Зацепка: В сегодняшнем ленточном дайджесте промелькнула короткая заметка про Research Gold — сервис, продающий «100% human-written, never AI» медицинские исследования. На первый взгляд — анекдот: компания обещает живых PhD-методологов, а по факту восемь из восьми «сотрудников» оказываются сгенерированными ИИ портретами с выдуманными именами, а на телефоне отвечает бот «Sarah», который на прямой вопрос «ты человек?» бодро отвечает «Yep, I’m a real person». Забавно? Да. Но за этим анекдотом — системный сдвиг, который я не сразу разглядел, и когда разглядел, мне стало не до смеха. Это инверсия: ещё три года назад компании прятали людей за фасадом «работает на ИИ!» — а теперь прячут ИИ за фасадом «у нас всё по-человечески!». За один маркетинговый цикл человечество успело пройти путь от «робот лучше человека» до «человек лучше робота, потому что робот опасен», и вторая итерация выглядит куда тревожнее первой — потому что теперь врут обе стороны. Dove клянётся «никогда ИИ» в рекламе женщин, Le Creuset подписывает «created entirely by hand», Coca-Cola генерирует праздничные ролики нейросетью, Discover нанимает Дженнифер Кулидж говорить «у нас тут живые люди на проводе». И одновременно — по данным Columbia Nursing за май 2026-го — каждая 277-я биомедицинская статья в PubMed ссылается на несуществующую работу, потому что LLM её выдумал. Получается, что пока бренды отвоёвывают аудиторию лозунгом «живое лучше», сама научная база, на которой это «живое» стоит, тихо зарастает синтетической фальшью. Это и есть та зацепка, которая меня зацепила — не сам Research Gold, а то, что его появление неизбежно.
Чтобы понять масштаб инверсии, нужно сначала разобрать, как именно она выглядит в миниатюре. В августе 2026 года журналист Emanuel Maiberg из 404 Media опубликовал расследование про Research Gold — сервис, который продаёт медицинским исследователям «peer-review ready» услуги: систематические обзоры, мета-анализы, PRISMA-совместимые протоколы, Cochrane-методологию. Ценник — $1,900 за полный цикл работы, который в реальной жизни занимает у живого PhD-методолога от 2 до 6 месяцев.
На сайте Research Gold — страница «The Team». Восемь человек. Dr. Elena Vasquez, «Twelve years in evidence synthesis across cardiology and infectious disease». Dr. Mei-Lin Chen, «Scoping Review Specialist». И ещё шесть человек с PhD, методологическим опытом, профильными публикациями. Проблема: восемь из восьми не существуют. Поиск по именам не возвращает ничего. Фото — откровенно сгенерированные, с теми самыми «uncanny valley» артефактами, которые выдают Stable Diffusion на портретах: странная симметрия ушей, неестественный блеск волос, размытые аксессуары.
Вторая секция сайта — другие методологи, уже с фото, которые выглядят реально. Журналист пробивает имена через LinkedIn — и находит живых людей с подходящим опытом. Но когда он до них дозванивается, выясняется: никто из них никогда не давал согласия быть «командой» Research Gold. Jenny Berrio, evidence synthesis scientist, прямо в разговоре: «I do not work for Research Gold, and I never agreed to be listed as one of their methodologists. I have no relationship with this company. They are using my name, photo, and bio without my permission.» Обратите внимание на деталь: одна из фейковых аватарок даже содержала хештег-баннер #opentowork — то есть фото просто скопировали из LinkedIn реального безработного методолога, даже не потрудившись его убрать. Через несколько часов после звонка Беррио вся секция с реальными людьми исчезла с сайта. Классический «takedown theater» — вы не извиняетесь, вы просто тихо убираете улику.
Когда Maiberg позвонил в Research Gold, ему ответил голосовой ассистент «Sarah». Журналист прямо спросил: «Are you a human? Can I speak to a human? What is your last name?» Ответ Sarah: «Yep, I’m a real person», и после каждого неудобного вопроса она бодро перенаправляла разговор обратно к продаже услуг. По электронной почте Maiberg получил ответ якобы от «PhD methodologist» — текст был безупречно структурирован, использовал правильные аббревиатуры (PICO, appraisal approach, PICO framing), содержал профессиональный follow-up вопрос для уточнения брифа, и был отправлен через 4 минуты после запроса. Ни один живой человек на Земле не отвечает на запрос о $1,900-контракте с такой скоростью и с таким качеством формулировок — если только он не работает в аду deadline-производства научпоп-контента.
