Адаптация бизнес-моделей цифровых медиа к условиям гиперконкуренции за внимание: потенциал автономных интеллектуальных систем

Введение

Современная медиаиндустрия переживает период глубокой структурной трансформации, обусловленной конвергенцией нескольких факторов: экспоненциальным ростом объема цифрового контента, фрагментацией аудитории между множеством платформ и каналов дистрибуции, а также стремительным развитием технологий искусственного интеллекта. По данным крупнейшего ежегодного исследования медиапотребления, охватывающего около 100 000 респондентов из 48 стран, в 2024–2025 гг. произошел ускоренный переход аудитории к социальным сетям и видеоплатформам: доля пользователей, потребляющих новости через социальное видео, выросла с 52 % до 65 %^[1] [1, с. 8–12]. Одновременно фиксируется появление принципиально нового канала получения информации — AI-чатботов, которые уже используют 7 % респондентов еженедельно, а среди молодежи этот показатель достигает 15 % [1, с. 14].

Экономические параметры отрасли также свидетельствуют о масштабности происходящих изменений. Глобальные доходы индустрии развлечений и медиа достигли 2,9 трлн долларов в 2024 г. с прогнозом роста до 3,5 трлн долларов к 2029 г., при этом цифровые форматы уже составляют 72 % рекламных доходов с перспективой увеличения до 80 %^[2] [2, с. 4–6]. Параллельно корпоративные инвестиции в технологии искусственного интеллекта достигли рекордных 252,3 млрд долларов в 2024 г., а доля организаций, использующих ИИ, выросла с 55 % в 2023 г. до 78 % в 2024 г.^[3] [3, с. 18–22].

В этих условиях перед медиакомпаниями встает задача адаптации бизнес-моделей к реалиям гиперконкуренции за внимание аудитории. Концепция экономики внимания, восходящая к работам Г. Саймона и получившая развитие в трудах современных исследователей, постулирует, что в условиях информационного изобилия именно внимание становится дефицитным ресурсом и, следовательно, ключевым объектом конкуренции^[4] [4, с. 2–4]. Исследователи фиксируют формирование «спирали дефицита внимания», когда нарастающая конкуренция за внимание приводит к избыточному медиапотреблению, снижению глубины восприятия контента и росту дезинформации [4, с. 6–8].

Научная проблема исследования заключается в противоречии между потребностью медиакомпаний в эффективных инструментах захвата и удержания аудитории, с одной стороны, и рисками, связанными с внедрением автономных интеллектуальных систем, — с другой. Как показывают эмпирические исследования, основанные на 121 интервью с работниками медиаорганизаций США, Великобритании и Германии, внедрение ИИ усиливает зависимость издателей от платформенных компаний (Google, Meta, Microsoft), создавая новые зависимости на стороне производства контента^[5] [5, с. 152–156].

Степень разработанности проблемы неоднородна, так, теоретические основы экономики внимания представлены в работах зарубежных авторов, концептуализирующих внимание как «символическую валюту» цифровой эпохи^[6] [6, с. 20–24]. Бизнес-модели медиа систематизированы в фундаментальных работах российских медиаэкономистов^[7] [7, с. 156–178]. Проблематика ИИ в медиа активно разрабатывается как зарубежными^[8] [8], так и отечественными исследователями^[9] [9, с. 5–12]. Вместе с тем комплексный анализ потенциала автономных интеллектуальных систем для адаптации бизнес-моделей цифровых медиа в условиях гиперконкуренции за внимание остается недостаточно разработанным, особенно применительно к российскому контексту.

Цель исследования — выявить потенциал автономных интеллектуальных систем для адаптации бизнес-моделей цифровых медиа к условиям гиперконкуренции за внимание. Достижение цели предполагает решение комплекса взаимосвязанных задач: систематизацию теоретических подходов к экономике внимания в контексте цифровых медиа; классификацию бизнес-моделей цифровых медиа и механизмов их адаптации; разработку классификации направлений применения автономных интеллектуальных систем в медиаиндустрии; проведение сравнительного анализа регуляторных рамок применения ИИ в медиа; определение перспектив и рисков использования автономных интеллектуальных систем для удержания аудитории.

Научная новизна исследования состоит в разработке авторской классификации направлений применения автономных интеллектуальных систем для адаптации бизнес-моделей цифровых медиа, а также в интеграции российского и зарубежного опыта регулирования ИИ в медиасфере в единую аналитическую рамку.

