Генеративный ИИ и этика СМИ

Generative AI ethics in media

Также: Generative AI ethics in media

Этика использования генеративного ИИ в СМИ — это правила, по которым редакция применяет системы, создающие текст, изображения, звук или видео. Эти правила распределяют ответственность, задают проверку фактов и источников, ограничивают передачу чувствительных данных и помогают решить, когда участие ИИ нужно раскрыть читателю.

Такое определение соединяет редакционную и техническую стороны задачи. Associated Press (AP) оставляет ответственность за точность и справедливость журналисту и требует считать результат генератора непроверенным материалом. Национальный институт стандартов и технологий США (NIST) относит к рискам генеративного ИИ конфабуляции — уверенно сформулированные, но ошибочные сведения, — утечки чувствительных данных и нарушение информационной целостности. [1, 2]

Кратко

  • Правдоподобная фраза модели становится редакционным фактом только после проверки по независимому основанию.
  • Ответственность несёт человек или редакция, которые решили использовать результат, а не программа.
  • Входные данные тоже требуют контроля: конфиденциальный документ нельзя без оценки передавать внешнему сервису.
  • Пометка об ИИ объясняет происхождение материала, но не исправляет ошибку и не заменяет разрешение на использование чужого произведения.

Происхождение и история термина

Этика генеративного ИИ в СМИ складывалась не как теория одного автора, а как набор редакционных правил, рамок управления рисками и исследований аудитории. 15 августа 2023 года AP опубликовало собственные правила: сотрудники могли осторожно экспериментировать с ChatGPT, но не должны были использовать его для создания публикуемого контента; любой результат генератора следовало рассматривать как непроверенный материал. AP также предостерегало от передачи конфиденциальных или чувствительных сведений. Это политика одного агентства на указанную дату, а не общий запрет для всех СМИ. [1]

В июле 2024 года NIST выпустил межотраслевой профиль рисков генеративного ИИ. Документ предназначен для добровольного применения и предлагает организациям выявлять и контролировать риски на разных этапах работы с системой. В 2025 году Reuters Institute добавил к профессиональной дискуссии данные об отношении аудитории: исследование охватывало шесть стран, но не Россию, поэтому его результаты нельзя переносить на российскую аудиторию без отдельного исследования. [2, 4]

Суть и механизм

Генератор строит ответ по закономерностям в данных и может одинаково гладко оформить как верное, так и вымышленное утверждение. Поэтому литературная правка и фактическая проверка решают разные задачи. Первая улучшает форму текста; вторая устанавливает, есть ли основание у имени, даты, числа, цитаты или причинного вывода. NIST отдельно рекомендует проверять источники и цитаты в результатах генеративных систем. [2]

Для редакции полезен рабочий цикл из четырёх шагов. Это схема данной статьи, а не обязательный международный стандарт.

  1. Допустить задачу. Редактор заранее определяет цель, допустимые входные данные и запрещённые сведения. Если в материале есть персональные, конфиденциальные или иные чувствительные данные, сначала оценивают, можно ли передавать их выбранному сервису. Риски утечки и несанкционированного раскрытия входят в профиль NIST; AP прямо просит сотрудников не загружать чувствительную информацию в инструменты ИИ. [1, 2]
  2. Зафиксировать происхождение. В рабочей истории указывают, что именно создала или изменила система: план, заголовок, фрагмент текста, изображение, голос либо перевод. Такая запись помогает отличить человеческий исходник от машинного добавления.
  3. Проверить результат. Имена, даты, числа, цитаты, ссылки и причинные связи сопоставляют с доступными первичными документами. Повторный вопрос той же модели не создаёт независимого подтверждения.
  4. Принять редакционное решение. Назначенный человек решает, можно ли использовать результат, что нужно убрать и как объяснить участие ИИ читателю. Раскрытие особенно важно, если без него синтетическое изображение, голос или сцена могут быть приняты за документальную запись.

Виды и классификации

Для планирования проверки можно использовать авторскую матрицу задач.

Задача Главный риск Что проверяет человек
Обработка собственного текста: сокращение, структура, варианты заголовка Потеря смысла или появление нового вывода Смысл до и после правки, допустимость входных данных
Фактический черновик или справка Вымышленные факты, ссылки и цитаты Каждое существенное утверждение по независимому источнику
Синтетическое изображение, голос или видео Вымысел может выглядеть как свидетельство события Происхождение, права, риск обмана и способ раскрытия

Матрица не присваивает инструменту постоянный уровень риска. Один и тот же сервис может помочь переставить абзацы или создать реалистичную сцену; последствия ошибки во втором случае выше, поэтому и контроль строже.

Как применяется на практике

Учебный пример. Городская редакция готовит справку о закрытии моста. Модель предлагает три даты, фамилию чиновника и цитату. Автор выписывает эти элементы отдельно: дату сверяет с распоряжением, фамилию — с официальной страницей ведомства, цитату — с полной записью выступления. Если подтверждения нет, элемент удаляют или прямо сообщают читателю, что он не установлен. Модель не становится свидетелем события только потому, что её ответ звучит уверенно.

После проверки редактор сравнивает итоговый текст с заданием. Если система добавила причинную связь, которой нет в документах, её нельзя оставлять как удобное объяснение. Во внутренней истории отмечают существенное участие ИИ; публичное раскрытие формулируют так, чтобы читатель понял происхождение спорного элемента, а не просто увидел название сервиса.

Как измерить или проверить

Охват фактической проверки можно посчитать для одного черновика. Пусть T — число выделенных проверяемых утверждений, а V — число утверждений, для которых найдено и прочитано достаточное основание. Тогда C = V / T × 100%, если T > 0.

