Üretken Yapay Zekanın Haberin Geleceği Üzerindeki Etkisini Keşfetmek

Geçtiğimiz hafta New York Times , Google'ın haber kuruluşlarının yapay zeka kullanarak içerik oluşturmasına olanak tanıyan bir yapay zeka aracını test ettiğini bildirdi. Ürünün tam özelliklerinin ne olduğu belli değil ancak Google'dan gelen bir yoruma göre, başlıklar ve yazı stillerini değiştirme gibi görevlerde yardımcı oluyor. Bunun gazetecilerin işlerine nasıl bir etkisi olabileceğine dair korkuların ortasında, Google hemen açıklayıcı bir açıklama yaptı:

Amacımız gazetecilere bu gelişen teknolojileri işlerini ve üretkenliklerini artıracak şekilde kullanma seçeneğini sunmaktır. Oldukça basit bir ifadeyle bu araçlar, gazetecilerin haber yapma, oluşturma ve makalelerini doğrulama konusunda sahip oldukları temel rolün yerini almayı amaçlamaz ve alamaz.

Bu durum, üretken yapay zeka ile haberlerin geleceği hakkında hararetli bir tartışmayı ateşledi. Yapay zeka ürünleri üreten şirketler, bu teknolojinin medya kuruluşlarının ve gazetecilerin daha etkili olmasını sağlayacağını savunurken, eleştirmenler bunun potansiyel olarak gazetecilerin işlerine zarar verebileceğini, yanlış bilgileri artırabileceğini ve pazarı yapay zeka tarafından oluşturulan düşük kaliteli içerikle doldurabileceğini iddia ediyor.

Bu yazıda, birkaç şeyi inceleyerek üretken yapay zekanın haberlerin geleceği üzerindeki etkisini açığa çıkarıyoruz:

• Günümüzde karmaşıklığa göre haber makalesi türleri
• Habercilik işi
• Haber üretmenin anatomisi
• Üretken yapay zekanın yapabileceği ve yapamayacağı şeyler
• Üretken Yapay Zeka ve Haberin Geleceği — İki dünyanın hikayesi

Günümüzde karmaşıklığa göre haber makalesi türleri

İnternette, her birinin üretiminde farklı düzeylerde karmaşıklık bulunan çeşitli haber içeriği türleri vardır. Karmaşıklık genellikle zamanlılık, gerekli araştırma miktarı ve anlatılan hikaye gibi faktörlerden kaynaklanır.

Düşük karmaşıklıktaki makaleler şunları içerir:

• Gerçek/veri haberleri (örneğin, San Francisco'daki ipotek oranlarını listeleyen makale, bir şirketin kazanç çağrısından alınan rakamların yer aldığı makale) - bunlar minimum düzeyde öznel görüş veya bakış açısıyla nispeten basittir.

  
  

• İlgi alanına dayalı/bilgilendirici haberler (örneğin, NY Times Cooking'de yayınlanan yaz tarifleri, Fed faiz oranının ne anlama geldiğini açıklayan bir makale) — konu seçiminde biraz yaratıcılık vardır ancak odak noktası daha bilgilendiricidir ve belirli ilgi alanlarına hitap etmektedir.

  
  

• Son dakika haberler (örneğin, bir CEO'nun istifasıyla ilgili bir makale, aktif bir hava durumunu anlatan bir makale) — bunlar genellikle hızla gelişen bir olayla ilgili, sınırlı başlangıç bilgisi ve ortaya çıkan gerçekleri içeren kısa makalelerdir.

Yüksek karmaşıklığa sahip makaleler şunları içerir:

• Haber kapsamı (bağlam, araştırma ve gerçeklerle birlikte) — bunlar, araştırma, ek bağlam ve sıklıkla insanlarla yapılan röportajlarla desteklenen haberlerin daha ayrıntılı bir açıklamasını sağlar, dolayısıyla üretmek için daha fazla zaman ve çaba gerektirir; aynı zamanda kapsamlı bir şekilde kontrol ediliyorlar.

  
  

• Yorumlayıcı haberler — buna güncel meselelerle ilgili yorumlar/perspektifler/görüşler sunan görüş yazıları, köşe yazıları ve analizler (bunun gibi) dahildir; genellikle özneldirler ve bakış açılarını desteklemek için kapsamlı araştırmalar gerektirirler.

