Размышления, вдохновленные статьей Марка Хау «Towards ‘augmented sociology’? A practice-oriented framework for using large language model-powered chatbots» (Hau, 2025)
Джорджо де Кирико — «Беспокойные музы»
Недавно в одном из чатов коллег-исследователей я обратил внимание на обсуждение темы использования синтетических выборок. Будучи по своему профилю академическим, да ещё и политическим социологом, я в своей работе с подобными методами не сталкивался, однако же в мире продуктовых исследований это стремительно нарастающий тренд последних лет.
В связи с этим меня крайне заинтересовал вопрос: а как исследователям вообще относиться к подобным методам и насколько они, если так можно выразиться, академичны? Так я и погрузился в исследование применения синтетических выборок и в целом LLM в рамках социологических исследований, однако, как всегда оказывается, всё гораздо глубже и тревожнее. Этим эссе я хочу пролить свет на формирующуюся проблему, которая заперта в коконе дисциплин, однако с большой вероятностью может стать, без преувеличения, главным вызовом для социологии XXI века.
Концепция аугментированной социологии
Традиционно мы представляем процесс социологического исследования как две ступени — сбор данных и их последующий анализ. И специфика социологии как науки в целом всегда предполагала опросы людей, однако трендом последних лет стали GABM (Generative Agent-Based Models) — они пришли на замену старому методу математического моделирования (например, модели сегрегации Шеллинга; Schelling, 1971). Это ИИ, которые обладают сложными предустановленными контекстами, у них есть память, персональные преференции и прописанные взгляды, а главное — они способны генерировать ответы на естественном языке.
Всё это позволяет создавать виртуальные общества-песочницы, в которых тестируются различные социологические гипотезы. Исследуется поведение агентов с различными вымышленными биографиями и специальными условиями, что позволяет получать уникальные выводы об изменении топологии агентских сетей и макросоциальных структур.
Следующим шагом, логически вытекающим из такого метода, становятся «кремниевые выборки», представляющие из себя симуляцию пула респондентов с помощью множества ИИ-агентов. Эта технология зарекомендовала себя прежде всего как хорошее решение для пилотных исследований или тех случаев, когда социологу нужно проверить взаимодействие анкеты с достаточно ограниченным или редким набором специфических респондентов (когортой). Большой интерес представляют и фокус-группы, проводимые с такими выборками.
Казалось бы, в руки социологов попал мощный, относительно дешевый и глубокий инструмент для настройки анкет, проведения гипотетических исследований и увеличения скорости сбора и обработки данных. Но у этого подхода есть существенные ограничения, которые подсветили критические исследователи ИИ в социологии. Прежде всего, это особенность самих LLM, обученных на западных массивах данных: они относятся к социологической категории WEIRD — Western, Educated, Industrialized, Rich, Democratic (Henrich et al., 2010). Из-за этого мультиагентные среды, даже если им и даны иные предустановки, всё равно склонны рассуждать в глобальной парадигме данного сегмента. Вторая проблема агентов — гомогенизация: их ответы всегда более сглажены и аккуратны, чем ответы реальных респондентов.
Для того чтобы ответить на эти вызовы, социологическое сообщество приступило к выработке новых исследовательских парадигм. Установился своеобразный статус-кво. Исследователям рекомендуется опираться на ИИ-агентов как помощников в генерации гипотез и абдуктивном рассуждении, но стремиться к их проверке на реальных массивах данных.
На стыке дискуссий о полезном и гибельном влиянии ИИ на социологию рождается новая концепция, которую вводит Марк Феликс Хау (Hau, 2025). Он предлагает исследователям парадигму аугментированной (дополненной) социологии, в которой ИИ рассматривается как базовый оператор широкой части воронки контекста социологического исследования, необходимость в котором отпадает по мере нюансировки и углубления фокуса исследования.
Это прямое наследование идей, заложенных Лорой Нельсон (Nelson, 2020) в ее работе по привлечению компьютационных методов в механику обоснованной теории Глейзера и Страусса (Glaser & Strauss, 1967). Таким образом, ИИ рассматривается как дополненный связующий элемент, который позволяет соединить разрозненные массивы данных в различные гипотезы, а социолог затем может проверить их.
