Почему ИИ выдаёт всем одинаковые идеи — и как мы чинили это в AIFromSpace

Спросите у любой языковой модели двадцать идей для маленького бизнеса — и вы получите двадцать идей. Спросите то же самое у сотни разных людей через ту же модель — и вы получите примерно те же двадцать идей сто раз. Это не придирка к качеству моделей и не следствие ленивого промпта: это измеренный структурный эффект, у которого есть название, статьи и цифры.

Последние недели мы занимались этим вплотную: собрали ресёрч по тому, что человечество вообще выяснило про брейншторм с LLM, собрали из выводов работающего ассистента на платформе AIFromSpace и три дня гоняли его вслепую против одного хорошего промпта на Opus 5. Ниже — весь путь: диагноз, лечение, архитектура и замеры. Включая те замеры, где мы проиграли.

Диагноз: идеи схлопываются в моду распределения

Формулировка, которая разошлась по индустрии: идеи из сырого AI-брейншторма плохи ровно так же, как плохи стоковые фото — технически корректны, всем приемлемы и не принадлежат никому.

Ключевая работа фиксирует расхождение двух уровней. Каждый отдельный человек в паре с моделью придумывает больше идей, чем без неё. А на уровне группы разнообразие падает: модель предлагает похожее разным людям. Индивидуальная креативность растёт за счёт коллективной.

Дальше — четыре наблюдения, которые ломают привычные способы это обойти.

Последний пункт важнее всех остальных, потому что он задаёт цель.

Задача не в том, чтобы модель придумывала лучше в среднем. Задача — вернуть хвосты.

Что действительно работает

Хорошая новость: приёмы с замеренным эффектом существуют, и они дешёвые. Ниже — те, у которых в работах есть измеримый прирост разнообразия, а не просто разумно звучащее обоснование. Порядок примерно по силе эффекта.

Приём	Что делает	Эффект
Проход «перепиши смелее»	Модели велено переписать свои же идеи так, чтобы они стали смелее и максимально отличались друг от друга	Наибольший прирост разнообразия из протестированных — почти до уровня человеческой группы
Развязка от общего якоря	Параллельные ветки не делят контекст и не видят выводы друг друга	Снимает кучкование вокруг первой появившейся идеи
Мульти-персоны	Параллельные промпты, каждый со своей профессиональной линзой	Сильнее всего работают пары из далёких дисциплин, а не набор смежных специалистов
Дальние аналогии	Взять механизм из заведомо чужой области и перенести буквально	Прямое средство против mode collapse; важна конкретика механизма, а не настроения
Морфология	Разложить задачу на параметры и опции до генерации	Снижает зацикливание: у модели нет возможности выдать один самый вероятный ответ
Жёсткие ограничения	«Это должна сделать команда из трёх человек за четыре недели»	Самый повторяемый вывод практиков: generic-идеи растут из generic-брифа
Температура	Двигает метрики разнообразия	Тупой инструмент: за пределы общего семантического пространства не выводит, выше ~1,2 разрушает связность

Отдельная линия работ — про то, как делить работу между человеком и моделью. Там сходятся на трёх вещах. Люди, работавшие с моделью в режиме вопросов (модель спрашивает, а не выдаёт готовое), генерируют заметно более разнообразные идеи и не гомогенизируются между собой. Дивергенцию и конвергенцию надо явно разводить по фазам с видимой границей — смешивание включает преждевременную фиксацию. И тяжёлая опора на вывод модели повышает фиксацию человека: собственные идеи полезно сгенерировать до того, как увидишь машинные.

Как это собрано у нас

Всё перечисленное мы сложили в одного ассистента на AIFromSpace — он называется «Генератор идей» и работает на тех же кирпичах, что доступны любому автору на платформе: несколько моделей в одном сценарии, параллельные вызовы, инструменты, память. Никакой отдельной магии под капотом нет; есть архитектура из трёх фаз.

Ещё одно решение контринтуитивное: линзы стоят на разных семействах моделей, а не на четырёх вызовах одной. Четыре ветки одной модели сходятся — это ровно тот эффект, который меряет NoveltyBench. Четыре ветки из разных семейств расходятся честнее.

Линза	Модель	Температура
Аналогии	Kimi K2.5	1,0
Инверсия	GPT-5.6 Luna	1,2
Муншоты	DeepSeek V4 Flash	1,15
Морфология	GLM 5.3 Flash	0,85
Персоны	Gemini 3.7 Flash	1,0

Всё это — красивая теория. Дальше начинаются замеры.

Замер первый: пекарня Марины

Мы дали одинаковый бриф двум претендентам и отдали сорок идей слепому судье — отдельному экземпляру Opus, который не участвовал в генерации, не знал авторства и получил все идеи на одном языке в одинаковом формате.

Бриф специально не абстрактный: маленькая независимая пекарня в спальном районе, владелица Марина, выручка упала на 15% за полгода, через дорогу открылась сетевая кофейня, бюджет на эксперименты 50 000 ₽/мес, фирменное — ржаной на закваске, Марина ненавидит продавать.

