Обзор свежей науки — что нового за март–сентябрь 2026

За полгода — с марта по сентябрь 2026 года — вышло 29 новых работ про ИИ на работе (ещё одна, LLAMA LIMA, формально вне окна): препринты, рецензируемые статьи, несколько рандомизированных контролируемых испытаний (РКИ). Ни одна не переворачивает то, что уже видно по корпусу из 125 случаев: 52 неуспеха, 41 подтверждённый успех, 32 смешанных исхода, и больше половины случаев (77 из 125) — про медицину. Свежая литература в основном подтверждает и уточняет этот рисунок, а не ломает его.

Из новых работ выделяются четыре вывода:

- Один механизм, которого раньше не отмечали: ИИ-совет, который пациент получает ещё до визита к врачу, сам по себе меняет клиническое поведение. Раньше в корпусе почти всегда фиксировали влияние ИИ на самого врача, а не на пациента, который приходит на приём с уже готовым мнением.
- То, что на первый взгляд выглядело новым противоречием за полгода — будто появились два взаимоисключающих исследования про потерю навыка при колоноскопии, — при проверке оказалось повторением двух работ, которые в корпусе уже есть. Ничего нового здесь не случилось, только путаница в источниках.
- Словарь термина «AI-native» за эти месяцы не сблизился, а разошёлся ещё сильнее: добавились три новых определения, несовместимых друг с другом.
- Из всех 30 работ в кандидаты на будущие проверенные случаи годятся только четыре. Ни одна ещё не прошла полную проверку.

Генеративный ИИ в интеллектуальной работе

AI in Search Reduces Publisher Referrals Without Improving User Experience: Experimental Evidence (18 августа 2026, препринт arXiv) — предрегистрированный эксперимент с 1 100 участниками на Google Search: когда поиск показывает только режим AI Mode, переходы на сайты издателей падают, а доверие пользователей к найденному не растёт, а снижается. Отключение AI Overviews, наоборот, возвращает переходы на сайты издателей.

Beyond AI Literacy: A Structured Review and Exploratory Meta-Analysis of Measures for Competent Generative-AI Use (14 сентября 2026, препринт arXiv) — обзор 24 работ и метаанализ трёх исследований одной научной группы: связь между тем, как человек сам оценивает свои навыки работы с ИИ-агентами, и тем, что показывают объективные тесты, почти нулевая (r = 0,055, 95% доверительный интервал [−0,047; 0,156]). Полного инструмента для измерения компетентности работы с ИИ-агентами пока нет — только частичные.

The Rise of AI-Native Software Engineering: Implications for Practice, Education, and the Future Workforce (11 июня 2026, препринт arXiv) — обзор 48 публикаций про генеративный и агентный ИИ в разработке ПО за 2016–2026: число публикаций выросло примерно впятеро после конца 2022 года, но выводы о размере и направлении эффекта на производительность внутри этой литературы противоречат друг другу. Отбор публикаций делал агентный ИИ-конвейер самого автора, а не протокол независимого систематического обзора — вывод о неоднородности эффектов согласуется с корпусом, но опора на него умеренная.

Медицина в реальной практике

Directional AI Advice: Experimental Evidence from Healthcare (9 июля 2026, препринт arXiv) — предрегистрированный полевой эксперимент в китайской больнице: пациентам перед амбулаторным приёмом случайно давали доступ к ИИ-чат-боту. Бот систематически советовал воздержаться от лекарств, особенно антибиотиков, и рекомендовал больше анализов — после этого назначения врачей снизились, число диагностических тестов выросло, а удовлетворённость и согласие пациентов с лечением упали. Новый для корпуса канал влияния: ИИ меняет клиническую практику не через врача, а через пациента, который приходит на приём с уже готовым мнением.

Large-Scale Implementation of Ambient Artificial Intelligence Documentation and Its Effects on Electronic Health Record Efficiency and Clinician Well-Being (19 августа 2026, рецензируемый журнал Applied Clinical Informatics) — у 210 врачей, использующих DAX Copilot не меньше чем в четверти заметок, активное время на заметку упало с 5,54 до 4,09 минуты на визит (−26%), заметки стали длиннее, а ручной набор текста сократился вдвое; большинство ответивших на опрос сообщили о меньшем выгорании.

