«ИИ в библиотеке» и «генеративный ИИ в библиотеке» — разные разговоры. Рекомендательный алгоритм, который подсказывает похожие книги, тоже искусственный интеллект, но он не создаёт ничего нового. Генеративный ИИ — это конкретно те технологии, что пишут текст, отвечают на вопросы и создают изображения, которых не существовало секунду назад. У них свои возможности и свои риски, и именно о них — этот материал (общий обзор применения ИИ в библиотеке — в статье об искусственном интеллекте в библиотеке).

Оглавление

  1. Что такое генеративный ИИ и чем он отличается от других видов ИИ
  2. Где генеративный ИИ уже работает в библиотеках
  3. Что такое RAG и почему это важно для библиотек
  4. AI literacy — новая грамотность, которой учат библиотеки
  5. Риски генеративного ИИ для библиотек
  6. Авторское право и генеративный ИИ
  7. Как использовать генеративный ИИ ответственно
  8. Частые вопросы

Что такое генеративный ИИ и чем он отличается от других видов ИИ

В основе большинства современных генеративных инструментов — большие языковые модели, LLM (Large Language Models). Модель обучена на огромном массиве текстов и предсказывает наиболее вероятное продолжение фразы — из этого простого принципа складывается и связный текст, и код, и ответ на вопрос. ChatGPT (OpenAI), Claude (Anthropic) и Gemini (Google) — три самых известных примера таких моделей, у каждой свои сильные стороны: Claude лучше работает с большими документами, ChatGPT — самый универсальный по набору сценариев, Gemini глубоко интегрирован в сервисы Google.

Отличие от «просто ИИ» принципиальное. Рекомендательная система, которая предлагает читателю похожие книги, или алгоритм, который сортирует обращения по срочности, — тоже искусственный интеллект, но не генеративный: они выбирают и ранжируют из существующего, а не создают новое. Генеративная модель, наоборот, каждый раз собирает ответ заново — в этом и её сила (гибкость), и её главный риск (модель может «сгенерировать» неверный факт так же уверенно, как верный).

Где генеративный ИИ уже работает в библиотеках

AI-ассистенты — системы, которые ведут диалог с читателем и при необходимости обращаются к нескольким источникам сразу: каталогу, базе знаний, расписанию мероприятий. Подробный разбор устройства такого ассистента — в статье об AI-ассистенте библиотеки.

AI-чат-боты — более узкий, прикладной случай ассистента: отвечают на типовые вопросы читателей в мессенджере или на сайте. Мы в Biblio-Tech делаем именно такой чат-бот для библиотек, подробности — в статье про AI-чат-бота для библиотеки.

Генеративный поиск — вместо списка ссылок пользователь получает связный ответ, собранный по нескольким источникам сразу. Это принципиально другой формат поиска по каталогу, чем привычный список результатов по ключевым словам.

Генерация метаданных — черновик описания книги, ключевых слов и предметной рубрики по содержанию издания. ALA в руководстве по использованию ИИ в библиотеках рассматривает этот сценарий как рабочий, но настаивает на финальной проверке библиотекарем каждой сгенерированной записи перед публикацией в общий каталог.

Что такое RAG и почему это важно для библиотек

RAG (Retrieval-Augmented Generation, «генерация с подкреплением поиском») — принцип, при котором модель отвечает не по общей «памяти» из обучения, а по документам, которые ей предоставили прямо сейчас: каталогу, базе знаний, конкретной подборке источников. Разница на практике огромная: обычная модель может уверенно «вспомнить» несуществующую книгу, RAG-система отвечает только на основе того, что реально есть в подключённых данных, и может честно сказать «не нашла», если информации нет.

Именно RAG лежит в основе экспериментов по подключению ИИ-ассистентов напрямую к библиотечному каталогу через протокол MCP (Model Context Protocol) — Йельская библиотека описывает такие пилоты на собственной странице, посвящённой работе с ИИ. Пользователь задаёт вопрос ассистенту, а тот в реальном времени обращается к каталожным данным, чтобы ответ опирался на реально существующие издания.

Для библиотеки практический вывод простой: если выбираете AI-поиск или чат-бота, спрашивайте у разработчика, работает ли инструмент по принципу RAG — то есть отвечает по вашим реальным данным, — или просто отвечает «из головы» общей модели. Разница проявляется в конкретной ситуации: спросите систему о книге, которой точно нет в вашем фонде. RAG-система честно ответит, что не нашла такое издание в каталоге; модель без RAG вполне может «вспомнить» правдоподобное, но несуществующее название и автора.

Руки печатают на ноутбуке у окна в дневном свете
RAG заставляет модель отвечать на основе конкретных документов, а не только «памяти» из обучения.

AI literacy — новая грамотность, которой учат библиотеки

Университетские библиотеки традиционно учат студентов информационной грамотности — как искать источники, как оценивать их достоверность. Генеративный ИИ добавил к этому новый раздел, который принято называть AI literacy: как формулировать запросы к нейросети, как проверять её ответы на достоверность, где проходит граница между помощью ИИ и академической нечестностью. University College London (UCL) в своём разделе Generative AI Hub системно описывает именно такой подход — обучение студентов работе с генеративным ИИ как часть общей информационной грамотности, а не отдельную техническую дисциплину.

