ИИ в работе библиотек: что уже можно автоматизировать

Директор библиотеки, который решает, с чего начать внедрение ИИ, обычно смотрит не на абстрактный список задач, а на структуру самой библиотеки: какой конкретно отдел выиграет от автоматизации быстрее других и с наименьшим риском. Разберём работу библиотеки по десяти направлениям — с тем, что меняется, с тем, что остаётся за человеком, и с примером того, как это выглядит в течение одного рабочего дня.

Что меняется, а что остаётся прежним

ИИ не переписывает организационную структуру библиотеки — отделы остаются те же, зоны ответственности тоже, а штатное расписание не пересматривается ради одного нового инструмента. Меняется соотношение времени внутри задачи: черновая, механическая часть сжимается, а часть, которая требует решения и контекста, остаётся за сотрудником. Общий разбор того, какие задачи вообще можно и нельзя отдать ИИ, — в статье об искусственном интеллекте в библиотеке.

10 направлений работы библиотеки: было — стало

1. Работа с пользователями

Было: сотрудник отвечает на одни и те же вопросы о часах работы и продлении книг по телефону и на месте.
Стало: чат-бот закрывает типовые вопросы круглосуточно, сотрудник подключается к нестандартным обращениям. В пиковые периоды — начало семестра, сессия — именно это направление разгружает читательский зал сильнее всего.

2. Работа с каталогом

Было: поиск требует точного совпадения по ключевым словам, которые знает не каждый читатель.
Стало: запрос на естественном языке находит релевантные издания, даже если формулировка не совпадает с каталожной записью дословно. Каталог при этом не переписывается — ИИ работает поверх уже существующих данных, а не заменяет их.

3. Работа с документами

Было: данные из актов, накладных и служебных записок вносятся в таблицы вручную.
Стало: ИИ извлекает нужные поля из PDF и сканов за минуты, сотрудник проверяет итоговую таблицу. Экономия особенно заметна при больших партиях новых поступлений в начале учебного года.

4. Информационно-библиографическая работа

Было: подбор источников по узкой теме занимает часы поиска по разным базам.
Стало: инструменты вроде Elicit и Consensus ускоряют первичный поиск, библиограф проверяет релевантность и полноту подборки. Полностью автоматической библиографическая справка не становится — оценка релевантности остаётся экспертной задачей.

5. Массовые коммуникации

Было: анонсы, посты для соцсетей и новости пишутся с нуля под каждую площадку.
Стало: черновик готов за минуту по исходным данным, сотрудник адаптирует тон и проверяет факты. Один и тот же анонс превращается в три версии — для сайта, соцсетей и рассылки — без ручного переписывания заново.

6. Научная деятельность

Было: обзор литературы по теме собирается вручную месяцами.
Стало: ИИ-инструменты для научного поиска ускоряют предварительный отбор публикаций, итоговый анализ остаётся за исследователем. Это ускоряет именно первый, самый трудоёмкий этап — отбор релевантных работ из сотен доступных.

7. Административная работа

Было: регламенты, инструкции и служебная переписка составляются с нуля.
Стало: черновик структуры документа готов сразу, меняется меньше всего — административные решения по-прежнему принимает человек. Здесь эффект от ИИ самый скромный из всех десяти направлений.

8. Аналитика

Было: статистика посещаемости и выдачи сводится в таблицы вручную, тренды не всегда заметны сразу.
Стало: данные визуализируются автоматически, аномалии и тренды подсвечиваются сами — наш продукт LibBoard закрывает именно эту задачу для университетских библиотек, собирая статистику по всем цифровым сервисам в одном месте.

9. Обучение пользователей

Было: методички и материалы курсов информационной грамотности готовятся с нуля под каждый поток.
Стало: черновик учебного материала или вопросов для проверки знаний собирается за минуты, методист адаптирует под аудиторию. Особенно заметно на курсах для первокурсников, которые повторяются из года в год с небольшими изменениями.