Похожий эффект на субъективную нагрузку нашла и другая работа о сети из 14 отделений неотложной помощи — The Effect of Ambient Artificial Intelligence Documentation on Clinician Workload, Efficiency, and Patient Experience (21 августа 2026, тот же журнал): нагрузка по шкале NASA-TLX снизилась на 40 баллов. Обе работы — наблюдение «до и после» без контрольной группы и без рандомизации, в отличие от уже известного корпусу РКИ UCLA Health (238 врачей, исход смешанный, Dragon Copilot статистически не ускорил документацию). Разница результатов может объясняться не эффектом инструмента, а тем, что доброволец, который остался работать с фоновой ИИ-записью приёма после внедрения, обычно им доволен.

Multisite Real-World Validation of an Electronic Health Record-Integrated Generative Artificial Intelligence Tool for Venous Thromboembolism Risk Stratification (22 июня 2026, препринт medRxiv) — в Johns Hopkins Medicine инструмент iHGR для оценки риска венозной тромбоэмболии показал чувствительность 81,8% против 61,3% у чек-листа назначений, но специфичность у него ниже (70,9% против 86,2% у чек-листа). Это ретроспективная проверка точности перед масштабированием, а не измеренный организационный исход: Johns Hopkins уже есть в корпусе по другому процессу (скрининг ретинопатии), а по стратификации риска ВТЭ это первое упоминание.

Artificial intelligence for hospital infection prevention and control: real-world implementation, impact, and the gap beyond model development (30 апреля 2026, рецензируемый журнал Journal of Hospital Infection) — систематический обзор по протоколу PRISMA: из 59 исследований ИИ для профилактики внутрибольничных инфекций только 9 описывали реальное внедрение в работу больницы, остальные 50 остановились на разработке и валидации модели. Точность модели в лаборатории — это ещё не работающий процесс в клинике.

Real-World Testing of an Artificial Intelligence Conversational Agent as an Early Intervention and Support Tool in the Mental Health Referral Care Pathway (5 марта 2026, рецензируемый журнал International Journal of Social Psychiatry) — РКИ ИИ-собеседника Wysa в Central and Northwest London NHS Foundation Trust: из 2 161 пациента, ожидавшего психотерапию, рандомизировали лишь 76, до конца дошли 46. Снижение выраженности депрессии за 12 недель в группе Wysa и в контроле почти совпало — значимого эффекта не нашли, но выборка слишком мала, чтобы закрыть вопрос.

Навыки и деградация

Learning by Chatting? Investigating the Impact of Generative AI on Information Seeking and Learning (10 июня 2026, препринт arXiv) — восьмидневный полевой эксперимент с дневниковым протоколом: те, кто искал информацию через ChatGPT, в итоге хуже справлялись с задачами на критическое мышление, чем те, кто пользовался обычным поиском Google, и сами отмечали, что чувствуют меньше контроля над процессом поиска.

Отдельно — про пару Learning and deskilling effects of artificial intelligence in colonoscopy (3 июня 2026, рецензируемый журнал Endoscopy) и Artificial intelligence in medicine: a scoping review of the risk of deskilling and loss of expertise among physicians (19 марта 2026, рецензируемый журнал ESMO Real World Data and Digital Oncology). На первый взгляд это новое противоречие за полгода: одно многоцентровое норвежское исследование (13 эндоскопистов, 5 013 колоноскопий) не нашло устойчивой потери навыка после отключения ИИ-детектора полипов, а обзор цитирует другое многоцентровое исследование с явным падением частоты выявления аденом (с 28,4% до 22,4%) после периода работы с ИИ. Это наблюдательное исследование в Польше (программа ACCEPT), а не рандомизированное испытание, как его иногда называют.

На самом деле обе работы уже есть в корпусе (норвежское и польское исследования). Значит, свежая литература тут нового противоречия не добавляет — расхождение было известно и раньше.

