Історик Гарвардського університету Джилл Лепор заявила виданню TechCrunch 9 серпня 2026 року, що керівники компаній Кремнієвої долини є «поганими читачами» науки — вони вихоплюють наукові ідеї з контексту й перетворюють їх на виправдання для нерегульованого зростання, а це підважує демократичні інститути США.

Лепор — авторка книжки «These Truths» про історію американської демократії та колумністка The New Yorker, яка роками досліджує, як технологічна індустрія запозичує мову науки (еволюційну біологію, теорію мереж, фізику) для легітимізації бізнес-рішень. Її теза не нова, але вона звучить гостріше саме зараз, коли індустрія ШІ будує публічний наратив навколо понять на кшталт «законів масштабування» чи «емерджентних здібностей» моделей — термінів, які мають цілком конкретне й обмежене наукове значення, але в піар-матеріалах перетворюються на щось схоже на закони природи.

Для AiiN це не абстрактна дискусія гуманітарія з Кремнієвою долиною. Це питання про те, чи можуть AI-білдери довіряти науковим обґрунтуванням, які їм пропонують постачальники моделей, інвестори та власні маркетингові відділи — і чим це загрожує, якщо ні.

У чому суть звинувачення Лепор?

Суть претензії Лепор — у тому, що технологічні лідери систематично беруть наукові концепції вибірково, залишаючи осторонь нюанси, суперечки та межі застосовності. Класичний приклад — соціал-дарвінізм: ідея «виживання найпристосованішого» була запозичена з біології Герберта Спенсера ще у ХІХ столітті для виправдання нерегульованого капіталізму, хоча сама еволюційна біологія такого висновку не робить. За словами Лепор, у Кремнієвій долині цей патерн повторюється й сьогодні: теорію «дисрапції» Клейтона Крістенсена, розроблену для вузького класу бізнес-ситуацій, розширили до універсального виправдання будь-якого руйнування наявних ринків і соціальних інститутів.

За даними TechCrunch, Лепор наполягає, що це не питання інтелектуальної чесності окремих людей, а структурна проблема: індустрія винагороджує тих, хто вміє продати спрощену наукову метафору інвесторам, а не тих, хто розуміє її межі.

Чому це загрожує демократичним інститутам?

Загроза демократії виникає тоді, коли псевдонаукова риторика замінює публічну підзвітність. Якщо компанія стверджує, що її зростання підпорядковане «законам мережевого ефекту» так само неминучим, як закон гравітації, регулятору складніше поставити просте запитання: а чи потрібне тут антимонопольне втручання? Лепор бачить у цьому пряму лінію від соціал-дарвінізму ХІХ століття до сьогоднішньої концентрації влади в руках кількох платформ, які контролюють інформаційний простір мільярдів людей.

• Наукова метафора маскує бізнес-рішення під об'єктивну неминучість.
• Складність перевірки твердження знеохочує журналістів і регуляторів ставити прямі питання.
• Платформи, що формують публічний дискурс, самі вирішують, які факти «наукові», а які ні.

Показовий приклад ерозії публічних функцій — коли компанії передають модерацію контенту алгоритмам і скорочують людський нагляд, як нещодавно зробив TikTok, що скоротив штат живих модераторів на користь автоматизованих систем. Це саме той тип рішення, яке легко подати як «технологічну неминучість», хоча насправді це вибір компанії, за який вона мала б нести відповідальність.

Що це означає конкретно для індустрії ШІ?

В індустрії ШІ найяскравіший приклад — це поводження зі scaling laws, емпіричними спостереженнями про те, як якість моделі зростає з обсягом даних і обчислень. Дослідники OpenAI та DeepMind публікували ці залежності як робочі гіпотези з чіткими межами застосовності й численними винятками (згадаймо дискусію навколо Chinchilla-масштабування 2022 року). У публічній комунікації ж вони раз у раз перетворюються на аргумент «інвестуйте мільярди в обчислення, бо це закон природи» — хоча в науковій спільноті ці залежності лишаються предметом активної суперечки, а не усталеним фактом.

Те саме стосується наративу про «емерджентні здібності» великих мовних моделей: частина досліджень 2023–2024 років показала, що деякі «стрибки» здібностей — це артефакт вибору метрики, а не властивість моделі. Проте в пітчах для інвесторів ця нюансована картина рідко доживає до слайда номер три.

Висновок AiiN: наука — не бренд, а перевірювана дисципліна

Наша теза проста: AI-білдер, який хоче будувати довгостроково стійкий продукт, а не пітч-дек, має відокремлювати наукове твердження від маркетингового. Практично це означає:

• Вимагати від постачальників моделей посилань на конкретні дослідження, а не на загальні фрази «згідно з дослідженнями».
• Ставитися до «законів масштабування» й «емерджентності» як до емпіричних спостережень із межами застосовності, а не як до фізичних констант.
• Публікувати власні технічні звіти (model cards, evals) так, щоб їх можна було спростувати незалежним аудитом — це і є ознака справжньої науки, на відміну від маркетингу.
• Пам'ятати, що соціальна відповідальність компанії не додаток до продукту, а частина його інженерної специфікації.

Лепор має рацію в головному: наука, яку правильно читають, завжди залишає простір для сумніву й перевірки. Компанія, яка боїться цього простору, найімовірніше, продає не науку, а історію про неминучість — і саме таку історію варто перевіряти найретельніше.

Хто така Джилл Лепор?

Джилл Лепор — професор історії й права Гарвардського університету, штатна авторка The New Yorker та авторка книжки «These Truths: A History of the United States». Вона відома дослідженнями того, як американські інститути й публічний дискурс формувалися під впливом технологічних і наукових ідей, від соціал-дарвінізму до сучасної Кремнієвої долини.

Чи означає критика Лепор, що AI-компанії свідомо обманюють користувачів?

Не обов'язково йдеться про свідомий обман: частіше це структурний стимул — спрощена наукова метафора краще продається інвесторам і пресі, ніж нюансоване пояснення з застереженнями. Але результат для публічної підзвітності однаковий: складніше перевірити твердження, і легше уникнути регулювання чи критики.