ИИ для комплектования фонда библиотеки: как автоматизировать отбор новых книг

Каждый месяц издательства выпускают тысячи новых книг, а бюджет библиотеки и время комплектатора ограничены. Вручную просмотреть весь поток изданий, сопоставить его с интересами читателей и историей выдач физически невозможно. ИИ-инструменты решают эту задачу: анализируют метаданные новых изданий, статистику спроса и пробелы в существующем фонде, чтобы подсказать библиотекарю, что действительно стоит закупить. Разбираем, как работает ИИ-анализ комплектования, какие инструменты уже используются и как внедрить их без потери контроля над решениями. О том, как похожие технологии применяются для подсказок читателям, — в статье «AI-рекомендации книг в библиотеке».

Зачем комплектованию нужен ИИ

Проблема ручного отбора

Комплектатор физически не может просмотреть каждое новое издание по своему профилю. Даже в узкой предметной области выходят сотни книг в год. В результате решения часто принимаются по знакомым издательствам и авторам, а не по реальному спросу читателей — просто потому, что нет времени проверить весь поток вариантов.

Что меняет ИИ

ИИ-инструменты не читают книги вместо библиотекаря — они обрабатывают данные вокруг решения: метаданные (тема, язык, год, издательство), историю выдач по смежным темам, обращения читателей, которые не нашли нужную книгу. На основе этого система формирует приоритетный список: что стоит рассмотреть в первую очередь. Финальный выбор — за комплектатором, но он тратит время на действительно спорные решения, а не на просмотр всего потока.

Как работает ИИ-анализ комплектования

Источники данных для анализа

• Метаданные каталога: что уже есть в фонде — по темам, языкам, годам издания
• История выдач: какие темы и авторы пользуются спросом, какие издания залёживаются
• Профиль читателей: состав аудитории — студенты каких факультетов, читатели каких возрастных групп
• Каталоги издательств и дистрибьюторов: список новых изданий с аннотациями и метаданными
• Незакрытые запросы: обращения читателей через МБА или запросы на покупку, которые библиотека не смогла удовлетворить

Как формируется приоритет

Система сопоставляет новое издание с профилем библиотеки: тема совпадает со спросом, но в фонде почти нет актуальных книг по ней — высокий приоритет. Тема уже хорошо закрыта фондом или спрос падает — низкий приоритет. Результат — не готовое решение, а ранжированный список с обоснованием, почему конкретное издание выделено.

Признак	Что говорит о нём ИИ-анализ
Тема совпадает с растущим спросом	Приоритет на закупку — читатели активно ищут эту тему
Фонд по теме устарел (издания старше 10 лет)	Пробел, требующий обновления
Похожие издания уже есть в большом количестве	Низкий приоритет — тема уже закрыта
Есть незакрытые запросы читателей по МБА	Сигнал прямого неудовлетворённого спроса

Пример: как это выглядит на практике

Комплектатор университетской библиотеки получает от дистрибьютора список из 400 новых изданий по профилю «социальные науки». Вручную просмотреть все описания и аннотации — работа на несколько дней. Система анализирует метаданные каждого издания, сопоставляет их с темами, которые активно запрашивают студенты (по истории выдач и обращениям в справочную службу), и с составом уже имеющегося фонда. На выходе — короткий список из 40 изданий с пометками: «тема слабо представлена в фонде, спрос растёт» или «похожие книги уже есть в достаточном количестве». Комплектатор тратит время на содержательную оценку этих 40 позиций вместо беглого просмотра 400.

Три сценария применения

1. Автоматизация профилей комплектования (approval plans)

Библиотека задаёт профиль — темы, языки, уровень сложности, издательства — и система автоматически подбирает подходящие новинки из каталога дистрибьютора, отсеивая явно нерелевантные позиции. Комплектатор просматривает уже отфильтрованный короткий список вместо полного каталога.

2. Анализ пробелов в фонде

Система сравнивает состав фонда с образовательными программами вуза или запросами читателей публичной библиотеки и находит темы, которые слабо представлены или устарели. Это особенно полезно при подготовке к аккредитации учебных программ, когда нужно показать, что фонд соответствует дисциплинам.

