ИИ-агенты в библиотеках: каталогизация и подбор книг

Библиотеки годами жили на стандартах вроде MARC21 и RDA, где каждое поле карточки заполняется вручную по строгим правилам. Теперь появился класс инструментов, который обещает сократить эту рутину: языковые модели и надстроенные над ними агенты, которые извлекают метаданные из скана титульного листа, предлагают предметные рубрики и подбирают книги читателю по свободному запросу. Это не отдельный «библиотечный ИИ», а сборка из готовых моделей (GPT-4o, Claude, локальные Llama) и обвязки под конкретные форматы данных. Разбираем, что из этого работает сегодня, а что пока остаётся демо на конференции.

Что именно автоматизируют

Каталогизация распадается на несколько задач, и модели справляются с ними по-разному. Извлечь автора, заглавие и год из отсканированной обложки — задача, близкая к OCR плюс структурирование, и здесь ошибок мало. А вот присвоить книге индекс по ББК или УДК и назначить предметные рубрики — это уже интерпретация, где модель уверенно выдаёт правдоподобный, но неверный код.

Три сценария, которые библиотеки пробуют чаще всего:

• Черновая карточка из скана. Модель распознаёт титул и оборот титульного листа, заполняет базовые поля MARC. Каталогизатор проверяет и правит — это быстрее, чем набирать с нуля.
• Предметная рубрикация. Агент предлагает 3–5 рубрик из контролируемого словаря библиотеки. Ключевое слово — «предлагает»: без привязки к реальному справочнику модель выдумывает несуществующие индексы.
• Рекомендации читателю. Вместо поиска по точному названию читатель пишет «что почитать после Стругацких, но помягче», и система возвращает подборку из фонда.

Почему нельзя просто спросить у модели индекс УДК

Языковая модель обучена на текстах и «помнит» структуру классификаторов приблизительно. Она сгенерирует индекс, который выглядит корректно, но может указывать не на тот раздел. Рабочий подход — не спрашивать модель напрямую, а дать ей доступ к справочнику через RAG*: модель ищет подходящие рубрики в реальной базе классификатора и выбирает из найденного, а не сочиняет.

Модель хорошо предлагает варианты и плохо гарантирует правильность. В каталогизации, где карточка живёт десятилетиями, второе важнее первого — поэтому человек из цепочки не исчезает.

Как это сравнить с тем, что было

До агентов у библиотек уже были инструменты автоматизации: заимствование готовых записей из сводных каталогов (копикаталогизация) и правиловые скрипты. Агенты не отменяют их, а закрывают случаи, где готовой записи нет.

По рекомендациям картина другая. Классические системы советов в библиотечных каталогах строились на статистике выдач: «кто брал эту книгу, брал и вот эту». Такой метод молчит, если у книги мало выдач, и не понимает запрос словами. Модель понимает запрос, но склонна рекомендовать книги, которых в фонде нет, — поэтому её тоже привязывают к реальному каталогу, а не к общим знаниям о литературе.

Кому это пригодится, а кому нет

Пригодится:

• Крупным библиотекам с потоком новых поступлений, где каталогизаторы не успевают, а часть изданий не описана ни в одном сводном каталоге.
• Краеведческим и специализированным фондам: местные брошюры, самиздат, ведомственные издания, для которых готовых записей не существует в принципе.
• Читательским сервисам, где нужен подбор по настроению и теме, а не по точному названию — особенно в детских и публичных библиотеках.

Не пригодится или преждевременно:

• Небольшой библиотеке с редкими поступлениями: настройка и проверка съедят больше времени, чем сэкономят.
• Там, где нет цифровых сканов и нормализованного справочника рубрик — агенту не на что опереться, и он начнёт фантазировать.
• Для финального присвоения индексов без проверки человеком: цена ошибки в карточке, по которой книгу потом никто не найдёт, слишком высока.

Сколько это стоит попробовать

Точных тарифов «библиотечного ИИ под ключ» на рынке пока нет — большинство проектов собираются на месте из облачных API или локальных моделей. Ориентиры по себестоимости:

1. Облачный API. Обработка одной карточки — это отправка нескольких тысяч токенов текста. При тарифах вроде GPT-4o mini или Claude Haiku стоимость одной обработки исчисляется долями цента; актуальные цены за миллион токенов уточняйте на страницах OpenAI и Anthropic, они меняются каждые несколько месяцев.
2. Локальная модель. Llama или Qwen на своём сервере убирают плату за токены и решают вопрос с персональными данными читателей, но требуют GPU и инженера, который всё это поддерживает.
3. Скрытая стоимость — проверка. Основной расход не в вычислениях, а в часах каталогизатора, который вычитывает предложения агента. Экономия появляется, только если модель ошибается достаточно редко, чтобы правка была быстрее набора с нуля.

Разумный способ начать — пилот на одном участке фонда: взять сотню новых поступлений, прогнать через агента, сравнить время и число ошибок с обычным процессом. Без такого замера любые обещания вендоров о «сокращении рутины на 70%» проверить нечем.

* RAG (retrieval-augmented generation) — подход, при котором модель перед ответом сначала ищет нужные данные во внешней базе (здесь — в справочнике классификатора и каталоге фонда) и отвечает на их основе, а не только по «памяти» из обучения. Это резко снижает выдумывание несуществующих рубрик и книг.