Материалы и методы

Методологическую основу исследования составляет системный подход, позволяющий рассматривать медиаиндустрию как сложную социально-экономическую систему, функционирующую в условиях динамично меняющейся технологической среды. Исследование носит теоретико-аналитический характер и основано на комплексе взаимодополняющих методов. Метод анализа и синтеза научной литературы применен для систематизации теоретических подходов к экономике внимания, бизнес-моделям цифровых медиа и применению ИИ в медиаиндустрии. Проанализированы публикации из баз данных Scopus, Web of Science, РИНЦ за период 2021–2026 гг. Отбор источников осуществлялся по критериям релевантности теме исследования, научной значимости (индексация в рецензируемых изданиях) и актуальности (приоритет отдавался публикациям 2023–2026 гг.). Сравнительный анализ применялся для сопоставления регуляторных подходов к применению ИИ в медиа в России и Европейском союзе, а также для выявления общего и особенного в бизнес-моделях цифровых медиа различных типов. Метод классификации и типологизации использовался для разработки авторской классификации направлений применения автономных интеллектуальных систем в медиаиндустрии на основе синтеза эмпирических данных из проанализированных источников. Вторичный анализ данных применен к материалам аналитических отчетов ведущих исследовательских центров, таких как: Reuters Institute for the Study of Journalism [1], PricewaterhouseCoopers [2], Stanford Institute for Human-Centered Artificial Intelligence [3], Deloitte^[10] [10], McKinsey & Company^[11] [11]. Данные отчетов использованы для количественной характеристики трендов медиаиндустрии и верификации теоретических положений.

Среди нормативно-правовых актов проанализированы: Закон РФ «О средствах массовой информации»^[12] [12], Федеральный закон «Об информации, информационных технологиях и о защите информации»^[13] [13], Указ Президента РФ «О развитии искусственного интеллекта в Российской Федерации»^[14] [14], Регламент ЕС об искусственном интеллекте (AI Act)^[15] [15] и Регламент о цифровых услугах (DSA)^[16] [16]. Ограничения исследования связаны с его теоретико-аналитическим характером: выводы основаны на вторичном анализе данных без проведения собственного эмпирического исследования. Кроме того, высокая динамика развития технологий ИИ обусловливает ограниченную временну́ю актуальность отдельных количественных показателей.

Результаты

Теоретической основой анализа конкурентной среды цифровых медиа выступает концепция экономики внимания. В условиях информационного изобилия внимание аудитории становится ограниченным ресурсом, за который конкурируют производители контента, платформы и рекламодатели. Современные исследователи развивают эту концепцию, предлагая рассматривать внимание как «универсальную символическую валюту» цифровой среды [6, с. 21–23]. Согласно двухпоточной модели, внимание существует в двух формах: «кристаллизованное» (calcified attention), накапливаемое в виде подписчиков, репутации и социального капитала, и «потоковое» (flow attention), представляющее собой непосредственное взаимодействие с контентом [6, с. 24–26].

Динамика конкуренции за внимание описывается моделью «спирали дефицита внимания» [4, с. 5–7]. По мере роста объема доступного контента пользователи вынуждены распределять ограниченный ресурс внимания между все бо́льшим числом источников, что приводит к снижению глубины восприятия и сокращению времени взаимодействия с отдельными единицами контента. Производители контента, в свою очередь, реагируют на это усилением борьбы за внимание, прибегая к сенсационализму, кликбейту и манипулятивным техникам, что еще более усугубляет проблему информационной перегрузки. Эмпирические данные подтверждают нарастание фрагментации медиапотребления. Согласно отчету Reuters Institute, доля пользователей, проявляющих высокий интерес к новостям, снизилась с 63 % в 2017 г. до 46 % в 2024 г. [1, с. 10]. Одновременно происходит перераспределение внимания между каналами: социальные сети и видеоплатформы усиливают позиции за счет традиционных медиа и даже веб-сайтов издателей. Особую роль приобретают алгоритмы рекомендаций, определяющие, какой контент получит внимание пользователя. В этом контексте алгоритмические рекомендательные системы выступают ключевым инструментом конкуренции за внимание. Систематический обзор исследований новостных рекомендательных систем демонстрирует двойственность их влияния: с одной стороны, они повышают релевантность контента для пользователя, с другой — создают риски «фильтровых пузырей» и снижения разнообразия информационного рациона^[17] [17, с. 92–98].

Бизнес-модели цифровых медиа претерпевают существенную трансформацию под воздействием технологических и рыночных факторов. Традиционная типология выделяет четыре базовые модели: рекламную, подписную, транзакционную и гибридную [7, с. 162–170]. В условиях цифровизации происходит конвергенция этих моделей и появление новых форм монетизации, связанных с платформенной экономикой. Анализ экономических характеристик новостной индустрии в контексте ИИ позволяет выделить ключевые особенности современных бизнес-моделей медиа: двусторонняя структура рынка (аудитория и рекламодатели), сетевые эффекты, платформенная функция журналистики^[18] [18, с. 248–252]. Исследование скандинавских медиакомпаний за период 2016–2023 гг. показало, что внедрение программатик-рекламы и ИИ-инструментов существенно влияет на структуру собственности и организационные формы медиабизнеса [18, с. 253–254].

