ИИ превращает разрозненные источники в единую структуру знаний: опыт обработки 206 видео

Эдуард Ланчев, автор блога «Ланчев PRO ИИ», провёл эксперимент, который выходит за рамки обычных демонстраций возможностей языковых моделей. Он взял корпус из 206 длинных видео общей продолжительностью 160 часов 56 минут и объёмом 2,15 млн слов транскриптов и поставил задачу собрать из них не пересказ, а собственную книгу — с другой структурой, акцентами и проверкой фактов. Результат он описал в статье, где главный вывод не в технических деталях, а в смене парадигмы: единицей работы с информацией становится не источник, а вопрос.

Традиционно знания приходят к нам в виде готовых информационных продуктов: книг, подкастов, курсов. Автор решает, что теме нужно 400 страниц, — и мы получаем 400 страниц. Трёхчасовой подкаст — и мы слушаем три часа. Курс из сорока уроков — и материал организован в сорок уроков. Возможность создать материал под конкретный вопрос существовала и раньше, но требовала недель ручного труда или целой команды аналитиков. ИИ меняет экономику этой работы: один человек, усиленный ИИ-агентами, может организовать то, что раньше было доступно только при больших ресурсах.

Суть подхода — разорвать жёсткую связь между источником, знаниями и формой потребления. Вместо поиска готовой книги можно начать с собственного вопроса, собрать под него десятки или сотни источников, привести их к общей форме, сопоставить, очистить от повторов, обнаружить противоречия и построить собственную структуру знаний. И только потом решить, в каком виде нужен результат: подробная книга, обзор на двадцать минут, аудиоверсия для поездки, сравнительная таблица или карточки для повторения. Последовательность меняется: сначала вопрос, потом источники, затем структура знания, и в конце — форма потребления.

В ходе эксперимента Ланчев столкнулся с несколькими проблемами, которые не видны в обычных разговорах о том, что «LLM умеют читать большие тексты». Часть из 206 публикаций оказалась производными одного и того же материала — пришлось решать задачи приоритизации и дедупликации. Читать оставшиеся источники подряд стало бессмысленно: полезнее было искать конкретные пробелы в уже построенной модели знаний. Кроме того, хорошо структурированный результат оказался не равен достоверному: из первых десяти проверенных важных числовых утверждений половина потребовала исправлений. На стадии написания текста ИИ-агент начал терять ранее принятые требования и ссылки на источники, что потребовало дополнительных инженерных решений.

Эти результаты важны для всех, кто работает с большими объёмами информации: исследователей, аналитиков, редакторов. ИИ не просто ускоряет чтение — он позволяет переосмыслить сам процесс создания знаний. Однако эксперимент показывает и ограничения: без проверки фактов и контроля происхождения выводов результат может быть красивым, но недостоверным. Технический pipeline, который описывает Ланчев, — это не просто инструмент, а иллюстрация того, как меняется подход к информации в целом.