  
  

• Özellik parçaları - bunlar genellikle şu anda gerçekten sıcak haber olmayabilecek ancak önemli konular hakkında derinlemesine incelemelerdir; araştırmacı gazetecilik bu kategoriye girer; bunlar aylara yayılan kapsamlı araştırma ve röportajların yanı sıra yaratıcı hikaye anlatımı gerektirir.

Bu kategorizasyonu gündeme getiriyorum çünkü bu iki tür makalenin üretilmesinin ardındaki amaç ve süreç çok farklı ve sonuç olarak üretken yapay zeka kullanımıyla farklı şekilde gelişecek. Bunu aklımızda tutarak haberin nasıl para kazandırdığını konuşalım.

Habercilik işi

Habercilik işi çetrefilli bir iş; çoğu haber kuruluşu reklam destekli bir medya modeli üzerinde çalışıyor ve küçük bir alt küme, aboneliklere geçmeyi başarıyla başardı. Bunun bir haber kuruluşunun ürettiği içerik türü üzerinde önemli etkileri vardır.

Aboneliğe dayalı haber şirketleri (NYTimes artık gelirlerinin yaklaşık %70'ini aboneliklerden alıyor) doğrudan tüketici değerine bağlı bir içerik stratejisine sahip; aboneliği değerli kılmak için yüksek kaliteli içeriğe + çeşitli ilgi alanına dayalı içeriğe odaklanın. Örneğin, yukarıdaki içerik türlerinden NYT öncelikle haber kapsamı (iyi araştırılmış), yorumsal haberler ve ana haber teklifleri için NYT Cooking ve Wirecutter gibi ilgi alanına dayalı içeriklerle desteklenen öne çıkan parçalar sunar. Wall Street Journal ve Washington Post gibi diğer bazı yayınlar da benzer bir yaklaşım kullanarak abonelik konusunda ilerleme kaydetti.

Ancak çoğu yayın hâlâ reklam desteklidir ve öngörülebilir gelecekte de böyle olmaya devam edecektir. Bu, yüksek etkileşim oluşturmaya odaklandıkları anlamına gelir: daha fazla göz → daha fazla reklam envanteri → daha fazla gelir. Onlar için daha etkili olan strateji , yüksek karmaşıklığa sahip içeriği (haber kapsamı, yorumlayıcı haberler gibi) bir ton yüksek hacimli, düşük karmaşıklığa sahip içerikle (gerçek/veri haberleri, ilgi alanına dayalı/bilgilendirici haberler gibi) artırmaktır.

Bu strateji işe yarar çünkü yüksek karmaşıklıktaki içerik tüketicilere uzun vadeli değer sağlamaya yardımcı olurken, düşük karmaşıklıktaki tonlarca içerik de SEO oyununu kazanmanın yanı sıra gözbebeklerinin dikkatini çekmeye yardımcı olur. SEO döngüsü şuna benzer: Tıklama alan yüksek hacimli içerik → arama motorları içeriğinizin değerli olduğunu düşünüyor → tüm içeriğiniz daha üst sıralarda yer alıyor → daha fazla ilgi görüyor.

Bu bir strateji eleştirisi değildir ve reklam destekli medya için SEO oyununun oynanması bir zorunluluktur. Gerçek şu ki, haber medyası berbat bir iş ; internet, içeriğin oluşturulma ve dağıtılma şeklini bozdu (bugün çoğunlukla Google Arama / Meta aracılığıyla) ve haber kuruluşları bu kesintinin etkisinden kurtulamadı. Dengesizliği düzeltmeye yönelik girişimler var ve bu girişimler hâlâ gelişiyor - Kanada/Avustralya, Google/Meta'yı iyi gazeteciliği desteklemek için esasen bir "bozucu vergi" ödemeye zorlayan yasalar çıkardı; NPR gibi bazı kuruluşlar kısmen federal finansmanla destekleniyor ve bazıları Washington Post gibi gazeteler (genellikle iyi niyetli) milyarderler tarafından destekleniyor .

