Большие языковые модели – это не универсальное решение для архивов и управления документацией

Аннотация

Распространение крупных языковых моделей (LLM) в государственном секторе обещает значительное повышение эффективности и улучшение качества предоставления услуг. Однако использование LLM, особенно в условиях ограниченных ресурсов, зачастую носит несистемный и неформальный характер. Неформальное применение готовых (off-the-shelf) крупных языковых моделей архивными специалистами с использованием личных аккаунтов, без институционального контроля, дообучения и структурированной настройки запросов (prompt engineering), создает риски для профессиональной деятельности. Хотя данные инструменты представляют собой практическое средство преодоления накопившихся объемов неразобранных архивных материалов, начинающие пользователи могут не осознавать рисков, связанных с использованием моделей, лишенных контекстуальной привязки. В данном исследовании применен экспериментальный кейс-метод, ориентированный на начинающего пользователя, для оценки трех коммерчески доступных LLM – DeepSeek, ChatGPT и Gemini – на основе пяти архивных документов из Национального архива Ботсваны. С использованием минималистичного запроса без отраслевых инструкций полученные результаты оценивались по одиннадцати описательным категориям, выведенным из принципов архивного описания. Результаты выявили системные риски: генерацию недостоверной (несуществующей) информации, подрывающей целостность происхождения (provenance); недоказанные временные утверждения, искажающие хронологические связи; несоответствие стандартам описания, препятствующее интероперабельности; вариативность визуальных возможностей, приводящую к специфическим искажениям на уровне коллекций; а также непоследовательную обработку чувствительной исторической лексики. Ни одна из моделей не продемонстрировала универсального преимущества, что указывает на необходимость учета мультимодальных и мультиагентных возможностей при отраслевой настройке. Научная новизна исследования заключается в трансформации эмпирических результатов в практико-ориентированные профессиональные рекомендации, включая трехуровневую модель внедрения LLM (поддерживаемое освоение, условная автоматизация, интегрированная поддержка), матрицу внедрения для условий ограниченных ресурсов и блок-схему принятия решений. В заключение подчеркивается, что безопасная интеграция LLM требует строгого соблюдения процедур, использования общих ресурсов и обязательной проверки человеком каждого результата перед его включением в архивный учет, что обеспечивает реалистичный баланс между некритичной автоматизацией и отказом от технологий.