Разработчик под ником, публикующийся в потоке «Разработка», рассказал о создании StoryOps — инструмента, призванного помочь авторам технических статей. Идея возникла из обычного любопытства: у него накопилось несколько статей о собственных проектах, которые за время написания заметно изменились. Перед каждой новой публикацией приходилось заново восстанавливать контекст: что уже было рассказано, что появилось в коде, какие решения реализованы, а какие остались в планах. Чем дольше живёт проект, тем сложнее писать продолжение, не повторяя предыдущие тексты и не придумывая красивую историю задним числом.

StoryOps задумывался как помощник, которому можно сказать: вот репозиторий, вот предыдущие публикации, посмотри, что изменилось, найди следующую нормальную тему и помоги собрать материал. Не написать статью вместо автора, а сначала разобраться, о чём вообще есть смысл писать. Сейчас это CLI и набор Agent Skills для Codex и Claude Code. Инструмент умеет читать публикации автора, анализировать Git-историю и документацию проекта, искать разницу между уже рассказанным и реально появившимся в коде, собирать evidence для технических утверждений и отдельно исследовать площадку, для которой готовится материал. На первый взгляд процесс выглядел безобидно: репозиторий, агент, статья, Хабр. Но стоило добавить расписание, автопубликацию и несколько проектов, как получался уже не редакционный помощник, а рабочий конвейер, способный выпускать тексты быстрее, чем автор успевает их перечитывать. Именно тогда возник вопрос: чем такой инструмент отличается от фабрики AI slop?

В 2025 году American Dialect Society выбрала slop словом года, определив его как низкокачественный массовый контент, чаще всего связанный с генеративным ИИ. Однако на практике провести границу сложно. Если автор использовал Claude для черновика, это slop? Если модель написала большую часть первой версии, а потом человек несколько дней проверял источники, удалял слабые куски и переписывал текст, что именно делает результат машинным мусором? И наоборот, если человек вручную произвёл триста почти одинаковых SEO-страниц ради трафика, становятся ли они хорошими только потому, что слова набраны человеком? Автор предлагает смотреть на slop не как на отдельный жанр, а как на следствие новой экономики контента: производство информации резко подешевело, а человеческое внимание осталось ограниченным ресурсом.

Самая простая ошибка — записывать любой материал с участием ИИ в slop. Сценарии слишком разные: кто-то использует модель как корректор, кто-то просит перевести текст или собрать расшифровку интервью, кто-то пишет черновик сам, а потом отдаёт агенту на фактчек, а кто-то генерирует статью целиком и публикует почти без чтения. Формально ИИ участвовал во всех случаях, но качество процесса совершенно разное. Автор ссылается на исследование в JMIR Medical Education, где изучались AI-generated видео в TikTok и YouTube и slop связывался не с фактом использования модели, а со степенью человеческой заботы о результате (human care in production). Это определение не даёт математической границы, но хорошо описывает разницу между инструментом и конвейером: проблема начинается не там, где появился ИИ, а там, где исчезают проверка, ответственность и причина делать конкретный материал хорошо. Упрощённо slop — это массовое производство плюс минимальная проверка, минимальная ответственность и ставка на количество попыток. Поэтому автор разделяет AI-generated content (модель существенно участвовала) и AI slop (низкая ценность, масштаб, слабый человеческий контроль).

Цифры по распространению AI-контента в интернете разнятся от 10 до 70 с лишним процентов, но при внимании к методике противоречие почти исчезает. Pew Research Center в 2026 году взял 490 тысяч случайных англоязычных страниц из Common Crawl и обнаружил признаки существенного AI-авторства или AI-редактирования примерно у 10% страниц. Однако значительная часть интернета появилась до ChatGPT; если смотреть только страницы, опубликованные после его запуска, доля превышает треть. Graphite исследовал новые англоязычные статьи и listicles: в первом квартале 2026 года 49,9% новых материалов были классифицированы как преимущественно AI-generated, причём показатель перестал быстро расти (в Q1 2025 — 49,6%, в Q4 2025 — 50,9%). Ahrefs получил ещё более крупную цифру: в исследовании 900 тысяч новых страниц 74,2% содержали признаки AI-generated контента, но здесь ключевое слово «содержали» — страница с одним сгенерированным блоком и полностью автоматическая статья попадают в одну категорию. Эти числа нельзя складывать в единый рейтинг, но общий вывод понятен: генеративные модели стали обычной частью производства веб-контента. При этом производство и видимость — не одно и то же.

Для российского рынка, где Хабр остаётся одной из немногих площадок с высокими требованиями к техническому контенту, история StoryOps и поднятый вопрос особенно актуальны. Автоматизация написания статей может снизить порог входа для авторов, но одновременно рискует наводнить платформу однотипными материалами. Реакция отрасли пока неоднозначна: одни видят в таких инструментах способ борьбы с выгоранием и потерю контекста, другие — угрозу репутации площадки. В сравнении с альтернативами — универсальными генераторами текстов вроде ChatGPT или специализированными SEO-инструментами — StoryOps выделяется привязкой к репозиторию и предыдущим публикациям, что теоретически повышает фактическую точность. Однако без чётких механизмов верификации и ответственности он может превратиться в тот самый конвейер. Открытыми остаются вопросы: как измерять human care, кто должен нести ответственность за автоматически сгенерированный текст и где та грань, за которой помощь автору становится производством slop. Ответы на них, вероятно, будут зависеть не от технологий, а от этики и практик сообщества.