Bütün bunları söylemek gerekirse, haber medyası/gazetecilik, iyi işleyen bir demokrasi için kesinlikle gerekli bir kamu hizmetidir, ancak o kadar da iyi olmayan bir iş. Bu nedenle, bu haber işletmeleri ne kadar kendine güvenebilirse (düzenlemelere veya milyarderlere bağlı kalmak zorunda kalmadan), misyonlarını gerçekleştirmede o kadar etkili olabilirler. Üretken yapay zeka, tüm bu yapısal zorlukları (özellikle içerik dağıtımı) çözemez ancak kaliteden ödün vermeden içerik oluşturmayı kesinlikle daha verimli hale getirebilir.

Haber üretmenin anatomisi

Üretken yapay zekanın haber üretiminin hangi kısmında en fazla etkiye sahip olacağını anlamak için bir haber makalesinin yayınlanmasıyla ilgili farklı adımları anlamak faydalı olacaktır.

Çabayı birkaç ardışık bileşene ayırabiliriz:

• Araştırma – bir konu bulmak, gerçekleri/verileri toplamak, alıntılar veya bakış açıları için doğru insanlarla konuşmak
• Hikaye Anlatma: İlgi çekici bir hikaye oluşturmak için araştırmayı anlamlı kılmak
• Yazma - hikayeyi bir makale oluşturan gerçek kelimelere dönüştürmek, hikayeyi detaylandırmak, doğru verilerle yedeklemek / destekleyici bağlantılar eklemek
• Düzenleme - yazıyı geliştirmek, daha akılda kalıcı başlıklar bulmak, daha iyi görsellere sahip olmak ve standartları karşılamak için doğruluk kontrolü yapmak
• Dağıtım — sosyal medya gibi kanallar arasında yayınlama ve dağıtma.

Bazı araştırmalara dayanarak ve aynı zamanda yazma deneyimimden de etkilenerek, bir makale üretme çabasını şu şekilde tahmin ediyorum: Araştırma (%30), Hikaye Anlatma (%20), Yazma (%20), Düzenleme (%20) ve Dağıtım (%10) . Gerçek sayıları biraz ihtiyatlı bir şekilde ele alın, ancak bunlar yön açısından doğrudur.

Şimdi, haber makalelerinin tüm biçimlerinin tüm adımları gerektirmediğini unutmayın; düşük karmaşıklıktaki yazıların yukarıdaki yaşam döngüsündeki tüm adımları titizlikle geçmesi gerekmeyebilir, ancak yüksek karmaşıklıktaki yazıların geçmesi gerekir.

Örnek olarak, bu makaleyi bitirmem yaklaşık 8-9 saatimi aldı ( Substack bültenimdeki diğer makalelerin çoğu da öyle) ve makalelerimin yorumlayıcı haberler kapsamına girdiğini düşünmek isterim. Düşük karmaşıklığa sahip bir eser yazsaydım muhtemelen ~2 saat içinde bitirebilirdim. Başka bir veri noktası; bu NYT muhabiri, bir haber makalesini genellikle birkaç saat içinde tamamlayabildiğini, oysa bir uzun metrajlı makalenin 6 aya kadar sürebileceğini söylüyor.

Peki, üretken yapay zeka aslında neye yardımcı olabilir? Temel olarak haber üretim sürecindeki hangi adımların mevcut (ve gelecekteki) ürünlerin başarılı olabileceği ile ilgilidir.

Üretken yapay zekanın yapabileceği ve yapamayacağı şeyler

İşte her adımda benim yaklaşımım. Spoiler — yazma ve düzenleme konusunda bir dereceye kadar etkilidirler, doğru ürünler üretilirse araştırma için etkili olabilirler ve hikaye anlatımında kötü olmaya devam edeceklerdir.

Araştırma – şaşırtıcı derecede düşük yetenek

Mevcut üretken yapay zeka ürünlerinin çoğu (ChatGPT ve Google Bard gibi), Araştırma söz konusu olduğunda şaşırtıcı derecede düşük kapasiteye sahiptir:

• Kesinlikle iyi oldukları belirli yetenekler var. Örneğin, belirli bir bakış açısına yönelik argümanlar sunmada veya yeni konular için ilham sağlamada iyidirler.

