Как рекомендации решают, что вы увидитеNetflix, Spotify и TikTok используют разную логику - и разную цену ошибки

Три сервиса решают одну задачу - удержать внимание, - но строят рекомендации на разных данных и с разной терпимостью к риску.

ИИ в развлеченияхОбновлено 12.11.20267 мин чтения
Как рекомендации решают, что вы увидите
▲ коротко: Как рекомендации решают, что вы увидите✓ Netflix всё активнее переходит на модели, похожие на языковые: история просмотров читается как текст.✓ TikTok работает в два этапа - сначала грубый отбор из миллиардов роликов, потом точное ранжирование.✓ Spotify сочетает коллаборативную фильтрацию с глубокими моделями, но в 2026 году стал консервативнее.✓ Разница в архитектуре напрямую влияет на то, что зритель и слушатель видит каждый день.
~325 млнподписчиков Netflix, на данных которых обучаются модели
2 этапаотбор и ранжирование - стандартная схема TikTok
до 80%просмотров на Netflix по оценкам компании приходится на рекомендации

Одна задача, три разные архитектуры

Netflix, Spotify и TikTok конкурируют не за деньги напрямую, а за внимание человека в свободную минуту. Поэтому их рекомендательные системы решают формально одну задачу: угадать, что пользователь захочет посмотреть, послушать или пролистать дальше. Но техническая реализация у всех трёх разная, и эта разница объясняет, почему ленты трёх сервисов на одном и том же телефоне выглядят и ведут себя по-разному.

Общее у них - масштаб данных. Каждый клик, пауза, перемотка, пропуск трека или досмотр до конца становится сигналом. Чем больше таких сигналов накапливается, тем точнее модель предсказывает следующий шаг. Но то, как эти сигналы превращаются в рекомендацию, определяет архитектура конкретного сервиса.

Netflix: история просмотров как текст

Netflix всё активнее строит рекомендации вокруг единой модели, которая обучается на поведении всех пользователей сразу, а не держит отдельную модель под каждый сегмент аудитории. Инженеры компании описывают подход, похожий на языковые модели: история просмотров конкретного человека читается как последовательность, похожая на текст, а не раскладывается на заранее придуманные признаки вроде «жанр» или «год выхода».

Это позволяет модели самой находить закономерности, которые сложно сформулировать заранее: например, что часть зрителей смотрит триллеры по выходным, а документальные фильмы - в будни перед сном. Netflix утверждает, что подавляющее большинство просмотров на платформе так или иначе проходит через систему рекомендаций, а не через прямой поиск конкретного титула.

▲ хроника✓ 2023-03 · TikTok расширяет ранжирование на основе транзформерных моделей✓ 2024-06 · Netflix тестирует единую foundation-модель для всех пользователей✓ 2025-02 · Spotify отчитывается о снижении доли новых исполнителей в рекомендациях✓ 2025-09 · TikTok в США переходит под контроль новых владельцев, алгоритм пересобирают✓ 2026-03 · Исследователи фиксируют рост жалоб на «эхо-камеры» в лентах стриминговых сервисов

TikTok: грубый отбор и точное ранжирование

Лента TikTok работает в два этапа. Сначала система отбора сужает весь каталог - миллиарды роликов - до нескольких тысяч кандидатов, которые в принципе могут подойти конкретному пользователю. Дальше вступает более тяжёлая модель ранжирования, которая оценивает каждого кандидата по десяткам сигналов: как долго похожие пользователи смотрели похожие видео, досматривали ли до конца, ставили лайк или сразу пролистывали.

В 2026 году в основе ранжирования у TikTok, как и у ряда конкурентов, лежат трансформерные модели, которые воспринимают действия пользователя как последовательность во времени - это помогает учитывать не только «что нравится вообще», но и «что интересно именно сейчас». После перехода американского сегмента TikTok под новых владельцев в 2025 году алгоритм для пользователей в США начали пересобирать и обучать заново - отдельно от глобальной версии.

Spotify: гибрид, который стал осторожнее

Spotify исторически строит рекомендации на гибриде из двух подходов: коллаборативной фильтрации (искать пользователей со схожими вкусами и предлагать то, что слушают они) и моделей глубокого обучения, которые анализируют сам аудиосигнал и метаданные трека. Такой гибрид должен уравновешивать точность с разнообразием.

  • коллаборативная фильтрация точнее угадывает конкретный вкус, но плохо справляется с новыми артистами без истории прослушиваний;
  • модели на основе аудиоанализа могут предложить незнакомый трек по звучанию, а не по чужим плейлистам;
  • итоговая рекомендация - результат взвешивания обоих сигналов, а не выбор одного из них.

