Исследователи из Оксфорда и Стэнфорда представили Data Journalist Agent или Data2Story — навык для Claude Code, который превращает CSV-файл в готовую интерактивную онлайн-статью.
Система автоматически добавляет контекст, статистику, графики и элементы взаимодействия. Её ключевая функция — панель Inspector, которая связывает каждое видимое утверждение, диаграмму и интерактивный блок с источником: строкой кода, файлом с данными или внешней ссылкой.
Авторы показали работу инструмента на расписании чемпионата мира по футболу 2026 года. На основе календаря матчей и списка городов-хозяев система подготовила материал о климатических рисках и интерактивную карту.
По данным Data2Story, около 40% матчей запланированы в местах, которые профсоюз игроков FIFPRO относит к зонам с крайне высоким риском жары. Исследователи уточняют, что речь идёт о типичных климатических условиях, а не о прогнозе на даты турнира.
Inspector показывает структурированные доказательства для каждого предложения и визуального элемента. Для каждого фрагмента создаётся отдельная карточка с точной строкой кода и файлом данных либо с внешним URL, на который опирается утверждение.
По оценке авторов, это позволяет проверить происхождение 93% всех видимых утверждений. Они отдельно подчёркивают, что проверяемость не означает автоматическую правильность: при сомнениях цифры можно пересчитать, запустив код.
Для сравнения, у материалов, написанных людьми, этот показатель составил 25%. Авторы связывают разницу с тем, что журналисты редко публикуют код, на котором основан анализ.
В основе Data2Story работает цепочка из семи специализированных агентов, которую команда называет виртуальной редакцией.
- Detective ищет контекст в интернете и сопоставляет данные с внешними источниками.
- Analyst считает показатели с помощью кода.
- Editor выбирает выводы, которые станут частью сюжета.
- Designer подбирает формат подачи, например карту для геоданных.
- Programmer собирает HTML-страницу.
- Auditor проверяет вёрстку и ошибки.
- Inspector привязывает утверждения к источникам.
Для базовой модели используется Claude Opus 4.7 в Claude Code. Для изображений, видео и аудио система подключает модели через OpenRouter, включая gpt-5.4-image-2, seedance-2.0 и lyria-3-pro-preview.
Исследователи сравнили статьи Data2Story с материалами, написанными людьми, на 18 открытых датасетах. В выборку вошли короткие разборы The Economist, визуально насыщенные длинные материалы The Pudding и наборы данных TidyTuesday.
Обе версии оценивали 53 участника по пяти критериям: визуальный дизайн, ритм повествования, прозрачность работы с данными, проверяемость утверждений и полезность выводов.
Data2Story выиграл по всем пяти категориям. Самый большой отрыв оказался в прозрачности: +1,49 балла по семибалльной шкале.
В целом 74% участников предпочли статью, созданную агентом, 25% выбрали человеческую версию, ещё 2% сочли результат равным.
При разборе по источникам картина меняется. Агент уверенно опередил человека в материалах The Economist с упором на данные и в публикациях TidyTuesday, но в сравнении с работами The Pudding разница оказалась статистически незначимой.
Авторы отмечают, что Data2Story пока хуже справляется с редакционным углом, авторским дизайном и сложными одиночными визуализациями. В примере с материалом о Repair Cafe журналисты объясняют причины низкого уровня ремонта через ограничения со стороны производителей, и такой вывод основан на репортёрской работе, а не на таблицах.
В примере с комедийным шоу Али Вонг The Pudding превратил полную расшифровку выступления в интерфейс, где рядом с каждой репликой показана длительность смеха зала. Агент в аналогичной задаче ограничился статичной миниатюрой YouTube.
Ещё один пример касается визуализации The Economist о космической гонке. Там несколько слоёв данных, отметки и комментарии собраны в одном изображении, тогда как агент распределяет те же сведения по нескольким графикам, из-за чего главный вывод читается хуже.
При сопоставлении содержания выяснилось, что Data2Story включает около половины утверждений из человеческой статьи. При этом лишь 35% утверждений агента встречаются в исходном материале, то есть система часто добавляет собственные углы анализа.
Авторы предлагают рассматривать Data2Story как инструмент для редакций. Люди сохраняют за собой репортёрскую работу и интерпретацию, а агенты берут на себя вычисления, графику и привязку утверждений к машиночитаемым источникам.
По их мнению, инструмент может быть особенно полезен для тем, на которые у редакций не хватает ресурсов, включая нишевые датасеты, которые иначе не превратились бы в полноценную статью. Сейчас система работает полностью автоматически, а версия с участием человека пока остаётся задачей на будущее.
Авторы также связывают проект с более широкой проблемой ИИ-систем: они часто дают правильный ответ, но указывают неверный источник. Недавний бенчмарк Пекинского университета описывает это как attribution hallucination — ошибки в привязке ответа к доказательствам.
Другое исследование показывает, что ИИ-агенты для поиска нередко не проводят полноценное исследование, а в основном подтверждают то, что уже усвоили во время обучения. Data2Story пытается закрыть этот разрыв за счёт кода для расчётов и панели Inspector, которая связывает каждое утверждение с источником.
В материале также упоминается схожий подход Perplexity под названием Search as Code, при котором модели сами формируют веб-запросы вместо обращения к закрытому API.
Источник: The Decoder.