  
  

• İçeriği özetlemede ve özellikle bir makaleyi okumaya dayalı soruları yanıtlamada ortalama ile iyi arasındadırlar. Örneğin onlardan bu makaleyi okumalarını ve haber üretimindeki farklı adımları listelemelerini isteyebilirsiniz.

  
  

• Bununla birlikte, sıklıkla gerçeklere dayanan yanlış bilgiler üretirler ("halüsinasyonlar"), gerçek olduğunu iddia ettikleri şeylere bağlantılar/kaynaklar sağlamazlar ve potansiyel telif hakkı ihlali içeren şüpheli kaynaklı verilere sahiptirler. Aşağıdaki ekran görüntüsüne bakın.

  
  

Genel bir kullanım durumu için (örneğin gelecekteki bir LinkedIn bağlantısına bir e-posta taslağı hazırlamak istediğinizi varsayalım), bu sorunların önemi yoktur. Ancak bir haber yazarken doğruluk kontrolü yapmamak marka algınızı ciddi şekilde zedeleyebilir.

Araştırma araçları yönsel olarak faydalı araştırmalar için kullanılabilse de (örneğin, Bing ve Yahoo aramasının ne kadar pazar payına sahip olduğunu bilmek istiyorsanız), yazarların/gazetecilerin bağlantı verecek yeni bir kaynak bulmak için hala ek çalışma yapması gerekiyor çünkü mevcut araçlar ne bağlantılar sağlamaz veya tam olarak doğru verilere sahip değildir.

Temiz kaynaklı verileri kullanmak + güvenilir bağlantılarla yanıtlar sunabilmek, yazarlar için bir araştırma ürünü geliştiren herkes için büyük bir fırsattır ve burada yeni şirketlerin ortaya çıkması çok muhtemeldir.

Hikaye Anlatma – Düşük Yetenek

Üretken yapay zekanın hikaye anlatma yetenekleri bugün oldukça zayıf. İşte bir örnek: Bu makale için çok fazla araştırma yaptım, araştırmayı düzenli bir formatta bir araya getirdim ve ChatGPT'den bana bir hikaye anlatmasını istedim. Sonuçlar için aşağıdaki ekran görüntüsüne bakın.

İlk bakışta "anlamlı" gibi görünüyorlar. Ama kelimenin tam anlamıyla hepsi bu; yüzeysel düzeyde mantıklı. Gerçekte, bu hikayelerin hiçbiri çok ilgi çekici değil ve sunduğum araştırma notları, burada sunulan yüzeysel sonuçların ötesinde çok daha fazla ayrıntıya ve nüansa sahipti. Bunların hala geçerli olduğunu iddia edebilirsiniz, ancak bir makale yazma bağlamında bu benim için tamamen işe yaramazdı - en iyi ihtimalle bu ilham/fikirlerdi, sunduğum araştırmaya dayanan bir hikaye değil.

Düşük karmaşıklığa sahip bir hikayeniz varsa, işi sizin için halledecektir. İncelikli bir hikaye oluşturuyorsanız veya verilere sahipseniz ve bir hikaye oluşturmak için yardıma ihtiyacınız varsa, mevcut ürünler işi halletmez. Yüksek düzeyde öznellik göz önüne alındığında, bunun daha iyi olacağı ve yazarların en fazla değer katabileceği kısım olmaya devam edeceği konusunda iyimser değilim.

Yazma — orta düzeyde yetenek

Mevcut ürünlere söylemek istediklerinizin ayrıntılı bir öyküsünü sunarsanız, içeriğin zar zor düzgün bir v1'i oluşturulabilir. Çıktı hala oldukça sıradan ve mevcut modellere dili bir hikaye anlatacak şekilde hazırlamaları talimatını vermek oldukça zor. Bu makalenin hikayesi hakkında ChatGPT'ye ayrıntılı notlar verdikten sonraki örnek çıktı için ekran görüntüsüne bakın.

İlk bakışta v1 taslağı için uygun göründüğünü düşünebilirsiniz. Değil; üslup doğru değil, hikaye akmıyor ve her zaman bir bot tarafından yazılmış gibi görünüyor. Çok genel ve çok özel bir anlatımla beslenmesine rağmen hikayeyi dile getirmiyor. Eğer o makaleyi yayınlasaydım, okumazdın. Günümüzün yazma yeteneğinin sorunu da budur; düşük karmaşıklıktaki makaleler için işe yarayabilir, ancak daha karmaşık herhangi bir şey için esasen taslağın tamamını yeniden yazmanız gerekir.