Российская медиасистема характеризуется собственными особенностями трансформации бизнес-моделей. Исследователи выделяют два типа моделей использования ИИ в отечественной медиакоммуникационной индустрии: экосистемную и медийную^[19] [19, с. 28–35]. Экосистемная модель характерна для крупных технологических компаний (Яндекс, VK, Сбер), которые используют ИИ для экстенсивного захвата рынка и интеграции медийных сервисов в более широкие цифровые экосистемы. Медийная модель предполагает применение ИИ для оптимизации внутренних процессов традиционными медиакомпаниями. Особую проблему представляет нарастающая платформенная зависимость медиакомпаний. На основе масштабного эмпирического исследования (121 интервью) установлено, что внедрение ИИ не только не снижает, но усиливает зависимость издателей от технологических платформ [5, с. 158–164]. Это происходит по нескольким каналам: зависимость от инфраструктуры машинного обучения (облачные сервисы), зависимость от данных (аудиторная аналитика), зависимость от дистрибуции (алгоритмы ранжирования). Формируется парадоксальная ситуация: инструменты, призванные повысить конкурентоспособность медиакомпаний, одновременно усиливают структурные диспропорции рынка.

Таблица 1

Сравнительный анализ бизнес-моделей цифровых медиа

Источник: составлено автором по данным^[20],^[21].

Итак, можно констатировать, что каждая из бизнес-моделей предполагает специфическую роль автономных интеллектуальных систем. В рекламной модели ИИ выступает инструментом повышения эффективности монетизации внимания через точное таргетирование; в подписной — средством удержания аудитории через персонализацию опыта; в платформенной — системообразующим элементом, определяющим саму логику функционирования бизнеса. При этом все модели в той или иной степени подвержены риску усиления платформенной зависимости при внедрении ИИ-решений, разработанных технологическими гигантами. Существенно, что трансформация бизнес-моделей происходит в условиях изменения структуры доходов отрасли. Прогнозируется перераспределение около 60 млрд долларов годового дохода в течение пяти лет после массового внедрения ИИ в видеоконтентной индустрии [11]. ИИ характеризуется как «наиболее значимый платформенный сдвиг в истории индустрии», сопоставимый по масштабу с переходом к цифровому вещанию.

На основе синтеза проанализированных источников разработана авторская классификация направлений применения автономных интеллектуальных систем в медиаиндустрии (табл. 2). Классификация построена по критерию этапа медиапроизводственного цикла и характера воздействия на бизнес-модель.

Таблица 2

Классификация направлений применения автономных интеллектуальных систем в медиаиндустрии

Источник: составлено автором по данным^[22],^[23].

Так, автономные интеллектуальные системы проникают во все этапы медиапроизводственного цикла, однако степень автономности и характер воздействия на бизнес-модель существенно различаются. Наиболее высокий уровень автономности характерен для систем персонализации, оптимизации дистрибуции и таргетирования — именно эти направления непосредственно связаны с конкуренцией за внимание аудитории. Системы автоматизации производства контента, напротив, преимущественно функционируют в режиме «human-in-the-loop», предполагающем редакторский контроль на выходе. Эмпирическое исследование журналистов — ранних пользователей генеративного ИИ в Нидерландах и Дании выявило 16 конкретных способов использования систем типа ChatGPT и DALL-E на всех этапах производства и дистрибуции новостей^[24] [20, с. 4–12]. Среди преимуществ респонденты отмечали повышение эффективности, возможность обработки больших массивов данных и генерации идей; среди рисков — проблемы точности, потенциальную предвзятость и угрозу профессиональной идентичности.

Исследование процессов рационализации новостного производства под влиянием ИИ, основанное на 143 интервью с журналистами 34 ведущих медиаорганизаций США, Великобритании и Германии, показало системный характер трансформации гейткипинга^[25] [21, с. 8–16]. ИИ подчиняет редакционные процессы логикам эффективности и количественной оптимизации, что имеет неоднозначные последствия для качества журналистики и выполнения ее демократических функций. Отдельного внимания заслуживает проблема встраивания журналистских ценностей в алгоритмы рекомендательных систем. Исследование внедрения рекомендательных систем в скандинавских газетах демонстрирует, как медиаорганизации пытаются кодировать профессиональные ценности (релевантность, общественный интерес, разнообразие) в алгоритмическую логику^[26] [22, с. 930–938]. Формируются практики редакционных «защитных барьеров» (editorial guardrails), призванных обеспечить контроль над алгоритмической курацией.

В российском контексте использование ИИ в медиа развивается по нескольким направлениям. Экспертные оценки академического, инженерного и медиаиндустриального сообществ фиксируют рост применения автоматизированной генерации текстов, роботизированного репортеринга и алгоритмизации редакционных процессов [9, с. 10–18]. При этом отмечается специфика российского рынка: доминирование экосистемных игроков, более низкий уровень регуляторной определенности в сфере ИИ, особенности аудиторных предпочтений.

Регулирование применения ИИ в медиаиндустрии формируется на пересечении нескольких правовых режимов: законодательства о СМИ, информационного права, защиты персональных данных и специального регулирования ИИ. Сравнительный анализ российского и европейского подходов позволяет выявить общие тенденции и национальную специфику (табл. 3).

