{"id": "P26-SCI-ECON-W01", "record_kind": "work", "novelty": "new", "prior_id": null, "stream_primary": "SCIENCE", "tags": ["OPMODEL", "NBER", "firm_survey", "multi_country", "AI_adoption"], "title": "Firm Data on AI", "authors": ["Ivan Yotzov", "Jose Maria Barrero", "Nicholas Bloom", "Philip Bunn", "Steven J. Davis", "Kevin M. Foster", "Aaron Jalca", "Brent H. Meyer", "Paul Mizen", "Michael A. Navarrete", "Pawel Smietanka", "Gregory Thwaites", "Ben Zhe Wang"], "repository": "NBER", "arxiv_id": null, "first_version_date": "2026-02", "last_version_date": "2026-03", "peer_reviewed_version": null, "work_type": "empirical_lab_or_survey", "setting": "поле — опрос почти 6000 старших руководителей фирм в США, Великобритании, Германии и Австралии (4 опроса центробанков/университетов: SBU, DMP, BOP-F, BOSS); ретроспективные вопросы за 3 года и прогнозные — на 3 года вперёд. Отдельно — опрос сотрудников, но ТОЛЬКО в США: Survey of Working Arrangements and Attitudes (SWAA), декабрь 2025, ~3000 респондентов (не 4 страны, как у руководителей).", "process_link": "Внедрение ИИ на уровне фирмы в целом (кросс-функционально, не привязано к одному бизнес-процессу); межстрановое сравнение США/Великобритания/Германия/Австралия.", "key_finding_ru": "Опрос NBER WP 34836 (Bank of England/ФРБ Атланты/Bundesbank/Stanford и др., февраль 2026, ред. март 2026): 69% фирм активно используют ИИ (среднее по 4 странам, взвешенное по размеру выборки каждого опроса) — выше у молодых и более производительных фирм. Свыше двух третей руководителей регулярно используют ИИ лично, но в среднем лишь 1,5 часа в неделю. МЕТОДИЧЕСКАЯ ОГОВОРКА: средние проценты эффекта на занятость и производительность — НЕ прямые числовые оценки респондентов, а результат перевода категориальных ответов («большой положительный/отрицательный», «малый положительный/отрицательный», «нет эффекта») в условные числа: ±7,5% для крупного эффекта, ±2,5% для малого, 0% для отсутствия эффекта (авторская методика, сноски к рис. 8, 10, 11). РЕАЛИЗОВАННЫЙ эффект за прошлые 3 года по этой методике: на занятость — практически ноль (от -0,14% в Британии до +0,32% в Австралии); на производительность — небольшой положительный, в среднем около +0,29% (от +0,24% до +0,29% в США/Британии/Германии, +0,49% в Австралии). «9 из 10 руководителей без влияния» — это доля категориальных ответов «нет эффекта», а не отдельная независимая цифра. ПРОГНОЗ (не наблюдение) на следующие 3 года: рост производительности в среднем на 1,4%, выпуска — на 0,8%, сокращение занятости — на 0,7% (по всем фирмам; в США отдельно -1,2%, в Британии -1,4%). Опрос СОТРУДНИКОВ (только США, SWAA, ~3000 чел., декабрь 2025) даёт противоположную по знаку картину: сотрудники ожидают роста занятости на 0,5% за те же 3 года — против ожидания руководителей американских фирм о сокращении на 1,2% (и на 0,7% в среднем по всем 4 странам). Авторы называют это «expectations gap» между работодателями и работниками и подчёркивают заметный разрыв в восприятии (работники видят в ИИ создание рабочих мест, руководители — сокращение).", "metrics": {"share_firms_using_AI": "69% (среднее по 4 странам, взвешено по размеру выборки каждого опроса; США 78%, UK 71%, Германия 65%, Австралия 59%)", "executive_personal_AI_use": "1.5 часа/неделю (среднее)", "share_reporting_no_past_impact": "категориальный ответ «нет эффекта» — методика перевода в ±2,5%/±7,5%, не отдельная независимая доля", "realized_employment_impact_past_3y": "≈0% в среднем (UK -0.14%, US -0.09%, Германия +0.07%, Австралия +0.32%)", "realized_productivity_impact_past_3y": "≈+0.29% в среднем (US/UK/Германия 0.24-0.29%, Австралия +0.49%)", "expected_productivity_gain_3y": "+1.4% в среднем (прогноз руководителей; США +2.3%, UK +1.9%, Австралия +0.9%, Германия +0.9%)", "expected_output_gain_3y": "+0.8% (прогноз руководителей, все страны)", "expected_employment_change_3y": "-0.7% в среднем (прогноз руководителей; UK -1.4%, US -1.2%, Германия/Австралия меньше)", "employee_expected_employment_change_3y": "+0.5% (прогноз сотрудников США, SWAA, в противовес -1.2% у руководителей США)"}, "transfer_limits": "Все прогнозные цифры о будущем эффекте — самоотчётные ОЖИДАНИЯ руководителей, а не измеренный результат; подвержены систематическому оптимизму/пессимизму. Даже «реализованные» проценты эффекта — не прямые числовые ответы, а условное преобразование