Паттерны СМИ: что реально масштабируется с AI в редакции

Чему научитесь

• Отделять процессы, которые реально масштабируются через AI, от тех, где автоматизация ломает продукт.
• Видеть на живых кейсах (AP, WaPo, Bloomberg, Der Spiegel, FAZ), что именно стало промышленным стандартом, а что — неудачным экспериментом.
• Применять чек-лист из 4 вопросов, чтобы решить — автоматизировать ли конкретный процесс вашей редакции.
• Понимать, где российские медиа идут тем же путём, а где упираются в санкции, 152-ФЗ и узкий рынок.

Правило масштабирования

Если M.9.1 был про политику как документ, M.9.2 — про политику в действии. Разница между хорошей AI-редакцией и плохой не в том, сколько они используют AI. А в том, правильные ли процессы они автоматизируют.

Главное правило простое: AI масштабирует структурные процессы, не творческие. Структурные — это те, где вход предсказуем (таблица чисел, расшифровка матча, квартальный отчёт), а выход шаблонен (абзац в 200 слов по фиксированной схеме). Творческие — это те, где результат зависит от контекста, вкуса, встречи журналиста с героем, неожиданного поворота.

AP автоматизирует корпоративные отчёты — 4400 штук в квартал. Washington Post автоматизировал результаты Олимпиады-2016. Bloomberg делает генерацией треть коротких финансовых заметок. Но те же редакции не пытаются автоматизировать расследования, интервью и колонки — потому что там автоматизация убьёт главное: оригинальную точку зрения, которой читатель платит вниманием.

Три западных кейса, которые реально работают

Associated Press + Wordsmith. AP вместе с платформой Wordsmith (компания Automated Insights) и поставщиком данных Zacks Investment Research запустили автоматизацию квартальных корпоративных отчётов ещё в 2014 году. До автоматизации редакция выпускала ~300 таких заметок в квартал вручную. После — 4400. Это не ускорение в 2 раза и не оптимизация на 30%. Это рост в 12 раз по одному конкретному процессу. Объём каждой заметки — 150–300 слов, жёсткий шаблон: название компании, EPS, сравнение с прогнозом, реакция рынка. Журналисты получили освобождённое время и стали заниматься аналитикой, а не переписыванием цифр.

Washington Post + Heliograf. Развернули для Рио-2016: система генерировала ~330 статей и 600 оповещений за время Олимпиады — медальный зачёт, анонсы событий, результаты забегов и заплывов. На одну заметку уходило ~45 секунд от появления данных в IOC через API stats.com до публикации в live-блог, на Twitter-аккаунт @WPOlympicsbot и в Facebook Messenger. После Олимпиады Heliograf масштабировали на выборы 2016 и регулярную спортивную статистику. Подход Washington Post: генерация идёт без предварительного человеческого approval, но у системы встроены проверки аномалий — если бегун «установил мировой рекорд с отрывом 15 секунд», Heliograf не публикует, а поднимает флаг.

Bloomberg + Cyborg. Внутренняя система генерации на основе earnings calls и фондовых отчётов. По официальным оценкам и публикациям Cyborg касается ~30% контента Bloomberg News — это не значит «написал целиком», чаще «сгенерировал черновик, который редактор довёл». Ключевой принцип: данные валидируются до генерации, а не после. Если в исходнике ошибка, ошибка уйдёт в публикацию — поэтому вход проверяется жёстче, чем выход.

Осторожно: те же Bloomberg и свежий провал. 15 января 2025 Bloomberg запустил отдельный продукт — AI-сгенерированные bullet-point саммари на 3 пункта над каждой статьёй. К концу марта редакции пришлось выпустить 36+ публичных корректировок: неверные цифры, перепутанная атрибуция, ссылки не на те выборы, ошибки в датах тарифных решений. Bloomberg заявил, что «99% саммари соответствует editorial standards» и что журналисты могут удалить любое саммари — но 1% ошибок в потоке из тысяч статей выглядит громко. Вывод для любой редакции: даже у лидеров отрасли автоматизация даёт сбои, если она выходит за пределы жёстких шаблонов.

