Amazon встроил ИИ в книги, OpenAI превращает час аудио в текст за пару минут. Скоро весь контент будут читать не люди

Три новости последних дней выглядят несвязанными: помощник по чтению в Kindle, новые модели распознавания речи и история о том, как две настройки утроили результат модели на бенчмарке. Но вместе они описывают один процесс: между человеком и любым контентом встаёт прослойка ИИ. Разбираю все три и объясняю, почему это вопрос маркетинга, а не только технологий.

Начну с самой наглядной истории. Amazon добавил в Kindle функцию Ask This Book: встроенного помощника по чтению. Работает просто - читатель выделяет фрагмент или задаёт свой вопрос, а ИИ объясняет сюжет, отношения персонажей, темы произведения и непонятные места.

Две детали делают эту фичу показательной.1 - по словам Amazon, помощник учитывает текущую позицию читателя и старается не раскрывать дальнейшие события, то есть это не поиск по интернету, а собеседник, который читает книгу вместе с вами. 2 - ответы формируются на основе самой книги, а не внешних источников.

Ещё вчера читатель, запутавшийся в сюжете, шёл гуглить «кто такой этот персонаж» и попадал на фанатскую вики, блог критика или обзор. Теперь он не выходит из книги вообще: спрашивает прослойку, прослойка отвечает. Целый класс переходов на внешние сайты тихо исчезает, потому что вопрос закрывается внутри интерфейса чтения.

Вторая новость выглядит чисто технической, но у неё дальний прицел. OpenAI представила две модели распознавания речи. GPT Transcribe работает с аудиофайлами и обрабатывает их примерно в 34 раза быстрее реального времени. GPT Live Transcribe оптимизирована для потоковой расшифровки с минимальной задержкой. Обе доступны через API, умеют учитывать текстовый контекст и заданные ключевые слова, поддерживают мультиязычный ввод.

Качество тоже подросло: по данным тестов Artificial Analysis на бенчмарке AA-WER, GPT Transcribe показывает уровень ошибок в словах 3,3 процента, это на 0,7 процентного пункта лучше предшественницы GPT-4o Transcribe.

Почему это важно за пределами мира разработчиков. Когда час аудио расшифровывается за пару минут с ошибкой в 3 слова из 100, весь звук становится текстом по умолчанию: подкасты, вебинары, звонки отделов продаж, видеообзоры, выступления на конференциях. А текст это то, что умеют читать, индексировать и пересказывать нейросети. Огромный пласт контента, который раньше жил только в ушах слушателей, становится сырьём для машин. Всё, что ваш бренд говорит вслух, теперь тоже часть того, что о вас знают модели.

Третья история самая незаметная и, на мой взгляд, самая недооценённая. OpenAI изменила всего две настройки работы с моделью, и результат на бенчмарке ARC-AGI-3 вырос с 13,3 до 38,3 %, а расход выходных токенов сократился примерно в 6 раз.

Вдумайтесь в эти цифры. Та же самая модель. Никакого дообучения, никакой новой версии. Две настройки, и система решает почти втрое больше задач, тратя в шесть раз меньше ресурсов.

Для рынка это означает неудобную правду: разница между «ИИ работает так себе» и «ИИ работает отлично» всё чаще лежит не в выборе модели, а в том, как её настроили и применили. Два сервиса на одной и той же модели могут выдавать результаты разного класса. Два ассистента с одинаковым движком могут по-разному отвечать на один вопрос, в том числе по-разному упоминать бренды, потому что у них разные настройки, промпты и источники.

Теперь сложим. Amazon ставит ИИ между читателем и книгой. Модели распознавания речи ставят машиночитаемый слой между любым устным контентом и его аудиторией. А история с настройками напоминает, что поведение этой прослойки определяется конфигурацией, которую вы не видите и не контролируете.

Общий сюжет такой: контент всё реже потребляется напрямую и всё чаще через пересказ, ответ или объяснение ИИ. Книгу объясняет ассистент. Подкаст резюмирует модель. Сайт читает агент и приносит пользователю выжимку. Я писал об этом применительно к поиску и сайтам, но теперь тот же слой дотягивается до книг и звука, то есть буквально до всех форматов, в которых существует контент.

Для создателей контента и брендов из этого следует простая вещь. Вопрос «как человек воспримет наш контент» дополняется вопросом «как ИИ его перескажет». И второй вопрос постепенно становится важнее, потому что всё больше людей увидят не ваш текст, а его пересказ.

Три практических вывода.

Первый. Проверяйте, как модели пересказывают ваш контент. Возьмите свою ключевую статью, страницу продукта или запись вебинара и попросите несколько нейросетей пересказать и ответить на вопросы по ним. Если модель теряет главное, путает цифры или упускает ваши отличия, то же самое она сделает и для вашего клиента. Контент стоит править до тех пор, пока пересказ не станет точным: короткие абзацы, явные формулировки, цифры рядом с утверждениями.

Второй. Звук и видео больше не изолированы. Раз речь дёшево превращается в текст, ваши подкасты, вебинары и выступления становятся источниками, из которых модели могут узнавать о вас. Это аргумент за то, чтобы публиковать расшифровки самостоятельно: так вы контролируете точность текста, который попадёт в машины, а не надеетесь на чужую транскрипцию.

Третий. Не делайте выводов о видимости по одному ассистенту. История с двумя настройками объясняет, почему один и тот же вопрос в разных сервисах даёт разные ответы: дело не только в модели, но и в конфигурации вокруг неё. Поэтому замерять присутствие бренда имеет смысл сразу в нескольких системах, для русскоязычной аудитории это как минимум Алиса, GigaChat, YandexGPT и международные модели. Вручную это быстро надоедает, для регулярных замеров есть класс GEO-сервисов: VisioBrand, AI Semantica, brandfound и другие.

Неделя принесла три маленьких новости с одним большим смыслом. Прослойка ИИ между человеком и контентом перестала быть историей только про поиск: она пришла в книги, добралась до звука и, как показывает история с настройками, ведёт себя по-разному в зависимости от невидимых вам параметров.

Бороться с этим бессмысленно, использовать можно. Контент, который хорошо пересказывается машинами, выигрывает дважды: его точнее передают ассистенты и его лучше находят люди. А бренды, которые уже сейчас смотрят, как их описывает прослойка, успеют исправить картину до того, как она станет единственной, которую видит аудитория.

Если разбор пригодился, буду благодарен за плюс. Это помогает таким материалам набирать охват и доходить до тех, кому тема актуальна.