Для библиотеки это не абстрактная миссия, а конкретная задача: подготовить короткий гид или курс для читателей — что можно и нельзя делать с нейросетью при написании курсовой, как проверять факты, которые выдаёт модель, куда обращаться, если сомневаешься в результате.

Студенты университета занимаются с ноутбуками и книгами в читальном зале
AI literacy — новый раздел информационной грамотности, который всё чаще преподают сами библиотеки.

Риски генеративного ИИ для библиотек

  • Галлюцинации. Модель может уверенно назвать несуществующую книгу, автора, статью или факт — без RAG и проверки человеком это прямой путь к ошибке в каталожной записи или ответе читателю.
  • Предвзятость обучающих данных. Модели хуже работают с редкими языками, узкими темами и материалами, которых было мало в обучающей выборке — например, региональной или устаревшей терминологией.
  • Конфиденциальность данных читателей. Передача личных данных или истории обращений во внешний облачный сервис требует отдельного внимания — персональные данные стоит обезличивать перед отправкой, если тариф сервиса не гарантирует конфиденциальность на корпоративном уровне.
  • Авторское право на сгенерированный контент — разбираем отдельным пунктом ниже.
  • Делегирование решения без проверки. Соблазн опубликовать сгенерированный текст без вычитки — самый частый источник реальных ошибок на практике, а не сама технология.

Авторское право и генеративный ИИ

Однозначного правового ответа здесь пока нет — статус текстов и изображений, созданных ИИ, по-разному трактуется в разных юрисдикциях и продолжает уточняться. Общий, практический подход, который работает независимо от конкретной правовой нормы: относитесь к сгенерированному контенту как к черновику, а не к финальному продукту с понятным авторством. Для официальных публикаций библиотеки — постов, описаний, изображений для афиш — стоит на берегу договориться, кто редактирует и утверждает такие материалы, и уточнить вопрос авторства у юриста учреждения, а не полагаться на общие предположения из статьи в интернете, включая эту.

Как использовать генеративный ИИ ответственно

  1. Разделяйте черновик и финальную публикацию. Всё, что видит читатель, проходит проверку человеком перед выходом в свет
  2. Спрашивайте про RAG, если выбираете готовый AI-поиск или чат-бота для библиотеки — ответы «из головы» модели менее надёжны, чем ответы по вашим реальным данным
  3. Обезличивайте персональные данные читателей перед тем, как передавать их в облачный сервис без корпоративных гарантий конфиденциальности
  4. Обучайте читателей базовым принципам AI literacy — как проверять факты, которые выдаёт нейросеть
  5. Фиксируйте зоны ответственности — какие решения принимает ИИ, какие требуют обязательной проверки человеком

Эти пять правил не требуют отдельного бюджета или новой должности в штате — их можно оформить как короткий внутренний регламент на одну страницу и обсудить с сотрудниками, которые уже используют нейросети в повседневной работе, даже если формального решения о внедрении ИИ в библиотеке ещё не было.

Понятие Что это значит на практике
LLM Модель, которая генерирует текст на основе больших данных обучения
RAG Модель отвечает по конкретным документам, а не только по «памяти»
AI-ассистент Диалоговая система, обращающаяся к нескольким источникам сразу
Генеративный поиск Связный ответ вместо списка ссылок
AI literacy Обучение читателей проверке и корректному использованию ответов ИИ

Частые вопросы

Чем генеративный ИИ отличается от «обычного» искусственного интеллекта?

Генеративный ИИ создаёт новый контент — текст, изображения, код. Другие виды ИИ, например рекомендательные алгоритмы или классификаторы, только анализируют и сортируют то, что уже существует, ничего не создавая заново.

Можно ли доверять генеративному поиску так же, как обычному каталогу?

Только если он построен на RAG — то есть отвечает на основе конкретных документов вашей библиотеки, а не общих знаний модели. Без этого риск получить уверенно звучащий, но неверный ответ заметно выше.

Кому принадлежат права на текст, написанный нейросетью?

Однозначного и единого для всех случаев ответа нет — правовой статус контента, созданного ИИ, по-прежнему уточняется в разных юрисдикциях. Для официальных публикаций библиотеки стоит уточнять этот вопрос отдельно, а не полагаться на общие предположения.

Чек-лист перед использованием генеративного ИИ

  • Определено, что публикуется без проверки, а что требует вычитки человеком
  • Проверено, отвечает ли AI-инструмент по принципу RAG или «из головы»
  • Персональные данные читателей обезличены перед отправкой в облачный сервис
  • Есть базовый гид для читателей по проверке ответов ИИ
  • Вопрос авторства сгенерированного контента для официальных публикаций уточнён у юриста

Что почитать

Хотите внедрить генеративный ИИ без лишних рисков

Наш AI-чат-бот для библиотек построен на принципе RAG — отвечает по реальной базе знаний конкретной библиотеки, а не «из головы». Расскажем, как это устроено и как выглядит проверка ответов на практике.

Обсудить внедрение