WAN-IFRA: USA Today об измерении AI до того, как ему можно доверять в редакции

О чём статья

Этот материал WAN-IFRA от июня 2026 года рассказывает об опыте USA Today по внедрению AI в конкретный, высокорисковый журналистский процесс: подготовку запросов на доступ к публичным документам. Материал охватывает, что именно было создано, что пошло не так и к каким выводам пришла команда о том, что значит ответственно использовать AI в редакционном контексте.

Контекст

Рабочий процесс, который команда решила автоматизировать, действительно сложен. Запросы на доступ к публичным документам должны ссылаться на правильный статут конкретного штата, чтобы быть приняты; законодательство варьируется во всех 50 штатах, и отказ нередко следует из ссылки на неверную норму. Журналист, готовящий такой запрос с нуля, может потратить на одно письмо час времени. USA Today создал агент для решения этой задачи.

Ключевой метод и вывод

В процессе разработки команда столкнулась с повторяющейся проблемой: агент допускал галлюцинации, воспроизводя чуть неверные ссылки на статуты, что приводило к неудаче запроса. Джессика Дэвис, руководившая этой работой, цитируется: «Немного неверно в контексте запроса на публичные документы — значит, запрос проваливается». Команда пришла к выводу, что уверенность в AI-модели не является достаточным основанием для запуска в продакшн. Им нужен был формальный фреймворк оценки: структурированные тесты, позволяющие установить на основе данных, где агент работает точно, а где нет.

После введения оценок темп работы изменился. Время внедрения новых функций сократилось с месяцев до недели, а возможность выпускать несколько функций за дни стала реальностью. Основной аргумент Дэвис, как его излагает статья, заключается в следующем: оценки — а не положительное впечатление журналиста после тестирования — являются фундаментом, который любая редакция должна построить, прежде чем доверять AI в масштабе.

Кейс полезен за пределами журналистики. Любая контентная команда, внедряющая AI для задач, где важны точность и соответствие требованиям, сталкивается с той же проблемой: общая производительность на стандартных задачах не предсказывает производительность на специфической, ограниченной задаче, которая действительно нужна команде. Подход USA Today — создать формальную оценку, измерить по ней, использовать результаты для определения границ роли AI — применим в других профессиональных контекстах создания текстов.

Статья также разграничивает то, что Дэвис называет assistive AI (генерация текста, поиск информации, задачи, где человек проверяет вывод) и agentic AI (агенты, самостоятельно выполняющие действия для достижения цели). Это разграничение важно для определения, где оценки наиболее критичны: агентные задачи, результаты которых напрямую попадают в ответственные процессы, требуют более строгих измерений, чем вспомогательные инструменты, где человек читает и одобряет каждый вывод перед его использованием.

Кому это полезно

Редакторам и журналистам по данным, внедряющим AI-процессы; контентным операционным командам, создающим AI-ассистированные процессы для задач, где точность обязательна; и всем в организациях, стремящихся выйти за рамки пилотов к надёжному, масштабируемому использованию AI.