10. Работа с цифровыми коллекциями

Было: расшифровка архивных рукописей и газетных вырезок — трудоёмкая ручная работа.
Стало: распознавание текста и изображений ускоряет оцифровку, человек контролирует качество результата — особенно на рукописном и повреждённом материале, где модель чаще ошибается, чем на чистом печатном тексте.

Пример: как меняется рабочий день библиографа

Утро, было: два часа на подбор источников по запросу преподавателя — поиск в трёх разных базах, чтение аннотаций, отсев нерелевантного.
Утро, стало: 20 минут на запрос в Elicit и Consensus, ещё 30 минут на проверку и отбор действительно подходящих работ — итоговый список готов за час вместо двух.

День, было: час на составление описания трёх новых поступлений — ключевые слова, рубрика, аннотация.
День, стало: 15 минут на проверку черновиков, которые ИИ подготовил по содержанию книг.

Вечер, было: подготовка ответа на сложный библиографический запрос читателя — час поиска и оформления.
Вечер, стало: тот же час, потому что сложный запрос требует экспертной оценки, а не только поиска — и здесь разница между «было» и «стало» минимальна.

Освободившееся время за счёт первых двух задач — больше часа в день — уходит на то, что действительно требует библиографа: консультации, сложные запросы, методическую работу.

Где эффект заметен быстрее всего

Работа с пользователями и оцифровка дают самый быстрый и заметный результат: обе задачи повторяются часто, а ошибка в черновике ответа или в распознанном тексте легко проверяется человеком до публикации. С этих направлений разумно начинать, если библиотека выбирает первый проект — развёрнутый список конкретных задач под них есть в статье «ИИ в помощь библиотекам», а разбор реальных диалогов и сценариев — в статье об использовании ИИ в библиотеке.

Где ИИ не меняет ничего

Три зоны, где решение принимает исключительно человек, вне зависимости от того, сколько инструментов внедрено вокруг:

• Комплектование фонда по содержательным и бюджетным критериям
• Работа с этически сложными и конфликтными обращениями читателей
• Стратегические решения о развитии библиотеки и распределении бюджета

ALA в руководстве по использованию ИИ в библиотеках отдельно подчёркивает: технология ускоряет процесс, но не переносит на себя ответственность за итоговое решение — она остаётся за библиотекарем.

Есть и более тонкая граница: ИИ ускоряет часть процесса, но не меняет саму логику принятия решения. В комплектовании фонда, например, нейросеть может подсказать, какие темы популярны у читателей по статистике выдачи, — но решение о том, какую книгу купить на ограниченный бюджет, всё равно требует профессионального суждения о качестве издания, авторитетности автора и балансе коллекции, которого у модели нет и не будет в обозримом будущем.

Как оценить, готова ли ваша библиотека

1. Выберите направление из списка выше, где рутинная часть задачи отнимает больше всего времени
2. Проверьте, есть ли в отделе сотрудник, готовый проверять результат ИИ перед использованием
3. Оцените объём данных — маленький поток задач часто не окупает сложную интеграцию, готового инструмента может быть достаточно
4. Запустите пилот на 3-4 недели именно в этом направлении, прежде чем расширять на соседние

Признак того, что направление выбрано удачно, — задача повторяется минимум несколько раз в неделю, а ошибка в черновике результата не критична и легко замечается при проверке. Если задача случается раз в квартал или ошибка в ней может дорого стоить (например, неверные данные в официальном документе), с пилота её лучше не начинать — отдача от автоматизации там ниже, а риск выше.

Чек-лист выбора направления для пилота

• Выбрано направление, где рутинная часть задачи отнимает больше всего времени
• Есть сотрудник, готовый проверять результат ИИ
• Оценён объём данных — достаточен ли готовый инструмент без интеграции
• Назначен срок пилота — 3-4 недели — прежде чем расширять на другие отделы

Что почитать

• ALA Council Adopts Guidance on Use of Artificial Intelligence in Libraries
• NC State University Libraries — AI at the Libraries