3. Оптимизация распределения бюджета

При ограниченном бюджете система помогает расставить приоритеты между направлениями: куда вложить средства в первую очередь, исходя из спроса и текущего состояния фонда, а не только из заявок отдельных кафедр или отделов.

Инструменты и платформы

Решение	Тип	Особенности
GOBI Library Solutions (EBSCO)	Платформа approval plan	Профили комплектования, автоматический подбор новинок по заданным критериям
OCLC WorldShare Collection Manager	Облачный сервис	Сравнение фонда с внешними базами, анализ пробелов относительно других библиотек
Собственная аналитика на базе LLM	Кастомное решение	Анализ истории выдач и метаданных каталога через языковую модель — гибко, но требует настройки
Таблицы + BI-инструменты	Минимальный вариант	Экспорт данных в Excel/Google Sheets с формулами приоритизации — без специального ПО

Для библиотек, которые уже используют аналитическую панель по другим цифровым каналам, логично объединить данные комплектования с общей статистикой — так проще видеть, какие темы действительно интересуют читателей на сайте и в соцсетях, а не только по факту выдач. Подробнее о такой единой панели — на странице продукта LibBoard.

Пошаговое внедрение

Шаг 1. Соберите данные

Выгрузите историю выдач за последние 2–3 года и текущие метаданные каталога. Чем полнее данные, тем точнее приоритизация.

Шаг 2. Определите профиль комплектования

Зафиксируйте темы, языки, уровень сложности и издательства, которые релевантны вашей библиотеке — это база для фильтрации новинок.

Шаг 3. Выберите инструмент

Готовая платформа (GOBI, WorldShare) подходит, если библиотека уже работает с этими дистрибьюторами. Кастомный анализ на базе LLM или таблиц — если нужна гибкость без привязки к конкретному вендору.

Шаг 4. Настройте регулярный анализ пробелов

Раз в квартал сверяйте состав фонда с актуальным спросом — темы меняются быстрее, чем кажется, особенно в науке и технологиях.

Шаг 5. Оставьте финальное решение за комплектатором

ИИ формирует список приоритетов с обоснованием, но подтверждает закупку человек — он видит контекст, которого нет в данных: договорённости, гранты, локальные особенности читателей.

Шаг 6. Оцените результат

Через полгода после внедрения сравните показатели выдачи новых поступлений, отобранных с помощью ИИ, с прошлыми закупками — это покажет, насколько подход себя оправдывает.

Типичные ошибки

Ошибка 1. Слепое доверие приоритетам системы

Проблема: закупка идёт строго по списку ИИ без учёта контекста — договорённостей с кафедрами, грантовых обязательств, локальных особенностей аудитории.

Решение: используйте ИИ-приоритеты как отправную точку для обсуждения, а не как готовое решение.

Ошибка 2. Данные без очистки

Проблема: в историю выдач попадают служебные операции, массовые перемещения фонда — это искажает картину спроса.

Решение: перед анализом исключите нетипичные операции, оставьте только реальные читательские выдачи.

Ошибка 3. Игнорирование малых, но важных тем

Проблема: алгоритм приоритизации по объёму спроса может занижать редкие, но значимые для конкретной аудитории темы — например, литературу для узкой научной школы.

Решение: держите отдельный список приоритетных направлений, которые не должны зависеть от статистики спроса.

Роль библиотекаря в AI-комплектовании

ИИ снимает с комплектатора рутинный просмотр каталогов, но не снимает ответственность за решение. Библиотекарь по-прежнему определяет профиль фонда, оценивает качество изданий, которые не видны в метаданных (авторитетность автора, актуальность подхода), и учитывает то, что не выражается в цифрах — образовательную миссию библиотеки, локальный контекст, запросы конкретных кафедр. ИИ здесь — инструмент, который расширяет пропускную способность комплектатора, а не заменяет его экспертизу. Похожий баланс между автоматизацией и человеческим суждением важен и в других процессах библиотеки — подробнее в статье «ИИ для каталогизации книг».