Что НЕ масштабируется

Расследовательская журналистика. Здесь AI — инструмент подготовки, не автор. Der Spiegel построил внутренний стек с векторной базой своего архива и fact-checking-утилитой, которая проходит по каждому утверждению статьи и проверяет через LLM + веб-поиск. FAZ (Frankfurter Allgemeine Zeitung) оцифровал 75+ лет собственного архива в векторную базу Qdrant — журналист получает семантический поиск по историческому контексту. И то, и другое — помощь журналисту, а не автоматическое расследование. Выводы, версии, расстановка приоритетов остаются человеку.

Интервью. Герой не согласится говорить с аватаром (это разбирали в M.8.4). AI помогает подготовить вопросы (M.5.1), транскрибировать разговор (M.5.2), вытащить цитаты (M.5.3), но сам разговор остаётся ремеслом человека. Тишина после острого вопроса, пауза, в которой собеседник задумался, — этого AI не воспроизведёт.

Колонки и мнения. Голос автора — то, за чем читатель приходит. AI в роли редактора (M.6.3) — нормально. AI в роли автора — значит, голоса больше нет.

Эмоциональные репортажи. Что журналист увидел в сгоревшем дворе, какую деталь зафиксировал, что сказала соседка — AI не может заменить личное присутствие и персональную оптику.

Российские кейсы: что подтверждается, что нет

Российская картина выглядит тоньше западной — публичных промышленных кейсов уровня AP Wordsmith в открытых источниках пока не видно, но отдельные паттерны устойчивы.

Яндекс.Новости — автоматизация без генерации. Сервис разбивает входящий поток новостей по темам, кластеризует связанные публикации в сюжеты (часто в 2–3 уровня) и проводит текстологический анализ, чтобы сформировать заголовки и краткие описания сюжетов. Это агрегация, не генерация. Яндекс не пишет новости с нуля — он организует поток чужих публикаций. Тот же принцип лежит в основе агрегаторов Google News и Apple News.

«Иван Кремнев» — виртуальный журналист РБК Трендов. В 2024 году РБК Тренды запустили виртуального помощника-журналиста под именем «Иван Кремнев», под его авторством материалы публикуются на сайте издания. Архитектура собрана на low-code-платформе n8n и объединяет API шести нейросетей: GigaChat Pro, YandexGPT 4 Pro, ChatGPT 4o, Kandinsky 3.1, YandexArt 2, DALL-E 3. Пайплайн полностью покрывает цикл «анализ источника → текст → визуал → публикация», каждый материал проходит редакторскую проверку. Заявленный эффект — подготовка новости за минуты вместо часов. Это фактически русскоязычный аналог связки AP + Wordsmith, но с ключевым отличием: работает не на строгом шаблоне отчётов одной вертикали, а на новостях в тематике «Тренды» (AI, технологии, бизнес), и собран из готовых моделей через оркестратор, а не кастомным инжинирингом.

GigaChat и YandexGPT как слой помощника. За пределами «Ивана Кремнева» большинство российских редакций используют отечественные модели как инструменты для внутренних задач — корректура, переформулировки заголовков, саммари длинных материалов, черновики маркетинговых текстов к статьям. Массовых промышленных пайплайнов уровня AP Wordsmith пока мало — Кремнев скорее первая ласточка, чем индустриальная норма.

Маркировка AI-контента становится нормой. С 2025 года в России вводятся ГОСТы в сфере ИИ, обсуждается обязательная маркировка AI-сгенерированного контента. Опросы показывают: около 90% российской аудитории требуют честной маркировки AI-контента, 16% считают использование нейросетей приемлемым только при условии прозрачного указания. Редакции, которые поспешат внедрить генерацию без маркировки, теряют доверие быстрее, чем набирают скорость.

Рынок как фон. Российский генеративный AI-рынок в 2025 оценивался примерно в 58 млрд рублей, рост в 5 раз к 2024. Первыми внедряют банки и страховые, а не редакции. Это объясняет, почему промышленных «Wordsmith по-русски» пока нет — заказ идёт из финансовой индустрии, а не из СМИ.

Таблица «Процесс × масштабируется ли через AI»

Как решить, автоматизировать ли процесс вашей редакции

Чек-лист из 4 вопросов. Отвечаете на каждый «да» или «нет».

1. Вход предсказуемый? Структурированные данные (таблица, API, CSV), а не сырая реальность. У AP Wordsmith вход — Zacks Investment Research. У Heliograf — API IOC. У Cyborg — earnings calls и фондовые отчёты. Если вход — «пошёл и увидел», процесс не автоматизируется.