Таблица 3

Сравнительный анализ регуляторных подходов к ИИ в медиа

Источник: составлено автором по данным^[27].

Наблюдаются принципиальные различиия регуляторных философий. Российский подход характеризуется приоритетом стимулирования развития ИИ-технологий при относительно мягком регулировании применения. Национальная стратегия развития ИИ, утвержденная в 2019 г. и обновленная в 2024 г., определяет приоритеты внедрения ИИ в отрасли экономики, включая медиасферу, и вводит понятие «больших фундаментальных моделей» [14]. Регулирование рекомендательных технологий (ст. 10.2-2 ФЗ-149, введенная в 2023 г.) устанавливает требования к информированию пользователей, но не предусматривает детальной регламентации алгоритмов [13].

Европейский подход, напротив, основан на риск-ориентированной модели с акцентом на защиту прав граждан. AI Act классифицирует ИИ-системы по уровням риска и устанавливает дифференцированные требования [15]. Системы, манипулирующие поведением пользователей, отнесены к категории высокого риска; генеративные системы общего назначения (GPAI) подчинены специальным требованиям прозрачности. DSA дополняет этот режим обязательствами платформ по раскрытию логики рекомендательных алгоритмов и запретом манипулятивных интерфейсов (dark patterns) [16].

Для медиакомпаний, оперирующих на российском рынке, регуляторная среда характеризуется относительной свободой внедрения ИИ-решений при необходимости соблюдения общих требований к рекомендательным технологиям и защите персональных данных [О персональных данных : Федер. закон от 27 июля 2006 г. № 152-ФЗ : (ред. от 24 июня 2025 г.) // Собрание законодательства Российской Федерации. — 2006. — № 31 (ч. I). — Ст. 3451.] [23]. Для компаний, работающих с европейской аудиторией, необходим учет более строгих требований AI Act и DSA.

Обсуждение

Полученные результаты позволяют сформулировать ряд положений относительно потенциала автономных интеллектуальных систем для адаптации бизнес-моделей цифровых медиа. Во-первых, автономные интеллектуальные системы представляют собой действенный инструмент оптимизации всех этапов медиапроизводственного цикла, однако их внедрение не решает системных проблем медиаэкономики, связанных с фрагментацией аудитории и перераспределением рекламных бюджетов в пользу технологических платформ. Более того, как показывают эмпирические исследования [5; 21], ИИ способен усугублять структурные диспропорции рынка, усиливая зависимость издателей от инфраструктуры, данных и каналов дистрибуции, контролируемых технологическими гигантами.

Кроме этого, выявлен парадокс внедрения ИИ в медиаиндустрии: технологии, повышающие операционную эффективность отдельных компаний, одновременно укрепляют рыночные позиции платформ, предоставляющих соответствующую инфраструктуру. Этот парадокс имеет важные импликации для стратегического планирования: медиакомпании должны оценивать не только непосредственные выгоды от внедрения ИИ, но и долгосрочные эффекты с точки зрения сохранения автономии и конкурентоспособности.

В-третьих, целесообразно различать две траектории внедрения ИИ: «ИИ для эффективности» и «ИИ для качества». Первая траектория предполагает использование автономных систем преимущественно для снижения затрат и масштабирования производства, что характерно для рекламной бизнес-модели. Вторая траектория ориентирована на повышение ценности контента для аудитории через персонализацию, верификацию и инновационные форматы, что более релевантно для подписных моделей. Выбор траектории должен определяться стратегическими приоритетами медиакомпании и особенностями ее целевой аудитории.

Результаты исследования согласуются с тезисом о «повороте к ИИ» в журналистике как системном сдвиге, затрагивающем бизнес-модели, профессиональные нормы и демократические функции медиа [8]. Вместе с тем анализ российского контекста показывает специфику отечественной медиасистемы: доминирование экосистемных игроков, интегрирующих медийные сервисы в более широкие цифровые платформы [19, с. 38–42], создает особую конфигурацию конкуренции за внимание, в которой традиционные медиакомпании оказываются в структурно невыгодном положении.

Отдельного обсуждения заслуживает проблема доверия аудитории. Межстрановое исследование (5 стран, более 5000 респондентов) показало, что более высокое восприятие использования рекомендательных систем медиаорганизациями ассоциируется с более низким уровнем доверия к ним^[28] [24, с. 1192]. Это ставит медиакомпании перед дилеммой: интенсивное использование ИИ для удержания аудитории может подрывать доверие — ключевой актив медиабренда. Решение видится в обеспечении прозрачности алгоритмов и коммуникации ценности, которую ИИ создает для пользователя.

Практические рекомендации для медиакомпаний могут быть сформулированы следующим образом. Во-первых, стратегия внедрения ИИ должна учитывать риски усиления платформенной зависимости и предусматривать меры по ее снижению — развитие собственных данных, инвестиции в проприетарные решения, диверсификацию каналов дистрибуции. Также, необходим баланс между алгоритмической оптимизацией и редакционным контролем: практика «редакционных защитных барьеров» [22] представляется перспективным подходом к встраиванию журналистских ценностей в алгоритмическую логику. Наконец, регуляторная среда требует проактивного мониторинга, особенно для компаний, работающих с международной аудиторией.

