НейроРедакция

ИИ спасёт местную журналистику вместе с читателями

Джошуа Дарр (Syracuse University) в эссе для Knight First Amendment Institute формулирует тезис, который стоит проговорить прямо: ИИ, применённый к местным новостям исключительно ради экономии, не спасает местную журналистику — он консервирует и усиливает её худшие черты.
Диагноз. Местные СМИ в США переживают структурный кризис — падение тиражей, закрытия редакций, обвал рекламных доходов. Но даже до кризиса местная журналистика системно обходила стороной бедные и небелые районы, концентрируясь на платёжеспособной аудитории и подавая депрессивные территории через криминальную хронику. Автор предупреждает: если ИИ просто ускорит те же редакционные процессы — те же новостные ценности, та же выборка тем — неравенство в покрытии не исчезнет, а масштабируется.
Альтернатива — «Documenters». Программа City Bureau из Чикаго (работает уже в 30+ городах) платит обычным жителям за то, что они приходят на заседания горсоветов, комиссий по зонированию, школьных советов — и делают структурированные заметки по стандартному шаблону: сводка, дальнейшие вопросы, детали. Это не «гражданская журналистика» в романтическом смысле, а оплачиваемая инфраструктура присутствия там, где журналистов физически не хватает.
Эксперимент с двумя чат-ботами. Автор обучил один GPT на 100 протоколах Documenters по Кливленду, а второй оставил с обычным доступом в веб — и задал обоим один и тот же практический вопрос: как получить продление по нарушению строительного кодекса. Обычный ChatGPT выдал формальную процедуру подачи апелляции. Бот на заметках жителей дал совет по существу: правление регулярно отклоняет продление тем, кто не явился на слушание, и часто есть программы финансовой помощи на ремонт — деталь, которую формальные источники не упоминают вовсе. Разница показывает, что ИИ полезен ровно настолько, насколько полезны данные, на которых он обучен.
Ключевой сдвиг. Дарр опирается на исследование Эмили Торсон о том, что журналистика в целом перегружена новостями о том, что может произойти с политикой, и почти не пишет о том, как политика работает прямо сейчас — а именно это нужно жителям для навигации в бюрократии. Заметки волонтёров с заседаний по определению содержат именно этот «текущий» слой информации.
Примеры из практики. В Сан-Диего документатор на слушании библиотечной комиссии зафиксировал грозящие 10%-ные сокращения бюджета — информация, которая могла повлиять на голосование по налоговой мере (провалившейся с разницей менее процента). В Детройте волонтёры на основе протокола суда обзвонили тысячи домовладельцев, потерявших дома на налоговых аукционах, и помогли им вернуть положенные по закону деньги.
Вывод автора: обсуждение ИИ в местных новостях нужно сместить с «как сократить издержки редакции» на «как усилить голос жителей» — тогда ИИ работает на гражданскую подотчётность, а не против неё.
Читать материал полностью: https://knightcolumbia.org/content/participatory-journalism-and-its-potential-in-ai-assisted-local-news

Когда искусственный интеллект впервые пришёл в редакции: три версии одной истории
У самой заметной технологической революции в журналистике XXI века нет единой точки отсчёта. И это не случайность — автоматизация редакционных процессов происходила поэтапно, в разных компаниях, для разных задач, и каждый из трёх ключевых эпизодов 2010–2014 годов имеет право называться «первым».
2010: индустриальный масштаб без журналистов
12 ноября 2010 года американская компания StatSheet, основанная Робби Алленом, запустила сеть из 345 сайтов, покрывающих баскетбол всех команд первого дивизиона NCAA. Все материалы — предматчевые обзоры, отчёты об играх, статистические разборы — генерировались алгоритмом на основе базы из 500 миллионов показателей, без участия редакторов или репортёров на любом этапе. Это был первый медиапроект в истории, полностью построенный на автоматической генерации текста в промышленном масштабе.
2010: интеграция в существующую редакцию
В том же году студенческий проект Stats Monkey Северо-Западного университета оформился в компанию Narrative Science. Её алгоритм начал писать заметки о студенческих бейсбольных и софтбольных матчах для телеканала Big Ten Network. Принципиальное отличие от StatSheet: здесь технология была встроена в производственный цикл действующего медиа, а не образовала отдельную инфраструктуру с нуля — модель, которая впоследствии легла в основу коммерческих сервисов автоматической генерации новостей (в том числе для деловой и спортивной журналистики).
2014: случай, ставший символом
17 марта 2014 года, в 6:25 утра, в районе Лос-Анджелеса произошло землетрясение магнитудой 4,4. Журналист и программист Los Angeles Times Кен Швенке, разбуженный толчками, обнаружил на своём компьютере уже готовую заметку — оставалось лишь просмотреть текст и нажать «опубликовать». Автором в системе значился он, но текст сформировал алгоритм Quakebot, написанный Швенке ещё в 2011 году под впечатлением от землетрясения в Японии. Бот получал данные из уведомлений Геологической службы США и подставлял их в заранее подготовленный шаблон. Материал вышел раньше, чем у любого другого издания, — и именно этот эпизод впоследствии стал хрестоматийным примером в учебниках по журналистике и медиаменеджменту.
Почему это важно сегодня
Показательно, что во всех трёх случаях речь шла не о творческом письме, а о рутинных, формализуемых типах контента — спортивной статистике и сейсмических сводках, где данные заранее структурированы, а сама форма текста предсказуема. Это принципиально отличает первое поколение автоматизации от нынешних генеративных моделей, которые работают с неструктурированным контентом и претендуют на куда более широкий круг редакционных задач — от расшифровки интервью до черновиков лонгридов.
Читать в MAX