Алгоритмические рекомендации

Есть вопрос, который кажется простым.

Почему YouTube показывает тебе именно это видео. Почему TikTok именно этот ролик. Почему Spotify именно эту песню.

Большинство людей отвечают — потому что им это нравится. Потому что алгоритм изучил их вкусы. Потому что платформа хочет сделать их опыт лучше.

Это не ответ. Это то, что платформы хотят, чтобы ты думал.

Реальный ответ другой. И он меняет всё.

Метрика, которую оптимизирует алгоритм. Не та, о которой говорят публично.

Каждый алгоритм рекомендаций оптимизирует под конкретную метрику. Это математический факт — нельзя оптимизировать под «хороший опыт», потому что это не число. Нужно конкретное число.

Что платформы говорят публично. YouTube — «мы оптимизируем под удовлетворённость пользователей». TikTok — «мы показываем контент, который тебе интересен». Spotify — «мы помогаем открывать музыку, которая тебе понравится».

Что они оптимизируют на самом деле.

YouTube до 2016 года оптимизировал под количество кликов. Это создало индустрию кликбейта — сенсационные заголовки, обманчивые превью. Пользователи жаловались. Репутация страдала.

В 2016 году YouTube сменил метрику. Новая цель — watch time. Суммарное время просмотра. Не клики — минуты.

Казалось бы лучше. Если человек смотрит долго — значит ему нравится.

На практике — watch time максимизируется через эмоциональную вовлечённость. Контент, который держит у экрана дольше — не обязательно тот, который приносит пользу или доставляет удовольствие. Это контент, который вызывает сильные эмоции. Любые. Восхищение, гнев, тревогу, страх, возмущение.

Тревожный человек, который смотрит видео про угрозы и катастрофы три часа — создаёт больше watch time чем спокойный человек, который посмотрел полезный урок и закрыл вкладку. Алгоритм не знает, что первый чувствует тревогу. Он видит только цифру.

TikTok оптимизирует под completion rate — процент досмотренных видео до конца — и повторные просмотры. Это приводит к тому, что платформа отдаёт предпочтение коротким видео с неожиданной концовкой. Мозг хочет закрыть незавершённый гештальт — досматривает. Алгоритм это знает.

Spotify оптимизирует под время прослушивания и количество сессий. Это означает, что алгоритм предпочитает музыку, которая создаёт состояние, при котором человек продолжает слушать. Фоновая музыка. Плейлисты для работы. Расслабляющие треки. Не потому что это лучшая музыка — а потому что она не требует активного решения остановиться.

Внутренние документы, которые стали публичными.

Это не предположения. Это задокументированные факты из внутренних материалов компаний, которые стали публичными.

2021 год. Фрэнсис Хауген — бывший сотрудник Facebook — передала Конгрессу США и журналистам тысячи внутренних документов. Это стало известно как Facebook Papers.

Что показали документы.

Facebook знал, что алгоритм ленты усиливает поляризацию. Внутреннее исследование 2018 года показало, что изменение алгоритма, которое снизило поляризацию — также снизило вовлечённость пользователей. Компания выбрала вовлечённость.

Facebook знал, что контент, вызывающий реакцию «злость», распространяется в пять раз быстрее чем нейтральный. Алгоритм давал таким публикациям приоритет — потому что они генерировали больше взаимодействий. Взаимодействия — метрика.

Facebook знал, что Instagram причиняет вред психическому здоровью девочек-подростков. Внутреннее исследование показало — 32% девочек, которые чувствовали себя плохо из-за своего тела, говорили, что Instagram делает им хуже. Компания скрыла это исследование от общественности.

2023 год. Судебные иски против TikTok в нескольких американских штатах открыли часть внутренней документации. Выяснилось, что TikTok имел внутреннее название для состояния, которое алгоритм пытался создать у пользователей — «flow state». Состояние потока. Когда человек полностью поглощён и не замечает времени.

Это не случайный побочный эффект. Это цель.