Ограничения данного исследования связаны с его теоретико-аналитическим характером. Для верификации сформулированных положений необходимы эмпирические исследования российских медиакомпаний — опросы, интервью, кейс-стади. Перспективным направлением представляется также исследование восприятия ИИ-генерированного контента российской аудиторией и его влияния на доверие к медиабрендам. Наконец, высокая динамика технологического развития (появление мультимодальных моделей, агентных систем) требует регулярного обновления аналитических рамок.

Заключение

Обозначим возможный потенциал автономных интеллектуальных систем для адаптации бизнес-моделей цифровых медиа к условиям гиперконкуренции за внимание и сформулируем ряд выводов. Теоретические подходы к экономике внимания, систематизированные в исследовании, формируют концептуальную рамку для анализа конкурентной среды цифровых медиа. Внимание аудитории выступает ограниченным ресурсом и символической валютой цифровой экономики, за которую конкурируют производители контента, платформы и рекламодатели. Нарастающая фрагментация медиапотребления и «спираль дефицита внимания» создают структурные вызовы для традиционных бизнес-моделей медиа.

Разработанная авторская классификация выделяет семь направлений применения автономных интеллектуальных систем в медиаиндустрии: автоматизация производства контента, интеллектуальный анализ данных, персонализация контента, оптимизация дистрибуции, таргетирование рекламы, модерация контента, взаимодействие с аудиторией. Каждое направление характеризуется специфическим влиянием на бизнес-модель и уровнем автономности, что требует дифференцированного подхода к внедрению.

Сравнительный анализ регуляторных подходов выявил принципиальные различия между российской стимулирующей и европейской риск-ориентированной моделями регулирования ИИ. Медиакомпании функционируют в условиях формирующейся регуляторной среды, что создает как возможности для инновационного развития, так и риски регуляторной неопределенности.

Ключевой фактор исследования - парадокс внедрения ИИ. Так автономные интеллектуальные системы выступают эффективным инструментом оптимизации операционных процессов и повышения конкурентоспособности на микроуровне, однако их внедрение способно усиливать структурные диспропорции рынка и зависимость медиакомпаний от технологических платформ на макроуровне. Это требует стратегического подхода к внедрению ИИ, учитывающего не только непосредственные выгоды, но и долгосрочные эффекты для устойчивости медиабизнеса. Теоретическая значимость исследования состоит в интеграции подходов экономики внимания, теории бизнес-моделей и исследований ИИ в медиа в единую аналитическую рамку. Практическая значимость определяется возможностью использования результатов для стратегического планирования внедрения ИИ в медиакомпаниях. Перспективы дальнейших исследований связаны с эмпирической верификацией сформулированных положений на материале российских медиа, мониторингом регуляторных изменений и анализом влияния новых поколений ИИ-технологий (мультимодальные модели, агентные системы) на медиаиндустрию.

