Industrializacja humanizacji

Ogłoszenia o pracach dorywczych i oferty usług w luźnych platformach, takich jak Upwork i Fiverr, obecnie mocno eksponują słowo ‘humanize’, z szeregiem zadań i dostawców proponujących różne stopnie ukrywania faktu, że artykuł został napisany, częściowo napisany lub współpisany przy użyciu SI.

Trend „Humanize” w rzeczywistych ogłoszeniach na Upwork.

Popyt na usługi ludzkie i zautomatyzowane, które potrafią przepisować „zanieczyszczone” przez SI treści tak, aby wyglądało, że człowiek usiadł i spocił się przez kilka godzin, sugeruje, że osiągnięto powszechny konsensus, iż „ludzki dotyk” jest potrzebny dla połączenia i dotarcia – i że ogromna ilość treści w erze SI spowoduje, że to połączenie stanie się ponownie niezbędne.

Osobiście chciałbym tak myśleć, ale nie jest to koniecznie prawda – nie mniej niż dlatego, że własne wytyczne Google w tej sprawie traktują jakość tekstu, a nie środki, jakimi został on stworzony.

Prawdą jest, że nie wiemy jeszcze dokładnie jak dużo i jakiego rodzaju SI jesteśmy gotowi tolerować, ani w jakim stopniu możemy uzasadnić korzyści, które miliardy z nas codziennie czerpią z SI, wobec poczucia „współudziału” i moralnej pokusy w odniesieniu do szerszych implikacji tej technologii.

Wspomniane oferty pracy odzwierciedlają to również; tam twórcy i firmy łakną automatyzacji, przypuszczalnie dlatego, że chcą publikować na dużą skalę, co jest dokładnie praktyką, którą Google obiecuje konkretnie karać w swoim algorytmie rankingowym. Jednocześnie poszukują zarówno zautomatyzowanych, jak i ludzkich metod „industrializacji” humanizacji.

Przypomina mi to nieco jeden z najlepszych żartów z neuroatypowych skeczy komediowych Stevena Wrighta z lat 80.:

‘W moim domu mam kominek mikrofalowy. Mogę położyć się przed ogniem na wieczór w zaledwie 8 minut.’

Kształt nadchodzącego śluzu

Jak zwykle, te przemyślenia są inspirowane moim codziennym przeglądaniem Arxiv, gdzie dzisiaj szczególnie natknąłem się na artykuł autorstwa Jochena Madlera z firmy zajmującej się automatyzacją marketingu Sitefire, zatytułowany SlopShape: Identyfikacja komercyjnych treści internetowych generowanych przez SI.

Zazwyczaj odrzucam artykuły autorstwa jednej osoby, na zasadzie „Wiktora Frankensteina”, ale założenie tego jest surowe, a metodologia testowa solidna.

Badanie zasadniczo stwierdza, że gdy post wygenerowany przez SI jest całkowicie przepisany, nawet przez ludzi, zachowuje wyraźny architektoniczny podpis, który znajduje się na poziomie znacznie wyższym niż poziom słów, tworząc charakterystyczny „kształt”, którego nie da się wyeliminować żadnym przekształceniem ani powierzchowną korektą tekstu:

Porównanie wzorców strukturalnych w postach pisanych przez ludzi i SI. Pisanie ludzkie ma tendencję do używania rzadszych kombinacji struktur, podczas gdy wszystkie pięć modeli SI preferuje bardziej konwencjonalne kombinacje. Źródło

Oczywiście można obejść ten problem (jeśli uzna się go za problem), planując samodzielnie przebieg pisania i albo nie używając w ogóle SI, albo używając jej wyłącznie do oddzielnych elementów, które sam zaplanowałeś.

Jednak, jak świadczą agresywne ogłoszenia na Upwork, nie jest to pożądane; można wywnioskować z tonu takich postów, że treść artykułu powinna nie tylko być strukturyzowana przez SI, ale także wymyślana przez SI – czyli że LLM miałby sugerować odpowiednie tematy zgodne z ogólnymi celami firmy lub podmiotu.

Po tym w pełni oczekuje się, że SI wygeneruje różne postępy wersji treści, przy czym irytujący komponent ludzki wkracza jedynie przy zamknięciu i swobodnym podkreśleniu ludzkiego charakteru (choć idealnie ten proces ostatecznie przekształciłby się w przepływ pracy w Pythonie).

Wyróżniające cechy

Autor nowego artykułu uzyskał te spostrzeżenia, zbierając kilka tysięcy wpisów na blogach firm, które powstały tuż przed wydaniem i rozpowszechnieniem ChatGPT (2020‑2022) oraz wyciągając z nich podpowiedzi.

To znaczy, użył Gemini 3 Flash do odczytania prawdziwych, ludzkich artykułów i odtworzenia podpowiedzi zaprojektowanej tak, aby wygenerować podobną pracę przy użyciu niektórych wiodących modeli LLM, a mianowicie GPT5.4, Kimi 2.5, DeepSeek V3.2, Claude 4.6 oraz Gemini 3.

Następnie te podpowiedzi użyto do stworzenia pięciu wersji AI każdego z rzeczywistych ludzkich postów, z których wyodrębniono cechy, które ostatecznie opisywałyby modelowo‑specyficzny „kształt” treści w pięciu modelach; Madler zauważa, że „posty AI mają uporządkowany, samowyjaśniający się kształt”.