Новая деталь у обзора — пример из другой области: у 27 маммологов ошибочные подсказки ИИ поднимали долю ложноположительных вызовов до 12% даже у опытных врачей.

Организации, перестроенные вокруг ИИ

One Developer Is All You Need: A Case Study of an AI-Augmented One-Person Squad in a Brownfield Enterprise (18–19 мая 2026, препринт arXiv) — один инженер с четырьмя ИИ-агентами по методологии Spec-Driven Development выполнил объём работы, рассчитанный на команду из четырёх человек, за половину планового срока, с 90% приёмки ИИ-кода с первого ревью и сокращением прямых затрат на персонал больше чем на 85%. Компания не названа, поэтому это не проверенный случай, но именно такая модель, «один человек = команда», в корпусе почти не представлена: там всего один случай в категории «AI-native-компания» (Cruise, про роботакси, а не про такую перестройку команды).

Scaffolding Human-AI Collaboration: A Field Experiment on Behavioral Protocols and Cognitive Reframing (9–19 апреля 2026, препринт arXiv, working paper) — полевой эксперимент с 388 сотрудниками розничной компании из списка Fortune 500: обязательный протокол совместной работы с ИИ в парах связан с более низким качеством документов и заметно меньшим их числом по сравнению со свободным использованием, а более лёгкий тренинг, подающий ИИ как «партнёра по мышлению», связан с ростом качества — но только в верхней части распределения, то есть у тех, кто и так делает хорошую работу. Авторы прямо говорят языком связи, а не причины, и сами называют слабые места дизайна. Хороший противовес идее «чем больше структуры вокруг ИИ навязать, тем лучше результат».

Intent Drift at SME Scale: Deployment Practice, Not Model Capability, Determines Agentic Compliance (5 сентября 2026, препринт arXiv) — модельный, не реальный случай гонконгской управляющей компании активов: ИИ-агент, ведущий переписку с клиентами, без явно сформулированной цели нарушал правила (несанкционированные контакты без согласия на маркетинг) в 13 из 15 прогонов; с прописанными ограничениями — в 2 из 15; с полным фреймворком «Chain of Intent» — ни разу. Данные синтетические, но механизм похож на реальность: сбой чаще случается не потому, что модель слабая, а потому, что никто не сформулировал ей цель.

Endogenous Task Bundling, Skills and Automation (май 2026, NBER working paper w35211) — теоретическая модель: ИИ, который просто снижает потери контекста при передаче задачи, может пересобрать состав должностей без автоматизации самих задач. Рамка полезна для чтения корпуса, где большинство случаев (118 из 125) — не замена процесса целиком, а перестройка ролей внутри него, но сама работа — теория без эмпирической проверки.

Определения AI-native

Defining AI-Native Systems: Autonomy as Revision Authority (22 июля 2026, препринт arXiv) — техническое, не маркетинговое определение: система AI-native не тогда, когда ИИ просто исполняет принятые решения («occupancy»), а когда он сам может их менять — переписывать собственную реализацию системы («revision authority»). Автор выстраивает лестницу уровней автономии: от самонастройки до самопереписывания и самопроектирования. По этому строгому критерию почти ни один из 125 случаев корпуса не дотягивает до AI-native — это нуждается в прямой проверке в разделе про определения.

The AI-Native Large-Scale Agile Software Development Manifesto (8–22 мая 2026, препринт arXiv) — манифест из шести принципов «AI-native» крупномасштабной agile-разработки: параллельные процессы, команды вокруг общей цели, живые знания, верификация прежде всего, оркестрованные агентные команды, переиспользуемые чертежи. Без единого измерения эффекта — это декларация ценностей, а не проверенный результат.