Как алгоритм строит петлю.

Механика удержания работает через петлю, которую алгоритм выстраивает индивидуально для каждого пользователя.

Шаг первый — зондирование. Новому пользователю показывается разнообразный контент. Алгоритм смотрит на реакции. Что досматривает до конца. На чём задерживается. Что пересматривает. Что вызывает реакцию — лайк, комментарий, репост, или просто долгую паузу перед скроллингом.

Шаг второй — кластеризация. Алгоритм находит, к какому кластеру пользователей ты относишься. Не демографически — поведенчески. Люди, которые реагируют так же как ты — на что они реагировали дальше? Что удерживало их дольше?

Шаг третий — эксплуатация. Алгоритм начинает показывать контент, который статистически удерживает людей твоего поведенческого типа дольше всего. Не то, что ты просил. Не то, что тебе понравилось. То, что тебя удерживает.

Шаг четвёртый — углубление. Если ты реагируешь на определённую тему — алгоритм идёт глубже по этой теме. Посмотрел одно видео про диеты — получишь больше про диеты. Потом про экстремальные диеты. Потом про расстройства пищевого поведения. Не потому что алгоритм хочет тебе навредить — потому что каждый следующий шаг генерирует чуть больше вовлечённости чем предыдущий.

Это называется rabbit hole — кроличья нора. Пользователь заходит посмотреть видео про здоровое питание — и через серию рекомендаций оказывается на контенте про анорексию. Алгоритм провёл его туда по шагам. Каждый шаг был небольшим. Итоговое расстояние — огромным.

Радикализация через рекомендации. Задокументированный эффект.

Это одно из наиболее изученных последствий алгоритмических рекомендаций.

Исследователь, который в 2019 году создал сотни фиктивных аккаунтов на YouTube и систематически наблюдал куда ведут рекомендации из разных стартовых точек, зафиксировал следующее. Алгоритм последовательно вёл пользователей от умеренного контента к более радикальному по той же теме. Не мгновенно. Постепенно. Каждый следующий ролик — чуть более интенсивный чем предыдущий.

Механика простая. Умеренный контент про политику конкурирует с тысячами похожих видео. Радикальный контент вызывает более сильную эмоциональную реакцию. Более сильная реакция — больше watch time. Алгоритм не различает умеренное и радикальное. Он видит только время просмотра.

YouTube оспорил выводы исследования. Изменил алгоритм в 2019 году, заявив, что снизил рекомендации «пограничного» контента. Независимые исследователи зафиксировали частичное улучшение. Не полное.

Тот же эффект задокументирован в Facebook применительно к политической информации. В WhatsApp применительно к распространению дезинформации. В Instagram применительно к контенту, связанному с внешностью и самооценкой.

Алгоритм не имеет политической позиции. Не хочет радикализировать людей. Не стремится навредить. Он просто оптимизирует число. А число оказывается выше у контента, который вызывает более сильные эмоции. А более сильные эмоции чаще вызывает контент, который дальше от умеренного.

Это не злой умысел. Это математика с непредвиденными последствиями, которые компании видели — и предпочитали не исправлять, потому что это снижало вовлечённость.

Персонализация, которая создаёт разные реальности.

Есть последствие алгоритмических рекомендаций, которое менее очевидно но возможно более значимо.

Два человека, которые задают одинаковый вопрос в YouTube или TikTok — получают разные ответы. Не потому что один вопрос звучит иначе. Потому что алгоритм знает, кто каждый из них. И показывает разный контент.

Это означает, что информационная среда каждого человека — уникальна. Персонализирована под его прошлые реакции. Под его поведенческий профиль. Под то, что алгоритм считает удерживающим именно его.

Два человека в одном городе, одного возраста, с похожим образованием — могут получать принципиально разные ответы на один и тот же вопрос. Жить в разных версиях реальности. Не знать об этом.

