Применение ИИ в библиотеке: практические сценарии

Библиотека однажды опубликовала на сайте анонс мероприятия, где нейросеть перепутала дату выступления — никто не сверил черновик с оригинальным письмом организатора. Ошибка безобидная, но именно такие случаи чаще всего дискредитируют ИИ в глазах коллектива — не потому что технология плохая, а потому что не был продуман последний шаг: кто и как проверяет результат перед публикацией. Разберём применение ИИ в библиотеке именно через это разделение труда — по шести направлениям, с конкретным способом проверки для каждого.

Модель разделения труда между ИИ и библиотекарем

В любом направлении применения ИИ есть три роли, а не две. ИИ создаёт черновик — описание, ответ, подборку, таблицу. Библиотекарь его проверяет — не полностью переписывает заново, а именно проверяет на соответствие фактам и стандартам. И отдельно нужен способ проверки — конкретный, а не «на глаз»: список пунктов, которые сверяются каждый раз одинаково. Общий разбор того, какие задачи вообще можно доверить ИИ, — в статье об искусственном интеллекте в библиотеке. Ниже — не абстрактный принцип, а разбор по шести направлениям: что именно делает модель, что именно проверяет человек и каким конкретно способом эта проверка устроена.

6 направлений применения: роль ИИ, роль библиотекаря, способ проверки

Каталогизация

ИИ: предлагает черновик библиографического описания, ключевые слова, предметную рубрику по содержанию издания.
Библиотекарь: проверяет точность формулировок и соответствие принятому в библиотеке стандарту описания.
Как проверить: сверить предложенную рубрику по классификатору вручную, проверить, что ключевые слова не дублируют друг друга и не противоречат содержанию книги.

Поиск

ИИ: понимает запрос на естественном языке и формирует подборку релевантных изданий из каталога.
Библиотекарь: настраивает источники, по которым работает поиск, и следит за точностью результатов на выборке реальных запросов.
Как проверить: раз в месяц брать 10-15 реальных запросов читателей и вручную сверять, действительно ли выданные книги релевантны теме.

Чат-бот

ИИ: отвечает на типовые вопросы читателей по базе знаний библиотеки.
Библиотекарь: пополняет базу знаний и разбирает вопросы, на которые бот не смог ответить.
Как проверить: регулярно просматривать журнал диалогов, отмечая вопросы с низкой уверенностью ответа или явные ошибки — это и есть сигнал дополнить базу знаний.

Рекомендации

ИИ: предлагает книги на основе истории выдачи или содержательной близости изданий.
Библиотекарь: проверяет релевантность подборок, особенно для узких и специализированных тематических коллекций.
Как проверить: выборочно сверить 5-10 рекомендаций с профессиональной точки зрения — действительно ли издания близки по теме и уровню сложности.

Документы

ИИ: извлекает данные из PDF и сканов — номера, даты, названия — и собирает их в таблицу.
Библиотекарь: контролирует итоговые данные перед тем, как использовать их для отчётности или учёта.
Как проверить: сверить 3-5 случайных строк итоговой таблицы с оригинальным документом — если ошибок нет, можно доверять остальным; если есть — проверить всё вручную.

Тексты

ИИ: создаёт черновик анонса, поста, описания или новости по заданным вводным.
Библиотекарь: редактирует текст под стиль библиотеки и проверяет фактическую точность — даты, имена, места.
Как проверить: сверить все даты, имена и цифры в черновике с исходными данными построчно — это самая частая категория ошибок в текстах, сгенерированных ИИ.

Пример: проверка черновика анонса на практике

Возьмём направление «Тексты» и разберём проверку по шагам, а не в общих словах.

Шаг 1. Методист получает от ИИ черновик анонса лекции: заголовок, описание на 150 слов, практическая информация о месте и времени.

