Почему нейросетевые тексты раздражают читателей Хабра и как их редактировать вручную

На Habr AI вышла колонка о том, почему тексты, сгенерированные нейросетями, раздражают даже без явных ошибок. Автор разбирает не баги моделей, а редакторские признаки синтетического текста, из-за которых читатель теряет внимание и доверие.

Почему это бесит

Главный тезис материала простой: читателя раздражает не сам факт использования ИИ, а пустая уверенность текста. Нейросеть может собрать аккуратный материал без явных провалов, с ровной структурой и логичными переходами, но при этом не дать ощущения настоящей мысли. Он не спорит с читателем напрямую, но постоянно делает вид, что уже всё объяснил.

Из-за этого даже нормальный по форме абзац звучит подозрительно. Автор формулирует это жёстко: > нейросеть слишком часто пишет текст, который выглядит как текст, но не ощущается как мысль. Проблема проявляется очень быстро.

Уже через два-три экрана такой текст начинает утомлять: внимание скользит по абзацам, а в памяти остаются только общие слова. Вместо аргумента читатель получает гладкую имитацию экспертности. Для технической аудитории это особенно болезненно, потому что она быстро чувствует, когда материал собран из безопасных формулировок, но не опирается на опыт, наблюдение или чёткую позицию автора.

Читатель видит форму, но не видит опоры под ней.

Где текст ломается В колонке перечислены типовые признаки, по которым

AI-черновик начинает раздражать ещё до финала. Речь не только о штампах. Хуже всего работают длинные вступления, универсальная структура и попытка звучать весомо без достаточной конкретики. Если абзац можно сократить вдвое без потери смысла, если подзаголовки легко поменять местами, а выводы выглядят окончательными там, где тема ещё спорная, читатель замечает это почти мгновенно. Текст выглядит собранным, но не движется к новой мысли.

• Долгий разгон вместо сути Каркас из универсальных подзаголовков Слишком ровный ритм абзацев Общие слова без фактов и сценариев Категоричный тон без оговорок Отдельно автор выделяет «переводной» привкус. Многие тексты формально написаны по-русски, но звучат так, будто это плохо адаптированная англоязычная презентация. На Хабре такие вещи палятся особенно быстро: местная аудитория много читает, плохо терпит воду и замечает, понимает ли автор предмет, или просто собирает правдоподобный текст из знакомых слов. Поэтому схема «сгенерировал, слегка причесал и опубликовал» для такой площадки работает всё хуже.

Как это правят Автор пишет, что почти никогда не воспринимает AI-черновик как готовую статью.

Для него это сырьё, из которого ещё нужно собрать читаемый материал. Первый шаг — убрать весь дежурный разгон и открыть текст фактом, конфликтом, наблюдением или выводом. Дальше перестраивается логика: не «что это, как работает, почему важно», а порядок, который реально ведёт мысль.

Подзаголовки тоже переписываются почти всегда, потому что они должны не делить полотно, а двигать текст вперёд. Следом идёт более жёсткая редактура. Из текста вычищают слова-подпорки вроде «важный аспект» и «открывает новые возможности», возвращают предметность к каждому общему утверждению, ломают стерильный ритм одинаковых абзацев и снижают искусственную категоричность.

Если модель обещает экономию времени, нужно показать где именно; если сервис якобы лучше справляется со сложными задачами, нужен контекст и сравнение. Косметическое «очеловечивание» здесь не спасает: слабый синтетический текст чаще проще переписать заново, чем полировать поверхностно.

Что это значит

Колонка хорошо фиксирует границу полезности генеративных моделей: они ускоряют черновую стадию, помогают сдвинуться с места и набросать структуру, но не заменяют редактора. Для медиа, корпоративных блогов и контентных команд это прямой сигнал: качество публикации определяется не тем, можно ли распознать ИИ, а тем, есть ли в тексте плотность мысли, конкретика, нормальная интонация и уважение к читателю. Иначе даже грамматически ровный материал быстро превращается в раздражающий шум, который выглядит убедительно, но ничего не оставляет после чтения.