Бурное развитие искусственного интеллекта сопровождается новыми вызовами – от вопросов вычислительной мощности до энергопотребления. Однако существует еще одна проблема, которая обсуждается реже, но имеет важное значение: генеративный ИИ постепенно меняет экономику данных, на которую сам же и опирается. Этот процесс развивается по двум основным направлениям.
Механизм первый: влияние на источники оригинальных данных
Для поддержания актуальности и высокого качества работы ИИ-моделям требуются колоссальные объемы обучающих данных. Именно поэтому разработчики активно собирают информацию из открытых источников в интернете. Одновременно с этим технологические компании интегрируют ИИ-решения непосредственно в пользовательские интерфейсы поисковых систем, чтобы оптимизировать выдачу ответов.
Недавний совместный отчет аналитических компаний Chartbeat и Axios показал, как появление ИИ-сводок (AI Overviews) в поиске Google отражается на трафике онлайн-ресурсов разного масштаба:
-
Небольшие сайты (от 1 000 до 10 000 просмотров в день) зафиксировали снижение трафика из поиска на 60%.
-
Средние площадки (10 000–100 000 визитов) потеряли 47%.
-
Крупные ресурсы (более 100 000 посещений) — 22%.
-
Согласно другому исследованию, на некоторых ресурсах падение переходов из-за внедрения ИИ-ответов могло достигать 80%.
Исследовательский центр Pew объясняет эту динамику: если в поисковой выдаче присутствует сгенерированное ИИ резюме, пользователи значительно реже переходят по ссылкам на первоисточники. Если же эта функция отключена, вероятность перехода возрастает примерно вдвое.
Поисковые системы остаются главным источником аудитории для большинства ресурсов в интернете. К категории создателей контента относятся не только новостные порталы, но и обучающие сайты, блоги, профессиональные сообщества и независимые авторы. Для этих площадок посещаемость является основой монетизации.
Снижение трафика ведет к сокращению доходов, что, в свою очередь, ограничивает возможности для создания нового контента. А чем меньше создается качественных авторских текстов, тем меньше свежих данных остается для обучения будущих поколений ИИ. Сильнее всего этот тренд затрагивает небольшие нишевые проекты, которые часто служат источником уникальной экспертизы. Снижение их активности может сделать информационную среду менее разнообразной.
В этом заключается структурное противоречие: технологии, зависящие от информации, созданной людьми, косвенно сужают экономическую базу ее создателей.
Механизм второй: обучение ИИ на результатах собственной работы
Генеративные модели работают за счет выявления и воспроизведения вероятностных и статистических закономерностей в больших массивах данных. Однако сгенерированные тексты содержат специфические паттерны и структуры, которые отличаются от естественной человеческой речи.
Если модель начинает массово обучаться на материалах, созданных другими нейросетями, она постепенно смещает фокус на эти искусственные закономерности. При многократном повторении этого цикла качество генерации падает, система отдаляется от человеческого языка и начинает выдавать некорректные результаты. В академической среде это явление хорошо изучено и носит название «коллапс модели» (model collapse).
Эта проблема становится все более актуальной. По оценкам Axios, к середине 2025 года доля контента, созданного с участием ИИ, превысила 50% от всего объема публикаций в сети.
Известно, что при обучении ранних больших языковых моделей (таких как GPT-3) данные, собранные из интернета, составляли более 80% датасета. Поскольку разработчики продолжают использовать веб-скрейпинг, доля ИИ-контента в их обучающих выборках объективно растет.
Ситуацию усложняет несовершенство алгоритмов для выявления машинного текста. Их точность варьируется от 57% до 95%, при этом сохраняется высокий процент ложноположительных срабатываний, когда текст, написанный человеком, классифицируется как сгенерированный. Исследования показывают, что инструменты фильтрации часто ошибаются, особенно если автор использует нестандартный стиль изложения или если английский не является его родным языком. Таким образом, технологически сложно обеспечить полную «чистоту» обучающих наборов данных.
В качестве решения индустрия исследует использование синтетических данных — информации, целенаправленно сгенерированной алгоритмами для обучения других алгоритмов. Однако на данный момент этот подход имеет ограничения: он не всегда приводит к улучшению качества моделей, может закреплять существующие логические ошибки и полностью не исключает риск коллапса модели. Эксперты сходятся во мнении, что синтетические данные пока остаются вспомогательным инструментом, а не полноценной заменой человеческому контенту.
Итог
Формируется замкнутый цикл: по мере того как увеличивается доля автоматически сгенерированного контента в сети, доля оригинальных человеческих данных сокращается. Это напрямую влияет на качество информационной среды, из которой искусственный интеллект черпает данные для своего дальнейшего развития.
Текущая модель экономики данных представляет собой сложную задачу как для цифровой экосистемы, так и для разработчиков ИИ-технологий. Снижение экономических стимулов для производства оригинальных данных и рост объема машинного контента требуют пересмотра существующих подходов.
Для стабилизации этой ситуации индустрии потребуется поиск новых балансов. Возможные пути решения включают разработку прозрачных правил использования контента, адаптацию норм авторского права к новым реалиям, а также создание экономических механизмов поддержки авторов оригинальных данных. Достижение взаимовыгодного компромисса между технологическими компаниями и создателями контента станет одной из важнейших задач технологического сектора на ближайшие годы.
А что думаете вы?
Автор: Spectrumm