По оценкам наблюдателей за индустрией, к 2026 году Spotify стал более консервативным в этом балансе: сервис чаще предлагает знакомую музыку и реже делает ставку на малоизвестных исполнителей, что критики связывают с попыткой удержать время прослушивания здесь и сейчас, а не экспериментировать.

Почему архитектура решает, что вы увидите

Разница между «читать историю как текст», «отбор плюс ранжирование» и «гибрид фильтрации и аудиоанализа» - не абстрактная техническая деталь. Она определяет реальное ощущение от продукта: насколько быстро лента надоедает, как часто попадаются неожиданные находки и насколько легко вырваться из однообразного потока похожих друг на друга видео или треков.

Сервисы, где отбор кандидатов сильно зависит от поведения похожих пользователей, рискуют замыкать аудиторию в узких кругах интересов - так называемые эхо-камеры. Сервисы с более тяжёлым анализом контента (как у Spotify по аудиосигналу) теоретически лучше справляются с холодным стартом новых треков и роликов, но дороже в вычислениях.

Что это значит для пользователя

На практике это означает, что одна и та же привычка - смотреть что-то перед сном или слушать музыку в дороге - формирует разный опыт в зависимости от платформы. Netflix будет аккуратно подталкивать к контенту, похожему на уже просмотренный, но внутри единой модели для всех. TikTok будет быстро экспериментировать, предлагая что-то совсем новое, если первые секунды просмотра это подтвердят. Spotify, по крайней мере в нынешнем виде, скорее бережёт привычные плейлисты, чем расширяет горизонт.

Редакция считает, что для пользователя полезно время от времени сознательно искать контент за пределами рекомендаций - через поиск, подборки редакции или рекомендации от людей, - просто чтобы не замыкаться в контуре, который алгоритм успел построить вокруг конкретных привычек. Похожая логика «встроенных предложений» работает и в каталоге приложений ChatGPT, где алгоритм тоже решает, что показать пользователю первым.

Таблица: три подхода рядом

СервисБазовый принципСильная сторона
Netflixединая модель, история просмотров как последовательностьперсонализация без ручных признаков
TikTokотбор кандидатов + ранжированиескорость реакции на новое поведение
Spotifyколлаборативная фильтрация + анализ аудиобаланс точности и разнообразия

Эта таблица - упрощение: внутри каждой компании работает не одна модель, а целый конвейер из десятков систем, часть из которых отвечает за сам отбор, а часть - за техническые ограничения вроде доступности контента в конкретной стране или возрастных ограничений. Схожая многослойность видна и в том, как устроены инструменты генерации видео, где за кадром тоже работает не одна модель, а целая цепочка систем.

Опрошенные изданием исследователи сходятся в одном: граница между «рекомендательной системой» и «генеративной моделью» размывается. Если Netflix действительно переводит персонализацию на архитектуры, близкие к языковым моделям, логично ожидать, что следующим шагом станут не просто подборки, а короткие объяснения - почему системе кажется, что конкретный фильм подойдёт. Похожие эксперименты с объяснимостью рекомендаций обсуждают и в сфере рекомендаций товаров, и в системах подбора контента для обучения, включая направления вроде ИИ-тренажёров для разговорной практики.

Параллельно растёт и критика: регуляторы в нескольких странах изучают, как рекомендательные алгоритмы влияют на внимание подростков и на распространение недостоверной информации, и в этом смысле тема близка к спорам вокруг исков против алгоритмических ответов Google. Пока конкретных ограничений для Netflix, Spotify или TikTok по этой линии не введено, но тема обсуждается на уровне профильных ведомств, и это может повлиять на то, как открыто компании будут объяснять логику своих систем. Тем, кто хочет разобраться в теме рекомендаций шире, может быть полезен и общий раздел новостей об искусственном интеллекте.

Вопросы и ответы

Используют ли Netflix, Spotify и TikTok одну и ту же технологию?

Нет. Netflix движется к единой модели, похожей на языковую, TikTok строит двухэтапный конвейер отбора и ранжирования, а Spotify сочетает коллаборативную фильтрацию с анализом самого аудио.

Почему рекомендации иногда выглядят однообразными?

Это побочный эффект систем, которые сильно опираются на поведение похожих пользователей: алгоритм усиливает уже проявленный интерес и реже предлагает резко другой контент.

Изменился ли алгоритм TikTok после смены владельцев в США?

Да, по доступным данным американский сегмент TikTok начали переобучать отдельно от глобальной версии продукта после перехода под новых владельцев в 2025 году.

Можно ли «обмануть» алгоритм рекомендаций?

Полностью - нет, но осознанный поиск контента через каталог, а не через ленту, помогает расширить то, что система в итоге предлагает.

Ещё по теме

Следующая новость уже в ленте