2. Выход шаблонный? Формат заметки известен заранее: «компания X отчиталась за квартал Y, прибыль Z, выше/ниже прогноза на N процентов». Если выход — «найти главный сюжет и подать под нужным углом», шаблон невозможен.

3. Цена ошибки низкая? Ошибка в сгенерированной спортивной статистике раздражает, но не разрушает репутацию. Ошибка в сгенерированном отчёте о расследовании убивает доверие на годы.

4. Частота достаточно высокая? Автоматизация имеет смысл от нескольких сотен публикаций в период. Если процесс случается раз в месяц, ручная работа дешевле, чем поддержка пайплайна.

Если все 4 «да» — автоматизируйте. Если хоть один «нет» — оставляйте ручным или делайте AI помощником журналиста, а не автором.

Что изменилось с 2024 по 2026

2024 — год экспериментов и первых громких провалов. CNET и Sports Illustrated опубликовали AI-тексты без должной маркировки, получили репутационный удар — подробно в M.9.3.

2025 — AI-политики становятся стандартом. NYT (Principles for Using Generative AI, май), BBC (3 core principles), Reuters, Guardian + OpenAI (партнёрство, февраль) — индустрия публично фиксирует правила.

2026 — разграничение «автоматика vs помощник» стало видимым. AP продолжает генерировать отчёты, WaPo — спортивные результаты, Bloomberg Cyborg — треть контента. Но bullet-point саммари Bloomberg 2025 года показали: даже у лидеров отрасли любой шаг за пределы жёсткого шаблона = каскад ошибок. Индустрия научилась отличать «генерация структурной заметки» (работает) от «генерация саммари любой статьи подряд» (ломается).

Это середина пути, не конец. Через 2–3 года правила снова сдвинутся — появятся новые виды контента, которые AI будет делать хорошо, и новые провалы на тех, которые считались безопасными.

Русский контекст

Три ограничения, через которые российские редакции проходят иначе.

Санкции. Прямого доступа к Bloomberg Terminal, Reuters Connect, OpenAI корпоративным контрактам нет. Альтернативы — локальные модели (GigaChat, YandexGPT, T-lite от Т-Банка), мультимодельные агрегаторы через arckep.ru с оплатой в рублях и без VPN.

Законодательство. 152-ФЗ (ст. 11 про биометрию, требование локализации баз с 01.07.2025), ГОСТы маркировки AI-контента с 2025, проекты законов о дипфейках. Редакция, которая работает с персональными данными источников, не может просто отправить их в ChatGPT — должна либо локализовать обработку, либо обезличить данные.

Узкий рынок. Данных для обучения AI на русском меньше, чем на английском. Отечественные модели догоняют, но пока отстают в сложных редакторских задачах — поэтому в рабочем процессе часто используется гибрид: Claude/GPT для англоязычного ресёрча и сложных текстов, GigaChat/YandexGPT для русскоязычной корректуры и внутренней работы с чувствительными данными.

Путь российских редакций тот же, что у западных, но со сдвигом: то, что в США и ЕС стало промышленным в 2024, у нас станет промышленным в 2026–2027. Это не отставание в квалификации — это разница в плотности рынка и доступе к инфраструктуре.

Главное

AI масштабирует структурные процессы (финансы, спорт, шаблонные новости) и не масштабирует творческие (расследования, интервью, колонки). Три западных кейса показывают правило: AP генерирует 4400 корпоративных отчётов в квартал, WaPo Heliograf — 330 олимпийских заметок за время игр, Bloomberg Cyborg касается трети контента. И те же Bloomberg’у в 2025 году прилетело 36+ корректировок, стоило выйти за пределы шаблона.

Чек-лист решения простой: предсказуемый вход + шаблонный выход + низкая цена ошибки + высокая частота = автоматизируйте. Иначе — человек или AI-помощник, но не AI-автор.

Следующий урок — M.9.3 «Антикейсы: как не облажаться». Разберём, что случилось с CNET, Sports Illustrated, Men’s Journal, Gannett и другими, кто переоценил готовность AI к конкретному процессу. Заодно посмотрим на русскоязычные прецеденты и на то, какие пункты политики из M.9.1 могли бы эти провалы предотвратить.