В учебном примере T = 20, V = 18, поэтому C = 18 / 20 × 100% = 90%. Это показатель охвата процедуры, а не «процент правды» и не разрешение публиковать текст. Два оставшихся утверждения могут быть второстепенными, а могут менять главный вывод; в отчёте нужно назвать каждое и записать решение по нему. При T = 0 показатель не вычисляют.

Опрос Reuters Institute 2025 года показывает ещё одну границу измерения. YouGov собирал ответы онлайн с 5 июня по 15 июля 2025 года примерно у двух тысяч респондентов в каждой из шести стран: Аргентине, Дании, Франции, Японии, Великобритании и США. Это данные о сообщаемых мнениях и поведении участников, а не наблюдение за работой российских редакций; неприменимость прямого переноса следует из географии и метода исследования. [4]

Ошибки, ограничения и спорные вопросы

Частая ошибка — считать несколько похожих ответов модели независимыми источниками. Вторая ошибка — проверять лишь существование страницы, не читая место, которое должно подтверждать тезис. Третья — заменять проверку общей пометкой «создано с помощью ИИ». Четвёртая — передавать сервису чувствительный исходник до оценки условий обработки данных.

Прозрачность тоже требует меры. Формальная пометка без объяснения не сообщает, создала ли система иллюстрацию, переписала заголовок или сформулировала фактический абзац. С другой стороны, перечень каждой орфографической подсказки может скрыть важное за мелочами. Редакционная политика должна заранее определить, какое участие считается существенным и кто принимает решение о раскрытии.

Правовой аспект

Этика, авторство результата и права на использованные материалы — разные вопросы. Отчёт Бюро авторского права США за январь 2025 года посвящён охраноспособности результата: чисто машинный материал без достаточного человеческого контроля не получает охрану, тогда как человеческое выражение, творческий отбор, расположение или переработка могут охраняться. Это вывод об американском праве, который применяется к конкретным работам индивидуально; отчёт не является нормой российского права и не разрешает использование любых исходных материалов. [3]

В России пункт 1 и подпункт 1 пункта 2 статьи 1270 части четвёртой ГК РФ закрепляют исключительное право правообладателя и относят к воспроизведению в том числе запись произведения в память компьютера. На 24 октября 2026 года используется редакция части четвёртой ГК РФ от 23.07.2025 с изменениями, вступившими в силу 04.01.2026. Статья 1270 не содержит отдельного общего исключения для применения генератора, поэтому допустимость конкретного копирования, переработки или публикации оценивают по материалу и способу использования. [5]

Этическая допустимость не доказывает наличие прав, а наличие прав само по себе не гарантирует, что аудитория не будет введена в заблуждение.

Частые вопросы

Кто отвечает за ошибку генератора?

Ответственность за редакционное решение несёт назначенный человек и организация, которые допустили материал к использованию. В политике AP точность и справедливость остаются обязанностью журналистов. [1]

Может ли ИИ быть первоисточником факта события?

Ответ модели не заменяет документ, запись или свидетельство. Он может подсказать направление поиска, но утверждение нужно подтвердить независимо.

Достаточно ли написать «создано с помощью ИИ»?

Нет. Такая пометка сообщает о происхождении, но не исправляет ложную цитату, не подтверждает число и не даёт разрешения правообладателя.

Почему авторство результата и права на исходники — разные вопросы?

Охраноспособность результата отвечает на вопрос, есть ли в нём достаточный человеческий творческий вклад. Права на исходники отвечают на другой вопрос: разрешено ли использовать чужие произведения при создании и публикации материала. [3, 5]

Связанные термины

Источники

  1. Meir, N. (2023, August 15). Standards around generative AI. The Associated Press. URL: https://www.ap.org/the-definitive-source/behind-the-news/standards-around-generative-ai/ (дата обращения: 24.10.2026). ↑ а б в г
  2. National Institute of Standards and Technology. (2024). Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (NIST AI 600-1; DOI: 10.6028/NIST.AI.600-1). URL: https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf (дата обращения: 24.10.2026). ↑ а б в г
  3. U.S. Copyright Office. (2025, January). Copyright and Artificial Intelligence, Part 2: Copyrightability. URL: https://www.copyright.gov/ai/Copyright-and-Artificial-Intelligence-Part-2-Copyrightability-Report.pdf (дата обращения: 24.10.2026). ↑ а б
  4. Simon, F. M., Nielsen, R. K., & Fletcher, R. (2025, October 7). Generative AI and news report 2025: How people think about AI’s role in journalism and society (DOI: 10.60625/risj-5bjv-yt69). Reuters Institute for the Study of Journalism. URL: https://reutersinstitute.politics.ox.ac.uk/generative-ai-and-news-report-2025-how-people-think-about-ais-role-journalism-and-society (дата обращения: 24.10.2026). ↑ а б
  5. Гражданский кодекс Российской Федерации (часть четвёртая) от 18.12.2006 № 230-ФЗ, ст. 1270 (ред. от 23.07.2025; с изм. и доп., вступ. в силу с 04.01.2026) [Электронный ресурс]. URL: https://www.consultant.ru/document/cons_doc_LAW_64629/dffcf0b87b80ff38f430dc822a0074e76ccd41a0/ (дата обращения: 24.10.2026). ↑ а б

Служебный блок

Версия
2.0
Факты проверены
Подготовка
Редакция Медиатрона
Публикация
утверждена владельцем издания 4 ноября 2026 г.

Редакция Медиатрона. Факты сверены с первоисточниками на дату проверки, публикация утверждена владельцем издания.

Нашли ошибку? info@mediatrone.ru