Do AI-Native Biotechs Need Departments? Benchmarking Company World Models for AI-Driven Drug Development (21 июля 2026, препринт arXiv, working paper) — предлагает «Company World Model» как альтернативу копированию человеческой оргструктуры в ИИ-агентов для AI-native биотех-компаний. На бенчмарке из 45 ретроспективных случаев разработки лекарств архитектура с единым предиктивным состоянием активов обошла по автоматической оценке классическую оргструктуру, но при более жёстких проверках сильный человеческий вариант остался конкурентоспособным; сами авторы пишут, что работа не доказывает реальный успех препарата, клиническую пользу или точность прогноза выручки. Три работы — три разных ответа на вопрос «что такое AI-native», общего языка по-прежнему нет.

Макроэкономика и производительность

Artificial Intelligence, Productivity, and the Workforce: Evidence from Corporate Executives (март 2026, NBER working paper w34984) — опрос почти 750 руководителей компаний: больше половины уже вложились в ИИ, эффект на производительность в среднем положительный, но неровный по секторам. Авторы называют это «парадоксом производительности»: руководители чувствуют выгоду больше, чем показывают измерения, вероятно потому что выручка от вложений приходит с задержкой. Массового немедленного сокращения штата не увидели, но крупные компании чаще малых ждут сокращений в будущем.

Canaries in the Gold Mine: Early Productivity Gains from Artificial Intelligence Creating Organization Capital (август 2026, NBER working paper w35684) — новая мера инвестиций в ИИ, построенная на доле сотрудников с ИИ-навыками в описаниях вакансий фирмы, связана с ростом производительности в последние годы, но не в прошлое десятилетие. Авторы связывают этот рост с накоплением «организационного капитала» — фирменных знаний, которые появляются через практику, а не с самими вложениями в технологию. Это гипотеза авторов, не доказанный причинный механизм, но она хорошо ложится на то, что в корпусе так много смешанных и нулевых исходов на раннем этапе внедрения.

Understanding Firms' AI Efforts and Their Economic Impact (апрель 2026, NBER working paper w35123) — обзорная работа: разные источники данных про ИИ на уровне фирм измеряют разное — изобретение против использования, создание своих возможностей против аутсорсинга, реальную активность против ожиданий инвесторов — и поэтому дают разные выводы об эффекте ИИ на рост, оценку компании, производительность и занятость. Прямое предупреждение и для этого проекта: корпус из 125 случаев тоже смешивает разные типы измерения, и выводить из него единый тренд стоит с осторожностью.

Beyond Exposure: Predicting AI Adoption Based on Comparative Advantage (май 2026, NBER working paper w35271) — на репрезентативном немецком опросе работников (DiWaBe): обычный индекс «подверженности» ИИ плохо предсказывает, кто в реальности пользуется ИИ на работе. Индекс, построенный на сравнительном преимуществе, объясняет почти 60% различий между профессиями в фактическом внедрении против 14% у индекса подверженности — почти у трети работников два подхода расходятся сильно. Результат специфичен для Германии, но предупреждение общее: высокая «подверженность» — не то же самое, что высокое реальное использование, а в корпусе 77 из 125 случаев — именно медицина, отрасль с высокой заявленной подверженностью.

Кандидаты в новые случаи для будущей проверки (не засчитаны в корпус из 125)

Работа	Дата	Тип публикации	Что нового	Почему пока не случай
One Developer Is All You Need	18.05.2026	препринт arXiv	Один инженер и четыре ИИ-агента выполнили объём работы, рассчитанный на команду из четырёх человек, за половину срока; затраты на персонал −85%	Компания не названа
The Effect of Ambient AI Documentation... in a Multisite Emergency Department Network	21.08.2026	рецензируемый журнал	315 242 записи, рост доли довольных пациентов, снижение нагрузки по NASA-TLX на 40 баллов	Сеть из 14 отделений не названа; дизайн «до и после» без контроля
Large-Scale Implementation of Ambient AI Documentation	19.08.2026	рецензируемый журнал	Время документации у 210 врачей −26%, меньше выгорания	Система здравоохранения не названа; тот же дизайн без контроля
Real-World Testing of an AI Conversational Agent (Wysa)	05.03.2026	рецензируемый журнал	РКИ в названном NHS Trust, эффект на депрессию не подтверждён	Итоговая выборка всего 46 из 76 рандомизированных

Пятая работа с флагом «кандидат», Multisite Real-World Validation of an EHR-Integrated Generative AI Tool for VTE Risk Stratification (Johns Hopkins Medicine), в эту таблицу не попала: это оценка диагностической точности инструмента до масштабирования, а не измеренный организационный исход, и сам Johns Hopkins уже есть в корпусе по другому процессу — скринингу ретинопатии.