Первое место у судьи — наша идея «хлеб к 18:30, заказ до полудня». Она бьёт ровно в структурную проблему пекарни (два двухчасовых окна трафика), превращает мёртвые часы в оплаченное производство и убирает акт продажи — Марина читает список. Ни одна из двадцати идей Опуса не устроила судью настолько.

А дальше начинается расплата. В худшую восьмёрку от нас ушли дроны, сбрасывающие хлеб на капоты в пробке (незаконно), хлебный банк с пожизненным пайком для пенсионеров (нелицензированный приём вкладов), «перестать продавать привычный хлеб» (убивает единственное, что работает) и лотерейный билет, запечённый внутрь буханки (посторонний предмет в еде). Линза муншотов честно выдала 10x — просто 10x в сторону обрыва.

Что оказалось интереснее счёта

Судья, ничего не зная об авторстве, сгруппировал сорок идей в девять кластеров-двойников. Все девять оказались смешанными: в каждом рядом лежит идея Опуса и наша. Забрать хлеб там, где живёшь. Придержать буханку по списку. Раздать материнскую закваску. Продавцом становится бабушка. Витрина как медиум. Чужие полки вместо своего прилавка. Продавать не буханку, а культуру. Пекарня как вечернее событие. Заказ вперёд, выдача пачкой.

Две разные архитектуры, шесть разных семейств моделей, развязка от якоря, кубики на зерно — и обе стороны независимо приходят к одним и тем же девяти семействам решений. Это уже не мода одной модели. Похоже, это аттракторы самой задачи: пространство решений для убыточной районной пекарни действительно имеет форму, и обе системы её нащупали.

И три вещи, которые мы вынесли из этого раунда:

• Структура не заменяет модель. Пять дешёвых моделей в умном каркасе дали примерно тот же разброс тем, что одна фронтирная модель в одном проходе, — но заметно хуже отфильтровали здравый смысл. То, что у Опуса называется «идея», у дешёвой линзы часто оказывается «фраза, похожая на идею».
• Наш продукт — хвост, а не медиана. Мы выиграли первое место и проиграли середину. Ценность залпа не в том, что он лучше в среднем, а в том, что он иногда достаёт то, до чего одиночный проход не дотягивается.
• Отказ от оценки был прав и стал дорог. Шесть из восьми худших идей — наши. Слепой судья отдельным слоем нужен не как украшение, а как ремень безопасности.

Замер второй: пять раундов на брифе про маркетплейс

Дальше мы стали править конфиг синтеза и гонять раунд за раундом на другом брифе — идеи для маркетплейса ассистентов. Замороженный ответ Opus один и тот же во всех раундах, новый слепой судья на каждый. «Топ-12» — сколько наших идей судья поставил в лучшую дюжину из сорока.

Раунд	Что поменяли	Топ-12	Худшие 8	Победитель
R1	Заземление муншотов, судья внутри синтеза	3 : 9	8 : 0	Opus
R2	Резать только за поломку, дыры затыкать из залпа	5 : 7	4 : 4	Opus
R3	«Нечестное преимущество», ловушка предусловий	6 : 6	5 : 3	Opus
R4	Квота на «скучную середину» (ошибка)	3 : 9	8 : 0	наш
R5	Откат квоты обратно к конфигу R3	4 : 8	6 : 2	Opus

Главный содержательный вывод отсюда один, и он про промпты вообще, а не про идеи.

Любая формулировка, которая легализует обычное, используется моделью как лицензия на обычное.

Оба раунда, где мы проваливались целиком, имеют одинаковую подпись — восемь из восьми худших идей наши, — и в обоих в конфиге была фраза, разрешающая массовую скучную боль.

Побочный продукт этой отладки оказался ценнее счёта. Сквозь пять раундов, две независимые системы и пять разных судей устойчиво всплыли три семейства идей.

Судья же отдельно и настойчиво резал три вещи: всё, что требует уже имеющейся аудитории; всё, что даёт первую ценность через неделю накопления данных; и финансовое моделирование с дисклеймером.

Замер третий: а нужен ли залп вообще

Мы знали, что залп держится вровень с Opus. Мы не знали главного: нужен ли для этого залп — или дешёвая модель выдала бы то же самое одним запросом за копейку.

Дальше — все пять моделей, из которых собран залп, прогнаны одним и тем же промптом, каждая на своей рабочей температуре. Сто идей, один слепой судья, паритет 4 из 20 на модель.

Модель	В топ-20	Банальные	Нарушения	В худших 20
DeepSeek V4 Flash	8	2	2	0
GLM 5.3 Flash	7	7	4	2
GPT-5.6 Luna	4	9	1	2
Gemini 3.7 Flash	1	5	12	2
Kimi K2.5	0	0	15	14

Три вещи из этой таблицы. Наш выбор оркестратора подтвердился независимо: DeepSeek лучший из пяти сразу по всем четырём осям — мы ставили его за цену и скорость, а он оказался ещё и самым сильным одиночным генератором набора. У GLM самый высокий потолок и провальная середина: четыре места из первых пяти при семи метках «банально» из двадцати — ровно тот профиль, ради которого он стоит на механической морфологической линзе. А Kimi в одиночку непригоден: ноль в топе, пятнадцать нарушений из двадцати идей. При этом ноль «банальных» — он не скучный, он пишет то, что нельзя построить. Его роль в залпе — сырьё для чужого синтеза.