Buradaki büyük ürün kilidi, etkili insan eğitiminin sağlanması olacaktır ; yazarlar, korkunç kalıplaşmış versiyonları alıp her şeyi satır satır yeniden yapmak istemezler. İstedikleri şey, bir yazarın bir hikayeyi beslemesine ve makaleyi bölüm bölüm sırayla oluşturmasına ve aynı zamanda AI aracına aktif geri bildirim vermesine olanak tanıyan bir tür kullanıcı etkileşimi yapısıdır. Cherry, aynı yazarın geçmiş makalelerini besleyerek yazı stilini kişiselleştirebilecek.

Bugünkü temel modellerin bunu yapabilecek kapasiteye sahip olduğunu ve kullanıcı arayüzü katmanında ihtiyaç duyulan yeniliğin olduğunu düşünüyorum, bunun yakın vadede gerçekleşeceğine inanıyorum.

Düzenleme — orta düzeyde yetenek

Günümüzde araçlar makaleleri inceleme, hataları bulma ve düzeltme yapma konusunda oldukça fazla yeteneğe sahiptir. Bu araçlar aynı zamanda iyi performans gösterebilecek akılda kalıcı başlıklar veya bölüm başlıkları için fikirler bulmak gibi kozmetik görevlerde de çok iyidir.

Bununla birlikte, bunu düzenleme için kullanılabilir hale getirmek için kullanıcı arayüzü katmanında hala çalışmaya ihtiyaç vardır - günümüzde Notion AI gibi, bir Notion sayfasından dili geliştirmenize ve cümleleri daha kısa/uzun yapmanıza olanak tanıyan bazı kısmi çözümler vardır, ancak bu, sayfanın tam içeriği. ChatGPT, makalenin tamamında düzenleme yapma konusunda iyi bir iş çıkarıyor ancak belirli bölümleri kolayca düzenlemek için talimatlar alma becerisinden yoksun ve aynı zamanda bağlantıları destekleyemiyor (yani, ona köprüleri olan bir metin içeren tanıtım yazısı veriyorum, herhangi bir bağlantı olmadan metni geri alıyorum) .

Yazma sürecinin düzenleme kısmından kesinlikle nefret ediyorum ve eminim ki birçok yazar ve gazeteci de aynısını yapıyor; üretken yapay zeka, yakın vadede bu düzenleme homurtusunun bir kısmını kesinlikle en aza indirebilir.

Dağıtım — orta düzeyde yetenek

Bugün burada, örneğin sosyal snippet'ler oluşturmanıza veya hikayenizin daha viral hale gelebilecek kısımlarını belirlemenize yardımcı olacak araçlar var. Bu muhtemelen gelecekte daha iyi olmaya devam edecek.

Üretken yapay zeka ve Haberin geleceği — İki dünyanın hikayesi

Yukarıdaki analize dayanarak net bir ikiliğin ortaya çıktığını görebilirsiniz:

1. Daha basit araştırma ve hikaye anlatımı gerektiren ve kolayca yazılabilen ve düzenlenebilen düşük karmaşıklıktaki formatlar , giderek daha fazla yapay zeka tarafından üretilmeye (veya büyük oranda yapay zeka destekli) olmaya başlayacak.

   
   

2. Günümüzde mevcut olmayan daha karmaşık araştırma ve hikaye anlatma yetenekleri gerektiren yüksek karmaşıklıktaki formatlar , öncelikli olarak gazeteciler tarafından oluşturulmaya devam edecek ancak üretken yapay zeka , yazma ve düzenleme zahmetli çalışmalarını en aza indirerek iyi bir verimlilik sağlayabilir.

