Большие языковые модели уже стали привычным способом «быстро разобраться» в сложной теме. Мы спрашиваем ChatGPT, Claude или Gemini, что произошло, кому верить, правда ли заголовок и не является ли фотография подделкой. На первый взгляд это выглядит как естественная эволюция новостного потребления: вместо десятка вкладок и ручной проверки источников — один диалог с умной системой.
Но новое исследование MIT Media Lab показывает более тревожную сторону этой привычки. ИИ действительно может помогать людям лучше распознавать фейковые новости во время самой проверки. Однако если человек регулярно перекладывает эту работу на модель, его собственный навык критической оценки информации может ухудшаться. Это напоминает эффект GPS: навигатор помогает быстрее доехать до места, но при постоянном использовании мы хуже запоминаем маршруты и теряем чувство направления.
Что изучали в MIT Media Lab
Исследование, представленное на конференции CHI 2026, было посвящено тому, как взаимодействие с ИИ влияет на способность людей отличать достоверные новости от дезинформации. Участники в течение четырех недель оценивали пары «заголовок — изображение» и пытались определить, являются ли они правдивыми.
Важный результат оказался двойственным. Когда участникам помогал чат-бот, точность распознавания фейковых новостей была примерно на 21% выше. Это подтверждает уже известную идею: ИИ может быть полезным инструментом для снижения веры в ложную информацию. Но когда чат-бот убирали, к четвертой неделе самостоятельная точность участников на новых материалах снизилась на 15 процентных пунктов по сравнению с началом эксперимента.
Иными словами, ИИ работал как мощная внешняя опора, но не обязательно как тренажер мышления. Пользователь получал правильный ответ, однако не всегда учился самостоятельно проходить путь к этому ответу.
Парадокс зависимости от ИИ
Авторы называют этот эффект частью более широкого явления — AI dependency paradox, или парадокса зависимости от ИИ. Его суть проста: технология повышает нашу эффективность здесь и сейчас, но при неправильном использовании может ослаблять навыки, ради которых мы к ней обращаемся.
Такие эффекты известны задолго до появления генеративного ИИ:
- Калькуляторы ускорили вычисления, но у многих людей снизили привычку считать в уме.
- GPS-навигация облегчила передвижение, но ослабила пространственную память и самостоятельное ориентирование.
- Автокоррекция помогает писать быстрее, но может ухудшать внимательность к орфографии.
- Рекомендательные алгоритмы упрощают выбор контента, но сужают информационный кругозор.
С новостями проблема острее, потому что речь идет не просто о бытовом удобстве, а о гражданской грамотности. Способность задавать вопросы, проверять источники, замечать манипуляции и отделять факт от интерпретации — это фундамент для общественной дискуссии.
Почему ИИ не является нейтральным арбитром истины
Одна из ключевых ошибок пользователей — воспринимать языковую модель как «машину правды». На самом деле LLM не проверяет реальность в человеческом смысле. Модель предсказывает наиболее вероятную последовательность слов на основе статистических закономерностей в данных, на которых она обучалась.
Это не делает ИИ бесполезным. Напротив, современные модели способны обобщать большие объемы информации, объяснять контекст, находить противоречия и предлагать направления проверки. Но важно помнить: правдоподобный ответ не равен правдивому ответу.
Особенно уязвимы модели в ситуациях с быстро развивающимися событиями: терактами, покушениями, военными конфликтами, стихийными бедствиями, политическими кризисами. В такие моменты информационная среда насыщена слухами, непроверенными фото, старыми видео, эмоциональными комментариями и намеренными вбросами. Если модель опирается на неполные или загрязненные данные, она может уверенно воспроизвести ошибочную картину.
Как формируется пассивное доверие
В исследовании MIT Media Lab часть участников постепенно переходила от активной проверки к пассивному принятию подсказок ИИ. Исследователи назвали такую группу Dependency Developers — пользователи, у которых развивалась зависимость от AI-рекомендаций.
Это выглядит вполне естественно. Сначала человек спрашивает ИИ как помощника: «На что обратить внимание?» Затем начинает спрашивать: «Это правда или нет?» А потом просто принимает итоговый ответ, особенно если модель звучит уверенно и приводит убедительные аргументы.
Проблема здесь не в лености пользователя, а в дизайне взаимодействия. Если интерфейс постоянно выдает готовую оценку, мозг быстро учится экономить усилия. Это похоже на преподавателя, который сразу пишет решение задачи на доске: ученик видит правильный ответ, но не тренирует способ рассуждения.
Эффект Даннинга — Крюгера в эпоху чат-ботов
Любопытная деталь исследования: примерно четверть участников считала, что стала лучше распознавать дезинформацию, хотя их результаты ухудшились. Это напоминает эффект Даннинга — Крюгера, когда человек переоценивает собственную компетентность из-за недостатка метакогнитивных навыков.
В контексте ИИ этот эффект может усиливаться. Пользователь проводит много диалогов с системой, видит разборы, узнает термины вроде «источник», «контекст», «манипулятивный заголовок», «несоответствие изображения». Возникает ощущение обучения. Но если человек не делает интеллектуальную работу сам, знание остается внешним: оно находится в модели, а не в голове пользователя.