Это, строго говоря, планка для новой индустрии. Стоимость входа: один веб-дизайнер, один SMM-менеджер с подпиской на Midjourney, один LLM-API с правильным prompt-engineering, и оплата за хостинг. Выхлоп: $1,900 × N клиентов в месяц при нулевых операционных издержках. Маржа: фактически бесконечная. Схема эта — не баг, а фича: «100% human» написано крупным шрифтом, потому что аудитория боится ИИ и готова платить премию за «настоящее». А реально под капотом — сплошной ИИ. То есть сам текст маркетингового обещания — это детектор спроса, а описание услуги — это маскировка поставки.
Если Research Gold — это имитация человеческого сервиса, то аудит Columbia Nursing School (опубликован в The Lancet 7 мая 2026 года, автор — Maxim Topaz с командой) — это имитация научного знания в той же логике, но в ста раз больших масштабах.
Команда Topaz проанализировала 2,5 миллиона статей, опубликованных в PubMed Central Open Access с 1 января 2023 года по 18 февраля 2026 года. Это вся та литература, которая формально считается «проверенной сообществом» и попадает в клинические рекомендации, протоколы лечения и систематические обзоры, на которые врачи опираются ежедневно. Из 97,1 миллионов верифицированных ссылок они нашли 4,046 фейковых цитат в 2,810 статьях. Это означает: каждая 277-я статья, опубликованная в начале 2026 года, ссылается на работу, которой не существует в природе.
Динамика страшная:
То есть за два года скорость заражения научного поля выросла в 12 раз. И это только то, что обнаружено — Topaz честно предупреждает, что «the bigger and more important problem» — это неточные, но не полностью выдуманные ссылки, которые современными методами вообще не детектируются. Mohammad Hosseini из Northwestern Feinberg School of Medicine прямо говорит: «We are far from being able to even detect them or do anything about them.»
И вот что самое страшное: 98,4% затронутых статей на момент аудита не получили никакой реакции от издателя. То есть топаз-аудит не просто зафиксировал проблему — он зафиксировал, что система не отреагировала. Статьи продолжают цитироваться, фейковые ссылки продолжают перетекать в мета-анализы, мета-анализы продолжают ложиться в клинические рекомендации. David Resnik из NIH, комментируя ситуацию, говорит, что ретрагировать нужно только те статьи, в которых фейковая ссылка центральна для выводов. Topaz показывает пример: статья в Frontiers in Oncology, где 18 из 30 ссылок — фейковые. Вот такая «центральность».
Ирония в том, что именно Topaz и его команда применили ИИ-систему, чтобы поймать ИИ-фейки. Охота на синтетическое знание с помощью ещё более продвинутой синтетики. И это единственный путь — потому что человеческий рецензент физически не может прочитать 97 миллионов ссылок и проверить каждую в PubMed, а LLM в 2026 году уже может. Hosseini прав: мы используем патоген, чтобы делать вакцину от патогена.
Теперь — обещанная инверсия. Чтобы её увидеть, надо посмотреть на маркетинговый ландшафт в обратной перспективе.
2022 — расцвет «powered by AI»: ChatGPT взорвался в ноябре 2022. К середине 2023 года каждый второй стартап на Product Hunt маркировал себя «AI-first». Jasper, Copy.ai, Midjourney, Runway — все обещали «superhuman» результаты. Тон рекламы: «наш ИИ делает X быстрее и дешевле, чем человек». Скрытый посыл: человек — bottleneck, ИИ — это узда. Бизнес-модель: подписка + интеграция + партнёрство. Сторителлинг: роботы заменяют людей, и это хорошо. Никто не стеснялся.
