Skip to content
Статья American Journalism Project нояб. 2026 г.

American Journalism Project: что сработало в 28 AI-экспериментах местных редакций

6 ноября 2026 года Product & AI Studio American Journalism Project опубликовала этот отчёт, основанный на опросе 28 местных редакций, проводивших AI-эксперименты, и наблюдениях с Summit Альянса новостных продуктов 2026 года в Чикаго. Авторы Мэгги Когар и Кэролайн Портер выявили, что отличало проекты, принёсшие реальную пользу, от остальных.

Наиболее результативные проекты объединяли три признака. Первый — высвобождение человеческих ресурсов: AI брал на себя рутинные задачи — первичные черновики, транскрипцию, перевод, обработку данных, — чтобы небольшие редакционные команды могли больше времени уделять журналистской работе и отношениям с аудиторией. Второй — встраивание в существующие рабочие процессы, а не перестройка работы под новый инструмент. Третий — включение контекста организации: стайлгайдов, исследований аудитории, прошлых кампаний и аналогичных знаний, переданных модели, чтобы результаты отражали реальный голос и приоритеты редакции.

Конкретные примеры показательны. Signal Ohio использовала AI-ассистент для кампаний и зафиксировала 23% роста выручки год к году по трём поддерживаемым изданиям, хотя отчёт признаёт влияние других факторов. Enlace Latino NC создала рабочий процесс AI-перевода, сэкономивший около 150 часов и $6 500 за первые пять выпусков рассылки, что позволило запустить новую англоязычную рассылку, привлёкшую новых доноров. CalMatters создала инструмент «Giving Editor», дающий обратную связь по фандрайзинговым материалам с сохранением авторского голоса. The Salt Lake Tribune разработала архивный ассистент, охватывающий 150 лет контента.

Данные опроса показывают распределение задач: 17 из 28 редакций использовали AI для кампаний и фандрайзинга, 14 — для анализа аудитории и данных, 13 — для транскрипции и суммаризации. Самооцениваемая экономия времени на фандрайзинговых черновиках составила от 30 до 50%.

Отчёт честно говорит об ограничениях. The Beacon обнаружила, что масштабная AI-цель превышает возможности технологии, и перешла к более мелким задачам поддержки. CT Mirror выявила, что AI-инструменты не знают ни её редакционного голоса, ни аудитории, ни масштаба влияния — проблему, которую решила, явно предоставив этот контекст. Эта зависимость от контекста — необходимость передавать AI организационные знания для получения релевантных результатов — стала наиболее устойчивой проектной задачей в 28 проектах.

Для руководителей редакций практический совет — начинать с конкретного узкого места, а не с общей перестройки рабочих процессов, и рассматривать создание организационного контекста для AI-инструментов как ключевую часть внедрения, а не второстепенную.