Całe badanie jest ponownym przeprowadzeniem StoryScope project z COLM 2026 w sierpniu, współpracy pomiędzy University of Maryland a Google DeepMind, które zastosowało zasadniczo tę samą metodologię do fikcji, wykazując, że historie generowane przez AI koncentrują się na węższym i bardziej przewidywalnym zakresie struktur narracyjnych niż pisanie ludzkie:

Z badania StoryScope, wykres rozrzutu porównujący wzorce narracyjne w fikcji napisanej przez ludzi i generowanej przez AI. Historie napisane przez ludzi zajmują odrębny obszar, podczas gdy historie z pięciu wiodących modeli AI skupiają się bliżej siebie, co wskazuje na większe podobieństwo w ich podstawowych wyborach narracyjnych. Source

Madler postanowił ponownie przeprowadzić StoryScope na blogach firmowych ze względu na rozległy finansowy impuls do ich automatyzacji, w porównaniu z bardziej ekscentryczną dziedziną pisania fikcji, oraz ze względu na duży stopień ich już istniejącej automatyzacji (50 % automatyzacji treści online do maja 2026, według a Graphite study cytowanego w pracy Madlera).

Być może najciekawszą analizą jest rozbiór cech wyodrębnionych z materiału wygenerowanego przez AI na podstawie postów napisanych przez ludzi przed rokiem 2022:

‘Wartości najczęściej wytwarzane przez modele AI układają się w to, co nazywamy schludnym, samowyjaśniającym wpisem na blogu: obiecuje rezultat już w tytule, przedstawia tezę i zapowiada strukturę przed pierwszą sekcją, posługuje się głosem redakcyjno‑wyjaśniającym i kończy się etapem podsumowującym lub powtarzającym tezę.

‘W typowym poście AI rezultat jest obiecany w tytule: „Jak skrócić czas wdrożenia o połowę”. Teza jest przedstawiona, a przepływ zapowiedziany przed pierwszą sekcją: „W tym poście omówimy, dlaczego wdrożenie się zatrzymuje, trzy skuteczne rozwiązania i jak zmierzyć różnicę”.

‘A zakończenie powtarza tezę: „Krótko mówiąc, strukturalne wdrożenie oszczędza czas”. Wartości bardziej ludzkie opisują posty bez tych znaków orientacyjnych: brak zapowiedzianego przepływu sekcji, brak eskalacji stawki i brak zamykającej sekcji, która powtarza tezę.’

Błędne założenie

Przy okazji, większość tropów i klisz obecnych w opisanym szablonie pochodziła z SEO-obsessed strictures sceny marketingowej sprzed ery LLM. Skąd więc myślimy, że AI nauczyło się tych nawyków?

Szablonowy tekst marketingowy był always hated, na długo przed AI, i zawsze produkowany w dużej skali, long before machines could do it well; a ze względu na wymóg zgodności z praktykami SEO, ustanowiono niektóre przerażające konwencje, takie jak keyword placement oraz crafted design of links.

W drugim przypadku AI mogło więc nauczyć się niewłaściwej lekcji, ponieważ korpusy tekstowe, na których było trenowane, usunęły tak wiele taktyk skierowanych na SEO, które pierwotnie były zawarte w materiale źródłowym, takich jak strategiczne diagramy, wizualne wyjaśnienia; i przede wszystkim hiperłącza.

Całe sekcje artykułu mogły być stworzone w celu wyróżnienia hiperłącza lub osadzenia YouTube, które klient chciał wypromować; ale gdy dane zostały przetworzone w LLM, osadzenie lub link został usunięty, a tekst mający je podkreślić pozbawiony pierwotnego kontekstu.

Dlatego, można argumentować, że wielkim błędem w projektowaniu metodologii treningowych wokół takiego materiału było traktowanie treści internetowych tak, jakby były literaturą XIX wieku (całkowicie samowystarczalną) zamiast multimediami (znacznie wpływanymi przez czynniki nienarracyjne, takie jak wideo, hiperłącza i ilustracje).

Drugim wielkim błędem było trenowanie na materiale that people already hated, który został przekształcony w swoją niepopularną formę przez zasady, które probably aren’t valid any longer.

Uwaga, ludzie

Niemniej jednak, jeśli wierzyć trendom Upwork, istnieje znaczący popyt na więcej tego samego, produkowanego w dużej skali przez LLM i „zhumanizowanego” przy użyciu najmniej idiosynkratycznego procesu, dostępnego z najwyższą prędkością i najniższym kosztem.

To wszystko, aby wywołać efekt attention: ideę, że ktoś taki jak Ty (tj. posiadający przynajmniej układ hormonalny) usiadł na kilka godzin i zastanawiał się, co chce Ci powiedzieć.

Postrzeganie otrzymywania ludzkiej uwagi ma dla nas znaczenie even when it is not helpful; dlatego z pewnością warto to industrializować.

Nie mogę nie odczuwać, że artykuł Madlera w pewien sposób prawdopodobnie pogorszy sytuację, ponieważ identyfikuje charakterystyczne cechy wyższego wymiaru, które teraz, przypuszczalnie, można rozwiązać przy użyciu more AI, tak aby domyślne sygnatury przybrały bardziej ludzką formę w miarę rozwoju modeli.

Opublikowano po raz pierwszy w czwartek, 17 września 2026