Технічний контекст
Я заглибився в репозиторій mattprusak/autoresearch-genealogy, й ідея там на диво приземлена. Жодної магії, жодного власного сервера, жодних танців з API-ключами. Береться Claude Code, Markdown-vault у стилі Obsidian та акуратний цикл: знайти, перевірити, зафіксувати, йти далі.
Мені сподобалося, що автор не продає казку про «ШІ сам усе розкопає». Навпаки, схема жорстко тримається на верифікації. Claude читає весь vault, шукає діри в дереві, пропонує 3-5 точних архівних запитів, позначає спірні місця й оновлює структуру тільки там, де є підтвердження джерелами.
По суті, це не бот, а дослідницький конвеєр. Дані зберігаються у звичайних Markdown-файлах, історія змін відстежується через git, а прогрес рухається механікою ratchet-loop: до бази потрапляє лише те, що пройшло перевірку. Для завдань, де галюцинація коштує репутації чи грошей, такий підхід мені набагато ближчий, ніж нескінченний чат без пам'яті.
Окремий кайф у тому, що все це працює навіть без API. Користувач просто використовує Claude через десктопний застосунок або вебінтерфейс, копіює результати у vault і запускає наступний виток. Так, це не повна автоматизація. Але поріг входу різко падає: не потрібно піднімати AI-архітектуру, платити за токени та городити інтеграції з нуля.
Найгучніший кейс з обговорення: підтвердження дворянської лінії до 1431 року через архівні записи та ітеративну звірку. Я б тут зберігав холодну голову: такі історії завжди треба перевіряти ще раз, особливо на межі пізнього Середньовіччя, де вторинні джерела легко маскуються під первинні. Але сам патерн сильний: LLM не «знає родовід», а дисциплінує дослідження.
Якщо дивитися на специфіку, то репозиторій заточений під FamilySearch, Ancestry, Google Books, HathiTrust, державні та церковні архіви. Тобто модель не ходить у бази сама, а генерує осмислені пошукові гіпотези. Для мене це і є доросла автоматизація: не обіцяти неможливе, а прискорювати вузьке місце, де людина зазвичай тоне в рутині.
Вплив на бізнес та автоматизацію
Найцікавіше тут не генеалогія сама по собі. Я дивлюся на це як на шаблон для будь-якої сфери, де є слабоструктуровані документи, спірні факти та довгий цикл перевірки. Архиви, legal discovery, due diligence, комплаєнс, історичні реєстри, медичні виписки, старі техпаспорти. Скрізь один і той же нерв: потрібно не просто «запитати в моделі», а побудувати слід дослідницьких рішень.
Ось чому такі штуки чіпляють мене сильніше за черговий реліз «ще розумніше, ще швидше». Тут є відтворюваний workflow. Його можна адаптувати під впровадження ШІ в командах, де важлива перевірюваність: хто що знайшов, на якому джерелі ґрунтується висновок, що ще не підтверджено, який наступний крок. Це вже не іграшка, а каркас процесу.
Виграють маленькі команди та фахівці-одинаки. Раніше їм потрібен був або дорогий дослідник, або тижні ручної метушні. Тепер можна зробити ШІ-автоматизацію поверх звичайних файлів та дисципліни у промптах. Програють ті, хто все ще думає, що достатньо «підключити LLM», і далі воно саме народить якісний результат.
Я постійно бачу одну й ту саму помилку в проєктах: люди хочуть одразу UI, агентів, інтеграцію в CRM та красиву демку. А треба спочатку зібрати дослідницький цикл та критерії істини. У Nahornyi AI Lab ми якраз із цього й починаємо: проєктуємо архітектуру ШІ-рішень так, щоб модель не говорила впевнено, а допомагала ухвалювати рішення, що можна перевірити.
Якщо перекласти цей кейс на ШІ-рішення для бізнесу, картина проста. Беремо вузьке завдання, збираємо knowledge vault, фіксуємо правила верифікації, задаємо формат наступного кроку і тільки потім думаємо про інтерфейс та інтеграцію штучного інтелекту в поточні процеси. Інакше вийде дорогий чат із гарною обгорткою.
Я б особливо радив придивитися до цього патерну тим, у кого багато експертної рутини та мало структурованих даних. Не обов'язково копіювати репозиторій один в один. Іноді достатньо взяти сам принцип: короткий цикл, жорстка фіксація джерел, версіонування, ручне підтвердження фактів та LLM як прискорювач, а не як оракул.
Цей розбір зробив я, Вадим Нагорний з Nahornyi AI Lab. Я займаюся ШІ-автоматизацією руками: збираю workflow, тестую агентів у реальних процесах і приземлюю все це в робочі системи, а не в презентації. Якщо хочете обговорити ваш кейс і зрозуміти, де у вас реально спрацює впровадження штучного інтелекту, напишіть мені, розберемо проєкт разом.