Оставался последний вопрос: лучший из одиночных, GLM с его потолком, догонит залп? Нет. Рядом с Opus и с залпом он падает ниже паритета по топу и получает 40% банальщины против наших 7%. Потолок GLM оказался артефактом слабой компании.

Экономика

Если залп держится вровень с Opus на копеечных моделях, напрашивается вывод «мы в десять раз дешевле». Он неверный.

Против Opus мы дешевле всего вдвое: 13,9 кредита против 26,3. А на одну идею и того меньше — 0,93 против 1,31, потому что Opus отдаёт двадцать идей, а мы пятнадцать. Причина видна прямо в разбивке токенов: залп сжигает 57 тысяч входных токенов против тысячи у Opus, потому что оркестратор перечитывает длинный системный промпт, пять выхлопов линз и триаж. Мы тратим в 22 раза больше токенов — просто они примерно в сто раз дешевле, и это почти полностью съедает разницу в цене моделей.

Зато третья строка настоящая. Прогнать нашу же архитектуру на Opus стоило бы 440 кредитов — в 32 раза дороже.

Ценность залпа не в том, что он дёшев сам по себе, а в том, что он поднимает копеечные модели до уровня фронтирной.

Чего эти замеры не доказывают

Честность дешевле репутации, поэтому список дыр публикуем целиком.

• Судья — Opus, и один из претендентов тоже Opus. Самопредпочтение возможно и работает против нас: ничья с ним скорее занижена.
• Опусовский арм заморожен — один и тот же набор идей во всех раундах. Это не независимые повторы, а взгляды разных судей на один текст.
• По одному прогону на линзовую модель. Порядок в середине лиги внутри шума; разрыв между краями — нет.
• Два брифа. Пекарня и маркетплейс. На других доменах пропорции могут отличаться.
• В первом раунде идеи перемешались строго через одну — все чётные оказались Опуса. Судью на авторство не наводили, но идеальное чередование стилей это утечка.

И одна поправка к цифрам из ресёрча: часть точных значений и названий версий собрана из вторичных источников. Качественная картина повторилась в независимых поисках, но конкретные числа стоит сверять по первоисточникам.

Что мы чиним дальше

Единственная ось, где залп стабильно не первый, — дисциплина по жёстким ограничениям, и разброс там большой: от 1 до 8 нарушений между прогонами. Это нестабильность синтеза, а не потолок архитектуры. Плюс муншот-линзу надо заземлить: дроны над пробкой и приём вкладов от пенсионеров — это не смелость, а отсутствие контакта с реальностью. Лекарство простое — требование, чтобы идея оставалась легальной и исполнимой силами трёх человек, прямо в бриф линзы.

И прежде чем править что-либо ещё — три прогона одного конфига, чтобы измерить разброс. Правки по выборке размером один мы уже попробовали.

Что из этого забрать себе

Если вы собираете собственного агента — неважно, у нас или где-то ещё, — вот что переносится напрямую.

• Не спрашивайте идеи у пустого брифа. Один короткий залп вопросов до генерации даёт больше, чем любая правка промпта после.
• Разводите фазы. Сначала расхождение, потом схождение, с видимой границей. Оценка внутри генерации убивает смелость на взлёте.
• Развязывайте параллельные ветки. Если они видят друг друга, они схлопываются — и никакое количество агентов этого не исправит.
• Ставьте разные семейства моделей, а не несколько вызовов одной: разнообразие берётся оттуда.
• Просите второй проход «перепиши смелее и непохоже». Самый дешёвый и самый недооценённый шаг из всех замеренных.
• Судите отдельным экземпляром, который не участвовал в генерации и не знает авторства. Иначе получите сюкофантию вместо оценки.

Всё это — обычные возможности платформы: несколько моделей в одном сценарии, параллельные вызовы, инструменты, память. «Генератор идей» живёт в AIFromSpace как обычный ассистент, и собрать такую же конструкцию под свою задачу можно тем же способом, каким собирается любой другой агент.

Источники

• Generative AI enhances individual creativity but reduces the collective diversity of novel content
• Creative Homogeneity Across LLMs
• Diversity Collapse in Multi-Agent LLM Systems
• Anchorless Diversification for Parallel LLM Ideation
• Multi-persona prompting strategies (Design Science)
• Unlocking LLM Creativity through Analogical Reasoning
• Reducing Design Fixation in Ideation by AI with the Morphological Analysis Method
• Exploration vs. Fixation — разведение фаз
• Towards AI as Colleagues — мультиагентная идеация
• NoveltyBench — измерение схлопывания при повторных сэмплах
• lechmazur/divergent — бенчмарк дивергентного мышления