图谋按：科睿唯安 2026 年白皮书（原文标题：How AI is creating capacity for librarian expertise）核心论点：高校图书馆的运营性、规则化工作流程面向馆员而非读者，是 AI 落地的 "甜点区"—— 先从元数据、阅读书目、课程材料等幕后流程切入，可绕开学生端 / 研究者端的伦理争议。本文借助生成式AI将该白皮书改写为科普短文。

      高校图书馆的日子并不好过。学生在涨，资源在涨，考核指标在涨，编制和经费却没怎么涨。馆员一边要应对读者咨询，一边还要处理大量日复一日、高度重复的后台工作：给新书编目、做主题标引、整理课程阅读书目、核对教学大纲里的参考文献。这些活儿离了人不行，可又实在耗人。

      人工智能这两年被讨论得最多的场景是写论文、做作业、搞科研，舆论吵得凶的也多是"学生用 AI 算不算作弊"这类问题。但科睿唯安（Clarivate）与 Emerging Strategy 的《学术 AI 影响研究》发现：在高校图书馆，AI 最能发挥作用的地方，其实不在台前，而在幕后。

      （1）为什么是"幕后"？

      研究访谈了三大洲、八所高校的 11 位图书馆专业人士，重点考察两类高量级流程：课程阅读书目的编制和图书编目。结论是，图书馆的运营性工作恰好踩中了 AI 落地的"甜点区"——它面向馆员而非读者，不触碰学生端的使用伦理；它基于规则、不要求 AI 做价值判断；它不替代专业判断，只承担转录、解析、初稿汇编这类机械劳动。AI 在这里扮演的是"打字员"和"助理"，而不是"决策者"。

     （2）效率提升到底有多猛？

      数据相当惊人：阅读书目的准备时间从最长 45 分钟压缩到 2 至 5 分钟；30%–60% 的手工时间被节省；不增员的情况下，可行工作量提升 2–4 倍；约 50%–60% 的阅读书目可直接使用，70%–90% 的 AI 输出只需少量修改即可采用。

      内布拉斯加大学林肯分校（UNL）的做法很有代表性。该校每学期开设 5000 多门课程，图书馆长期想推"可负担教材项目"——帮学生找便宜、开放获取的版本，可一直被一个问题卡住：不知道每门课老师到底指定了什么书。Melissa Gomis 团队换了个思路，直接从教师教学大纲里用 AI 反向生成阅读书目。他们在 Leganto 系统之上叠加"教学大纲助手"，把 syllabus 自动转成结构化书目，再由馆员逐条审核。试点结果让人大吃一惊：89% 的课程，学生买的都不是成本最低的教材版本。

     另一头，以色列 Younes & Soraya Nazarian 图书馆的 Amit Niv 团队，用 Alma 元数据助手给每年约 1000 篇学位论文做主题标引初稿。AI 先生成描述性内容、摆出主题词建议，馆员再逐条审核、对齐本地规范。Niv 说："我们要求学生在作业里声明用了 AI，那我们自己用 AI 加工记录时，也应当堂堂正正承认——这才公平。"

    （3）改变的是精力投向，不是责任

       两所图书馆的结论高度一致：人的专业判断一点儿没变少，最终记录、最终书目、最终决策，仍由馆员签字负责。真正改变的，是馆员的时间花在了哪里——从机械的录入、转录、初编，挪到评估、质控、馆藏建设、读者支持和教师沟通上。

       用 Niv 的原话说："我们的角色其实没有变，还是在做同样的事，只是更快了。"更妙的是，过去那些被无限期推迟、永远没时间做的"重要但不紧急"的工作——比如把目录页扫描件补进记录、把旧主题词对齐新规范——现在终于有人手去做了。

（4）给国内同行的启示

       对国内高校图书馆而言，这一研究的参照意义在于：不必一上来就被"AI 是否冲击学术诚信"这种宏大叙事吓住。可以先找一个最痛、最规则化、最不面向读者的后台流程开刀——比如新书预编、数据库去重、课程推荐书目整理、学位论文元数据清洗——小范围试点，让馆员先尝到甜头，再谈扩展。次序也清楚：从高摩擦、规则化的工作入手；把每份 AI 输出当草稿而非成品；图书馆主导治理，比选什么工具更重要；先建信心，再谈规模。

      AI 不会让图书馆员失业。它真正做的，是把馆员从那些"只有人能做、机器也能凑合做一半"的苦差里解放出来，回到只有图书馆员才能做的事上去：判断、把关、对话，以及对知识本身的责任感。

支持单位：