Статья предлагает прагматичный эпистемологический подход к использованию ИИ в исследованиях, но между строк читается очень важная мысль, которая и становится причиной написания данного текста. Современная социология работает с колоссальными массивами данных, и постройка гипотез ныне — задача, действительно превосходящая мыслительные процессы исследователя. Очень сложно вручную пробежать через миллионы кейсов и держать их в памяти, то есть ИИ становится некой новой чертой в том, как исследователь работает с миром. Но… почему мир так сложен и почему данных так много?
Аугментированное общество
Мы все пользуемся соцсетями, читаем посты, скроллим ленту, публикуемся и делаем комментарии. Не секрет, что все эти активности — в буквальном смысле корм для современного исследователя. Всё-таки с эпохой интернета мы всё реже и реже встречаем традиционные face-to-face опросы и часто исследуем агрегаты комментариев, мнений и публикаций. И вот любой, я уверен в этом, абсолютно любой пользователь сталкивался с такой проблемой: интернет перенасыщен ИИ-ботами.
Причем сегодня эти боты вышли за рамки простого спам-комментария, который было относительно легко очищать при формировании готового датасета. Боты умеют давать метакомментарий, общаться друг с другом и создавать правдоподобную видимость дискуссии, да и часто сами пользователи обращаются к LLM, чтобы усилить, а зачастую и просто сформировать свою позицию по вопросу.
В акторно-сетевой теории Б. Латура (Latour, 2005) есть важное понятие — актант, выступающий метасубъектом коммуникации. В противоположность актору, который наделен субъектностью, актант представляет из себя чистого ретранслятора, специфический оптический механизм, который структурирует коммуникационный поток. Но можно ли назвать LLM-агента актантом?
Предыдущие абзацы наглядно показывают, что GABM способны создавать и поддерживать сети. То есть нельзя назвать их просто модуляторами — вполне очевидно, что мы говорим о вполне полноценных нечеловеческих социальных акторах, генерирующих поддерживаемые социальные сети.
Подобное вынуждает нас напрямую обратиться к тем социологическим теориям, которые были выстроены на анализе самой коммуникации. Парадоксально, но знаменитая полемика Н. Лумана (Luhmann, 1984/1995) и Ю. Хабермаса (Habermas, 1981/1984), ставшая одним из самых значительных событий в социологии прошлого столетия, приобретает новые краски. ИИ-агенты неопровержимо доказывают: полное отсутствие личности не становится преградой для того, чтобы коммуникация сохраняла свою воспроизводимость. Однако же стоит отметить, что и чистая логика автопоэзиса тут тоже имеет проблему: сами по себе ИИ, общаясь друг с другом, склонны схлопывать дискуссию и деградировать.
Конструктивистская логика Лумана объяснила бы это отсутствием ирритации со стороны психической системы, неокантианская прагматика Хабермаса же сослалась бы на кардинальную несоизмеримость телосов человеческой и синтетической коммуникации. Важно другое: мы видим активное вторжение внешней среды в доныне закрытую систему, причем это вторжение производится с трансформацией ее логики и правил.
Дело в том, что ИИ, страдающие сикофантией, галлюцинациями и прочими чудесами мира алгоритмов, ещё обладают удивительной способностью поддерживать связность коммуникации. Они способны отвечать друг другу даже на откровенный бред (рекомендую на досуге поизучать странные сгенерированные ботами ветки комментариев, очень увлекательно). Для социологии коммуникации это огромный вызов, ведь один из важнейших исследовательских контуров — это как раз фиксация коммуникационного разрыва.
Мы возвращаемся к аугментированной социологии: что получается, когда исследователи применяют ИИ для построения гипотез на основе анализа больших данных, загрязненных ИИ? Н. Луман строил свою теорию на том, что общество — это коммуникативная система, и, продолжая эту логику, я предлагаю рассмотреть само общество как аугментированное — то есть дополненное ИИ-агентами, включенными в него.
И тут возникает важный исследовательский вопрос: какую часть общества мы вообще изучаем и, что самое важное, какова роль заказчика исследований — какую часть общества исследовать хочет он?
B2A2C и рынок данных
Данные ESOMAR Global Market Research Report (ESOMAR, 2024) позволяют сопоставить приблизительные объемы академических и коммерческих социальных исследований, и, согласно им, доля академических исследований колеблется в диапазоне 5–10%. В целом аналогичные цифры мы видим и в ОИРОМ, и в Гильдии маркетологов в РФ. То есть данная тенденция характерна для исследовательского рынка на макроуровне. В бюджетировании это неравновесие проявляется ещё сильнее: разница в выделяемых средствах может достигать семидесятикратного разрыва.