Список литературы

1. Newman, N. Reuters Institute Digital News Report 2025 / N. Newman, R. Fletcher, R. K. Nielsen [et al.]. — Oxford : Reuters Institute for the Study of Journalism, University of Oxford, 2025. — URL: https://reutersinstitute.politics.ox.ac.uk/digital-news-report/2025 (дата обращения: 14.02.2026).
2. PwC Global Entertainment & Media Outlook 2025–2029 : Perspectives / PricewaterhouseCoopers. — London : PwC, 2025. — URL: https://www.pwc.com/gx/en/issues/business-model-reinvention/outlook/insights-and-perspectives.html (дата обращения: 08.02.2026).
3. AI Index Report 2025 / Stanford Institute for Human-Centered Artificial Intelligence ; ed. by N. Maslej [et al.]. — Stanford : Stanford University, 2025. — URL: https://hai.stanford.edu/ai-index/2025-ai-index-report (дата обращения: 11.02.2026).
4. Hendriks Vettehen, P. An Attention Economic Perspective on the Future of the Information Age / P. Hendriks Vettehen, G. Schaap // Futures. — 2023. — Vol. 153. — Art. 103243. — DOI: 10.1016/j.futures.2023.103243.
5. Simon, F. M. Escape Me If You Can: How AI Reshapes News Organisations' Dependency on Platform Companies / F. M. Simon // Digital Journalism. — 2024. — Vol. 12, No. 2. — P. 149–170. — DOI: 10.1080/21670811.2023.2287464.
6. Heitmayer, M. The Second Wave of Attention Economics. Attention as a Universal Symbolic Currency on Social Media and beyond / M. Heitmayer // Interacting with Computers. — 2025. — Vol. 37, No. 1. — P. 18–29. — DOI: 10.1093/iwc/iwae035.
7. Медиасистема России : учебник / Е. Л. Вартанова, А. В. Вырковский, Т. Э. Гринберг [и др.] ; под ред. Е. Л. Вартановой. — 2-е изд., испр. — М. : Аспект Пресс, 2021. — 424 с. — ISBN 978-5-7567-1103-5.
8. Dodds, T. The AI Turn in Journalism: Disruption, Adaptation, and Democratic Futures / T. Dodds, R. Zamith, S. C. Lewis // Journalism. — 2026. — DOI: 10.1177/14648849251343518.
9. Давыдов, С. Г. Использование технологий искусственного интеллекта в российских медиа и журналистике / С. Г. Давыдов, А. В. Замков, М. А. Крашенинникова, М. М. Лукина // Вестник Московского университета. Серия 10: Журналистика. — 2023. — № 5. — С. 3–21. — DOI: 10.30547/vestnik.journ.5.2023.321.
10. Digital Media Trends, 18th Edition / Deloitte Center for Technology, Media & Telecommunications. — New York : Deloitte Insights, 2024. — URL: https://www.deloitte.com/us/en/insights/industry/technology/digital-media-trends-consumption-habits-survey/2024/digital-media-trends-introduction.html (дата обращения: 05.02.2026).
11. Vickers, J. What AI Could Mean for Film and TV Production and the Industry's Future / J. Vickers, M. Brodherson, A. Wrubel, C. Bernard // McKinsey & Company. — 2026. — 23 Jan. — URL: https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/what-ai-could-mean-for-film-and-tv-production-and-the-industrys-future (дата обращения: 17.02.2026).
12. О средствах массовой информации : Закон Рос. Федерации от 27 дек. 1991 г. № 2124-I : (ред. от 23 июля 2025 г.) // Ведомости Съезда народных депутатов Российской Федерации и Верховного Совета Российской Федерации. — 1992. — № 7. — Ст. 300.
13. Об информации, информационных технологиях и о защите информации : Федер. закон от 27 июля 2006 г. № 149-ФЗ : (ред. от 29 дек. 2025 г.) // Собрание законодательства Российской Федерации. — 2006. — № 31 (ч. I). — Ст. 3448.
14. О развитии искусственного интеллекта в Российской Федерации : Указ Президента Рос. Федерации от 10 окт. 2019 г. № 490 : (ред. от 15 февр. 2024 г.) // Собрание законодательства Российской Федерации. — 2019. — № 41. — Ст. 5700.
15. Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act) // Official Journal of the European Union. — OJ L, 2024/1689. — 12.07.2024.
16. Regulation (EU) 2022/2065 of the European Parliament and of the Council of 19 October 2022 on a Single Market For Digital Services and amending Directive 2000/31/EC (Digital Services Act) // Official Journal of the European Union. — L 277. — 27.10.2022. — P. 1–102.
17. Mitova, E. News Recommender Systems: A Programmatic Research Review / E. Mitova, S. Blassnig, E. Strikovic [et al.] // Annals of the International Communication Association. — 2023. — Vol. 47, No. 1. — P. 84–113. — DOI: 10.1080/23808985.2022.2142149.
18. Sjøvaag, H. The Business of News in the AI Economy / H. Sjøvaag // AI Magazine. — 2024. — Vol. 45, No. 2. — P. 246–255. — DOI: 10.1002/aaai.12172.
19. Вартанов, С. А. Российская модель использования ИИ в цифровых экосистемах медиакоммуникационной индустрии / С. А. Вартанов, А. Ю. Тышецкая // Вестник Московского университета. Серия 10: Журналистика. — 2025. — № 5. — С. 23–47. — DOI: 10.55959/msu.vestnik.journ.5.2025.2353.
