AI в журналистике: помощник или генератор мусора?
DOI:
https://doi.org/10.47475/1999-5407-2026-76-3-21-29Ключевые слова:
генерация контента, журналистика, искусственный интеллект, нейросети, нейросетевой анализ, AI-инструментыАннотация
В статье рассматривается использование искусственного интеллекта для решения профессиональных журналистских задач. Автор обращается к шести группам типовых производственных процессов, в которых журналисты могут использовать современные AI-решения: генерации текста, генерации иллюстраций, написанию кода для извлечения данных, извлечению информации из готовых баз данных, простому фактчекингу и экспертной оценке по сложным запросам. Для каждой группы применяется свой параметр статистической оценки, позволяющий сделать вывод об эффективности той или иной нейросети. В работе рассматриваются результаты по пяти нейросетям: Алиса AI, Chat GPT 5.4., Claude Sonnet 4.6, Deep Seek и Gemini 3.1. В случае с генерацией иллюстраций используются: DAL-E3, Kandinsky, Midjourney, Nano Banana, Stabblediffusion и Z-Image. Обращаясь к инструментарию нейросетевого и статистического анализа, автор рассчитывает эффективность нейросетей в каждой из оцениваемых групп задач, а также средний показатель по всем нейросетям в целом. Отдельно в работе представлены социологические данные, собранные с помощью анкетирования руководителей средств массовой информации, высказывающих свое мнение об использовании искусственного интеллекта в журналистской деятельности. В статье делается вывод об ограниченных возможностях использования нейросетей на их современном этапе развития в профессиональной журналистской деятельности. Отдельно указываются наиболее эффективные направления профессионального использования ИИ- решений журналистами (генерация кода и базовый фактчекинг).
Библиографические ссылки
Bodrunova S. S., Nigmatullina K. R. (2025). Iskusstvennyj intellekt v mediasfere: napravleniya issledovaniya, professional’nye protivorechiya i novye riski [Artificial Intelligence in the Media Sphere: Research Directions, Professional Controversies, and New Risks]. Moscow University Bulletin. Series 10. Journalism, 5, 3–22. DOI: https://10.55959/msu.vestnik.journ.5.2025.322. (In Russ.)
Al Masum Molla M., Ahsan M. (2025). Artificial intelligence and journalism: A systematic bibliometric and thematic analysis of global research // Computers in Human Behavior Reports, 20. DOI: https://doi.org/10.1016/j.chbr.2025.100830.
Alon L., Shoval D., Levkovich I. (2026). Bias and representation in AI generated text-to-image in education: A systematic review // Computers and Education: Artificial Intelligence, 10. DOI: https://doi.org/10.1016/j.caeai.2026.100587.
Helberger N. (2024). FutureNewsCorp, or how the AI Act changed the future of news // Computer Law & Security Review, 52. DOI: https://doi.org/10.1016/j.clsr.2023.105915.
Jia H., Appelman A., Wu M., Bien-Aimé S. (2024). News bylines and perceived AI authorship: Effects on source and message credibility // Computers in Human Behavior: Artificial Humans, 2 (2). DOI: https://doi.org/10.1016/j.chbah.2024.100093.
Kim D., Kim S. (2018). Newspaper journalists’ attitudes towards robot journalism // Telematics and Informatics, 35 (2), 340-357. DOI: https://doi.org/10.1016/j.tele.2017.12.009.
Kotenidis E., Kotsakis R., Veglis A. (2025). Perception of automated news content by readers and professional journalists // Online Information Review, 49 (5), 974-990. DOI: https://doi.org/10.1108/OIR-09-2024-0554.
Lermann Henestrosa A., Greving H., Kimmerle J. (2023). Automated journalism: The effects of AI authorship and evaluative information on the perception of a science journalism article // Computers in Human Behavior, 138. DOI: https://doi.org/10.1016/j. chb.2022.107445.
Luttrell R., Davis J., Welch C. (2025). Source attribution and detection strategies for AI-era journalism // Telecommunications Policy, 49 (10). DOI: https://doi.org/10.1016/j.telpol.2025.103053.
Moravec V., Gavurova B., Rigelsky M. (2026). New reality of public service media journalists: How generative AI redefines journalism and work practices // Telecommunications Policy, 50 (6). DOI: https://doi.org/10.1016/j.telpol.2026.103210.
Murthy D., Sharp K., Dasari T., Vinton K., Lago Arroyo F., Li C., Clayton P. (2025). AI and journalistic networks: A synergistic approach to disaster damage surveillance // International Journal of Disaster Risk Reduction, 116. DOI: https://doi.org/10.1016/j. ijdrr.2024.105092.
Opdahl A., Tessem B., Dang-Nguyen D., Motta E., Setty V., Throndsen E., Tverberg A., Trattner C. (2023). Trustworthy journalism through AI // Data & Knowledge Engineering, 146. DOI: https://doi.org/10.1016/j.datak.2023.102182.
Tessem B., Tverberg A., Borch N. (2024). The future technologies of journalism // Procedia Computer Science, 239, 96-104. DOI: https://doi.org/10.1016/j.procs.2024.06.151.
Wang R., Ophir Y. (2026). Can professional or AI fact-checking protect trust in journalism from political attacks? The complex roles of source, transparency, ideology, and the machine heuristic // Computers in Human Behavior, 176. DOI: https://doi.org/10.1016/j. chb.2025.108872.
Zhang K., Xie Y., Han W., Zhang D., Quan Y. (2025). Algorithm to emotion: a three-stage model of user acceptance for AI- generated news platforms // Telematics and Informatics, 101. DOI: https://doi.org/10.1016/j.tele.2025.102312.
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Лицензия
Copyright (c) 2026 Дмитрий Коноплев
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
