Semantic Scholar vs Elicit 2026: сравнение для исследователей

Аспирант в феврале садится за обзор литературы для диссертации. Через неделю он понимает: один инструмент здесь не справится. Semantic Scholar и Elicit смотрят на ту же задачу с разных сторон, и выбирать между ними как между молотком и отвёрткой — бессмысленно.

Категория research-ai на AIRatings — это четыре функциональные подгруппы: AI-поисковики по научным базам, работа с загруженными документами, верификация цитирований и граф знаний. Semantic Scholar и Elicit стоят в разных колонках, и от понимания, кто что делает, зависит весь дальнейший выбор подписок.

Semantic Scholar — продукт Allen Institute for AI (AI2), некоммерческой организации Пола Аллена, основанной в 2014 году. Сервис запустился в ноябре 2015. Это академический поисковик поверх корпуса в 200+ миллионов статей с собственными эмбеддингами SPECTER2, графом цитирований и автоматическими TLDR-рефератами. Загружать свои PDF сюда нельзя — сервис работает только со своей базой.

Elicit — стартап в статусе Public Benefit Corporation из Сан-Франциско. Seed $9 млн в сентябре 2023 (Fifty Years, Tom Preston-Werner, Arash Ferdowsi), Series A $22 млн в феврале 2025 (Spark Capital, Footwork). Ядро продукта — Extraction Table: вы формулируете исследовательский вопрос, сервис находит релевантные статьи и заполняет таблицу по выбранным колонкам. База Elicit — 138 миллионов статей плюс 545 тысяч клинических испытаний, причём свои PDF догружаются (до 20 в месяц на Free).

Конкурируют ли они напрямую? Нет. Semantic Scholar решает задачу «найти и категоризировать», Elicit — «прочитать и извлечь». Это два этапа исследовательского процесса, а не два варианта одного инструмента.

Из карты ясно: если задача «провести обзор по 60 статьям и заполнить колонки PICO» — Semantic Scholar не помощник, он не для этого. Если задача — мониторить новые публикации и держать в Zotero чистую библиографию — Elicit избыточен.

Поиск «sodium glucose cotransporter inhibitors heart failure» — типичный запрос медицинского аспиранта. В одном сервисе вы получите 200 миллионов кандидатов с ранжированием по графу цитирований. В другом — 30–40 статей под исследовательский вопрос. Разница в принципе работы, а не в качестве.

Semantic Scholar построен поверх корпуса в 200+ миллионов статей с метаданными из PubMed, arXiv, DBLP, Crossref и партнёрских академических издательств. Препринты arXiv и bioRxiv включены. Поиск работает в двух режимах: полнотекстовый и семантический через эмбеддинги SPECTER2 — модель AI2, дообученная на научных статьях. Фильтры — год, тип работы, журнал, открытый доступ, область знаний.

Elicit работает с базой из 138 миллионов статей плюс 545 тысяч клинических испытаний. Источники — Semantic Scholar, PubMed и arXiv (полный список не опубликован). Разница в принципе использования: Elicit просит сформулировать не ключевые слова, а исследовательский вопрос — «what is the effect of X on Y in Z population» — и подбирает статьи с автоматической суммаризацией под него.

Что это значит на практике. Если вы ищете «всё, что написано про BERT в applied NLP» — Semantic Scholar лучше: 200 миллионов кандидатов, ранжирование по числу цитирований. Если ищете «исследования, где BERT применяли для классификации медицинских записей на русском с F1 выше 0,85» — Elicit лучше: он не просто ищет, а суммаризирует каждую находку под ваш вопрос.

Охват базы — главный количественный параметр, и Semantic Scholar формально впереди на 62 миллиона статей. Но у Elicit есть козырь — отдельный корпус из 545 тысяч клинических испытаний, который для медицинских и фармацевтических R&D-задач может быть критичнее, чем дополнительные 60 миллионов общих статей.

Ранжирование: Semantic Scholar — релевантность SPECTER2 плюс граф цитирований. Elicit — алгоритм публично не раскрывает, и для воспроизводимости академической работы это минус: обычно требуется указывать, как был построен список источников.

Вы открыли 40 статей в поиске. Прочитать все аннотации — час. Понять, какие реально стоят PDF — ещё час. Автоматическая суммаризация должна свести это к десяти минутам. У Semantic Scholar и Elicit разный подход и разная глубина.

Semantic Scholar показывает TLDR — однострочный AI-реферат для большинства статей в базе. Он генерируется собственными моделями AI2 и для англоязычных технических статей работает хорошо: карточка результата с заголовком, авторами, годом и одним предложением, которое говорит о статье больше, чем заголовок и аннотация вместе. TLDR доступен бесплатно для всех и через Academic Graph API.

Elicit делает суммаризацию иначе. Для каждой найденной статьи он генерирует автоматический реферат под ваш исследовательский вопрос — резюме фокусируется не на статье в целом, а на том, как она отвечает на запрос. Плюс кросс-статейный синтез: Elicit объединяет ответы нескольких статей в общий текст с указанием, кто что говорит. На Free кросс-синтез работает по 4 статьям одновременно, на Plus и Pro лимит снимается.

По глубине Elicit сильнее. TLDR — одна строка, реферат Elicit — несколько абзацев, обычно с цитированием конкретных мест из статьи. С другой стороны, TLDR покрывает 200 миллионов статей и бесплатен; глубокая суммаризация Elicit покрывает то, что вы сами загрузили или нашли через его поиск.

