Штучний інтелект (AI) нарешті дістався академічних глибин і відкриває еру, коли історія може бути переписана буквально «на льоту». Найпотужніші великі мовні моделі (LLM) демонструють здатність швидко прочитати тисячі сторінок архівних документів, наукових праць і газетних статей, а потім узагальнити ключові тези та знайти несподівані зв’язки. Цей прорив у машинному навчанні став каталізатором появи інструментів на зразок NotebookLM, які дозволяють дослідникам і письменникам ефективно працювати з обмеженим набором джерел, не втрачаючи при цьому глибини якісного опрацювання.
Першим каталізатором масового інтересу до A.I. у гуманітарних науках стала можливість автоматичного створення резюме. Замість того щоб витрачати тижні на самостійну обробку сотень оцифрованих томів, історики тепер упродовж хвилин отримують стислий виклад змісту, який вони можуть відразу порівняти з іншими матеріалами. Крім економії часу, це рішення ключової задачі означає лише початок революції: великі мовні моделі не просто читатимуть тексти, а будуть збирати концептуальні «mind maps», виявляти приховані теми й пропонувати цілі архітектури майбутніх праць.
Ультрагігантські моделі, такі як ChatGPT та DeepMind VEO 3, виходять за межі тексту. Вони генерують діалоги, допомагають створювати мультимедійні презентації й навіть оцінюють унікальність ідей на основі стилістичних шаблонів. Однак основна «зброя» A.I. у наукових колах — це здатність до багатофакторного пошуку: аналіз ключових слів, зокрема «штучний інтелект», «машинне навчання», «NotebookLM», «цифрова археографія», «гігантські мовні моделі», «дослідження», «генерація контенту», «підсумок» і «автоматизація», та встановлення між ними менш очевидних зв’язків.
Одним із найяскравіших прикладів є випадок, коли відомий історик Стівен Джонсон використав NotebookLM для роботи над книгою про Каліфорнійську золоту лихоманку. Завантаживши класичні праці H.W. Brands та Lafayette Bunnell, він швидко з’ясував, що в індіанських хроніках є біографії конкретних осіб, які у попередніх текстах були просто «масою плем’я». Серед них виділилася Марія Лебрадо — жінка-йомі, яка повернулася в долину Йосеміті у віці 90 років. Цей персонаж викликав ідею починати книгу з її емоційного повернення й лише потім переходити до загального контексту. За 30 хвилин A.I. виконав роботу, на яку вченому пішли б місяці.
Така швидкість і глибина аналізу дають історикам і журналістам можливість експериментувати з різними наративними структурами. Наприклад, підхід «powers of ten», який Джонсон назвав «long zoom», — це хронологічний «зум» від мільйонів років тому до дня, коли почалася конфліктна експедиція Маріпоса. A.I. не тільки згенерував структуру з восьми розділів (від геологічної історії до подій за день до війни), а й запропонував ключові сюжетні елементи для кожного масштабу.
Проте головна перевага великих мовних моделей у дослідженні історії — це не заміна академічного експерта, а потужний асистент, який допомагає фільтрувати релевантні факти з мільйонів документів. Професор Марк Гамфріс із Wilfrid Laurier University використовував ChatGPT для аналізу десятків тисяч рукописних звітів про торгівлю хутром у Канаді XVIII–XIX століть. A.I. швидко виявив ланцюги партнерств, які вручну відстежували б дні, а іноді й тижні, що значно прискорює роботу над дослідницькими проєктами.
Утім, найбільшим викликом залишається точність. Багато моделей досі генерують «галюцинації» — вигадані факти чи спотворення даних. Наприклад, у тестах OpenAI o3 «reasoning» модель помилялася на 33 % запитів, що вдвічі більше, ніж раніше. Саме тому обмежений підхід NotebookLM, коли A.I. звертається лише до попередньо відібраних джерел, має менший рівень вигадок і вищу довіру з боку дослідників.
Крім того, інтеграція A.I. у науковий робочий процес породжує етичні питання. Дехто, як професор Джефферсон Кові, побоюється, що це може піддати ризику академічну доброчесність, особливо якщо студенти почнуть передавати А.I. написання ессе. Інші, як Ада Феррер із Прінстона, визнають силу інструмента, але вагітливі у його використанні через занепокоєння щодо студентських плагіатів.
Водночас досвід письменників, на кшталт Стейсі Шифф, показує, що звертатися до A.I. за структурою тексту комусь здається «втратою насолоди», ніби хтось їсть ваше морозиво натомість вас. Але інші бачили в цьому «редактора-розумника», який допомагає зрозуміти, що найцікавіше у вашому проєкті.
Зростання цифрової доступності історичних джерел (Gutenberg, JSTOR, газетні архіви) вже призвело до «availability bias» — ілюзії повноти картини тільки через масивність інформації. Цифрові інструменти й A.I. посилюють цю проблему, адже зводять до мінімуму «роботу по контексту», яку раніше забезпечувала робота в архівах і польові дослідження. Посилення «цифрової археографії» робить важливими не лише оцифровані тексти, а й проєкти індексації малодоступних документів, мапування рукописних колекцій і збір усного фольклору.
Щоб запобігти надмірному спрощенню історії, вчені пропонують комбінувати традиційні методи з A.I. Пошук по ключових словах («NotebookLM», «електронні джерела», «штучний інтелект у науці», «цифрові історичні інструменти», «аналітика великих даних») може допомогти зорієнтуватися в темі, але глибоку інтерпретацію все ще повинен здійснювати експерт.
Уявіть, що майбутні е-книги з історії комплектуються «живим» інтерфейсом дослідника: замість бібліографії читач отримує інтегрований набір вихідних текстів із можливістю генерувати timelines, mind maps і узагальнення просто навпроти кожного розділу. Це відкриває нові бізнес-моделі для авторів, які надаватимуть не тільки текст, а й доступ до власної бази джерел через A.I.-додаток.
Таким чином, штучний інтелект не просто покращує швидкість читання та аналізу — він змінює саму культуру написання історії. З одного боку, це піднімає «планку» дослідницьких проєктів, відкриваючи можливість одночасно обробляти величезні масиви даних. З іншого — ставить під сумнів традиційний баланс між якістю й ефективністю: чи залишиться місце для «тісного знайомства з джерелом», коли A.I. може замінити людський досвід швидкою автоматизацією?
У перспективі історія як наука може перетворитися на симбіоз людини й машини: людина задає концептуальні рамки, формулює гіпотези й проводить критичну інтерпретацію, тоді як A.I. надає опрацювання, структуризацію та перевірку джерел. Завдяки машинному навчанню й великим мовним моделям історики отримують «працівника майбутнього», який не втомлюється й не забуває переглянути жодне джерело.
Питання лише в тому, як зберегти якість і достовірність науки в умовах, коли «швидко» може легко перемогти «глибоко». Та чи стануть штучні інтелект та машинне навчання помічниками, що піднімуть історію на новий рівень, або ж каталізаторами її спрощення — залежить від того, як вчені, видавці та технологічні компанії напрацюють нові етичні та методологічні стандарти цифрової ери.
У будь-якому разі ми стоїмо на порозі трансформації: коли A.I. прочитає для нас кілька століть людських спогадів і запропонує структуру майбутніх наративів, історія остаточно перестане бути привілеєм тих, хто має час і ресурси на довгі архівні пошуки. Натомість вона перетвориться на динамічний продукт симбіозу інтелектуального капіталу людини та неймовірної обчислювальної сили машинного навчання.