категориальных ответов (±2,5%/±7,5%/0%) по методике авторов, это огрубление. Опрос руководителей охватывает 4 развитые экономики (США, UK, Германия, Австралия) — нельзя переносить на развивающиеся рынки; опрос сотрудников — ТОЛЬКО США, нельзя обобщать на другие страны выборки руководителей. Три из четырёх опросов (SBU, DMP, BOP-F) взвешены по занятости, австралийский BOSS — невзвешен; итоговое «среднее по всем фирмам» — взвешено по числу ответов в каждом опросе, а не по занятости во всех четырёх странах равномерно. Агрегированный фирма-уровневый показатель не различает конкретную технологию (GenAI/predictive ML/agent) и не привязан к конкретному бизнес-процессу.", "reading_scope": "full_text", "claims": [{"text_ru": "69% фирм в выборке (США/Великобритания/Германия/Австралия) активно используют ИИ — среднее по 4 странам, взвешенное по размеру выборки каждого опроса.", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://www.nber.org/papers/w34836", "locator": "Раздел 4.1, стр. 8"}, {"text_ru": "Реализованный эффект ИИ на занятость и производительность за прошлые 3 года получен переводом категориальных ответов респондентов в условные числа ±7,5%/±2,5%/0% (методика авторов, сноски к рис. 8 и 10). Средний реализованный эффект: занятость ≈0%, производительность ≈+0,29%.", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://www.nber.org/papers/w34836", "locator": "Разделы 4.2-4.3, стр. 13-16"}, {"text_ru": "Руководители прогнозируют на следующие 3 года прирост производительности на 1,4%, выпуска на 0,8% и сокращение занятости на 0,7% (в США -1,2%); сотрудники США (опрос SWAA) ожидают рост занятости на 0,5% — расхождение ожиданий («expectations gap»).", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://www.nber.org/papers/w34836", "locator": "Раздел 5, стр. 17"}], "quality_limits": "На титульной странице NBER указано: «At least one co-author has disclosed additional relationships of potential relevance for this research» — детали не раскрыты в доступном материале. Исследование финансировали ESRC, Smith Richardson Foundation, Stanford Impact Labs. Авторы работают в Bank of England, ФРБ Атланты, Deutsche Bundesbank, Stanford, ITAM, King's College London, University of Nottingham, Macquarie University (это места работы авторов, не список изданий/публикаций) — среди них нет сотрудников вендоров ИИ. Взгляды — только авторов, официальная позиция центробанков не представлена (оговорка авторов на титульной странице). NBER working paper — не прошёл рецензирование (указано на титульном листе).", "sources": [{"url": "https://www.nber.org/papers/w34836", "title": "Firm Data on AI", "publisher": "National Bureau of Economic Research (NBER)", "author": "Yotzov, Barrero, Bloom, Davis et al.", "date": "2026-02 (rev. 2026-03)", "type": "NBER working paper", "locator": "Полный текст (70 стр.): abstract, разделы 3 (методология опросов), 4.1-4.3 (adoption, employment, productivity impacts, методика ±2,5/±7,5%), 5 (опрос сотрудников SWAA)", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P26-SCI-ECON-F01"}], "author_model": "claude-sonnet-5", "next_action": "Следить за пересмотрами; при появлении итоговой версии (post-review) сверить прогнозные цифры с фактическими."}
{"id": "P26-SCI-ECON-W02", "record_kind": "work", "novelty": "new", "prior_id": null, "stream_primary": "SCIENCE", "tags": ["OPMODEL", "AI_adoption", "vendor_data", "conflict_of_interest"], "title": "How Organizations Use AI: Evidence from ChatGPT", "authors": ["Aaron Chatterji (OpenAI)", "David Holtz (Columbia Business School; оплачиваемый контрактор OpenAI)", "Neel Rakholia (OpenAI)", "Prasanna Tambe (Wharton School, U. Pennsylvania; оплачиваемый контрактор OpenAI)", "Gawesha Weeratunga (OpenAI)"], "repository": "arXiv", "arxiv_id": "2608.12236", "first_version_date": "2026-08-12", "last_version_date": "2026-08-12", "peer_reviewed_version": null, "work_type": "empirical_field", "setting": "поле — внутренние административные данные OpenAI об аккаунтах ChatGPT Enterprise (использование, роли сотрудников, классификация задач по сообщениям), связанные с публичными финансовыми данными компаний, по март 2026.", "process_link": "Использование ChatGPT Enterprise по функциям и уровням стажа в knowledge work (письмо, техническая работа, коммуникация, синтез информации) — срез задач, не единый бизнес-процесс.", "key_finding_ru": "Авторы (3 из 5 — штатные сотрудники OpenAI, ещё 2 — оплачиваемые контракторы OpenAI; ВАЖНАЯ ОГОВОРКА КОНФЛИКТА ИНТЕРЕСОВ — исследование собственного коммерческого продукта на проприетарных внутренних данных вендора) документируют 4 факта на выборке 1500+ организаций и 17+ млн сообщений (полугодовой горизонт с момента внедрения): (1) использование ChatGPT Enterprise выросло примерно в 7 раз по объёму выходных токенов с июня 2025 по март 2026. КЛЮЧЕВАЯ ДЕКОМПОЗИЦИЯ РОСТА из введения и раздела 4.1: внутри УСТОЙЧИВОЙ когорты фирм, внедривших продукт в период январь 2024 - июнь 2025, объём токенов за тот же период вырос ПОЧТИ В 4 РАЗА — то есть примерно ПОЛОВИНА совокупного роста потребления токенов произошла ВНУТРИ уже внедривших фирм, а не только за счёт новых подписчиков. Авторы также отмечают, что ускорение использования в начале 2026 произошло ОДНОВРЕМЕННО у всех когорт независимо от даты внедрения — это, по их интерпретации, говорит о факторах, влияющих на клиентов ChatGPT Enterprise в целом, а не только об обычном органическом росте после внедрения. (2) Внедрение среди публичных компаний США сконцентрировано у более крупных, более дорогих и более R&D/SG&A-интенсивных фирм. (3) Активное использование распространено по функциям и уровням стажа, с ОСОБЕННО высокой интенсивностью у сотрудников начального уровня карьеры (early-career); сотрудники маркетинга и коммуникаций отправляют больше сообщений, чем руководители. (4) Охват задач широкий: письмо, техническая работа, коммуникация, синтез информации. Авторы сами оговаривают: фирмы сильно различаются по скорости и охвату внедрения и находятся в процессе активного обучения интеграции ИИ в рабочие процессы (то есть эффект на производительность здесь НЕ измеряется и не заявляется — только объём и структура использования).", "metrics": {"orgs_analyzed": ">1500 организаций", "messages_analyzed": ">17 млн сообщений", "token_growth_jun2025_mar2026": "~7x (агрегированный объём выходных токенов, все клиенты)", "token_growth_within_stable_cohort_jan2024_jun2025": "~4x (рост внутри уже внедривших фирм за тот же период — по оценке авторов, около половины совокупного роста)"}, "transfer_limits": "Проприетарные внутренние данные одного вендора о собственном продукте — независимая верификация невозможна; рост объёма токенов/сообщений — это МАСШТАБ ИСПОЛЬЗОВАНИЯ, а не измеренный эффект на производительность или выручку (сами авторы это не заявляют). Выборка ограничена компаниями, уже подписавшимися на ChatGPT Enterprise (самоотбор); горизонт наблюдения по worker-level данным — 6 месяцев с момента внедрения, для более долгосрочных выводов недостаточно. Разбивка ~7х на «новые фирмы» и «рост внутри когорты ~4х» — тоже собственная агрегированная оценка авторов, не независимо проверенная.", "reading_scope": "full_text", "claims": [{"text_ru": "Объём выходных токенов ChatGPT Enterprise вырос примерно в 7 раз с июня 2025 по март 2026.", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://arxiv.org/abs/2608.12236", "locator": "Введение, стр. 2"}, {"text_ru": "Внедрение среди публичных компаний США сконцентрировано у более крупных, более дорогих, более R&D/SG&A-интенсивных фирм; использование особенно интенсивно среди сотрудников начального уровня карьеры.", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://arxiv.org/abs/2608.12236", "locator": "Abstract"}, {"text_ru": "Внутри устойчивой когорты фирм, внедривших ChatGPT Enterprise в период январь 2024 - июнь 2025, объём выходных токенов вырос почти в 4 раза за тот же период — то есть около половины совокупного роста потребления токенов произошло внутри уже внедривших фирм, а не только за счёт новых подписчиков.", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://arxiv.org/abs/2608.12236", "locator": "Введение (стр. 2) и раздел 4.1 (стр. 10)"}], "quality_limits": "КОНФЛИКТ ИНТЕРЕСОВ, подтверждённый в самом тексте PDF (стр. 1): Aaron Chatterji, Neel Rakholia, Gawesha Weeratunga указаны как сотрудники OpenAI; David Holtz (Columbia Business School) и Prasanna Tambe (Wharton) прямо указаны как «paid contractors for OpenAI» в этой работе. Исследование использует внутренние проприетарные данные OpenAI о собственном коммерческом продукте (ChatGPT Enterprise) — классический случай «вендор изучает собственный продукт». Working paper, результаты явно помечены авторами как