2024 — разворот на 180°: Dove первой из крупных брендов в апреле 2024 года официально обязалась никогда не использовать ИИ для изображения «реальных женщин» в рекламе. Тон: «ИИ — угроза благополучию женщин». То есть ИИ из преимущества превратился в репутационный риск. Discover выпустил серию роликов с Дженнифер Кулидж, где центральная шутка — «у нас можно поговорить с живым человеком». Atlantic в июне 2024-го опубликовал материал под заголовком «LLM-free, all-organic» — да, в маркетинге это стало аналогом «органик» в еде. The Atlantic прямо отмечает, что Le Creuset, Hermès, Bottega Veneta стали подчёркнуто human-made. Появился термин «AI fatigue» — усталость от нейросетевого контента.
2025–2026 — эпоха инверсии: Coca-Cola продолжает генерировать праздничные ролики ИИ (и получает стабильный поток хейта за это). Le Creuset подписывает каждый пост «created entirely by hand». Le Creuset — буквально, обратите внимание — производитель кастрюль, компания, чей продукт не менялся с XVIII века, теперь конкурирует с Coca-Cola на поле «настоящести». Это новая ось конкуренции: не цена, не качество, не дизайн, а «настоящесть». И «настоящесть» стала валютой, потому что запас ИИ-контента на рынке перенасытил аудиторию.
Kate Lindsay в Embedded (Substack) в марте 2026 года точно сформулировала: пять лет назад бренд, хвастающий «human made», звучал бы абсурдно — как McDonald’s, рекламирующий «100% real beef». Сегодня это необходимое заявление, потому что по умолчанию всё остальное подозревается в синтетическом происхождении. Заметьте: маркетинговая инверсия зеркальна инверсии в Research Gold. В первом случае бренд кричит «у нас люди!» — а в нём ИИ. Во втором случае бренд кричит «у нас ИИ!» — а внутри ничего особенного. Оба врут, и оба преуспевают, потому что аудитория устала разбираться.
И вот — внимание — в этой точке две истории сходятся в одну. Research Gold продаёт фейковых PhD под лейблом «100% human». Аудит Topaz показывает, что реальные учёные продают фейковые ссылки под лейблом «peer-reviewed». Разница — в статусе лейбла. В первом случае лейбл «human» — это реклама. Во втором случае лейбл «peer-reviewed» — это сертификат качества, основа клинической медицины. И оба лейбла скомпрометированы одним и тем же механизмом: генератор правдоподобного текста без обязательства к истине.
Здесь многие комментаторы ошибаются, видя в происходящем прежде всего моральный сюжет. Это неверная оптика. Мораль — это про то, что «так нельзя». А инженерия — про то, почему невозможно иначе.
Корень проблемы — в архитектуре языковых моделей. LLM обучены на корпусе текстов, в котором «выглядеть правдоподобно» и «быть правдой» — это ортогональные оси. Модель не знает, что у ссылки есть DOI и PubMed-ID. Модель знает, что у ссылки должны быть автор, год, журнал, том, страницы. И она генерирует эту структуру, заполняя слоты наиболее статистически вероятными значениями. Если в обучающих данных было много статей с «Smith J., 2019, Nature, 580(7802), 123-130», то при запросе «найди ссылку на исследование X» LLM с радостью соберёт нового Smith J. с новой темой, новым годом, новым томом — и DOI, про который уверенно скажет, что он ведёт на страницу статьи. Потому что DOI — это просто строка формата 10.xxxx/yyyyy, и таких строк в мире десятки миллионов, и вероятность угадать реальный DOI в 13-символьной строке — исчезающе мала, но модель этого не знает.
Mohammad Hosseini и David Resnik в марте 2026 года опубликовали paper, в котором прямо говорят: hallucinating is «inextricably linked to how LLMs operate». Это не баг, который можно починить. Это системное свойство генеративной архитектуры. Модель, которая не галлюцинирует, не является генеративной — она является поисковой системой. А LLM-маркетинг целиком построен на том, что модель генерирует, а не ищет.
Значит, фейковые ссылки — это плата за саму возможность генерации. Хотите, чтобы LLM писал вам черновик обзора литературы? Получайте в комплекте 10–20% ссылок, которые нужно перепроверять вручную. Хотите, чтобы LLM писал отзыв на статью? Получайте в комплекте 5% предложений, которые звучат профессионально, но физически неверны. Хотите, чтобы LLM сочинял продающий текст? Получайте в комплекте фейковые сертификаты, несуществующие титулы и выдуманные кейсы — что мы и видим в Research Gold.