Yapay zeka tarafından oluşturulan düşük karmaşıklıktaki içerik ilk bakışta kötü görünse de, bu makaleler öncelikle SEO amacıyla veya mevcut yüksek kaliteli içeriği artırmak için yazılıyor ve metalaştırma yarışı, üretken yapay zeka dalgasından çok önce başlamıştı. Örneğin Associated Press, 2014'ten bu yana şirket kazançlarını bildiren makaleler yayınlamak için botları kullanıyor. Bunun iyi tarafı, bu, gazetecilerin oluşturmak için zaman harcamak isteyeceği türden bir içerik değil ve bunu otomatikleştirmek, yüksek karmaşıklığa sahip içerikler için zamanlarını serbest bırakacak.

Giderek daha yüksek karmaşıklığa sahip içerik ortaya çıkacak. Günümüzde ürünlerin araştırma ve hikaye anlatma yetenekleri sınırlıdır; bu da bilgiye dayalı ilgi çekici bir hikaye oluşturma ve benzersiz bir şekilde hikaye anlatma becerisinin, gazetecilerin sahip olduğu en büyük para birimi olmaya devam edeceği anlamına geliyor. Kaliteli içerik yayınlamanın zorlu işlerini ortadan kaldıran yapay zeka yazma ve düzenleme araçlarıyla hızlandırılan bu süreç, gazeteciler için büyük bir nimet olacak.

Haberler için yapay zekanın kullanılmasıyla ilgili ortaya çıkan bazı endişeler ne olacak? Bazıları adil ama çoğunlukla çözülebilir olduğuna inanıyorum:

• Önemsiz SEO içeriği dalgası - Google, yapay zeka tarafından oluşturulan içeriği cezalandırmayacağı yönünde bir duruş sergiledi ve aslında yanlış makaleler de dahil olmak üzere, gereksiz içerik dünyasını açtığı için eleştiriler aldı. Bu biraz adil bir eleştiri ama ben Google'ın bu konuda sıkı önlemler alacağına inanıyorum; iyi niyetle değil, bir arama ürününün temel noktasının kullanıcılara faydalı sonuçlar vermek olması nedeniyle. Google'ın halihazırda SEO korsanlığı uygulamalarına (anahtar kelime doldurma ve bağlantı çiftçiliği gibi) yönelik cezaları vardır ve bu çerçeveyi yapay zeka içeriğine genişletmek kolay olacaktır.

  
  

• Gazeteciler işlerini kaybedecek - Bazıları, gazetecilerin işlerini kaybedebilecekleri veya daha az avantajlı bir konumda olabilecekleri (Hollywood'da şu anda grevde olan yazarlar gibi) endişesini dile getirdi; Buradaki en büyük fark, Hollywood'da çok sayıda yazar varken, ABD'de haber odası istihdamının 2008'den bu yana %26 oranında düşmüş olmasıdır ; bunun nedeni gazetecilere ihtiyacımız olmaması değil, haberciliğin kötü bir iş olması; Üretken yapay zeka, gazetecilerin sevdikleri işi yapmalarını desteklemeye devam ederken bir yandan da işletmenin ekonomisini düzeltmeye yardımcı olabilir.

  
  

Çözüm

Hiçbir şekilde yapay zeka maksimalisti değilim ve teknolojiyi ölçeklendirirken yapay zekaya yönelik ele alınması gereken gerçek risklerin olduğunu kesinlikle düşünüyorum. Ancak yapay zekadan etkilenen her pazarı/durumu ayrı ayrı analiz etmenin ve bunları büyük bir yapay zeka etkisi sorunu altında birleştirmemenin önemli olduğunu düşünüyorum.

Haber söz konusu olduğunda, üretken yapay zeka haber işletmelerinin ekonomisini muazzam derecede iyileştirebilir. Ürünler bugün mevcut değil; yazarların ihtiyaçlarını kaba kuvvet, sohbet tabanlı, dil modeli arayüzü olmadan düşünceli bir şekilde çözen yapay zeka ürünlerine açık bir ihtiyaç var, ancak bunların yakın vadede ortaya çıkacağından eminim.

Düşük karmaşıklıktaki yazılar giderek daha fazla yapay zeka tarafından üretilecek ve bu sorun değil; gazeteciler (ağır işler için yapay zekanın desteğiyle) kamusal söylemi yükselten çok daha yüksek karmaşıklığa sahip içeriği hayata geçirirken şirketlerin verimli bir SEO makinesini çalıştırmalarına yardımcı olabilir.

Okuduğunuz için teşekkürler!