Разбираемся в том, какую часть работы взяли на себя обучаемые модели — а что пока оставили людям

•  
  Иллюстрация создана ИИ-моделью GPT-4o по запросу ARTinvestment.RU

В последние десятилетия искусство все чаще рассматривается коллекционерами не только как объект эстетического наслаждения, но и как инвестиционный актив — с присущими ему характеристиками доходности, ликвидности и волатильности. Однако оценка произведений искусства долгое время оставалась областью субъективной: она опиралась на мнения экспертов, патентованные формулы и закрытые базы данных, а сама методология часто напоминала «черный ящик» — для глаз коллекционера непрозрачный и труднопроверяемый.

Сегодня в этот ландшафт вступает новый игрок — искусственный интеллект. Он не заменяет человека, но расширяет его возможности: позволяет обрабатывать огромные массивы рыночных данных, выявлять закономерности, прогнозировать ценовую динамику и даже предлагать обоснованную стоимость конкретного произведения искусства. В результате оценка становится более прозрачной, сравнимой и воспроизводимой — что важно как для коллекционеров, так и для инвесторов.

В цикле из двух статей мы поговорим о том, с каким «багажом» подошла оценка искусства к настоящему моменту, какие новшества привнес ИИ и что мешало экспертам использовать данные подходы без участия систем машинного обучения.

Традиционные методы оценки: как это работало раньше

До начала 2020-х годов — до эпохи повсеместного внедрения искусственного интеллекта — оценка произведений искусства основывалась на трех ключевых подходах. Они редко применялись в чистом виде и зачастую комбинировались между собой, особенно в практике научно подкованных экспертов. Однако каждый из них так или иначе упирался в субъективность и ограниченный доступ к полным рыночным данным.

Напомним читателям AI эти подходы.

1. Аукционные данные и логарифмическая регрессия

Наиболее точным способом считалась логарифмическая регрессия — статистическая модель, основанная на исторических результатах аукционных продаж. Применялась она только в тех случаях, когда работа уже участвовала в публичных торгах. Оценка строилась с учетом:

• цены и валюты сделки;

• инфляционных корректировок к дате анализа;

• времени, прошедшего с момента продажи;

• рыночной динамики самого художника.

Модель позволяла выявить математическую зависимость между характеристиками лота и его финальной ценой и использовать ее для прогнозирования стоимости аналогичных произведений. Однако этот подход требовал достаточной выборки по конкретному автору и был неприменим к работам без аукционной истории.

2. Сравнительный подход и метод анализа иерархий

Если работа ранее не продавалась публично, оценщики прибегали к сравнению с так называемыми «тождественными художниками». В расчет принимались:

• возраст и место жительства автора;

• наличие галерейного представительства;

• участие в музейных и частных коллекциях;

• активность в профильных изданиях и медиа;

• институциональная поддержка.

Этот подход дополнялся как запатентованными арт-экономистами формулами, так и открытыми зависимостями, опубликованными в научных сборниках (в том числе методом анализа иерархий — алгоритмом, разработанным для преобразования субъективных факторов в количественные веса или коэффициенты корреляции). Такой инструмент позволял учитывать даже нематериальные параметры, вроде «значимости» автора в локальном контексте.

3. Мультипликаторы рыночной активности

Наконец, третьим важным блоком становился анализ внешнего воздействия на стоимость предмета искусства — усиливающий или ослабляющий предыдущие модели. В расчет, например, включались:

• динамика общего арт-рынка (по отчетам ArtTactic, Deloitte, Art Basel & UBS);

• темпы роста конкретного сегмента (например, современного искусства);

• участие в биеннале и институциональных выставках;

• PR-активность художника и частота упоминаний в прессе;

• присутствие в музейных собраниях;

• места и частота продаж;

• усилия по выходу на новые рынки.

Эти показатели позволяли оценить потенциал произведения не только с точки зрения текущей рыночной цены, но и с учетом его капитализации, ликвидности, страховой и залоговой стоимости. В итоге формировался комплекс из шести оценок: рыночной, страховой, ликвидационной, залоговой, операционной и прогнозируемой — что являлось основой для формирования коллекции исходя из инвестиционных стратегий.

