Ahhoz, hogy a könyvtárak aktív szerepet töltsenek be a generatív AI ökoszisztémában, nem elég a meglévő struktúrák digitalizálása. Az átalakulás olyan területeken válik értelmezhetővé és végrehajthatóvá, ahol a gépi tanulás módszerei közvetlen kapcsolatba hozhatók a hagyományos könyvtári funkciókkal.

Az egyik legkézenfekvőbb terület a katalogizálás és metadata-generálás. A könyvtári rekordok előállítása jelenleg nagyrészt manuális folyamat, amely drága, lassú és nehezen skálázható. Nagyméretű nyelvi modellek képesek dokumentumokból automatikusan javaslatot tenni tárgyszavakra, osztályozási kódokra vagy leíró mezőkre - nem a könyvtáros kiváltásaként, hanem a munkafolyamat részeként. Ennél is lényegesebb, hogy az embedding-alapú reprezentációk lehetővé teszik a szemantikus közelség szerinti keresést, amely a hagyományos kulcsszavas keresőknél ellenállóbb a pontatlan vagy szinonim megfogalmazásokkal szemben. Egy ilyen rendszerben a gyűjtemény nem rekordok halmaza, hanem egy összefüggő szemantikus tér, amelyen belül a kapcsolatok is kereshetővé válnak.

Ehhez szorosan kapcsolódik a forrásminősítés és az episztemikus szűrés kérdése. A generatív AI egyik strukturális problémája, hogy a válaszait nem kötik automatikusan ellenőrzött forrásokhoz - a modell egyforma magabiztossággal állíthat igazat és téveset. A könyvtárak hagyományosan éppen azt az intézményi funkciót töltik be, amit a gépi rendszerek nem tudnak önállóan ellátni: megbízható, kurált, intézményesen felelős forrásokat tartanak fenn. Egy könyvtár által üzemeltetett RAG-infrastruktúra (retrieval-augmented generation) - amelyben a lekérdezések mögött ellenőrzött, provenanced dokumentumok állnak - nem technológiai luxus, hanem az episztemikus megbízhatóság intézményes garanciája. Az ilyen rendszerek kiépítése nem egyszerű feladat: vektoros indexelést, dokumentumkezelési pipeline-okat és gondosan karbantartott forrásgyűjteményeket igényel, amelyek fenntartása saját szakértelmet és infrastruktúrát feltételez.