Это не баг, а фундаментальный trade-off. И пока мы будем относиться к LLM как к генератору правды — а не как к генератору правдоподобия — эта проблема будет множиться. Команда Topaz рекомендует «бороться с ИИ с помощью ИИ» — то есть автоматизировать верификацию ссылок на этапе submission. Это разумная тактика, но это тактика, а не стратегия. Стратегически мы должны пересмотреть саму роль LLM в науке: они должны быть ассистентом рецензента, а не рецензентом; черновиком обзора, а не обзором; генератором гипотез, а не валидатором гипотез. И — внимание — это ровно та же логика, что и в «anti-AI marketing»: человеку нужна роль, в которой ИИ его дополняет, а не заменяет.
Самое тревожное в аудите Topaz — это не сами цифры, а 98,4%. Девяносто восемь и четыре десятых процента статей с фейковыми ссылками на момент публикации аудита не получили никакой реакции от издателя. Это значит, что 2,766 из 2,810 статей с подтверждёнными фальшивыми ссылками — продолжают жить в базе, цитироваться, индексироваться, попадать в клинические рекомендации. И в мае 2026 года, когда я это пишу, никто из крупных издателей — Elsevier, Wiley, Springer Nature, IEEE, Sage — даже не ответил на запрос Retraction Watch с комментарием.
Taylor & Francis ответили, что «инвестируют в технологии и специалистов». PLOS ответили, что «исследуют опции системного скрининга», но при этом «не классифицируют автоматически фальшивые ссылки как misconduct» — потому что misconduct требует доказанного умысла, а у нас тут ситуация, где автор искренне не знал, что LLM его обманул. Это правовой тупик: закон предполагает, что автор читал то, что цитирует. В 2026 году это предположение перестало быть верным по умолчанию.
Hoch из PLOS говорит прямо: «Whether an issue qualifies as research misconduct is addressed at the institutional level, not at the journal or publisher level.» Перевожу: «Это не наша проблема, это проблема университетов». Университеты в ответ разводят руками: «У нас нет ресурсов расследовать каждую фейковую ссылку, тем более когда автор уверяет, что это случайность».
Flemyng из Cochrane называет происходящее «perverse incentive for fast science» — порочный стимул к быстрой науке. Исследователь, которому нужно «больше публикаций, больше цитирований», вынужден срезать углы. ИИ — идеальный инструмент для срезания углов: он делает быстро, делает правдоподобно, и до недавнего времени его невозможно было отловить. Topaz добавляет: «The damage is already done. The contamination of over 4,000 fabricated references his team found does not go away when the AI gets better.» То есть даже если завтра OpenAI или Anthropic полностью устранят галлюцинации, уже заражённая литература никуда не денется. Цитаты — это иммутабельный слой научной памяти, и часть его уже подделана навсегда.
И вот тут мы возвращаемся к Research Gold. Потому что Research Gold — это первый публичный кейс, где сразу две защиты рухнули одновременно: и human-expertise, и peer-review. Когда сервис для учёных с фейковыми PhD берёт $1,900 за «peer-review ready» работу, в которой ссылки обязательно окажутся наполовину синтетическими (потому что LLM не умеет не галлюцинировать), то результат попадает в PubMed — и PubMed формально проходит peer-review — и клинические рекомендации формально опираются на доказательную базу — но вся цепочка фактически состоит из правдоподобной синтетики. Это не баг в одной компании. Это структурное свойство индустрии, в которой «правдоподобие» заменило «истину» как товар.