подверженные изменению («results are subject to change»); представлено на NBER Summer Institute 2026 и Wharton AI and the Future of Work Conference 2026, но не опубликовано в рецензируемом журнале на момент чтения. Дата версии на arXiv: Submission history показывает только v1 (12 августа 2026); «13 августа» на титуле PDF — это надпись «Last Updated», не отдельная версия arXiv.", "sources": [{"url": "https://arxiv.org/abs/2608.12236", "title": "How Organizations Use AI: Evidence from ChatGPT", "publisher": "arXiv (econ.GN)", "author": "Chatterji, Holtz, Rakholia, Tambe, Weeratunga", "date": "2026-08-12 (v1; на титуле PDF: Last Updated August 13, 2026)", "type": "рабочий препринт (arXiv)", "locator": "Полный текст (69 стр.): титульный лист с аффилиациями, abstract, введение, раздел 4.1 (декомпозиция роста по когортам)", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": "P26-SCI-ECON-F02"}], "author_model": "claude-sonnet-5", "next_action": "Следить за публикацией в рецензируемом издании; при появлении независимого (не-OpenAI) исследования того же продукта — сравнить и пометить CONFLICT/VERIFIED при совпадении."}
{"id": "P26-SCI-ECON-W03", "record_kind": "work", "novelty": "new", "prior_id": null, "stream_primary": "SCIENCE", "tags": ["OPMODEL", "labor_demand", "job_postings", "US"], "title": "Generative AI and the Reorganization of Labor Demand", "authors": ["Fangyan Wang", "Zaiyan Wei", "Yang Wang"], "repository": "arXiv", "arxiv_id": "2605.23159", "first_version_date": "2026-05-22", "last_version_date": "2026-05-22", "peer_reviewed_version": null, "work_type": "empirical_field", "setting": "поле — общенациональный (США) массив вакансий по всем отраслям экономики; двухэтапный LLM-конвейер для динамической оценки экспозиции каждой вакансии к генеративному ИИ.", "process_link": "Наём персонала и переопределение содержания вакансий (task redesign) под влиянием GenAI — рынок труда в целом, не привязано к одной компании.", "key_finding_ru": "Авторы показывают, что экспозиция вакансий к GenAI динамична, а не фиксирована во времени. Корректировка спроса на труд идёт по ДВУМ каналам: реаллокация найма между вакансиями (в среднем 52% совокупного снижения экспозиции) и редизайн задач внутри вакансий (39,5%). Декомпозиция Оаксаки-Блайндера показывает: сдвиги в структуре занятий объясняют около 90% изменения экспозиции, связанного с наблюдаемыми характеристиками вакансий. Сеньорные позиции адаптируются раньше и в основном через реаллокацию найма; junior-позиции адаптируются через более широкий набор механизмов — реаллокацию, редизайн задач и их сочетание. Авторы трактуют это как процесс «организационной перестройки», а не простое вытеснение отдельных профессий.", "metrics": {"hiring_reallocation_share": "52% (среднее)", "within_job_redesign_share": "39.5%", "oaxaca_blinder_occupational_composition_share": "~90%"}, "transfer_limits": "Единица наблюдения — текст вакансии (job posting), а не фактическая занятость/увольнение: это намерения работодателей на этапе найма, не реализованные кадровые решения. Экспозиция к GenAI оценивается собственным LLM-конвейером авторов — точность классификации не проверена независимым методом в прочитанном материале (abstract). Данные — только США; нельзя переносить на другие страны или на приватные непубличные вакансии вне охваченной платформы. Корреляция динамики вакансий с распространением GenAI — не доказанный причинный эффект технологии (возможны иные одновременные факторы рынка труда).", "reading_scope": "abstract_only", "claims": [{"text_ru": "Реаллокация найма между вакансиями объясняет в среднем 52% совокупного снижения экспозиции к GenAI, редизайн задач внутри вакансий — 39,5%.", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://arxiv.org/abs/2605.23159", "locator": "Abstract"}, {"text_ru": "Сеньорные позиции адаптируются раньше и в основном через реаллокацию найма; junior-позиции — через более широкий набор механизмов.", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://arxiv.org/abs/2605.23159", "locator": "Abstract"}], "quality_limits": "Аффилиации авторов не указаны на прочитанной странице (abstract). Прочитан только verbatim-abstract через arXiv API — полный текст (методология, робастность, детали данных) не читан из-за исчерпанного бюджета открытий пакета; карточка ограничена тем, что заявлено в