RAG — новая точка входа для тёмных паттернов.
Retrieval-Augmented Generation (RAG) — это подход, где языковая модель сначала делает запрос в базу знаний (retrieval), а затем формирует текст на основе извлечённых данных (generation).

Это гибкий аналог fine-tuning, где вместо статического обучения модели на конкретной выборке, система подставляет нужные документы в рантайме (времени выполнения программы).

Что это меняет:
- Раньше тёмные UX-паттерны жили в интерфейсах: тени, кнопки, таймеры.
- RAG убирает интерфейс как слой. Тексты, действия и тон меняются автоматически, в зависимости от запроса и поведенческого профиля.
- Манипуляция становится невидимой: пользователь думает, что получает ответ, но на самом деле — персонализированную инструкцию, выведенную из векторного профиля и подобранных документов.
- Вся адаптация происходит не в UI, а на уровне:
1. источников retrieval (приоритетность документов),
2. генеративного ответа (нейтральный vs выгодный тон),
3. и логики подстановки (какие данные считаются «релевантными»).

Технически: RAG заменяет код-ветвления  (если человек нажал кнопку — покажи X, если не нажал — покажи Y.) и A/B-тесты (когда разным группам пользователей показывают разные части интерфейса) на real-time семантический адаптер.То есть RAG система в реальном времени подтягивает куски текста из разных источников, чтобы создать "на лету" ответ или интерфейс. Это как если бы интерфейс читал сотни документов и сразу решал, что именно вам показать — но вы не видите, что именно осталось за кадром.
Это удобно для разработчиков — но плохо c точки зрения прозрачности, так как:
— модель покажет, из каких документов взяты фразы;
— но никто не покажет, почему выбраны именно эти документы, и что осталось за кадром.
По сути, RAG — это новый скрытый слой между вами и интерфейсом. Он может менять суть происходящего, но при этом быть невидимым.
И если раньше интерфейс можно было разобрать и сказать: вот где нас убедили купить, — теперь воздействие может произойти глубже, на уровне подобранного контекста.

Подробнее:
IBM про RAG
Fine-tuning vs RAG
AI Design Patterns

Картинка

#BehindTheMachine