Эти показатели наглядно говорят об одном: то, как и что исследуют социологи, в значительной степени определяется тем, что интересно бизнесу. Академическая социология, даже если формально сохраняет независимость, зачастую выступает лишь миноритарным арендатором чужих агрегированных результатов — ее автономия иллюзорна.
Соответственно, то, как будет организован сбор данных и что будет учитываться в анкетах, зависит только от того, что захочет видеть в них заказчик. И тут важно снова сделать луманианский ход и перейти в логику мышления финансовой системы. Если для академии ИИ важен как proof of concept, то для бизнеса это прежде всего средство минимизации издержек.
Здесь уместно вспомнить каноническую статью Дж. Акерлофа (Akerlof, 1970). Автор объяснил рыночный парадокс персиков и лимонов на примере рынка подержанных авто. «Персики» — это исправные, долговечные автомобили, находящиеся в хорошем техническом состоянии, «лимоны» же, наоборот, — автомобили с высоким риском неисправности. Ключевая проблема заключается в том, что внешне эти автомобили или идентичны, или лимоны даже более привлекательны, чем персики. Покупатель оказывается в состоянии неопределенности, он не может провести экспертизу на месте и вынужден руководствоваться логикой цены.
Персики стоят дорого — продавец в них уверен и не хочет отдавать их задарма. Лимоны же, наоборот, как правило, дешевы, но проблема в том, что покупатель, руководствуясь логикой рационального выбора, стремится купить автомобиль по средней цене. Продавцы персиков в итоге вынуждены продавать свое авто за заниженную цену, а продавцы лимонов, наоборот, получают выгоду. Такой парадокс приводит к тому, что лимоны полностью вытесняют персики с рынка.
Перенесем эту логику на рынок опросов. По данным исследования Ш. Вествуда (Westwood, 2025), современные ИИ-агенты способны обходить Attention Check Questions (ACQ), применяемые современными опросниками (Qualtrics, Prolific, MTurk), в 99,8% случаев. То есть сегодня ИИ-боты умеют отвечать на анкеты и отвечать на них релевантно. Это создает уникальную нишу для мошеннических схем заработка. Средняя цена заполнения анкеты ботом — пять центов, средняя награда респонденту за прохождение тестирования — от полутора до двух долларов. А это значит, что простейший скрипт может приносить своему создателю колоссальную маржу. Миф о том, что за осмысленным ответом стоит человек, окончательно развенчан.
Получается, наши «персики» — это человеческие массивы, а «лимоны», как мы условились называть их раньше, — аугментированные. Бизнес в стремлении получить рациональную цену за анкету (особенно обратим внимание на механизмы госзакупок, которые вообще в своей логике имеют конкурсную основу) неизбежно перезаполнит рынок лимонами. И что самое важное, эти лимоны станут массивами, на которых как заказчик второго порядка будет работать академия.
Разительное снижение релевантности онлайн-опросов вынудит бизнес и академию перейти к более верифицированным методам (биометрия, банковский KYC, возвращение к очным поквартирным опросам CAPI), однако цена таких исследований колоссально выше, а значит, себестоимость массива данных будет многократно выше. Это потребует пересмотра бюджетов. И, как отмечено выше, для академии это может стать фундаментальным барьером, особенно если мы говорим о региональных вузах и независимых исследователях: есть большое опасение, что данным субъектам академической деятельности придется перейти полностью на вторичный, а то и третичный анализ социологических данных.
Но не «лимонами» едиными. То, что может получиться на рынке, грозит стать каскадом, в который вводится новая переменная, влияющая на него. Современный бизнес постепенно переходит от модели B2C (business-to-consumer) к модели B2A2C (business-to-agent-to-consumer). Перейдем от аббревиатур к реальной потребительской практике: сегодня все чаще мы обращаемся к ИИ-ботам, чтобы приобрести тот или иной продукт. От алгоритма, выбирающего для нас музыку, до умной колонки, которая планирует ваш вечер, — больше нет прямого взаимодействия с продавцом. А даже если оно и есть, даже если товар был выбран, пользователь всё чаще стремится отправить запрос ИИ-ассистенту, чтобы тот оперативно агрегировал отзывы и сформировал выжимку.