Более подробно — включая примеры, поданные в игровой форме, — мы останавливались на методах оценки предметов искусства в 8-серийном цикле-блокбастере «Сколько стоит коллекция Майлза Брона», которую рекомендуем прочесть для понимания данных подходов на практике.

Что изменилось с появлением ИИ?

Появление искусственного интеллекта (ИИ) в арт-аналитике радикально изменило логику оценки произведений искусства. Вместо ограниченного набора источников исследователь получил возможность подключения к большим массивам данных. Вместо экспертных предположений — моделирование зависимости цены от десятков факторов. Вместо линейных формул, собранных (в лучшем случае) в файле формата Excel, — обучаемые нелинейные модели, способные адаптироваться к изменениям данных арт-рынка в реальном времени.

С начала 2020-х годов технологии машинного обучения (ML) и анализа больших массивов данных начали активно внедряться в сферу искусства, положив начало новому подходу (на англ. — Data-driven approach; то есть подход, движимый или определяемый массивом информации). Этот подход позволяет строить более точные, гибкие и воспроизводимые модели оценки. В отличие от традиционных методов, ИИ способен не только анализировать исторические данные, но и интегрировать внешние сигналы: от институционального участия до цифрового интереса.

Основные направления изменений включают:

1. Регрессионный анализ на расширенной базе данных

Одним из ключевых достижений искусственного интеллекта в области оценки искусства стало усовершенствование регрессионного анализа. Если традиционные модели базировались на ограниченном наборе параметров, таких как цена предыдущей продажи, инфляция и дата сделки, то ИИ позволяет работать (т.е. быстро собирать и анализировать) с многофакторными моделями, обученными на тысячах историй продаж и десятках взаимосвязанных характеристик.

Благодаря интеграции данных с открытых аукционных платформ (Sotheby ’s, Christie ’s, Phillips, Invaluable и др.), аналитических агрегаторов (Artnet, Artprice), институциональных баз и галерейных архивов, современные ИИ-модели учитывают:

• физические параметры работы — размер, основа и техника исполнения;

• фактор времени — год создания, дата продажи, период между созданием и продажей;

• авторский профиль — биография художника, подтвержденная история аукционных продаж, количество работ в публичных коллекциях;

• контекст — участие в выставках, наличие галерейного представления, кураторские связи;

• локальные особенности — места продаж, тип аукционного дома, экономическая ситуация в регионе.

Модели обучаются на этих данных и выявляют скрытые корреляции, которые часто ускользают от человеческого глаза. Например, влияние конкретного куратора на цену, медианное время между экспонированием работы в музее и рыночным ростом ее стоимости, эффект от публикации в крупном арт-СМИ. Такой подход позволяет прогнозировать стоимость не только по аналогии, но и по объективным признакам, даже если работа никогда не продавалась ранее. Это особенно ценно при оценке новых, редких или концептуальных произведений, которые не имеют прямых рыночных аналогов.

В результате регрессионный анализ с участием ИИ становится основой индивидуального ценообразования, гибко подстраивающегося под каждый конкретный случай и не зависящего от ограничений человеческой памяти или выборки.

2. Кластеризация и построение ценовых индексов

Одним из ключевых преимуществ ИИ в арт-аналитике стала возможность группировать произведения по набору схожих характеристик — от технических параметров до институционального признания. Такие алгоритмы формируют своего рода «пулы» или «секции» внутри рынка: например, женская живопись 1990-х годов в Восточной Европе, цифровое искусство в сегменте NFT, или живопись художников до 45 лет, участвовавших в международных биеннале.

На основе этих кластеров строятся специализированные ценовые индексы — аналог фондовых. Это могут быть:

• авторские индексы, отражающие динамику рынка конкретного художника;

• сегментные индексы, отслеживающие поведение тематических или региональных групп;

• институциональные индексы, основанные на участии работ в престижных кураторских проектах или музейных выставках.

Такая структура позволяет аналитикам и инвесторам измерять не просто текущую стоимость, а видеть ценовую динамику, выявлять перегретые или, наоборот, недооцененные сегменты. Это особенно важно в условиях высокой волатильности и фрагментированности арт-рынка.