Ограничения выборки

Большинство из 29 работ, вошедших в окно, — препринты без рецензирования: arXiv (11), NBER working papers (5), medRxiv и Research Square (по одному). Итого 18 препринтов против 11 рецензируемых статей.
Один живой метаанализ (LLAMA LIMA, про ИИ и обучение математике) формально вне окна март–сентябрь: первая версия вышла в январе 2026, в окно попадает только версия 5 от сентября. В счёт 29 работ он не включён, но приведён в приложении «Все 30 работ» в конце документа.
У части работ авторы, по данным составителя обзора (не проверено по первоисточникам), связаны с продуктом или организацией, которые изучают: у исследования про обучение через чат-бота и у полевого эксперимента с протоколами совместной работы с ИИ часть соавторов — сотрудники Microsoft Research, причём второе исследование изучает работу с ИИ-инструментами у клиента; у многоцентровой валидации инструмента для стратификации риска ВТЭ часть авторов работает в Johns Hopkins, где шла проверка инструмента. Ни разу конфликт интересов прямо не назван в открытой части аннотации.
Наблюдения «до и после» без контрольной группы (две работы о документации) показывают более сильный эффект, чем РКИ на ту же тему. РКИ UCLA Health (238 врачей) дало смешанный результат: время документации значимо сократил только один из двух скрайбов. Одно из возможных объяснений — самоотбор: врач, который остался на инструменте после добровольного внедрения, обычно им доволен.
Отклик на опросы низкий: у «Large-Scale Implementation of Ambient Artificial Intelligence Documentation» (210 врачей) — 26%; у опроса почти 750 руководителей компаний данные — самоотчёты об ожиданиях, а не аудированная отчётность.
Отбор литературы в некоторых обзорах сам сделан ИИ: обзор «The Rise of AI-Native Software Engineering» отобрал 48 работ через агентный ИИ-конвейер одного автора, а не по протоколу независимого систематического обзора.
Медицинский перекос сохраняется и в свежей литературе: из 29 работ, вошедших в окно, 14 — про медицину, почти половина; в самом корпусе её доля ещё выше (77 из 125). Свежая выборка не расширяет географию и отрасли, а повторяет тот же перекос.
Единственный новый механизм — влияние ИИ-совета на пациента до визита к врачу — держится на одном непроверенном препринте из одной больницы в Китае без названия организации. Считать эффект подтверждённым рано.
Ни одна из 30 работ не добавляет проверенный AI-native случай с названной компанией и измеренным организационным исходом в счёт корпуса. В кандидаты на будущую проверку годятся только четыре, и ни один пока не прошёл полную проверку.

Приложение: все 30 работ

Список всех работ, найденных за март–сентябрь 2026 года (плюс LLAMA LIMA, формально вне окна), с внутренними кодами реестра для сверки в рабочих материалах.