Это называется filter bubble — информационный пузырь. Но с тех пор, как этот термин появился в 2011 году, технология стала значительно мощнее. Персонализация 2024 года несопоставима с персонализацией 2011-го.

Последствия для общества — фиксируются исследователями. Люди, которые получают разные информационные реальности — труднее находят общий язык. Труднее договариваются. Труднее понимают, почему другой человек думает иначе — потому что буквально видел другой мир через свой экран.

Поляризация, которую мы наблюдаем в политике во многих странах — имеет много причин. Алгоритмические рекомендации — одна из них. Задокументированная.

Часть вторая — как работает алгоритм изнутри

Продолжаем. Как именно алгоритм принимает решение что показать тебе следующим. Какие данные использует. Как строит модель. И почему эта модель знает о тебе больше чем ты думаешь.

Два слоя которые работают вместе.

Алгоритм рекомендаций в крупных платформах — не одна система. Это минимум два слоя, которые работают последовательно.

Первый слой — candidate generation. Генерация кандидатов. Из миллионов единиц контента система отбирает несколько сотен, которые потенциально могут тебя заинтересовать. Быстро. Грубо. На основе общих паттернов.

Второй слой — ranking. Ранжирование. Из этих нескольких сотен кандидатов система выбирает те несколько, которые покажет тебе прямо сейчас. Медленно. Точно. С учётом всего, что знает о тебе.

Именно второй слой — то место, где происходит самое интересное.

Что ранжирующая модель знает о тебе.

Данные, которые используются для ранжирования — значительно шире чем просто история просмотров.

История взаимодействий. Не только что смотрел — но как. Досматривал ли до конца. В каком месте останавливался. Пересматривал ли конкретные фрагменты. Ставил на паузу. Перематывал назад. Каждое из этих действий несёт информацию о том, насколько контент захватил внимание.

Временные паттерны. В какое время суток ты активен. Какой контент смотришь утром — и какой вечером. Как меняются предпочтения в выходные. Платформа знает, что один и тот же человек в разное время суток хочет разного. И адаптируется.

Контекст устройства. С телефона или с компьютера. Дома или в движении — это видно по паттернам сессий. Подключён к WiFi или к мобильному интернету. Это влияет на рекомендации — на телефоне в дороге рекомендуется короткий контент, дома на большом экране — длинный.

Социальный граф. Что смотрят люди, которые похожи на тебя поведенчески. Не твои друзья — поведенческие двойники. Пользователи, чья история взаимодействий коррелирует с твоей. Это называется collaborative filtering — совместная фильтрация. Если тысячи людей с похожим профилем после видео А смотрели видео Б — тебе тоже покажут Б.

Содержание контента. Транскрипты видео, теги, описания, визуальный контент через компьютерное зрение. Алгоритм понимает о чём контент — и сопоставляет с тем, на что ты реагировал раньше.

Сигналы реального времени. Что сейчас популярно. Что набирает просмотры быстро. Что обсуждается прямо сейчас. Это добавляется к персональным данным — платформа балансирует между личными предпочтениями и актуальностью.

Модель пользователя. Как алгоритм тебя представляет.

Всё это вместе формирует то, что инженеры называют user embedding — векторное представление пользователя. Это математический объект в многомерном пространстве. Тысячи чисел, которые описывают тебя как паттерн поведения.

Каждый контент также представлен как вектор в том же пространстве. Задача алгоритма — найти контент, вектор которого близок к твоему вектору прямо сейчас.

Прямо сейчас — ключевые слова. Твой вектор не статичный. Он обновляется в реальном времени. То, что ты смотрел пять минут назад, влияет на то, что тебе покажут прямо сейчас. То, что ты смотрел полгода назад, влияет меньше — но всё ещё влияет.

Это означает что алгоритм работает с двумя версиями тебя одновременно. Долгосрочный профиль — кто ты в целом, какие у тебя устойчивые интересы. И краткосрочный контекст — в каком ты сейчас состоянии, что тебя захватило в последние минуты.