Шаг 2. Сверяет три вещи по списку: дату и время (по письму организатора), написание имени спикера (по официальному источнику — сайту кафедры или предыдущим публикациям), номер аудитории или зала (по текущему расписанию, а не по памяти).

Шаг 3. Читает текст целиком на предмет тона — не звучит ли он слишком формально или слишком развязно для аудитории конкретного мероприятия.

Шаг 4. Публикует или отправляет на правки, если что-то не сошлось на шаге 2 — в этом случае неточность просто отмечается, а не молча исправляется, чтобы в следующий раз добавить более точные вводные в запрос к ИИ.

Вся проверка занимает 3-5 минут — заметно меньше часа, который раньше уходил на написание анонса с нуля, но не ноль: именно эти 3-5 минут и есть тот шаг, который в истории с перепутанной датой был пропущен.

Как построить проверку результата

Проверка «на глаз» без чёткого критерия рано или поздно пропускает ошибку — не потому что сотрудник невнимателен, а потому что без списка легко упустить пункт, который в этот раз оказался важным. Разница между работающей и формальной проверкой почти всегда именно в этом: есть ли конкретный, зафиксированный список того, что сверяется каждый раз одинаково, или проверка каждый раз проходит по-своему, в зависимости от настроения и загрузки конкретного дня.

1. Составьте короткий список того, что проверяется для каждого направления — 3-5 пунктов, не больше, иначе проверку начнут пропускать
2. Начните с выборочной проверки — не всех результатов подряд, а случайной выборки, если поток большой
3. Фиксируйте найденные ошибки — если один и тот же тип ошибки повторяется, это сигнал поправить запрос к ИИ, а не проверять внимательнее вручную каждый раз
4. Пересматривайте список проверки раз в квартал — по мере того как инструмент используется дольше, находятся новые типичные слабые места

Типичные ошибки при внедрении

• Нет проверки вообще. Результат ИИ публикуется как есть — типичная причина случаев вроде истории с перепутанной датой мероприятия. Обычно это происходит не из-за небрежности, а потому что процесс проверки никто явно не прописал, и каждый сотрудник решает по-своему, нужна ли она
• Проверка есть, но без чёткого критерия. Сотрудник «пробегает глазами» текст, но не сверяет конкретные факты построчно — часть ошибок неизбежно проходит мимо, особенно в конце длинного рабочего дня, когда внимание рассеяно
• Излишнее недоверие. Обратная крайность — каждый результат переписывается заново, и автоматизация не даёт никакого выигрыша во времени. Часто это временная стадия сразу после внедрения, которая проходит, если инструмент действительно ошибается редко
• Нет обратной связи в инструмент. Одна и та же ошибка повторяется месяцами, потому что никто не скорректировал исходный запрос или базу знаний — при этом сама ошибка может быть известна и обсуждаться в коллективе, просто никто не довёл исправление до конца

Когда направление стоит приостановить

Не любую ошибку нужно тут же превращать в решение отказаться от инструмента, но есть сигналы, которые стоит воспринимать всерьёз.

• Одна и та же ошибка повторяется после того, как её уже дважды исправляли вручную — значит, дело не в разовой случайности, а в системной проблеме запроса или базы знаний
• Проверка стабильно занимает больше времени, чем ручное выполнение задачи с нуля — автоматизация в этом случае не экономит время, а маскирует его перерасход
• Сотрудники перестают доверять результату и начинают переделывать всё заново «на всякий случай» — это сигнал вернуться к списку проверки и пересмотреть его вместе с командой

В любом из этих случаев разумнее временно вернуться к ручному процессу и разобраться в причине, чем продолжать использовать инструмент по инерции.

Чек-лист проверки результата ИИ

• Для направления составлен короткий список из 3-5 пунктов проверки
• Определено, что публикуется без проверки, а что — только после неё
• Ошибки фиксируются, а не проверяются заново вручную каждый раз
• Список проверки пересматривается не реже раза в квартал

Что почитать

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