Это полностью переворачивает классический UX/CX: теперь бизнесу важно то, как ИИ-агенты видят его товар, ведь именно это понимание напрямую влияет на продажи. Получается парадокс: а что, если «кремниевая выборка» более релевантна для бизнеса, чем реальная? Мы помним: бизнес опирается на системный язык финансов, ему нет нужды беречь истинность выводов — пока они приносят ощутимый результат, он будет заказывать именно такие исследования.
Что это значит на практике? Мало того что из-за «лимонизации» рынка данных цены на «чистые» данные резко возрастут и перейдут сугубо в свой премиальный сегмент, спрос на них со стороны бизнеса может оказаться значительно ниже ожидаемого. То есть по факту реальных опросов станет значительно меньше, а поскольку академия редко может позволить себе выступить заказчиком, то падение будет лавинообразным. Даже сильные исследователи вынуждены будут тестировать свои гипотезы на аугментированных данных.
Здесь и вступает в свою полную силу каскад причин, который может превратиться в сценарий краха рынка данных и академической evidence-based социологии.
Аугментированное общество как черный ящик
Описанные выше причины очень сильно ударят по структуре социологического знания. Можно сделать предположение о том, что часть исследователей повернет в сторону чистой теории, однако же жесткая рыночная логика будет вынуждать университеты обучать студентов именно работе с аугментированными выборками: в ином случае вузы просто недополучат колоссальную прибыль.
Под вопросом находится и сама аугментированная социология. ИИ, выдающий гипотезы о поведении ИИ, — это уже не социологическая исследовательская оптика. Здесь уместно вернуться к истокам — к самому предмету социологии как науки. Наиболее понятный и классический предмет социологии сформулирован Э. Дюркгеймом (Durkheim, 1895/1982). Социальный факт как предмет социологии обладает двумя важными параметрами — экстериорностью и принудительностью. Для ИИ-агента оба этих фактора нерелевантны. Он не способен подвергаться влиянию внешнего мира, потому что для него его нет. Луманисты, однако, могут отметить, что здесь может быть замечена попытка вернуть субъекта, что противоречит конструктивистской парадигме, однако стоит сразу отметить, что здесь имеется в виду автономная психическая система, которая вовсе не отрицается системной теорией Лумана. Ключевая особенность в том, что ИИ не способен на структурное сопряжение, так как сам по своему дизайну является эмерджентным.
Отсюда же следует проблема с принудительностью: из-за отсутствия возможности ощутить реальную ирритацию система ИИ-агента не подвержена реальному биологическому риску, и её восприятие мира кардинальным образом отличается от человеческого. Исходя из этого можно однозначно сказать: ИИ-агенты могут лишь фиксировать социальную «норму», некоторый порядок консенсуса, который установлен сейчас в обществе. Проблема заключается в том, что эта норма является фактом вчерашнего дня. Она не может фиксировать страхи, она не способна отразить те самые моменты структурного сопряжения, которые и порождают новые социальные факты.
Фактически исследователь превращается в писца «черного ящика» общества, фиксирующему сегодня тренды вчерашнего дня. Форсайт-исследования, явственно нуждающиеся в живых данных, станут очень дорогим, а следовательно, и редким явлением. Стоит отметить и размытие поколенческого фактора. В условиях B2A2C-рынка важнее проводить исследования реакции новых поколений агентов, а не самих потребителей. И, что примечательно, агенты обновляются с завидной регулярностью, что потребует бюджетов на постоянное сохранение релевантности.
Проще говоря, на рынке данных уже начинает происходить ситуация, аналогичная ситуации на рынке ИИ в целом, которую уже прозвали AI bubble. Бизнес замыкается в губительную автопоэтическую цепочку бесконечного самоупрощения, тем самым ограничивая свою возможность к развитию. За ним в следующем вагоне находится академия, которая будет вынуждена следовать той же логике, подгоняемая метриками публикационной активности. Однако же стоит задуматься, куда в конечном счете может привести подобная траектория движения.
Human Revolution and Mankind Divided
Вопрос анализа влияния аугментаций вне социологического контекста уже достаточно подробно исследован. Вообще эта тема — столп жанра киберпанк, но здесь я хочу остановиться на конкретном кейсе, который в сжатом, но концентрированном виде подытоживает всю парадоксальность неравенства, создаваемого аугментациями.