аннотации.", "sources": [{"url": "https://arxiv.org/abs/2605.23159", "title": "Generative AI and the Reorganization of Labor Demand", "publisher": "arXiv", "author": "Wang, Wei, Wang", "date": "2026-05-22", "type": "рабочий препринт (arXiv)", "locator": "Abstract (получен через arXiv API export)", "reading_scope": "abstract_only", "accessed_at": "2026-09-24", "file_id": null}, {"url": "https://ssrn.com/abstract=6803341", "title": "Generative AI and the Reorganization of Labor Demand (зеркало SSRN)", "publisher": "SSRN", "author": "Wang, Wei, Wang", "date": "unknown", "type": "SSRN working paper (недоступно)", "locator": "не открыт — Cloudflare/капча", "reading_scope": "metadata_only", "accessed_at": "2026-09-24", "file_id": null}], "author_model": "claude-sonnet-5", "next_action": "При наличии дополнительного бюджета — прочитать полный текст (методология LLM-конвейера, робастность) и обновить карточку."}
{"id": "P26-SCI-ECON-W04", "record_kind": "work", "novelty": "new", "prior_id": null, "stream_primary": "SCIENCE", "tags": ["OPMODEL", "organizational_structure", "theoretical_model", "entry_level_jobs"], "title": "Generative AI and Organizational Structure in the Knowledge Economy", "authors": ["Fasheng Xu", "Jing Hou", "Wei Chen", "Karen Xie"], "repository": "arXiv", "arxiv_id": "2506.00532", "first_version_date": "2025-05-31", "last_version_date": "2026-03-24", "peer_reviewed_version": null, "work_type": "method_or_simulation", "setting": "теоретическая (аналитическая) модель организационной иерархии знаниевых фирм; эмпирических данных в этой работе нет — только формальная модель и её решение.", "process_link": "Иерархия найма и распределения задач в knowledge-work фирмах: наём на позиции начального уровня, роль экспертов, норма управляемости (span of control).", "key_finding_ru": "Это ТЕОРЕТИЧЕСКАЯ модель (не эмпирическое исследование) — авторы формально разводят два измерения внедрения GenAI: режим (автоматизация vs аугментация) и уровень применения (рядовой работник vs эксперт), получая дизайн 2×2. Модель предсказывает: (1) эффект на требования к квалификации junior-сотрудников зависит от режима — автоматизация на уровне рядового работника ведёт к найму МЕНЬШЕГО числа, но БОЛЕЕ квалифицированных валидаторов вывода ИИ; аугментация, наоборот, расширяет эффективные возможности работников и позволяет СНИЗИТЬ требования к junior при сохранении результата. Авторская оговорка (важна методологически): снижение junior-занятости, задокументированное в других эмпирических работах, по их модели отражает ВЫБОР режима внедрения (автоматизация), а не является неизбежным следствием GenAI как такового — это интерпретация авторов модели, а не проверенный факт. (2) Внедрение на уровне экспертов единообразно снижает требования к junior независимо от режима. (3) Норма управляемости (span of control) меняется НЕМОНОТОННО по мере роста возможностей GenAI — сначала сужается, затем расширяется.", "metrics": null, "transfer_limits": "Чисто теоретическая (аналитическая) модель без калибровки на реальных фирменных данных в этой работе — выводы логически следуют из предпосылок модели (2×2 дизайн), а не из наблюдений. Нельзя использовать как доказательство фактического исхода в конкретной отрасли, стране или компании; это объяснительный механизм, предлагаемый для интерпретации ЧУЖИХ эмпирических результатов (см. оговорку выше).", "reading_scope": "abstract_only", "claims": [{"text_ru": "Согласно модели, снижение junior-занятости, задокументированное в эмпирических исследованиях, отражает выбор режима внедрения GenAI (автоматизация против аугментации), а не является неизбежным следствием технологии.", "status": "HYPOTHESIS", "verification_scope": null, "source_url": "https://arxiv.org/abs/2506.00532", "locator": "Abstract"}, {"text_ru": "Норма управляемости (span of control) в модели меняется немонотонно: сначала сужается, затем расширяется по мере роста возможностей GenAI.", "status": "HYPOTHESIS", "verification_scope": null, "source_url": "https://arxiv.org/abs/2506.00532", "locator": "Abstract"}], "quality_limits": "Аффилиации авторов не указаны в прочитанном материале (abstract через arXiv API). Прочитан только verbatim-abstract, не полный текст модели (предпосылки, доказательства, устойчивость выводов) — бюджет открытий пакета исчерпан. Собственный синтез в карточке (перевод формальных выводов модели на