20. Cools, H. Uses of Generative AI in the Newsroom: Mapping Journalists' Perceptions of Perils and Possibilities / H. Cools, N. Diakopoulos // Journalism Practice. — 2024. — DOI: 10.1080/17512786.2024.2394558.
21. Simon, F. M. Rationalisation of the News: How AI Reshapes and Retools the Gatekeeping Processes of News Organisations in the United Kingdom, United States and Germany / F. M. Simon // New Media & Society. — 2025. — DOI: 10.1177/14614448251336423.
22. Møller, L. A. Designing Algorithmic Editors: How Newspapers Embed and Encode Journalistic Values into News Recommender Systems / L. A. Møller // Digital Journalism. — 2024. — Vol. 12, No. 7. — P. 926–944. — DOI: 10.1080/21670811.2023.2215832.
23. О персональных данных : Федер. закон от 27 июля 2006 г. № 152-ФЗ : (ред. от 24 июня 2025 г.) // Собрание законодательства Российской Федерации. — 2006. — № 31 (ч. I). — Ст. 3451.
24. Blassnig, S. User Perceptions of News Recommender Systems and Trust in Media Outlets: A Five-Country Study / S. Blassnig, E. Strikovic, E. Mitova [et al.] // Journalism Studies. — 2024. — Vol. 25, No. 9. — P. 1182–1204. — DOI: 10.1080/1461670X.2024.2364628.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. О средствах массовой информации : Закон Рос. Федерации от 27 дек. 1991 г. № 2124-I : (ред. от 23 июля 2025 г.) // Ведомости Съезда народных депутатов Российской Федерации и Верховного Совета Российской Федерации. — 1992. — № 7. — Ст. 300.
2. Об информации, информационных технологиях и о защите информации : Федер. закон от 27 июля 2006 г. № 149-ФЗ : (ред. от 29 дек. 2025 г.) // Собрание законодательства Российской Федерации. — 2006. — № 31 (ч. I). — Ст. 3448.
3. О персональных данных : Федер. закон от 27 июля 2006 г. № 152-ФЗ : (ред. от 24 июня 2025 г.) // Собрание законодательства Российской Федерации. — 2006. — № 31 (ч. I). — Ст. 3451.
4. О развитии искусственного интеллекта в Российской Федерации : Указ Президента Рос. Федерации от 10 окт. 2019 г. № 490 : (ред. от 15 февр. 2024 г.) // Собрание законодательства Российской Федерации. — 2019. — № 41. — Ст. 5700.
5. Regulation (EU) 2022/2065 of the European Parliament and of the Council of 19 October 2022 on a Single Market For Digital Services and amending Directive 2000/31/EC (Digital Services Act) // Official Journal of the European Union. — L 277. — 27.10.2022. — P. 1–102.
6. Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act) // Official Journal of the European Union. — OJ L, 2024/1689. — 12.07.2024.
7. Бесхмельнов, М. И. Применение алгоритмов машинного обучения для исследования конкурентоспособности организаций в условиях цифровой экономики : монография / М. И. Бесхмельнов. — М. : СОЛОН-Пресс, 2023. — 103 с.
8. Бодрунова, С. С. Искусственный интеллект в медиасфере: направления исследования, профессиональные противоречия и новые риски / С. С. Бодрунова, К. Р. Нигматуллина // Вестник Московского университета. Серия 10: Журналистика. — 2025. — № 5. — С. 3–22. — DOI: 10.55959/msu.vestnik.journ.5.2025.322.
9. Вартанов, С. А. Российская модель использования ИИ в цифровых экосистемах медиакоммуникационной индустрии / С. А. Вартанов, А. Ю. Тышецкая // Вестник Московского университета. Серия 10: Журналистика. — 2025. — № 5. — С. 23–47. — DOI: 10.55959/msu.vestnik.journ.5.2025.2353.
10. Вартанова, Е. Л. Меняющаяся архитектура медиа и цифровые платформы / Е. Л. Вартанова // Меди@льманах. — 2022. — № 1 (108). — С. 8–13. — DOI: 10.30547/mediaalmanah.1.2022.813.
11. Давыдов, С. Г. Использование технологий искусственного интеллекта в российских медиа и журналистике / С. Г. Давыдов, А. В. Замков, М. А. Крашенинникова, М. М. Лукина // Вестник Московского университета. Серия 10: Журналистика. — 2023. — № 5. — С. 3–21. — DOI: 10.30547/vestnik.journ.5.2023.321.
12. Дин Шуи. Цифровая трансформация управления организациями с использованием платформенного подхода : дис. ... канд. экон. наук : 08.00.05 / Дин Шуи. — М., 2023. — 187 с.
13. Кафтан, В. В. Коммуникации в условиях цифровой трансформации современного российского общества : монография / В. В. Кафтан, А. М. Шестерина. — М. : КноРус, 2023. — 201 с.
14. Кафтан, В. В. Концепции, практики и технологии современных медиа : учебник / В. В. Кафтан. — М. : КноРус, 2023. — 514 с.
15. Медиасистема России : учебник / Е. Л. Вартанова, А. В. Вырковский, Т. Э. Гринберг [и др.] ; под ред. Е. Л. Вартановой. — 2-е изд., испр. — М. : Аспект Пресс, 2021. — 424 с. — ISBN 978-5-7567-1103-5.
16. Отечественная теория медиа: основные понятия : словарь / под ред. Е. Л. Вартановой. — 2-е изд. — М. : Изд-во Моск. ун-та, 2024. — 246 с.