3. Оценка цифрового и географического интереса

В эпоху цифровизации рыночный интерес к художнику все чаще формируется вне стен галерей и музеев — в социальных сетях, онлайн-изданиях и поисковых системах. ИИ позволяет впервые включить этот «цифровой интерес» в формулу оценки.

Анализируя данные из таких источников, как Google Trends, открытые группы Telegram, TikTok и другие социальные сети, алгоритмы отслеживают:

• рост популярности художника или его серии работ в реальном времени;

• глубину вовлеченности аудитории (лайки, репосты, комментарии, подписки);

• географические сдвиги интереса — например, всплеск упоминаний в Южной Корее или Бразилии.

Это дает инвесторам уникальную возможность заранее увидеть точки роста, еще до того, как художник появится в институциональных программах или на аукционах. Особенно актуально это для прогнозов по развивающимся арт-рынкам в странах Латинской Америки, Азии и странах Ближнего Востока — там, где традиционные базы данных все еще фрагментарны.

4. Моделирование рисков и волатильности

Искусственный интеллект позволяет адаптировать к запросам арт-рынка методы из мира финансов — в частности, моделирование по Монте-Карло (на англ. — Monte Carlo Simulation). Суть подхода в том, что вместо одной усредненной оценки ИИ предлагает десятки возможных сценариев, варьирующихся по вероятности и последствиям.

Примеры таких сценариев:

• участие работы в крупной международной выставке или биеннале;

• резкое ухудшение геополитической обстановки в стране происхождения;

• конфликт с галереей или отказ институции от сотрудничества;

• попадание работы в вирусный тренд в соцсетях.

Каждому сценарию присваивается вероятность и потенциальное влияние на стоимость. В итоге создается «коридор стоимости» — от консервативного до оптимистичного. Это помогает инвестору понимать риски и принимать более взвешенные решения, особенно в случае приобретения произведений с инвестиционным горизонтом 5–10 лет.

5. Автоматизация институциональной истории

Участие художника в институциональных проектах традиционно считалось мощным фактором признания. Однако до появления ИИ этот параметр оставался трудноизмеримым: информация была разрозненной, а анализ — субъективным. Современные алгоритмы здесь также существенно меняют ситуацию.

ИИ автоматически собирает данные из:

• специализированных баз (Artfacts, Biennial Foundation, Artsy, Artnet);

• сайтов музеев, галерей, кураторов;

• архивов арт-ярмарок и каталогов;

• публикаций и отзывов в профильной прессе.

Каждое событие — будь то участие в музейной экспозиции, групповая выставка, кураторский проект или даже статья в арт-журнале — классифицируется и ранжируется по значимости. В результате формируется институциональный рейтинг работы или художника, который становится важной метрикой при оценке инвестиционной привлекательности.

6. Социальная важность

Искусственный интеллект также позволяет учитывать нефинансовые, но критически важные параметры, связанные с «устойчивым развитием» и «социальной ответственностью». Это особенно актуально в условиях роста спроса на «социально-значимое инвестирование» со стороны крупных фондов, банков и корпоративных коллекций (подробнее об этом — в нашем разборе итогов конференции Deloitte Art & Finance 2024). И пусть данные термины сегодня широко используются лишь в западной части мира — они все чаще звучат в публичных выступлениях первых лиц российской экономики; а следовательно, с возобновлением участия нашей страны в мировой финансовой регуляции они доберутся и до наших ушей и карманов. Наше дело — предупредить и быть готовыми.

ИИ анализирует участие художника в:

• экологических инициативах (устойчивые материалы, переработка, углеродный след);

• проектах социальной интеграции;

• программах поддержки этнических и национальных сообществ;

• образовательных и культурных инициативах с доказанным социальным эффектом.

На основе этого формируется «социальный профиль» произведения или автора, который можно интегрировать в общую модель оценки. Это делает объект искусства не только красивым и потенциально прибыльным, но и этически релевантным — особенно в глазах институциональных игроков.

В продолжение материала мы расскажем, почему ИИ в оценке искусства стал возможен только сейчас, рассмотрим ключевых игроков рынка оценки предметов искусства с использованием обучаемых алгоритмов, а также традиционно поговорим о будущем данного направления.

Зина Фандéлина, AI