Код	Работа	Дата	Тип публикации	Вывод
FL-01	Directional AI Advice: Experimental Evidence from Healthcare	09.07.2026	препринт arXiv	ИИ-совет пациентам перед приёмом в китайской больнице снизил число назначений врача и удовлетворённость лечением.
FL-02	Learning by Chatting? Investigating the Impact of Generative AI on Information Seeking and Learning	10.06.2026	препринт arXiv	Поиск информации через ChatGPT дал худшие результаты по критическому мышлению, чем обычный поиск.
FL-03	Intent Drift at SME Scale: Deployment Practice, Not Model Capability, Determines Agentic Compliance	05.09.2026	препринт arXiv	В модельном случае гонконгской компании ИИ-агент нарушал правила без явно сформулированной цели, а не из-за слабости модели.
FL-04	LLAMA LIMA: A Living Meta-Analysis on the Effects of Generative AI on Learning Mathematics	26.01.2026	препринт arXiv (живой метаанализ)	Живой метаанализ обучения математике с ИИ показывает устойчиво положительный эффект (g = 0,57) без признаков публикационного смещения.
FL-05	AI in Search Reduces Publisher Referrals Without Improving User Experience: Experimental Evidence	18.08.2026	препринт arXiv	Режим AI Mode в поиске Google снижает переходы на сайты издателей и не повышает доверие пользователей.
FL-06	Beyond AI Literacy: A Structured Review and Exploratory Meta-Analysis of Measures for Competent Generative-AI Use	14.09.2026	препринт arXiv	Самооценка навыков работы с ИИ-агентами почти не связана с результатами объективных тестов (r = 0,055).
FL-07	Do AI-Native Biotechs Need Departments? Benchmarking Company World Models for AI-Driven Drug Development	21.07.2026	препринт arXiv	Альтернативная архитектура ИИ-агентов для биотеха обошла классическую оргструктуру на бенчмарке, но не доказывает реальный успех препаратов.
FL-08	The AI-Native Large-Scale Agile Software Development Manifesto	08.05.2026	препринт arXiv	Манифест из шести принципов «AI-native» agile-разработки — декларация ценностей без измерения эффекта.
FL-09	One Developer Is All You Need: A Case Study of an AI-Augmented One-Person Squad in a Brownfield Enterprise	18.05.2026	препринт arXiv	Один инженер с четырьмя ИИ-агентами выполнил объём работы команды из четырёх человек за половину срока; компания не названа.
FL-10	The Rise of AI-Native Software Engineering: Implications for Practice, Education, and the Future Workforce	11.06.2026	препринт arXiv	Обзор 48 публикаций про ИИ в разработке ПО: рост публикаций впятеро с 2022 года, выводы об эффекте на производительность противоречивы.
FL-11	Defining AI-Native Systems: Autonomy as Revision Authority	22.07.2026	препринт arXiv	Техническое определение AI-native через «право на пересмотр» — способность системы переписывать собственную реализацию.
FL-12	Scaffolding Human-AI Collaboration: A Field Experiment on Behavioral Protocols and Cognitive Reframing	09.04.2026	препринт arXiv	Обязательный протокол работы с ИИ в парах снизил качество и объём документов; лёгкий тренинг помог только в верхней части распределения качества.
FL-13	Canaries in the Gold Mine: Early Productivity Gains from Artificial Intelligence Creating Organization Capital	08.2026	NBER working paper	Новая мера инвестиций в ИИ связана с ростом производительности в последние годы, но не в предыдущее десятилетие.
FL-14	Understanding Firms' AI Efforts and Their Economic Impact	04.2026	NBER working paper	Разные способы измерения ИИ на уровне фирм дают разные выводы об эффекте на рост, оценку и занятость.
FL-15	Artificial Intelligence, Productivity, and the Workforce: Evidence from Corporate Executives	03.2026	NBER working paper	Опрос почти 750 руководителей: эффект ИИ на производительность в среднем положительный, но неровный по секторам.
FL-16	Endogenous Task Bundling, Skills and Automation	05.2026	NBER working paper	Теоретическая модель: снижение потерь контекста при передаче задачи ИИ может пересобрать состав должностей без автоматизации самих задач.
FL-17	Beyond Exposure: Predicting AI Adoption Based on Comparative Advantage	05.2026	NBER working paper	Индекс сравнительного преимущества предсказывает реальное внедрение ИИ лучше, чем индекс «подверженности».