17. Стратегические коммуникации: теория и практика : коллективная монография / Т. Э. Гринберг, В. А. Евстафьев, М. А. Кузьменкова [и др.] ; под общ. ред. Т. Э. Гринберг, В. А. Евстафьева. — М. : Аспект Пресс, 2023. — 262 с. — ISBN 978-5-7567-1261-2.
18. Фазульянов, Д. В. Адаптивная рекомендательная система для медиасервисов: анализ пользовательских взаимодействий и их влияние на персонализацию контента / Д. В. Фазульянов, А. И. Гусева // Современные наукоемкие технологии. — 2024. — № 5-1. — С. 82–88. — DOI: 10.17513/snt.40009.
19. Шацкая, А. Д. Телеконтент в новых медиа: Работа телевизионных каналов с эфирным контентом в Интернете : монография / А. Д. Шацкая, М. И. Макеенко. — М. : Аспект Пресс, 2022. — 144 с. — ISBN 978-5-7567-1161-5.
20. Blassnig, S. User Perceptions of News Recommender Systems and Trust in Media Outlets: A Five-Country Study / S. Blassnig, E. Strikovic, E. Mitova [et al.] // Journalism Studies. — 2024. — Vol. 25, No. 9. — P. 1182–1204. — DOI: 10.1080/1461670X.2024.2364628.
21. Cools, H. Uses of Generative AI in the Newsroom: Mapping Journalists' Perceptions of Perils and Possibilities / H. Cools, N. Diakopoulos // Journalism Practice. — 2024. — DOI: 10.1080/17512786.2024.2394558.
22. Dodds, T. Popularity-Driven Metrics: Audience Analytics and Shifting Opinion Power to Digital Platforms / T. Dodds, C. de Vreese, N. Helberger [et al.] // Journalism Studies. — 2023. — Vol. 24, No. 3. — P. 403–421. — DOI: 10.1080/1461670X.2023.2167104.
23. Dodds, T. The AI Turn in Journalism: Disruption, Adaptation, and Democratic Futures / T. Dodds, R. Zamith, S. C. Lewis // Journalism. — 2026. — DOI: 10.1177/14648849251343518.
24. Heitmayer, M. The Second Wave of Attention Economics. Attention as a Universal Symbolic Currency on Social Media and beyond / M. Heitmayer // Interacting with Computers. — 2025. — Vol. 37, No. 1. — P. 18–29. — DOI: 10.1093/iwc/iwae035.
25. Hendriks Vettehen, P. An Attention Economic Perspective on the Future of the Information Age / P. Hendriks Vettehen, G. Schaap // Futures. — 2023. — Vol. 153. — Art. 103243. — DOI: 10.1016/j.futures.2023.103243.
26. Mitova, E. News Recommender Systems: A Programmatic Research Review / E. Mitova, S. Blassnig, E. Strikovic [et al.] // Annals of the International Communication Association. — 2023. — Vol. 47, No. 1. — P. 84–113. — DOI: 10.1080/23808985.2022.2142149.
27. Møller, L. A. Designing Algorithmic Editors: How Newspapers Embed and Encode Journalistic Values into News Recommender Systems / L. A. Møller // Digital Journalism. — 2024. — Vol. 12, No. 7. — P. 926–944. — DOI: 10.1080/21670811.2023.2215832.
28. Simon, F. M. Escape Me If You Can: How AI Reshapes News Organisations' Dependency on Platform Companies / F. M. Simon // Digital Journalism. — 2024. — Vol. 12, No. 2. — P. 149–170. — DOI: 10.1080/21670811.2023.2287464.
29. Simon, F. M. Rationalisation of the News: How AI Reshapes and Retools the Gatekeeping Processes of News Organisations in the United Kingdom, United States and Germany / F. M. Simon // New Media & Society. — 2025. — DOI: 10.1177/14614448251336423.
30. Sjøvaag, H. The Business of News in the AI Economy / H. Sjøvaag // AI Magazine. — 2024. — Vol. 45, No. 2. — P. 246–255. — DOI: 10.1002/aaai.12172.
31. AI Index Report 2025 / Stanford Institute for Human-Centered Artificial Intelligence ; ed. by N. Maslej [et al.]. — Stanford : Stanford University, 2025. — URL: https://hai.stanford.edu/ai-index/2025-ai-index-report (дата обращения: 11.02.2026).
32. Digital Media Trends, 18th Edition / Deloitte Center for Technology, Media & Telecommunications. — New York : Deloitte Insights, 2024. — URL: https://www.deloitte.com/us/en/insights/industry/technology/digital-media-trends-consumption-habits-survey/2024/digital-media-trends-introduction.html (дата обращения: 05.02.2026).
33. Newman, N. Reuters Institute Digital News Report 2025 / N. Newman, R. Fletcher, R. K. Nielsen [et al.]. — Oxford : Reuters Institute for the Study of Journalism, University of Oxford, 2025. — URL: https://reutersinstitute.politics.ox.ac.uk/digital-news-report/2025 (дата обращения: 14.02.2026).
34. PwC Global Entertainment & Media Outlook 2025–2029 : Perspectives / PricewaterhouseCoopers. — London : PwC, 2025. — URL: https://www.pwc.com/gx/en/issues/business-model-reinvention/outlook/insights-and-perspectives.html (дата обращения: 08.02.2026).
35. Vickers, J. What AI Could Mean for Film and TV Production and the Industry's Future / J. Vickers, M. Brodherson, A. Wrubel, C. Bernard // McKinsey & Company. — 2026. — 23 Jan. — URL: https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/what-ai-could-mean-for-film-and-tv-production-and-the-industrys-future (дата обращения: 17.02.2026).