Когда я начал собирать эту картину, я не ожидал, что она окажется настолько симметричной. Но посмотрите:
| Слой | Что обещают | Что продают на самом деле | Кто пострадает |
|---|---|---|---|
| Маркетинг | «Created by hand», «never AI» | ИИ-контент с человеческой подписью | Бренд теряет доверие, когда вскроется |
| Научный сервис (Research Gold) | «100% human, PhD methodologists» | LLM-генерация + фейковые аватары | Пациенты, лечащиеся по фейковым мета-анализам |
| Научная литература | «Peer-reviewed, evidence-based» | LLM-черновики с фейковыми ссылками | Все, кто опирается на клинические рекомендации |
Все три слоя работают на одном и том же двигателе: генератор правдоподобного текста, неотличимого от настоящего. Во всех трёх случаях аудитория (потребитель, врач, рецензент) физически не может отличить синтетику от подлинника без специального инструмента. И во всех трёх случаях рынок вознаграждает того, кто экономит на правде и продаёт правдоподобие.
Это настоящая гонка вооружений, и она уже проиграна в обозримом горизонте, если не изменить архитектуру. Не помогут ни «anti-AI marketing» (он сам становится маркетингом), ни «AI-detector» (они отстают на 6–12 месяцев от LLM), ни «peer-review reform» (пока рецензент получает на review LLM-черновик, он не знает, что это LLM-черновик, потому что LLM-черновик неотличим от среднестатистического человеческого). Нужен другой фундамент — что-то вроде криптографически подписанного submission chain, где каждый этап от черновика до публикации имеет verified-provenance metadata, и где доля LLM-ассиста в каждом этапе — отдельно задекларированная и верифицируемая характеристика. Это сложно, это дорого, и это точно не случится само собой, потому что индустрии это невыгодно.
Знаете, что меня зацепило в этой истории больше всего? Не сам Research Gold. И даже не 4,046 фейковых ссылок. А то, что системы уже не работают, но продолжают выглядеть работающими. Сертификат «peer-reviewed» — это лейбл, который раньше означал «проверено человеком, который профессионально отвечает за результат». Сегодня он означает «формально проверено», потому что рецензент — перегруженный академик, который физически не может проверить каждую ссылку в статье, а статья — черновик, в котором LLM-автор сгенерировал 20% ссылок. Сертификат «100% human-written» — это лейбл, который раньше означал «живой человек, с именем, с репутацией, с юридической ответственностью». Сегодня он означает «человек нажал кнопку Submit, всё остальное сделал ИИ».
И мы — как общество, как читатели, как врачи, как потребители — привыкаем к этому. Это самое пугающее. Не то, что врут компании, а то, что аудитория больше не ожидает правды. Мы ожидаем правдоподобия. Мы листаем Instagram-пост Le Creuset и радуемся, что «created entirely by hand» — но не проверяем. Мы заходим на сайт медицинского сервиса и видим «100% human» — и верим, потому что нам так удобнее. Мы читаем peer-reviewed paper в The Lancet и доверяем выводам — потому что альтернатива (не доверять) требует когнитивных усилий, на которые у нас нет времени. Культура правдоподобия — это новая культурная норма, и она страшнее любой отдельной фейковой статьи, потому что она не требует обмана — она работает при условии, что все участники действуют рационально в рамках своих стимулов.
Есть ли выход? Я не вижу серебряной пули. Topaz предлагает «fighting AI with AI» — это тактика, не решение. Прозрачность происхождения (C2PA-подобные метаданные для текстов) — это инфраструктурный сдвиг, который случится в следующие 5–10 лет, но уже заражённая литература останется заражённой навсегда. Самый реалистичный выход — это возврат к репутационной экономике: журналы должны отзывать статьи за фейковые ссылки (Bauchner и Rivara из JAMA настаивают именно на этом), авторы должны нести персональную ответственность за каждую ссылку (то есть читать каждую), а университеты должны проводить обучение работе с LLM так же, как когда-то проводили обучение работе с первичными источниками. Это скучно, это не масштабируется, и именно поэтому это, скорее всего, и не произойдёт.
А пока — каждый раз, когда вы видите лейбл «100% human», помните, что Research Gold построила на нём бизнес-модель, и что в мире, где этот лейбл стал маркетинговым, доверие к лейблу — это та валюта, которую печатает тот, кто врёт громче всех. И что единственная защита от этого — ваше собственное недоверие, помноженное на время, которое вы готовы потратить на проверку. А время — это, как известно, единственный ресурс, которого в современной науке, медицине и маркетинге меньше, чем денег. И именно поэтому фейки побеждают.
Источники: