Когда вкус начинает принадлежать платформе

Мы видим не всё

Когда дизайнер открывает Pinterest, Behance, Instagram или любую алгоритмическую ленту, перед ним находится не нейтральное окно в мировую визуальную культуру.

Он видит выборку.

Причём выборку, которая постепенно адаптируется к его предыдущим действиям. Чем чаще человек задерживается на определённом визуальном языке, тем чаще система предлагает ему похожий материал.

Исследование 2026 года, посвящённое студентам-дизайнерам, обнаружило связь между средой алгоритмических рекомендаций, эстетической гомогенизацией и ослаблением эстетической автономии. Авторы не утверждают, что алгоритм буквально лишает человека вкуса. Механизм тоньше: постоянное столкновение с похожими визуальными решениями постепенно превращает определённую эстетику в воспринимаемую норму.

Мы выбираем из того, что увидели.

Но то, что мы увидели, уже кто-то выбрал за нас.

Генератор добавляет второй фильтр

С появлением генеративных моделей ситуация становится ещё интереснее.

Рекомендательная система решает, что показать. Генеративная — что создать.

На первый взгляд генерация должна радикально увеличить разнообразие. Изображение больше не нужно искать среди существующих — можно запросить практически что угодно.

Однако исследования начинают показывать обратный эффект.

В августе 2026 года исследователи Alwin de Rooij и Michael Mose Biskjaer опубликовали метаанализ 19 исследований взаимодействия человека с генеративным ИИ. Они обнаружили небольшой, но статистически устойчивый эффект гомогенизации: использование ИИ способно улучшать результаты отдельных участников, одновременно уменьшая разнообразие результатов группы в целом.

Это важное различие.

Проблема не обязательно в том, что каждый начинает делать хуже.

Возможно другое:

Каждый начинает делать немного лучше — но все начинают двигаться примерно в одном направлении.

И для визуальной культуры это значительно серьёзнее.

У машин уже появляется собственный визуальный акцент

Мы довольно быстро научились говорить: «это похоже на Midjourney».

Сам факт такой узнаваемости интересен.

Если инструмент действительно нейтрален, почему результат иногда позволяет угадывать инструмент?

Исследование, представленное на конференции AAAI/ACM по вопросам ИИ, этики и общества, анализировало 306 сгенерированных изображений и проверяло их восприятие среди специалистов и других участников. Исследователи обнаружили характерные визуальные языки отдельных генераторов — своего рода platform vernaculars, платформенные визуальные диалекты.

Профессионалы могли с заметной точностью различать изображения разных систем. Авторы также выявили устойчивые культурные предпочтения внутри нейтральных запросов.

Получается странная ситуация.

Мы думаем, что выбираем стиль.

Но одновременно стиль предлагает нам сама машина.

Откуда берётся похожесть

Здесь нет одного виновника.

Модель обучается на уже существующей культуре. Она хорошо знает то, что часто встречалось раньше. Пользователь обычно формулирует запрос через уже известные понятия: cinematic, editorial, minimal, luxury, cyberpunk.

Система выдаёт результат, близкий к статистически убедительным примерам.

Пользователь выбирает наиболее эффектный вариант.

Этот вариант публикуется.

Алгоритм социальной сети замечает реакцию аудитории и начинает чаще показывать похожее.

Другие люди используют увиденное как референс.

И культура замыкает петлю.

Прошлое обучает модель → модель создаёт настоящее → настоящее становится обучающим материалом будущего.

Сам по себе этот процесс не уничтожает оригинальность. Культура всегда строилась на повторении, цитировании и развитии существующих форм.

Новое заключается в скорости и масштабе обратной связи.

Миллионы вариаций могут быть произведены практически мгновенно.

Хороший вкус тоже может стать проблемой

Обычно разговор о генеративной эстетике строится вокруг плохих результатов: пластиковых лиц, чрезмерного света, симметричных композиций, характерной «AI-гладкости».

Но гораздо интереснее противоположная проблема.

Что произойдёт, когда машины научатся создавать действительно хороший дизайн?

Не плохой. Не смешной. Не узнаваемо искусственный.

Просто хороший.

Именно тогда возникает опасность появления огромного количества профессионально выполненной, корректной, приятной и совершенно безопасной визуальной продукции.

Не визуальный мусор.

Визуальная середина.

Она особенно опасна потому, что её трудно отвергнуть. Здесь всё работает: композиция, цвет, типографика, свет.

Не хватает только причины, почему изображение должно существовать именно таким.

Философ Alexandre Declos описывает эту проблему через понятие aesthetic bias — эстетического смещения: генеративная система неизбежно предпочитает одни эстетически значимые характеристики другим.

У машины нет необходимости объявлять какой-либо стиль правильным.

Достаточно постоянно предлагать его чуть чаще.

Тогда меняется задача дизайнера

Если раньше профессиональный навык частично заключался в способности произвести хорошее изображение, то теперь производство постепенно дешевеет.

Редким становится другое — способность понять, почему именно это изображение не следует выбирать.

Из десяти технически хороших вариантов дизайнер должен увидеть тот, который слишком очевиден.

Из двадцати красивых — тот, который повторяет визуальную норму.

Из сотни профессиональных — тот, в котором есть собственная интонация.

Поэтому работа с ИИ неожиданно делает историю искусства, наблюдение за культурой, знание контекста и развитие визуальной памяти не менее, а, возможно, более важными.

Чтобы выйти за пределы предлагаемой системой нормы, сначала необходимо заметить саму норму.

Визуальная грамотность меняется

Раньше визуальная грамотность означала умение читать изображение.

Теперь этого недостаточно.

Нужно понимать ещё и условия его появления.

Почему именно этот стиль оказался перед нами?

Почему генератор выбрал такой свет?

Почему лица выглядят именно так?

Почему одна визуальная тенденция внезапно появляется одновременно у тысяч авторов?

Мы видим культурное движение — или алгоритмическое усиление одного паттерна?

Это новый уровень визуальной грамотности: способность видеть не только изображение, но и систему, которая сделала его вероятным.

И всё же одинаковыми мы становиться не обязаны

Исследования пока не дают основания утверждать, что генеративный ИИ неизбежно уничтожает разнообразие. Эффект гомогенизации невелик и зависит от задачи, способа взаимодействия с системой и поведения самого человека.

Более того, профессиональный пользователь способен использовать особенности моделей сознательно: сталкивать разные системы, разрушать предлагаемые решения, вводить неожиданные референсы, возвращаться к физической среде, архивам, истории, собственным наблюдениям.

Поэтому проблема находится не внутри ИИ.

Она возникает в момент, когда предложенный машиной вариант перестаёт восприниматься как предложение и начинает восприниматься как ответ.

Визуальная культура никогда не создавалась только инструментами.

Она создавалась людьми, которые время от времени говорили существующему визуальному языку:

нет, теперь будет иначе.

Источники

Alwin de Rooij, Michael Mose Biskjaer. Does generative AI make us think alike? A systematic review and meta-analysis of homogenisation effects in human–AI co-creation. Behaviour & Information Technology, опубликовано 31 августа 2026 года. Метаанализ 19 исследований и 61 измеренного эффекта.

Keyan Liu, Xuanming Hong, Qianling Jiang. Perceived algorithmic recommendation environments and the weakening of aesthetic autonomy among design students. Scientific Reports, 9 мая 2026 года.

Jinu K. Varghese. Platform Vernaculars: How AI Image Generators Create New Forms of Visual Bias. Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society, 15 октября 2025 года.

Alexandre Declos. AI and Aesthetic Bias. The Journal of Aesthetics and Art Criticism, 23 апреля 2026 года.