Во вселенной Deus Ex, а конкретно в её новых частях, основной проблемой выделено неравенство, создаваемое механическими имплантами. Люди, которые могут позволить их себе, банально лучше (физически сильнее, долговечнее, умнее) тех, для кого эти технологии становятся закрытыми. Крупные корпорации, бигтех, фарма — всё подстраивается под новую аугментированную реальность. Происходит революция человека — новое будущее, в котором запертый в искусственном контексте новостной репортёр делает репортажи о событиях с логикой, оторванной от реальности.
А затем происходит катастрофа — инцидент, во время которого все люди с вживленными модификациями из-за направленного взлома сходят с ума. В мгновение ока привычная реальность полностью перестраивается, вчерашняя элита становится изгоями, а человечество снова разделяется: только итогом революции становится ровно противоположное тому, что видели революционеры.
Эта ситуация заставляет задуматься об аналогии с текущей. Инцидент — это классический «черный лебедь» (Taleb, 2007). ИИ-агенты уже много раз демонстрировали, что их поведение склонно к галлюцинациям, а замкнутость в себе приводит к их деградации. Социология в том виде, в который она превращается, просто не сможет ни предсказать, ни объяснить случайный социальный кризис. Как только налаженные метрики бизнеса начнут сбоить, пойдут увольнения социологов, а агрегаторы данных потеряют колоссальную прибыль, рискуя обанкротиться. Востребованные и популярные сегодня методы станут прокаженными.
Аугментированная социология также может совершенно незаслуженно пострадать, что откатит и академию назад на 50 лет, когда опросы проводились поквартирно, а для анализа медиа применялся телеметр. В конечном счете это не принесет никому никакой пользы.
Это эссе призвано подсветить это проблемное поле, по возможности вынести его в публичное обсуждение. Цель этого текста — не призыв к радикальным мерам, поскольку для нейтрализации такого риска, безусловно, требуется комплексный подход, однако очевидно, что академическое сообщество должно сыграть важную роль в его разрешении.
P.S.
Я намеренно не затрагивал тему с симулякрами, которая, казалось бы, напрашивается, поскольку моей целью не является критика общества или строя. Данная проблема лежит строго в операционной деятельности современного социолога, да и шире — UX/CX-рисерчера, бренд-аналитика и т. д. Излишняя философская нагруженность дискурса в данном случае, мне видится, приведет к тому, что дискуссия может уйти в сторону, однако я вовсе не выступаю против обсуждения обнаруженного феномена и в рамках такой оптики.
Список литературы
1. Akerlof, G. A. (1970). The market for "lemons": Quality uncertainty and the market mechanism. The Quarterly Journal of Economics, 84(3), 488–500.
2. Durkheim, É. (1982). The rules of sociological method and selected texts on sociology and its method (S. Lukes, Ed.; W. D. Halls, Trans.). Free Press.
3. ESOMAR. (2024). Global market research report 2024: An annual review of the insights industry. ESOMAR Publications.
4. Glaser, B. G., & Strauss, A. L. (1967). The discovery of grounded theory: Strategies for qualitative research. Aldine Publishing Company.
5. Habermas, J. (1984). The theory of communicative action: Vol. 1. Reason and the rationalization of society (T. McCarthy, Trans.). Beacon Press.
6. Hau, M. F. (2025). Towards ‘augmented sociology’? A practice-oriented framework for using large language model-powered chatbots. Acta Sociologica, 68(1), 57–67.
7. Henrich, J., Heine, S. J., & Norenzayan, A. (2010). The weirdest people in the world? Behavioral and Brain Sciences, 33(2–3), 61–83.
8. Latour, B. (2005). Reassembling the social: An introduction to actor-network-theory. Oxford University Press.
9. Luhmann, N. (1995). Social systems (J. Bednarz Jr. & D. Baecker, Trans.). Stanford University Press. (Original work published 1984)
10. Nelson, L. K. (2020). Computational grounded theory: A methodological framework. Sociological Methods & Research, 49(1), 3–42.
11. Schelling, T. C. (1971). Dynamic models of segregation. The Journal of Mathematical Sociology, 1(2), 143–186.
12. Taleb, N. N. (2007). The black swan: The impact of the highly improbable. Random House.
13. Westwood, S. J. (2025). The potential existential threat of large language models to online survey research. Proceedings of the National Academy of Sciences, 122(47).