FL-18	The Effect of Ambient Artificial Intelligence Documentation on Clinician Workload, Efficiency, and Patient Experience in a Multisite Emergency Department Network	21.08.2026	рецензируемый журнал	Наблюдение «до и после» в сети из 14 отделений неотложной помощи: снижение нагрузки по NASA-TLX на 40 баллов, рост доли довольных пациентов.
FL-19	Large-Scale Implementation of Ambient Artificial Intelligence Documentation and Its Effects on Electronic Health Record Efficiency and Clinician Well-Being	19.08.2026	рецензируемый журнал	У 210 врачей с фоновой ИИ-записью приёма время на заметку упало на 26%, меньше сообщений о выгорании.
FL-20	Artificial intelligence in emergency medicine: from algorithmic performance to real-world clinical integration - understanding the implementation gap	31.08.2026	рецензируемый журнал	Обзор ИИ в неотложной медицине: ретроспективная точность высокая, но проспективная валидация снижения смертности редка.
FL-21	Evaluation of Socio-Technical Mechanisms Shaping AI Scribe Documentation Failures: A Netnographic Study	01.08.2026	рецензируемый журнал	Анализ обсуждений врачей на Reddit: сбои ИИ-скрайбов связаны не только с точностью модели, но и с организационным давлением и нехваткой времени.
FL-22	What do clinicians edit in ambient AI-drafted clinical documentation? A qualitative content analysis	01.08.2026	рецензируемый журнал	Врачи чаще всего правят в черновиках фоновой ИИ-записи приёма клинические факты — назначения, симптомы, препараты, диагнозы.
FL-23	Learning and deskilling effects of artificial intelligence in colonoscopy among endoscopists with different levels of experience: a pragmatic, prospective trial	03.06.2026	рецензируемый журнал	В норвежском прагматическом проспективном исследовании отключение ИИ-детектора полипов не выявило устойчивой потери навыка у эндоскопистов; работа уже в корпусе (W8-FIELD-OPS-15-03).
FL-24	Artificial intelligence in medicine: a scoping review of the risk of deskilling and loss of expertise among physicians	19.03.2026	рецензируемый журнал	Обзор о риске потери квалификации у врачей от ИИ; ключевой пример по колоноскопии уже в корпусе (W8-FIELD-OPS-15-02).
FL-25	Real-World Performance of Artificial Intelligence in Diabetic Retinopathy Screening: A Systematic Review	15.05.2026	рецензируемый журнал	Систематический обзор 30 исследований: скрининг диабетической ретинопатии ИИ стабильно точен в реальных условиях, данных о долгосрочных исходах мало.
FL-26	Real-World Diagnostic Accuracy of Fully Autonomous, FDA-Approved Artificial Intelligence Systems for Diabetic Retinopathy Screening in the United States: A Systematic Review and Meta-Analysis	04.08.2026	препринт Research Square	Метаанализ автономных FDA-одобренных систем скрининга ретинопатии в США: высокая чувствительность, но заметно более низкая и неоднородная специфичность.
FL-27	Multisite Real-World Validation of an Electronic Health Record-Integrated Generative Artificial Intelligence Tool for Venous Thromboembolism Risk Stratification	22.06.2026	препринт medRxiv	Ретроспективная валидация инструмента оценки риска венозной тромбоэмболии в Johns Hopkins показала более высокую чувствительность, чем чек-лист, но более низкую специфичность.
FL-28	Artificial intelligence for hospital infection prevention and control: real-world implementation, impact, and the gap beyond model development	30.04.2026	рецензируемый журнал	Систематический обзор по PRISMA: из 59 исследований ИИ для профилактики внутрибольничных инфекций только 9 описывали реальное внедрение.
FL-29	Exploring the Ethical and Practical Considerations of Artificial Intelligence in Real-World Health Care Settings: Stakeholder Focus Group Study	02.04.2026	рецензируемый журнал	Фокус-группы в Texas Medical Center выявили барьеры внедрения клинического ИИ и разногласия об ответственности за ошибки.
FL-30	Real-World Testing of an Artificial Intelligence Conversational Agent as an Early Intervention and Support Tool in the Mental Health Referral Care Pathway: A Mixed-Methods Study	05.03.2026	рецензируемый журнал	РКИ ИИ-собеседника Wysa в NHS Trust: выборка размылась до 46 из 2 161 ожидавших, значимого эффекта на депрессию не нашли.