Именно поэтому алгоритм умеет «поймать» тебя. Если ты начал смотреть тревожный контент — краткосрочный контекст сигнализирует что ты сейчас восприимчив к тревожному. Алгоритм показывает больше тревожного. Ты смотришь. Контекст усиливается. Петля замкнулась.

YouTube изнутри. Что известно из публичных источников.

Google в 2016 году опубликовал исследовательскую статью о системе рекомендаций YouTube. Это один из редких случаев когда крупная платформа раскрыла детали своей архитектуры.

Что там написано.

Система обрабатывает сотни миллионов видео и миллиарды пользователей. Каждую секунду на YouTube загружается 500 часов нового контента. Задача алгоритма — из этого объёма выбрать несколько десятков видео для конкретного пользователя в конкретный момент.

В качестве обучающего сигнала используется не только клик на видео — но и время просмотра после клика. Это принципиально. Кликбейтное видео получает клик — но не получает время просмотра если обманывает ожидания. Алгоритм это штрафует.

Система использует данные о неявных сигналах — не только лайки и комментарии, но и поведение которое пользователь не осознаёт как действие. Сколько времени провёл на странице видео до нажатия play. Как быстро закрыл после начала. Вернулся ли к предыдущему видео.

Что не было раскрыто в этой статье — и что стало известно из других источников.

Алгоритм имеет механизм, который инженеры называют «exploitation vs exploration». Эксплуатация — показывать то, на что ты точно отреагируешь на основе прошлого поведения. Исследование — иногда показывать что-то новое чтобы расширить профиль и найти новые интересы.

Баланс между этими двумя режимами — одно из ключевых решений в дизайне алгоритма. Слишком много эксплуатации — пользователь застревает в узком пузыре. Слишком много исследования — теряется вовлечённость. Платформы не раскрывают как именно они балансируют. Но эффект виден — алгоритм периодически показывает что-то неожиданное. Это не случайность. Это исследование.

TikTok. Алгоритм, который работает иначе.

TikTok принципиально отличается от YouTube и Facebook в одном ключевом аспекте.

YouTube и Facebook строят рекомендации преимущественно на основе социального графа и истории. На кого ты подписан. Что смотрел раньше. Что смотрят похожие на тебя люди.

TikTok строит рекомендации преимущественно на основе реакции на контент — независимо от социальных связей. Ты не должен ни на кого подписываться. Алгоритм смотрит только на то, как ты реагируешь на видео которые показывает.

Это означает две вещи.

Первое — TikTok значительно быстрее строит точный профиль. YouTube нужны недели чтобы понять нового пользователя. TikTok — несколько часов. Потому что он не ждёт пока ты подпишешься на каналы. Он просто показывает видео и смотрит на реакцию.

Второе — TikTok значительно эффективнее в продвижении нового контента. На YouTube новый создатель без аудитории практически невидим. В TikTok каждое видео проходит через механизм тестирования — показывается небольшой группе, измеряется реакция, если она выше порога — показывается большей группе. Органическая вирусность встроена в архитектуру.

Это делает TikTok особенно мощным инструментом удержания. И особенно сложным для исследования — потому что каждый пользователь видит уникальную ленту, которая не определяется публичной активностью.

Что известно о внутренней работе TikTok — значительно меньше чем о YouTube. Компания не публиковала исследовательских статей. Судебные разбирательства открыли часть документов. Они показывают что TikTok отслеживал значительно больше данных чем раскрывал публично — включая данные о буфере обмена, сетевые данные, детальную поведенческую аналитику.

Spotify. Алгоритм, который создаёт состояния.

Spotify — другая история. Не видео — аудио. Не активное просматривание — фоновое слушание. Это меняет что именно оптимизируется.

Spotify оптимизирует под listening time и session frequency. Сколько времени ты слушаешь за сессию. Как часто возвращаешься.

