В статье исследуется феномен виртуальных инфлюенсеров как нового типа управляемых медиаактивов, возникновение которого обусловлено развитием генеративного ИИ и кризисом традиционного инфлюенс-маркетинга. На основе теоретических подходов медиаэкономики, теории платформ и коммуникативистики анализируется процесс создания и капитализации полностью синтетической медиаличности. Центральное место в работе занимает детальный разбор кейса первого российского виртуального инфлюенсера «Мира», созданного для ритейл-сети «Магнит». Методом кейс-стади анализируется его B2B-модель, основанная на прямой бренд-интеграции, и стратегия вывода на рынок. На основе эмпирических данных рассчитываются и интерпретируются ключевые показатели эффективности (KPI) на начальном этапе, в частности зафиксирован аномально высокий для бренд-контента показатель вовлеченности (ERR) - 10,4 %. Раскрывается экономическая логика актива, базирующаяся на высоких первоначальных и низких предельных издержках, что обеспечивает снижение стоимости контакта по мере роста аудитории. Научная новизна исследования заключается в концептуализации жизненного цикла виртуального инфлюенсера как инвестиционного медиаактива и анализе его экономической эффективности на примере первого крупного российского проекта, что подтверждает глобальный сдвиг от экономики «арендованных» личностей к экономике созданных и полностью контролируемых синтетических активов.
Статья посвящена исследованию способности больших языковых моделей (LLM) интерпретировать референцию пословиц в русском языке на материале фразеологических выражений «первый блин комом» и «своя рука владыка». В рамках исследования предлагается классификация типов референции (конкретная, абстрактная, смешанная, неопределенная) и описывается методика классификации, реализованная в эксперименте с применением моделей GPT-5 и DeepSeek-3.1. Исследование выявило, что общая точность автоматической классификации типов референции пословиц не превышает 33 %, при этом модели демонстрируют уклон в пользу абстрактной референции и затрудняются в идентификации неопределенного типа. Более высокие показатели зафиксированы при бинарной классификации (конкретная / абстрактная; до 60 % у GPT-5), однако объяснение выбора типа часто связано с концептуальными ошибками, прежде всего с систематическим смешением оппозиции «конкретная / абстрактная референция» и «прямое / переносное значение». Делается вывод о том, что LLM имитируют процесс понимания, воспроизводя жанровые шаблоны и избегая риска некорректной интерпретации. Значимость результатов определяется возможностью дальнейшего совершенствования методик оценки интерпретационных способностей LLM в задачах анализа смысловой структуры устойчивых выражений.