ИИ как костыль и ИИ как тренер
Главный практический вывод исследования: важно не только то, используем ли мы ИИ, но и то, как именно он с нами взаимодействует. Авторы противопоставляют два режима: ИИ как костыль и ИИ как тренер.
| Режим | Как работает | Риск | Польза |
|---|---|---|---|
| ИИ как костыль | Дает прямой ответ: правда или фейк | Формирует зависимость и пассивность | Быстро помогает принять решение |
| ИИ как тренер | Задает вопросы, направляет проверку, просит аргументировать | Требует больше времени и усилий | Развивает самостоятельный навык анализа |
Наиболее полезными оказались стратегии, похожие на сократический метод: система не сообщает итог сразу, а задает направляющие вопросы. Например: кто первоисточник новости? Совпадает ли изображение с заявленным событием? Есть ли подтверждение в независимых медиа? Не выглядит ли заголовок эмоционально перегруженным? Что могло бы опровергнуть эту версию?
Такой подход медленнее, но именно он превращает ИИ из «оракула» в инструмент обучения.
Что это значит для журналистики и образования
Для медиаиндустрии исследование MIT — важный сигнал. Редакции, платформы и образовательные проекты не могут просто встроить кнопку «проверить через ИИ» и считать проблему дезинформации решенной. Если пользователь будет получать только готовую метку, он может стать менее устойчивым к фейкам вне этой системы.
Более перспективный путь — создавать инструменты, которые объясняют процесс проверки. Например, новостной сервис может не просто писать «вероятно недостоверно», а показывать цепочку анализа: какие источники проверены, какие признаки вызывают сомнение, какие данные отсутствуют, какие альтернативные объяснения возможны.
Для школ и университетов это еще важнее. Если ИИ входит в учебный процесс, его нужно преподавать не как универсального помощника, а как объект критического взаимодействия. Ученики должны понимать, что модель может ошибаться, обобщать предвзятые данные, галлюцинировать и уверенно формулировать неточные выводы.
Новая AI-грамотность: чему нужно учить пользователей
Исследователи говорят о необходимости новой формы AI literacy — грамотности в работе с искусственным интеллектом. Это не только умение писать промпты. Скорее, это способность понимать границы модели и сохранять собственное критическое мышление.
Базовые правила проверки новостей с ИИ
- Не спрашивайте только «это правда?» Лучше просите модель перечислить признаки достоверности и недостоверности.
- Требуйте источники, но проверяйте их вручную: существуют ли они, что именно там написано, не искажен ли контекст.
- Разделяйте факт и интерпретацию. Модель может хорошо пересказать позицию, но плохо обозначить, где заканчиваются данные и начинается оценка.
- Проверяйте изображения отдельно: дата, место, обратный поиск, признаки старого контента, несоответствие погоде или локации.
- Используйте несколько независимых источников, особенно при политических и военных новостях.
- Просите ИИ спорить с самим собой: пусть модель приведет аргументы за и против достоверности материала.
Какими должны быть ответственные AI-инструменты для новостей
Если разработчики хотят создавать действительно полезные системы проверки информации, им стоит уходить от простого формата «вердикт за одну секунду». Более ответственная архитектура может включать:
- режим обучения, в котором ИИ сначала задает вопросы, а не дает ответ;
- прозрачную уверенность, где модель показывает уровень неопределенности;
- обязательную работу с источниками, а не только генерацию объяснений;
- мультимодальную проверку текста, изображений, видео и метаданных;
- адаптацию к культурному контексту, потому что признаки манипуляции отличаются в разных странах и медиасредах;
- защиту от ложной уверенности, когда система прямо говорит: «данных недостаточно».
Самый зрелый сценарий — не ИИ, который заменяет редактора или читателя, а ИИ, который помогает человеку стать лучшим редактором собственной информационной ленты.
Перспективы: борьба будет не за скорость, а за качество мышления
В ближайшие годы новостное потребление станет еще более персонализированным и автоматизированным. ИИ-ассистенты будут пересказывать события, сравнивать версии, фильтровать шум, переводить источники и предупреждать о возможных манипуляциях. Это может сделать информационную среду здоровее — если такие системы будут проектироваться как инструменты развития, а не как автоматы готовых ответов.
Но есть и обратный сценарий: общество привыкает делегировать проверку реальности закрытым моделям, чьи источники, ограничения и ошибки остаются непрозрачными. Тогда проблема фейков не исчезнет, а станет глубже: люди будут верить не только ложным новостям, но и ложной уверенности своих цифровых помощников.
Вывод исследования MIT Media Lab звучит особенно актуально: если мы полностью делегируем мышление, мы не становимся умнее. Мы становимся быстрее — но более зависимыми. Настоящая задача следующего этапа развития ИИ состоит не в том, чтобы заменить человеческое суждение, а в том, чтобы научить нас пользоваться им лучше.
