Алгоритмы искусственного интеллекта уже широко используют компании: они помогают отбирать сотрудников, оценивать заемщиков, писать тексты и создавать изображения. Однако когда многие организации полагаются на одни и те же модели, их решения могут совпадать, а результаты творческой работы — становиться однообразнее. Исследователи называют это алгоритмической монокультурой.

Проблема не в том, что имеющиеся на рынке алгоритмы плохие. Любой компании выгодно использовать готовый сервис: он дешевле собственной разработки, быстрее запускается и помогает упорядочить процессы. Но когда так поступают все, их решения оказываются завязаны на одни и те же допущения и ограничения. То, что выгодно каждой компании в отдельности, не обязательно хорошо для экономики в целом.

В 2021 году Джон Кляйнберг и Маниш Рагхаван опубликовали в журнале PNAS математическую модель, которая показывает этот парадокс на примере найма. При определенных условиях использование общего алгоритма несколькими работодателями снижает качество их совокупных решений, хотя каждый из них, переходя на него, действует вполне разумно.

Один отказ превращается в десять

В мае 2026 года исследователи из Стэнфорда опубликовали рабочую статью «Algorithmic Monocultures in Hiring». Они проанализировали данные о 3 млн соискателей и 4 млн заявок, обработанных алгоритмами одного поставщика.

Среди тех, кто откликнулся на десять вакансий, 4% получили рекомендацию отказать по всем десяти заявкам. Это чаще, чем можно было бы ожидать при случайном совпадении результатов. Кроме того, исследователи обнаружили различия в результатах отбора между расовыми группами.

Важно уточнить, что в исследовании рассматривались алгоритмы одного поставщика, но это не обязательно означает использование одной и той же модели для всех вакансий.

Рекомендация алгоритма и решение работодателя — не одно и то же, и далеко не всегда за рекомендацией ИИ следует окончательный отказ. Тем не менее данные показывают, как общая система предварительного отбора может раз за разом выдавать одному человеку один и тот же неблагоприятный результат в разных компаниях. Чтобы его заявку рассмотрел специалист, соискателю иногда приходится отправлять значительно больше откликов.

Для рынка труда это существенно. Если работодатели оценивают кандидатов независимо, неудача в одной компании не обязана повториться в другой. Если все опираются на одну модель или схожие данные, ошибки могут совпадать, и шансы человека падают не из-за одного неудачного собеседования, а из-за того, что его снова и снова оценивают одинаково.

ИИ помогает творить, но в унифицированной манере

Алгоритмическая монокультура проявляется не только в найме. Она заметна и там, где результат оценивают с точки зрения разнообразия идей.

В 2024 году в журнале Science Advances вышло исследование Анила Доши и Оливера Хаузера. Ученые изучали, как подсказки генеративного ИИ влияют на сочинение коротких рассказов. Участники, получавшие идеи от языковой модели, в среднем писали тексты, которые оценивали как более креативные, качественные и интересные.

Сильнее всего это помогало тем, у кого исходный уровень креативности был ниже.

Однако рассказы, написанные с помощью ИИ, оказались больше похожи друг на друга, чем рассказы авторов, работавших самостоятельно. Каждому отдельному человеку технология помогала, а вместе тексты становились однообразнее.

В 2026 году Алвин де Рой и Майкл Мозе Бискьер опубликовали метаанализ в сборнике конференции ECCE 2026. Авторы обобщили 19 исследований и 61 оценку эффекта от использования генеративного ИИ в совместном творчестве людей и машин.

Эффект гомогенизации оказался небольшим, но статистически значимым. Это подтверждает предположение, что широкое применение похожих моделей может сужать разнообразие контента, даже когда у отдельных людей работа получается лучше.

Для медиа, рекламы, дизайна и индустрии развлечений это вопрос цены, которую приходится платить за скорость. Если все используют похожие модели, контент выпускать проще и быстрее. Но за внимание аудитории приходится бороться среди множества схожих формулировок, изображений и сюжетов.

У единого алгоритма есть свои плюсы

Монокультура не только вредна. Общие стандарты ограничивают произвольные решения и позволяют использовать знания, накопленные на больших массивах данных. При этом разнообразие алгоритмов само по себе не гарантирует ни справедливости, ни точности.

В сентябре 2026 года в журнале Philosophical Perspectives опубликовали статью Брайана Хеддена и Маниша Рагхавана «Algorithmic Monoculture and Its Critics», в которой авторы рассмотрели аргументы против массового использования одного алгоритма.

Исследователи пришли к выводу, что опасения по поводу систематического исключения людей, например кандидатов на рынке труда, нельзя считать универсальными.

Разнообразие моделей бывает полезно: разные алгоритмы учитывают разные сведения и находят кандидатов, которых единая система склонна пропускать. Но при определенных условиях объединенная модель, использующая сильные стороны нескольких алгоритмов, может работать лучше, чем они по отдельности. Авторы при этом отмечают, что практическая возможность создания таких систем остается открытым вопросом.

Таким образом, проблема не обязательно в самом факте использования одного алгоритма многими организациями. Важнее, какие данные учитывает система, можно ли проверить ее решения и существуют ли механизмы выявления и исправления систематических ошибок.

Компаниям поэтому стоит смотреть не только на точность модели на собственных данных, но и на то, как она работает по сравнению с альтернативами. На рынке труда важно проверять, не получают ли одни и те же люди отказ за отказом в разных организациях. Тем, кто создает контент, имеет смысл оценивать не только качество каждой работы, но и разнообразие всего, что выходит в итоге.

Алгоритмическая монокультура становится экономическим риском, когда выгода каждого участника от автоматизации мешает увидеть общую зависимость от одних и тех же решений. Чем больше организаций полагаются на похожие системы, тем важнее сохранять возможность независимо оценивать, сравнивать и пересматривать их результаты.

Насколько велик этот риск, зависит от сферы применения, устройства алгоритмов и того, как организации проверяют последствия автоматизации.

Следите за главными экономическими новостями Кыргызстана — подписывайтесь на каналы Economist.kg в Telegram и WhatsApp. Мы также есть в Facebook, Instagram, Threads и Х. Присоединяйтесь — и всегда будьте в курсе самого важного!

Индустриализация дофамина: почему экономика учится говорить на языке игр?

Ранее редакция Economist.kg рассказывала, как клиповое мышление и «экономика зеппинга» меняют правила игры на рынках: внимание сокращается, решения становятся более импульсивными, а длинные стратегии все труднее удерживать в фокусе. Но бизнес и государства не просто наблюдают за этой трансформацией — они учатся использовать ее в своих интересах. Ответом на фрагментацию

Economist.kg — новости экономики и финансов КыргызстанаАлександр Канунников

Всемирный банк: в КР могут быть самые дешевые в мире ИИ-вычисления

Сейчас мощность дата-центров в Кыргызстане оценивается примерно в 5 МВт. Для реализации преимущества инфраструктуру придется наращивать.

Economist.kg — новости экономики и финансов КыргызстанаИван Донис