баланс между силой консенсуса и глубиной влияния AI на смысл. - Явное требование конкретики и аналогий → противодействует естественному дрейфу AI-текста в абстракцию.
Ограничения
⚠️ Узкая экспериментальная задача: эксперимент — это описание абстрактных фигур (танграмов) в игровой обстановке. Перенос на реальные бизнес-переговоры, голосования или редакционные решения требует дополнительной проверки.
⚠️ Маленькие выборки в крайних условиях: при высокой доле AI в группе оставалось мало людей (иногда 6 человек), поэтому часть эффектов (например, рост конформного давления) не достигла статистической значимости.
⚠️ Эффект зависит от "силы" модели: более слабая модель почти не создавала притяжения — устойчивость формулировок появляется только у достаточно мощных LLM. С маленькими или дешёвыми моделями эффект может не воспроизвестись.
⚠️ Это не готовая техника, а поведенческая находка: прямого "скопируй-и-используй" промпта для типичной работы в чате нет. Рычаг adoption-persistence нужно самостоятельно адаптировать под свою ситуацию (командная работа, комьюнити-менеджмент, мультиагентные симуляции).
Как исследовали
Исследователи взяли коллаборативную игру на описание фигур: людям и AI-агентам (модель Qwen2.5-VL-32B) случайным образом назначали партнёра, оба независимо описывали одну и ту же абстрактную фигуру-танграм, получали описание партнёра и оценку похожести — и так 40 раундов, пока группа не вырабатывала общий "жаргон" для фигуры. Долю AI-агентов в группе меняли: 0%, 12,5%, 33,3%, 50%, 75%.
Дальше сравнивали итоговый уровень согласия групп, направление "движения" словаря людей и агентов друг к другу, а также содержание итоговых формулировок — конкретность, плотность идей, наличие аналогий, целостность образа, динамичность повествования. Отдельно провели манипуляцию через промпт: агентам явно предписывали либо активнее перенимать язык партнёра, либо жёстче держаться своего — чтобы проверить причинно-следственную связь, а не просто корреляцию.
Удивительным оказалось, что 12,5% и 75% AI давали похожую силу консенсуса, но по совершенно разным механизмам — в одном случае AI подстраивался под людей, в другом люди подстраивались под AI. Это разделение и стало главным сюжетным поворотом статьи: сила согласия и его содержание — это две разные оси, и они не всегда двигаются вместе.