Избиратели нередко воспринимают ответы, сгенерированные искусственным интеллектом, как более "настоящие", чем реальные реплики политиков. К такому выводу пришли авторы недавнего исследования: участники эксперимента регулярно принимали машинные тексты за подлинные и, более того, оценивали их как более уместные и "попадающие в тему", чем дословные ответы, прозвучавшие в эфире. Работа опубликована в научном журнале PLOS One и наглядно показывает, насколько легко современные технологии могут имитировать публичных персон и подпитывать дезинформацию, в которую аудитория охотно верит.
Последние годы генеративный ИИ сделал качественный скачок: системы вроде GPT, Claude и Gemini создают связные тексты на основе закономерностей, извлечённых из огромных массивов данных во время обучения. Они умеют писать убедительные эссе, быстро пересказывать сложные документы, выдерживать тональность и даже копировать узнаваемые стилистические особенности конкретных авторов. Та же способность, которая делает эти инструменты полезными, превращается в уязвимость в политической сфере: подделка "цитат" и "выступлений" становится дешёвой, быстрой и внешне правдоподобной.
Авторы исследования исходили из простого и тревожного вопроса: способен ли обычный гражданин отличить реальное политическое высказывание от текста, написанного машиной? А если отличить не получается - как люди оценивают качество таких подделок по сравнению с человеческой речью? Понимание этих реакций важно не только для академической дискуссии: от них зависит, насколько устойчивыми окажутся публичные дебаты к фабрикациям и манипуляциям.
В качестве "полигона" исследователи выбрали британскую телепрограмму Question Time - популярный формат политических дебатов BBC, где политики, журналисты и представители бизнеса отвечают на актуальные вопросы зрителей в студии. Команда собрала 520 реальных вопросов аудитории и соответствующие им ответы 112 публичных фигур. Эти выпуски выходили в период с июня 2020 года по ноябрь 2021-го, то есть включали темы, по которым у общества было много эмоций и противоречий.
Затем для тех же самых вопросов создали "двойников" ответов с помощью модели GPT‑4 Turbo. ИИ просили "сыграть роль" конкретного человека, который отвечал в эфире. Чтобы помочь имитации, модели давали краткую биографическую справку - первый абзац из страницы публичной фигуры в Википедии. Инструкция была практичной: отвечать прямо на вопрос, писать разговорным языком и держаться объёма около 200 слов.
Когда реальный и сгенерированный наборы текстов были готовы, исследователи привлекли репрезентативную выборку из 948 взрослых британцев. Участникам сообщили, что они читают расшифровки фрагментов теледебатов, но на этом этапе не предупреждали, что половина материалов написана компьютером. Такая "слепая" подача позволяла оценить естественную реакцию читателей без поправки на недоверие к технологиям.
Далее респондентов разделили на три группы с разными условиями проверки. В первой группе участники видели вопрос из студии, имя выступающего и один ответ - либо реальный, либо сгенерированный. После этого текст оценивали по "аутентичности" (насколько похоже, что это действительно сказал указанный человек). Кроме того, выставляли баллы за связность рассуждений (когерентность - логичность, внутреннюю непротиворечивость) и за релевантность - насколько ответ вообще отвечает на заданный вопрос, а не уходит в сторону.
Во второй группе людям показывали сразу две версии - настоящую и "имитированную" - и просили сравнить их по тем же критериям: аутентичность, связность, релевантность. Дополнительно участники определяли, несут ли два текста один и тот же смысл или продвигают принципиально разные позиции. Такой формат особенно важен: он моделирует реальную ситуацию, когда у человека есть выбор между альтернативными интерпретациями и нужно решить, какая из них правдоподобнее.
В третьей группе к вопросу и имени спикера добавляли короткую биографию, а затем показывали либо реальный, либо сгенерированный ответ. Это позволяло проверить, помогает ли контекст о личности точнее распознавать подделку. В качестве контрольного приёма некоторым участникам демонстрировали реальный ответ, но "приклеивали" к нему случайного, не соответствующего говорящего - чтобы понять, насколько аудитория вообще чувствительна к несоответствиям между стилем речи и фигурой.
Итоги всех трёх проверок свелись к одному: людям сложно уверенно отличать машинный текст от настоящего политического ответа, и нередко "подделка" воспринимается даже выигрышнее. В среднем сгенерированные ответы участники чаще оценивали как более аутентичные и более релевантные - то есть как лучше отвечающие на вопрос и звучащие "как надо". Это особенно показательно для телевизионных дебатов, где реальные политики нередко уходят от прямого ответа, смещают фокус, используют заготовки и лозунги. ИИ же, получив инструкцию "ответь прямо", может выглядеть убедительнее просто потому, что делает то, чего аудитория подсознательно ждёт.
Почему так происходит? Во-первых, генеративные модели умеют строить тексты с гладкой логикой и без лишних "шероховатостей" живой речи: меньше обрывов мысли, меньше самоповторов, меньше резких скачков. Во-вторых, ИИ способен удерживать тему и возвращаться к вопросу - это автоматически повышает ощущение уместности. В-третьих, читатель часто путает "хорошо написано" с "правда" - а это давняя когнитивная ловушка: связный и уверенный текст кажется честнее, даже если он выдуман.
Практический риск очевиден: злоумышленники могут массово производить "заявления" и "позиции", которые выглядят как реплики конкретных политиков, и разгонять их в информационном поле. Особенно опасны точечные подделки в момент кризиса - когда обществу важно быстро понять, "что сказал лидер", а времени на проверку мало. Достаточно одного правдоподобного абзаца, чтобы запустить цепочку возмущения, оправданий и взаимных обвинений.
Отдельная проблема - эрозия доверия. Когда публика узнаёт, что подделки возможны и выглядят убедительно, возникает обратный эффект: реальные высказывания тоже начинают восприниматься как потенциальная фальшивка. В итоге общество попадает в "туман недоверия", где спорят уже не о сути политики, а о том, существует ли вообще общая фактическая реальность.
Снижение уязвимости здесь не решается одним инструментом. Нужна комбинация мер: более жёсткие редакционные стандарты для публикации "цитат" (особенно без видео/аудио подтверждения), привычка проверять первоисточник, маркировка синтетического контента там, где это возможно, и развитие медиаграмотности. Полезный практический навык для читателя - обращать внимание не только на "красивость" текста, но и на проверяемые детали: конкретные факты, точные формулировки, соответствие позиции человека его известной линии поведения и заявленным ранее тезисам.
Для политических институтов и медиа это означает необходимость обновлять протоколы: хранить и быстро публиковать подлинные стенограммы, поддерживать прозрачные архивы выступлений, выстраивать понятные правила работы с "сливами" и скриншотами. Чем меньше "серых зон" в доступе к оригинальным материалам, тем сложнее подделке закрепиться как "возможная правда".
Наконец, важное следствие исследования - вопрос не только в том, "можем ли мы распознать ИИ", а в том, что аудитория нередко предпочитает его стиль реальной политической коммуникации. Если людям кажется более аутентичным то, что написано машиной, это сигнал о качестве публичной риторики: уход от ответа, клише и манипулятивные приёмы создают вакуум, который ИИ заполняет ровным, аккуратным и внешне честным текстом. И пока политика говорит так, что "лучше звучит" имитация, риск подмены будет оставаться системным.