Ключевое открытие, которое Spotify сделал на основе данных — разные состояния требуют разной музыки. И переход между состояниями — момент когда пользователь чаще всего уходит с платформы.

Поэтому алгоритм Spotify не просто рекомендует музыку, которая тебе нравится. Он рекомендует музыку, которая удерживает тебя в текущем состоянии достаточно долго, чтобы ты не переключился.

Отсюда — феномен плейлистов для работы, для сна, для тренировок. Это не просто удобная категоризация. Это алгоритмически оптимизированные последовательности, которые удерживают состояние достаточно долго чтобы ты не закрыл приложение.

Spotify также использует аудио-анализ — темп, тональность, энергетику каждого трека — и сопоставляет с временем суток, активностью, историей слушания. Это позволяет предсказывать что тебе нужно сейчас — не на основе того что ты просил, а на основе паттернов которые алгоритм видел у тебя и у похожих пользователей.

Почему алгоритмы не раскрываются. Три причины.

Компании объясняют непрозрачность алгоритмов конкурентными соображениями. Это правда — но не вся правда.

Причина первая — конкуренция. Алгоритм рекомендаций это действительно конкурентное преимущество. Раскрыть его детали — помочь конкурентам.

Причина вторая — манипуляция. Если создатели контента знают точно как работает алгоритм — они оптимизируют под него. Не под качество контента, а под метрики алгоритма. Это уже происходит — но полное знание алгоритма сделало бы это ещё более систематичным.

Причина третья — и это та которую не называют публично — ответственность. Если алгоритм раскрыт и задокументирован, что он оптимизирует под вовлечённость через тревогу и гнев — это становится основанием для юридической ответственности. За психологический вред. За радикализацию. За влияние на выборы.

Непрозрачность — не только бизнес-решение. Это юридическая защита.

AI Act и алгоритмическая прозрачность.

Европейский AI Act — закон вступивший в силу в 2024 году — содержит требования к прозрачности рекомендательных систем.

Платформы с более чем 45 миллионами пользователей в ЕС — Very Large Online Platforms — обязаны предоставлять пользователям хотя бы одну опцию рекомендаций, которая не основана на профилировании. То есть хронологическую ленту или рандомную выборку — без персонализации на основе поведенческих данных.

Это первое законодательное требование к алгоритмам рекомендаций в мире. Насколько эффективно оно будет исполняться — покажет практика.

Регуляторы также получили право запрашивать данные о работе алгоритмов для оценки системных рисков. Это означает что впервые государственные органы могут — теоретически — заглянуть внутрь чёрного ящика.

Практика только начинается. Но направление обозначено.

Часть третья — как это влияет на картину мира. И что с этим делать

Что происходит с человеком и с обществом когда алгоритмы решают что мы видим. И что можно сделать — реально, не в теории.

Картина мира которую ты не выбирал.

Есть простой факт, который сложно принять.

Большую часть информации о мире ты получаешь не через собственный выбор. Через алгоритмический выбор. Что показать. Что выдвинуть вперёд. Что спрятать. Что усилить.

Это не новость — медиа всегда влияли на то, что люди знают о мире. Редакторы выбирали что печатать. Телевизионные продюсеры решали что показывать.

Но, алгоритмические рекомендации отличаются от традиционных медиа в двух принципиальных аспектах.

Первый — масштаб персонализации. Газета показывала одинаковый контент миллионам читателей. Алгоритм показывает уникальный контент каждому из миллиарда пользователей. Нет общей картины которую все видят. Есть миллиард индивидуальных картин.

Второй — критерий отбора. Редактор отбирал контент по критериям, которые хотя бы декларативно были связаны с общественным интересом. Алгоритм отбирает по критерию, который не имеет отношения к общественному интересу — максимальное удержание конкретного пользователя.

Это не одно и то же. И разница имеет последствия.

Что исследования говорят о последствиях. Конкретно.

Это не умозрительные рассуждения. Это задокументированные эффекты, которые измерялись на реальных людях.