русский) помечен как компоновка автора карточки на основе оригинального абстракта, не добавляет новых утверждений.", "sources": [{"url": "https://arxiv.org/abs/2506.00532", "title": "Generative AI and Organizational Structure in the Knowledge Economy", "publisher": "arXiv", "author": "Xu, Hou, Chen, Xie", "date": "2025-05-31 (rev. 2026-03-24, v2)", "type": "рабочий препринт (arXiv)", "locator": "Abstract (получен через arXiv API export)", "reading_scope": "abstract_only", "accessed_at": "2026-09-24", "file_id": null}, {"url": "https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5242296", "title": "Generative AI and Organizational Structure in the Knowledge Economy (зеркало SSRN)", "publisher": "SSRN", "author": "Xu, Hou, Chen, Xie", "date": "unknown", "type": "SSRN working paper (недоступно)", "locator": "не открыт — Cloudflare/капча", "reading_scope": "metadata_only", "accessed_at": "2026-09-24", "file_id": null}], "author_model": "claude-sonnet-5", "next_action": "При появлении эмпирической проверки модели (другая работа) — связать как пару теория/эмпирика."}
{"id": "P26-SCI-ECON-W05", "record_kind": "work", "novelty": "new", "prior_id": null, "stream_primary": "SCIENCE", "tags": ["OPMODEL", "process_mining", "ICPM", "BPM", "LLM"], "title": "LLMs that Understand Processes: Instruction-tuning for Semantics-Aware Process Mining", "authors": ["Vira Pyrih", "Adrian Rebmann", "Han van der Aa"], "repository": "conference", "arxiv_id": "2508.16270", "first_version_date": "2025-08-22", "last_version_date": "2025-08-22", "peer_reviewed_version": "Accepted at IEEE ICPM 2025 (7th International Conference on Process Mining, согласно комментарию к препринту arXiv)", "work_type": "method_or_simulation", "setting": "бенчмарк — инструктивная донастройка (instruction-tuning) LLM одновременно на нескольких задачах process mining (обнаружение аномалий, предсказание следующей активности) с проверкой обобщения на невиденную задачу (process discovery); несколько типов процессов и отраслей.", "process_link": "Process mining / семантический анализ бизнес-процессов по журналам событий с текстовой информацией — методическая работа, не привязана к конкретной компании.", "key_finding_ru": "Инструктивная донастройка LLM сразу на нескольких задачах process mining (вместо донастройки под одну задачу) улучшает обобщение модели на НЕВИДЕННУЮ задачу — process discovery. Авторы прямо указывают на НЕОДНОРОДНОСТЬ эффекта: на задачах process discovery и next-activity prediction производительность заметно выросла, а на задаче anomaly detection результат ВАРЬИРУЕТСЯ между разными моделями (улучшение не гарантировано). Собственная оговорка авторов: выбор набора задач для инструктивной донастройки критичен для достижения желаемого результата — не любой набор задач одинаково полезен.", "metrics": null, "transfer_limits": "Это методический бенчмарк-эксперимент на подготовленных датасетах process mining, не внедрение в реальную производственную BPM-систему компании. Улучшение на бенчмарке не гарантирует такой же эффект в промышленном инструменте process mining. Вариативность результата на anomaly detection — прямое ограничение метода, отмеченное самими авторами.", "reading_scope": "abstract_only", "claims": [{"text_ru": "Инструктивная донастройка на нескольких задачах process mining улучшает производительность на process discovery и next-activity prediction, но даёт разнородный (не всегда положительный) результат на anomaly detection.", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://arxiv.org/abs/2508.16270", "locator": "Abstract"}], "quality_limits": "Аффилиации авторов не указаны в прочитанном материале (abstract через arXiv API). Прочитан только verbatim-abstract, не полный текст (методика инструктивной донастройки, состав датасетов, числовые метрики по задачам) — бюджет открытий пакета исчерпан.", "sources": [{"url": "https://arxiv.org/abs/2508.16270", "title": "LLMs that Understand Processes: Instruction-tuning for Semantics-Aware Process Mining", "publisher": "arXiv / IEEE ICPM 2025", "author": "Pyrih, Rebmann, van der Aa", "date": "2025-08-22", "type": "конференционная статья (препринт arXiv, принята на ICPM 2025)", "locator": "Abstract + комментарий о принятии (получено через arXiv API export)", "reading_scope": "abstract_only", "accessed_at": "2026-09-24", "file_id": null}], "author_model": "claude-sonnet-5", "next_action": "При наличии бюджета — прочитать полный текст (числовые метрики по задачам, датасеты) и итоговую версию в проceedings ICPM 2025."}
