26 июня 2026 года на arXiv вышла работа Shaoming Cheng и Laurie Schintler с результатом, который многие интуитивно подозревали, но не могли доказать количественно. Авторы взяли один и тот же предмет — публичное управление и ИИ-в-госуправлении — и классифицировали корпус статей пятью методами: от авторских ключевых слов и цитатных связей до трёх вариантов AI-assisted подходов через Web of Science и OpenAlex. Результат: нулевой оверлап между выборками. Ни одна публикация, ни один журнал не совпали между подходами. Это не разные фильтры одной картины — это принципиально разные карты.
Контекст
Академические базы данных — невидимая инфраструктура, через которую воспроизводится знание. Именно они определяют, что исследователь находит при обзоре литературы, какие работы цитируются чаще, какие направления получают гранты. Web of Science и OpenAlex — два крупнейших агрегатора, и оба всё активнее внедряют алгоритмические методы рядом с традиционными авторскими метаданными.
Публичное управление — типичная «гибридная» дисциплина: политология, экономика, право, информатика пересекаются без чётких границ. Именно такие поля максимально уязвимы к произвольной классификации. Когда AI-инструменты — семантические эмбеддинги, LLM-расширение запросов, кластеризация по теме — начинают определять границы дисциплины, механизм становится принципиально другим: алгоритм не столько описывает существующие границы, сколько создаёт их.
Пять подходов в исследовании охватывают весь спектр: от чисто человеческой разметки (авторские теги) до полностью автоматизированного AI-pipeline. Ни в одном случае выборки не совпали ни по единой публикации, ни по единому журналу. Авторы называют это не «разными подмножествами одной дисциплины», а фактически разными областями знания.
Аналитика
Ключевой вывод сформулирован аккуратно, но весомо: AI-классификации «не нейтральны, а интерпретативны, вероятно, самоподкрепляются и потенциально ограничивают эволюцию дисциплинарных границ». Механизм петли обратной связи прост: ИИ обучается на корпусе, который частично сформирован предыдущей итерацией того же ИИ. Определённые авторы, подходы и журналы становятся более видимыми, получают больше цитирований, попадают в обучающую выборку — и на следующем витке закрепляются в «каноне» ещё прочнее.
Это не абстрактная академическая проблема. Любая организация, которая использует AI для классификации внутренних знаний — тикетов, документации, клиентских запросов, КП — сталкивается с тем же эффектом. RAG-система, обученная на внутренней базе, начинает определять, что считается «релевантным» ответом. Нестандартные решения, экспертиза вне основного корпуса, нишевые знания постепенно уходят в тень — не потому что ИИ плохой, а потому что он хорошо оптимизирован под то, что уже есть.
Авторы не призывают отказаться от AI-классификации. Тезис другой: человеческое суждение не заменяется, а дополняет. Это важное разграничение для всех, кто строит AI-first процессы: делегировать поиск и ранжирование — разумно; делегировать определение того, что вообще считать знанием, — требует явного человеческого аудита на каждом уровне.
Кейсы применения в бизнесе
B2B SaaS стартап. Если продукт включает AI-поиск или рекомендации по базе знаний (документация, шаблоны, кейсы) — каждый апдейт модели незаметно перекраивает, что клиент находит. Полезный шаг: раз в квартал проводить аудит «слепых пятен» — какие теги, категории, старые материалы перестали попадать в топ выдачи. Сравнить результаты AI с ручной экспертной оценкой тех же запросов. Расхождение покажет, чем управляет классификатор, а не пользователь.
Корпорация с legacy-системами. Внутренние базы знаний часто классифицированы по старой таксономии, поверх которой накатывается AI-индекс. AI-классификатор в таком сценарии систематически занижает вес материалов, написанных до появления современных паттернов документации. Решение: не заменять старые теги AI-метками, а хранить оба слоя параллельно с периодическими экспертными выборками для сравнения.
SMB и локальный бизнес в КР/СНГ. Компании, использующие глобальные AI-инструменты для поиска поставщиков, аналитики рынка или мониторинга конкурентов, получают картину, смещённую в сторону англоязычного контента. Местные игроки, публикующие на русском или кыргызском, системно недопредставлены в AI-выдаче — не потому что их нет, а потому что классификатор обучен на другом корпусе. Вывод: AI-агрегаторы не заменяют прямую разведку локального рынка.
Кейсы в личной жизни
Разработчик. AI-code search и инструменты с встроенным RAG классифицируют паттерны по популярности в обучающем корпусе. Нишевые библиотеки, новые подходы, менее распространённые языки — там есть, но их веса ниже. Полезная практика: параллельно с AI-поиском держать закладки на ресурсы, которые алгоритм регулярно не предлагает, и раз в месяц проверять, что там появилось нового.
Контент-мейкер. Рекомендательные системы крупных видеоплатформ используют AI-классификацию по теме, тону, аудитории. Мультидисциплинарный или экспериментальный контент получает меньше органического распределения — классификатор не знает, в какую «полку» его поставить. Понимание этого помогает принять осознанное решение: адаптировать формат под классификатор или явно строить прямой канал к аудитории через Telegram или email.
Студент или исследователь. AI-инструменты для обзора литературы смещены в сторону высокоцитируемых, свежих, англоязычных работ. Исследование Cheng и Schintler показывает: два разных инструмента дадут принципиально разные корпусы по одной теме. Стратегия: минимум два независимых инструмента с разными механизмами классификации плюс ручная проверка через авторские ключевые слова — это даёт существенно более полную картину.
Как применить сегодня
- Задай один и тот же запрос в своём AI-инструменте тремя разными формулировками: если топ выдачи сильно расходится, классификатор управляет результатом больше, чем кажется.
- При построении RAG добавь «экспертный слой»: список источников и категорий, которые человек считает важными, независимо от частоты упоминания в корпусе.
- Для литературного обзора или конкурентного анализа используй минимум два независимых инструмента с разными механизмами индексации и сравни, где выборки расходятся.
- Во внутренних базах знаний раз в полгода делай ручной аудит: что эксперты считают важным, но AI-поиск отодвигает на второй план.
- При оценке AI-аналитики от внешних агрегаторов уточняй методологию классификации — она влияет на выводы не меньше, чем сами данные.