Эффект первый — сужение информационного разнообразия.

Исследование, опубликованное в журнале Nature Human Behaviour в 2023 году, проанализировало новостное потребление 6000 пользователей Facebook. Пользователи, которые видели алгоритмическую ленту, потребляли значительно менее разнообразный контент чем те, кто видел хронологическую ленту. Алгоритм углублял существующие интересы — не расширял.

Это означает что со временем информационный рацион человека сужается. Он узнаёт больше о том, что уже знает. И меньше о том, о чём не знал.

Эффект второй — усиление существующих убеждений.

Алгоритм показывает контент, который вызывает реакцию. Контент, который противоречит убеждениям человека, вызывает реакцию — но неприятную. Контент, который подтверждает убеждения, вызывает реакцию приятную. Со временем алгоритм смещается в сторону подтверждающего контента — потому что он генерирует более позитивные реакции которые коррелируют с продолженным использованием.

Это называется confirmation bias amplification — алгоритмическое усиление предвзятости подтверждения. Убеждения становятся более сильными и менее гибкими. Не потому что человек нашёл больше доказательств — а потому что алгоритм показывал больше контента, который эти убеждения подтверждал.

Эффект третий — деградация способности к скуке.

Это звучит странно — но это реальный задокументированный эффект.

Скука — функционально важное состояние. Именно в состоянии скуки мозг переходит в режим default mode network — блуждающий ум, который обрабатывает опыт, строит связи, генерирует идеи. Это необходимо для долгосрочного когнитивного здоровья.

Алгоритмические рекомендации созданы чтобы скука не наступала никогда. Следующее видео начинается до того, как закончилось предыдущее. Лента бесконечна. Момент когда мозг мог бы переключиться в режим блуждания — заполнен следующим контентом.

Исследования показывают, что хроническое избегание скуки через постоянную стимуляцию коррелирует со снижением способности к концентрации, с трудностями в самостоятельном структурировании времени, с повышенной тревожностью когда внешняя стимуляция отсутствует.

Телефон стал протезом, который берёт на себя функцию управления состоянием. Это меняет то, как люди переносят отсутствие внешней стимуляции.

Эффект четвёртый — влияние на коллективное восприятие реальности.

Это самый масштабный и самый сложно измеримый эффект.

Когда значительная часть населения получает информацию о мире через алгоритмы, которые оптимизируют под вовлечённость — коллективная картина реальности смещается в сторону эмоционально заряженного, конфликтного, тревожного контента. Не потому что мир стал таким. А потому что такой контент удерживает лучше.

Исследователи зафиксировали это смещение в нескольких странах через анализ контента, который набирал наибольший охват в социальных сетях по сравнению с традиционными медиа. Алгоритмически усиливаемый контент систематически смещён в сторону негатива, конфликта и тревоги.

Мир в котором мы живём — становится менее страшным по многим объективным показателям. Насилие снижается. Бедность снижается. Продолжительность жизни растёт. Но воспринимаемый мир через экран алгоритмической ленты — ощущается всё более опасным и конфликтным.

Это разрыв между реальностью и её алгоритмическим отражением. И он имеет последствия для политических решений, для личного благополучия, для социального доверия.

Что платформы делают в ответ на критику.

Это важно понять — потому что платформы реагируют. Но реакция часто является управлением репутационным риском, а не реальным изменением.

YouTube объявил в 2019 году о снижении рекомендаций «пограничного контента». Независимые исследователи зафиксировали частичное улучшение в США — и практически отсутствие изменений в других странах. Алгоритм был изменён для англоязычного контента, который находился под наибольшим медийным вниманием. Для остального мира — практически без изменений.

Facebook после Facebook Papers запустил несколько инициатив по снижению «токсичного контента». Внутренние документы показали что эти инициативы последовательно отменялись или ослаблялись когда метрики вовлечённости начинали снижаться.

