Публичность или небытие: как AI меняет цену знания

Мне любопытно: что уже сейчас можно с уверенностью сказать о влиянии AI на сложившуюся систему отношений в обществе?

Сдаётся мне, что мы, как обычно, находимся в плену собственного опыта и используем AI теми способами, к которым привыкли. Например, текстовый чат остаётся основным способом взаимодействия с AI в разработке — при том, что голосовых команд часто вполне достаточно, и необходимость клавиатуры уже не столь очевидна. Также неясно, что будет с веб-сайтами и прочими цифровыми интерфейсами: подбирать велосипед или ноутбук явно проще в чате с AI-ассистентом, а для совершения самой покупки хватит банковского приложения.

Однако некоторые фундаментальные сдвиги уже можно постараться разглядеть. Самых значимых, на мой взгляд, два: рост роли публичных источников информации и смещение точки приложения человеческих усилий от обработки и представления информации к созданию нового знания.

Публичность как условие существования

Люди теперь включают AI в цепочку принятия решений — в разных формах. Даже в самом консервативном варианте он присутствует как механизм критики — поиска слабых мест в почти готовом продукте. Но если релевантный источник информации не в открытом доступе, LLM о нём попросту не знает. А значит — не использует в принятии решений, не комбинирует с другими источниками, не проверяет на корректность. Для модели такого знания не существует.

Представьте: имея ограниченные время и финансы, вы докладываете свою прорывную идею не на топовой международной конференции, а на университетском семинаре в своём городе. Или вообще на заседании кафедры. Двадцать лет назад она попросту затерялась бы. Сейчас, когда я прошу AI-агента проанализировать проблему и найти известные попытки её решения, он опирается на два источника знаний: то, что было доступно при обучении, плюс то, что он находит поиском в интернете. То есть важно уже не столько где опубликованы ваши результаты, сколько сам факт их наличия в сети, доступность для индексирующих роботов и полнота изложения.

Отсюда следствие: сообщества и социальные сети, построенные на открытом доступе и свободе критики, получают заметное преимущество — в них возникает что-то вроде коллективного поиска решений в духе боргов из «Star Trek» (только без ассимиляции). Если вы что-то сделали, критически важно это опубликовать, подать и широко обсудить — именно это делает результат заметным и весомым для AI.

От организации информации — к производству знания

Второй аспект — смещение в сторону производства нового знания. Судя по всему, задача организации и подбора информации — то, чем традиционно занимались газеты и телевидение, — теряет былую ценность как отдельная массовая профессия. Персональную газету или ленту роликов сегодня можно собрать нехитрым промптом, без навыков разработки и знания алгоритмов ранжирования. Я, например, собрал себе персональный дайджест, подстроенный под мои интересы и легко перенастраиваемый. Написать обзорную статью (survey) на заданную тему теперь достаточно просто — а тридцать лет назад это была одна из самых трудоёмких и уважаемых работ в науке.

Меняются и требования к самой публикации. Повторная публикация одного и того же материала на разных площадках — для AI-агента лишь избыточный шум. Доступность изложения и даже язык публикации не играют роли. Агенту важны чёткая и полная постановка задачи, метод решения, детали верификации.

Интересно, что при этом меняется и понятие авторитета. У LLM нет явной метрики репутации автора — на этапе обучения работает скорее консенсус корпуса, то есть всего массива текстов, на котором обучалась модель: утверждение, независимо подтверждённое многими открытыми источниками, усваивается с большей уверенностью. А имя автора имеет вес лишь тогда, когда оно само стало заметной частью этого корпуса: известному контрибьютору в публичной рассылке модель «поверит» больше, чем анонимному блогеру, — но только потому, что уже встречала это имя рядом с проверенными результатами. Авторитет из статусной характеристики («профессор такого-то университета», «редактор такого-то журнала») превращается в накопленный след проверяемых публикаций в открытом доступе. Репутацию для AI нельзя предъявить — её можно только накопить, и накопить публично.

Частично этот довод подтверждается реальностью: ACM и Royal Society открыли свои архивы с 2026 года, а Wiley — продаёт их использование в некоторых LLM-моделях. Могу предположить, что Elsevier, Springer и IEEE, остаются на гибридных/переходных моделях в силу консервативности, и также рано или поздно двинутся в том же направлении.

Повлияет ли это на сообщество PostgreSQL?

Наше сообщество, похоже, оказалось готово к новой реальности задолго до её наступления, причём непреднамеренно.

Вся содержательная работа в PostgreSQL десятилетиями ведётся в публичной рассылке pgsql-hackers: обсуждения дизайна, ревью патчей, споры и отклонённые идеи — всё архивировано, индексируется и доступно любому краулеру. Коммиты сопровождаются развёрнутыми сообщениями со ссылками на обсуждения. С точки зрения моих тезисов это почти идеальный корпус: полная постановка задачи, метод, аргументы против — и всё в открытом доступе. Неудивительно, что LLM сегодня довольно уверенно рассуждают об устройстве планировщика или MVCC: они «читали» не только код, но и тридцать лет споров вокруг него, историю коммитов и ревертов.

Репутационный механизм здесь тоже работает буквально по описанной схеме. Имена давних контрибьюторов встречаются в корпусе рядом с тысячами принятых решений — и модель воспроизводит это доверие. Забавное следствие: вес аргумента «а вот имярек в такой-то ветке возражал против этого подхода» теперь распространяется за пределы рассылки — на любого, кто спросит AI о том же дизайне.

Но есть и обратная сторона. Знание, которое в сообществе передаётся вне архивов — в кулуарах конференций, в чатах, в головах коммиттеров, — для AI не существует. Например, негласные критерии вида «этот патч не пройдёт, потому что усложняет сопровождение» часто нигде не сформулированы явно. Разрыв между письменной и устной традицией сообщества становится ощутимым: первая усиливается, вторая, вероятно, обесценивается. Подозреваю, это подтолкнёт к тому, чтобы чаще фиксировать неписаные правила письменно — что само по себе неплохо. А может, к тому, чтобы конференции стали более прозрачными для онлайн-участников?

Впрочем, такие ключевые для кода СУБД факторы, как надёжность, простота кода и стоимость длительной поддержки на разных платформах — пока кодифицированы слабо, что ставит под сомнение глубину проникновения AI агентов в разработку PostgreSQL в ближайшем будущем.

И последнее: коммерческие форки и закрытые разработки на базе PostgreSQL оказываются в невыгодном положении. Их решения, какими бы изящными они ни были, не участвуют в «коллективном разуме»: LLM модель при обучении не ассимилирует их наработки, не проанализирует их код, не включит в свою «память» — а значит, эффективность применения AI в закрытых проектах будет ощутимо ниже. Похоже, что открытость перестаёт быть только идеологией или моделью разработки — она становится условием влияния.

Что из этого следует

Если обе тенденции реальны, то формула успешной интеллектуальной работы меняется. Раньше она выглядела как «сделай хорошо, опубликуй в престижном месте и расскажи на нескольких конференциях под разным соусом». Теперь скорее так: «произведи новое знание, изложи его полно и проверяемо, выложи в открытый доступ, инициируй широкое обсуждение — и делай это систематически, потому что твоя репутация для AI и есть накопленный след таких публикаций».

Парадоксально, но технология, в которой многие видят «убийцу мышления», на деле обесценивает именно рутинную обработку информации — и повышает цену того, что машина сделать не может: постановки новой задачи, эксперимента, ответственности за результат.

А что заметили вы? Какие изменения в вашей реальности выглядят уже необратимыми?

THE END.
19 июля 2026, Брисбен, Австралия.