{"id": "P26-SCI-ECON-W06", "record_kind": "work", "novelty": "new", "prior_id": null, "stream_primary": "SCIENCE", "tags": ["OPMODEL", "process_mining", "BPM", "LLM", "benchmark"], "title": "On the Potential of Large Language Models to Solve Semantics-Aware Process Mining Tasks", "authors": ["Adrian Rebmann", "Fabian David Schmidt", "Goran Glavaš", "Han van der Aa"], "repository": "arXiv", "arxiv_id": "2504.21074", "first_version_date": "2025-04-29", "last_version_date": "2025-04-29", "peer_reviewed_version": "В комментарии к препринту указано «submitted to PS» (журнал Process Science, Springer) — статус принятия/публикации не подтверждён в прочитанном материале.", "work_type": "method_or_simulation", "setting": "бенчмарк — систематическая оценка LLM на 5 задачах process mining, требующих семантического понимания (напр., process discovery, anomaly detection); три режима тестирования: «из коробки», in-context learning и supervised fine-tuning; датасеты по разным типам процессов и отраслям.", "process_link": "Process mining: process discovery, anomaly detection и другие семантически нагруженные задачи анализа бизнес-процессов.", "key_finding_ru": "Авторы систематически проверяют способность LLM решать 5 задач process mining, требующих понимания смысла активностей и их связей (а не только частоты событий). КЛЮЧЕВАЯ ОГОВОРКА АВТОРОВ: LLM «из коробки» или с минимальным контекстным обучением (in-context learning) СПРАВЛЯЮТСЯ ПЛОХО со сложными задачами process mining. При supervised fine-tuning на широком наборе типов процессов и отраслей LLM достигают «сильной производительности» (собственная формулировка авторов). Практический вывод: общие способности LLM к «рассуждению о процессах» нельзя напрямую переносить на прикладной process mining без дообучения — качество результата принципиально зависит от наличия размеченных обучающих данных.", "metrics": null, "transfer_limits": "Дообучение требует специально размеченных данных по конкретным процессам — не готовое «из коробки» решение. Это бенчмарк-эксперимент, не производственное внедрение в BPM-систему компании. Числовые метрики по каждой из 5 задач и по датасетам не извлечены — они не приведены в прочитанном аннотации (нужен полный текст 31 стр., не прочитан из-за исчерпанного бюджета).", "reading_scope": "abstract_only", "claims": [{"text_ru": "LLM «из коробки» или с минимальным in-context обучением плохо справляются со сложными семантически нагруженными задачами process mining; при supervised fine-tuning на широком наборе процессов и отраслей достигают сильной производительности.", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://arxiv.org/abs/2504.21074", "locator": "Abstract"}], "quality_limits": "Аффилиации авторов не указаны в прочитанном материале. Прочитан только verbatim-abstract (31-страничная работа полностью не читана из-за исчерпанного бюджета открытий пакета). Статус публикации в журнале Process Science (Springer) не подтверждён независимо — попытка открыть страницу журнала на Springer заблокирована защитой от ботов («Client Challenge»), поэтому факт и дата публикации в журнале не верифицированы.", "sources": [{"url": "https://arxiv.org/abs/2504.21074", "title": "On the Potential of Large Language Models to Solve Semantics-Aware Process Mining Tasks", "publisher": "arXiv", "author": "Rebmann, Schmidt, Glavaš, van der Aa", "date": "2025-04-29", "type": "рабочий препринт (arXiv, submitted to Process Science)", "locator": "Abstract (получено через arXiv API export)", "reading_scope": "abstract_only", "accessed_at": "2026-09-24", "file_id": null}, {"url": "https://link.springer.com/article/10.1007/s44311-025-00019-3", "title": "On the potential of large language models to solve semantics-aware process mining tasks (журнальная версия, Process Science)", "publisher": "Springer / Process Science", "author": "Rebmann et al.", "date": "unknown", "type": "журнальная статья (недоступна)", "locator": "не открыта — защита от ботов (Client Challenge)", "reading_scope": "metadata_only", "accessed_at": "2026-09-24", "file_id": null}], "author_model": "claude-sonnet-5", "next_action": "Проверить позже статус публикации в Process Science (Springer) и числовые метрики по задачам при доступности."}