TikTok после судебных исков в США ввёл Screen Time Management — инструменты для ограничения времени использования. Они существуют. Они не включены по умолчанию. Пользователь должен активно их настроить. Большинство не настраивает.

Паттерн один и тот же. Публичная реакция на критику. Минимальные изменения которые не затрагивают базовую метрику оптимизации. Потому что базовая метрика — это бизнес-модель. А бизнес-модель не меняется под давлением критики. Она меняется под давлением регуляторов или под давлением изменения рыночных условий.

Что реально работает. Не как избежать алгоритма — как с ним жить осознанно.

Полностью избежать алгоритмических рекомендаций в современном цифровом мире — нереалистично. Это не цель.

Цель — осознанное взаимодействие. Понимать что происходит. Принимать решения намеренно там, где раньше всё происходило автоматически.

Первое — разделение пассивного и активного потребления.

Есть разница между тем, что ты ищешь сам, и тем, что тебе показывают. Когда ты вводишь запрос в поиск — это активный выбор. Когда смотришь следующее видео из автоматической рекомендации — это пассивное потребление.

Осознанная практика — периодически останавливаться и спрашивать. Я сейчас смотрю это потому что выбрал — или потому что следующее видео началось автоматически? Один этот вопрос меняет отношение к потреблению контента.

Второе — намеренные перерывы.

Алгоритм оптимизирован под непрерывность. Следующее видео, следующий пост, следующий трек. Намеренный перерыв — это сопротивление этой механике. Не выключить телефон навсегда. Просто закрыть приложение после конкретного видео. До того как началось следующее.

Это звучит банально. На практике — это сложнее чем кажется именно потому что интерфейс спроектирован против этого.

Третье — диверсификация источников информации намеренно.

Алгоритм сужает информационный рацион. Противодействие — намеренное расширение. Читать то, с чем не соглашаешься. Подписываться на источники, которые смотрят на мир иначе. Это не значит принимать чужие взгляды. Это значит иметь реальную картину того, что думают разные люди — а не алгоритмически отфильтрованную версию.

Четвёртое — хронологическая лента где она доступна.

По требованию AI Act крупные платформы в ЕС обязаны предоставлять опцию нерекомендательной ленты. Это уже доступно в ряде сервисов. Используй её — хотя бы периодически. Посмотри на разницу между тем, что показывает алгоритм, и тем, что публикуют люди на которых ты подписан в хронологическом порядке.

Разница часто поразительна.

Пятое — регулярная очистка истории.

Алгоритм строит профиль на основе прошлого поведения. Очистка истории просмотров, истории поиска, данных о взаимодействиях — частично сбрасывает этот профиль. Не полностью. Но существенно.

На YouTube — настройки аккаунта, история просмотров, удалить всю историю. На TikTok — настройки, конфиденциальность, очистить кэш и историю. На Spotify — меньше возможностей, но можно скрыть прослушанные треки из истории.

Последнее. Про ответственность которая размыта.

Есть вопрос, который в этом разговоре звучит редко.

Кто несёт ответственность за последствия алгоритмических рекомендаций?

Платформы говорят — мы предоставляем инструмент. Что люди смотрят — их выбор. Мы не создаём контент. Мы только рекомендуем.

Но алгоритм — это не нейтральный инструмент. Это система, которая активно формирует информационную среду миллиардов людей. Которая принимает решения о том, что усилить, а что подавить. Которая оптимизирована под конкретную метрику — и эта метрика не совпадает с интересами пользователей или общества.

Это новый тип власти. Без названия. Без регулирования которое соответствует его масштабу. Без прозрачности которая позволила бы оценить последствия.

AI Act — первый шаг. Но первый шаг на очень длинном пути.

Пока этот путь проходится — единственная защита которая работает прямо сейчас — это понимание. Знание того как работает система. Осознанное взаимодействие с ней.

Алгоритм принимает тысячи решений о тебе каждый день. Большинство из них — незаметны, но теперь ты знаешь что они происходят.

Это уже другая позиция.