{"id": "P26-SCI-ECON-W07", "record_kind": "work", "novelty": "new", "prior_id": null, "stream_primary": "SCIENCE", "tags": ["OPMODEL", "process_mining", "BPM", "financial_process", "research_in_progress"], "title": "Financial Process Mining In The Age Of Large Language Models", "authors": ["Niklas-Kim Laerum (University of Hamburg)", "Markus Nüttgens (University of Hamburg)"], "repository": "conference", "arxiv_id": null, "first_version_date": "2026-05-25", "last_version_date": "2026-05-25", "peer_reviewed_version": "ECIS 2026 Proceedings (European Conference on Information Systems), тип статьи на странице указан как «SP» — short paper / research-in-progress.", "work_type": "conceptual", "setting": "эмпирических данных в этой работе НЕТ на момент публикации — статья описывает ПЛАНИРУЕМЫЙ методологический подход и начальные наработки (research-in-progress), а не завершённые результаты.", "process_link": "Финансовые бизнес-процессы: реконструкция и анализ проводок (journal entries) из ERP-систем для целей governance/risk/compliance (GRC) и аудита.", "key_finding_ru": "ВАЖНАЯ ОГОВОРКА: это short paper (Paper Type: SP на странице AISeL), и авторы прямо пишут в аннотации: «The paper outlines the planned methodological approach for the research and initial work items that have been developed» — то есть работа излагает ПЛАН исследования и начальные заготовки, а НЕ завершённые эмпирические результаты. Идея, которую авторы ПРЕДЛАГАЮТ (не проверили): журналы событий (event logs), получаемые из ERP-систем, недоспецифицированы и не всегда точно отражают реальные финансовые бизнес-процессы; авторы предлагают использовать дообученную (fine-tuned) LLM для интерпретации и классификации проводок, чтобы дополнить (augment) существующий алгоритм на правилах и точнее определять активности финансового процесса по проведённым проводкам. Результатов апробации подхода на реальных данных в прочитанном материале нет.", "metrics": null, "transfer_limits": "Это план исследования (research-in-progress), а не завершённая работа — НЕЛЬЗЯ цитировать как доказательство того, что предложенный подход работает или даёт какой-либо измеримый эффект. Нет эмпирических результатов, нет сравнения с базовым алгоритмом на правилах на реальных данных в доступном материале.", "reading_scope": "abstract_only", "claims": [{"text_ru": "Статья описывает планируемый методологический подход и начальные наработки исследования, а не завершённые результаты (research-in-progress, short paper).", "status": "SOURCE_CLAIM", "verification_scope": null, "source_url": "https://aisel.aisnet.org/ecis2026/entmodel/entmodel/4/", "locator": "Paper Type: SP; Abstract"}, {"text_ru": "Авторы предлагают дообученную LLM для интерпретации и классификации журнальных проводок как дополнение к алгоритму на правилах, для точной идентификации финансовых процессных активностей.", "status": "HYPOTHESIS", "verification_scope": null, "source_url": "https://aisel.aisnet.org/ecis2026/entmodel/entmodel/4/", "locator": "Abstract"}], "quality_limits": "Короткая статья (research-in-progress) без эмпирических результатов — оценивать нечего, кроме предложенной идеи и постановки задачи. PDF статьи получить не удалось (403 при попытке curl через AISeL viewcontent.cgi); карточка опирается только на HTML-страницу аннотации (полностью прочитана).", "sources": [{"url": "https://aisel.aisnet.org/ecis2026/entmodel/entmodel/4/", "title": "Financial Process Mining In The Age Of Large Language Models", "publisher": "AIS eLibrary / ECIS 2026 Proceedings", "author": "Laerum, Nüttgens", "date": "2026 (online 2026-05-25)", "type": "конференционная статья (short paper / RIP)", "locator": "Полная страница аннотации (Paper Type, Abstract, Recommended Citation)", "reading_scope": "full_text", "accessed_at": "2026-09-24", "file_id": null}, {"url": "https://aisel.aisnet.org/cgi/viewcontent.cgi?article=1180&context=ecis2026", "title": "PDF статьи (недоступен)", "publisher": "AIS eLibrary", "author": "Laerum, Nüttgens", "date": "2026", "type": "PDF (недоступен)", "locator": "не открыт — HTTP 403", "reading_scope": "metadata_only", "accessed_at": "2026-09-24", "file_id": null}], "author_model": "claude-sonnet-5", "next_action": "Проверить через 6-12 месяцев полную версию с результатами (если статья RIP перерастёт в full paper)."}