Главный риск суммаризации — галлюцинации. По Elicit есть публичные данные: в исследовании через PMC точность извлечения составила 99,4% (1502 правильных из 1511), а в другом — 45,7% по нюансным переменным вроде эффектов интервенций. То есть Elicit отлично справляется с простыми фактами (методология, выборка) и существенно хуже — с тонкими методологическими нюансами. По TLDR Semantic Scholar публичных метрик точности нет — это data_gap.

Из таблицы видно: это два разных продукта, а не два варианта одного. TLDR — для скана 200 миллионов. Elicit — для синтеза 30 отобранных статей.

У вас 15 PDF препринтов с конференции, которых нет ни в одной открытой базе. Нужно задать им вопросы и сравнить методологии. Здесь сервисы расходятся принципиально: один работает только с тем, что уже у него внутри; второй — с тем, что вы загрузите.

Semantic Scholar не предусматривает загрузку собственных PDF. Работа идёт по корпусу из 200+ миллионов статей. Единственный связанный с чтением инструмент — Semantic Reader: открываете статью из базы Semantic Scholar в браузере и получаете inline-ссылки, определения терминов и навигацию по связанным работам. Это удобно, когда статья уже в базе, и бесполезно для локального PDF препринта или внутреннего отчёта.

Elicit с PDF работает напрямую. На Basic (Free) — лимит 20 PDF в месяц, в Plus и Pro лимит расширяется. Загруженный PDF используется в нескольких режимах. Chat with Paper — вопросы к конкретной статье: пишете «какая выборка», «какой p-value у первого результата», получаете ответ с указанием места в тексте. Мультидокументные вопросы — функция внутри Extraction Table: загружаете 10–80 PDF, формулируете вопрос, Elicit отвечает синтезом из всех источников.

В 2025 году Elicit добавил извлечение данных из таблиц в PDF — для клинических исследований это значит, что таблицу результатов можно вытащить структурированно, не перепечатывая руками. Это та фича, которая отличает research-AI от общего чат-бота: ChatGPT с PDF тоже работает, но почти никогда не сохраняет структуру таблицы корректно.

По этой подтеме Elicit бьёт Semantic Scholar в нокаут. Это не «у одного лучше», это «у одного есть, у другого нет вообще». Semantic Scholar в принципе не позиционируется как инструмент для собственных документов — и это не недостаток, это другой класс продукта.

Простой вывод: если ваш рабочий процесс включает локальные PDF — Semantic Scholar в этом сценарии не участвует. Elicit нужен по умолчанию.

Систематический обзор по клиническим испытаниям СД 2 типа. Нужно заполнить таблицу на 50 строк: автор, год, страна, выборка, методология, первичная конечная точка, эффект интервенции, p-value, ограничения. Руками — две недели. С Elicit — часов восемь.

Extraction Table — главная функция Elicit и причина, по которой он существует как отдельный продукт. Логика: формулируете исследовательский вопрос, добавляете нужные колонки (методология, выборка, размер N, ключевые результаты, ограничения, любые свои), Elicit находит релевантные статьи и заполняет ячейки автоматически. На Free доступно 2 колонки, на Plus — больше, на Pro $499/год — без ограничений по колонкам, и отчёт включает до 80 статей.

Точность функции измерена в публично доступных исследованиях. PMC (1502 из 1511): 99,4% на простых фактах. SAGE: 45,7% на нюансных переменных вроде эффектов интервенций. То есть Extraction Table надёжно вытаскивает структуру и базовые числа, но требует ручной проверки для тонких методологических деталей.

Semantic Scholar функции «заполни таблицу по моим колонкам» не имеет. Он предоставляет связанные данные — TLDR-реферат, граф цитирований, Highly Influential Citations, метаданные fieldsOfStudy. Через Academic Graph API можно вытащить abstract, authors, citations, references, publicationDate и SPECTER2-эмбеддинги. Но это сырые данные — заполнять таблицу вы будете руками или через свой пайплайн на Python поверх API.

Два числа — 99,4% и 45,7% — показывают границу применимости. Для категориальных полей и базовых чисел Elicit можно доверять с минимальной выборочной проверкой. Для тонких эффектов — обязательная ручная проверка с PDF. Та же ручная extraction для систематического обзора у двух независимых reviewers обычно даёт согласованность 80–90% — методологические нюансы требуют экспертной оценки.

Вы нашли статью 2018 года, на которую ссылаются 340 авторов. Это значит, что результат подтверждён, или что 340 раз с ним полемизировали? В обычном поиске вы видите только число цитирований. В research-AI хочется видеть знак — поддержка или опровержение.

Semantic Scholar здесь сильнее Elicit. Из коробки доступен граф цитирований: для каждой статьи виден полный список references и cited by. Особый флаг — Highly Influential Citations: классификатор AI2 выделяет наиболее значимые ссылки — не просто упоминание, а ссылку, опирающуюся на работу методологически или концептуально. По нашему опыту, при беглой проверке значимости статьи Highly Influential Citations работает примерно как «h-index, но для одной публикации» — быстро отличает по-настоящему влиятельные работы от технически часто цитируемых.

Полноценный классификатор «поддерживает / опровергает / нейтрально» в Semantic Scholar не сделан — это ниша Scite. AI2 работали над scicite project и собрали датасет citation intent, но в основном продукте классификация ограниченная. Так что верификация в стиле «поддерживает ли литература результат X» делается в Semantic Scholar в полуручном режиме: смотрите Highly Influential Citations, открываете 5–10 цитирующих статей, читаете контекст.

Elicit функцию верификации цитат не делает в принципе. У него нет separate-флага «эта статья опровергает другую», нет графа references/cited by, нет навигации по цитированиям между статьями. Его задача — извлечь данные из набора PDF, а не проверить, как литература относится к конкретному результату.

Если вы пишете обзор и хотите понять, насколько идея консенсусная или спорная — Semantic Scholar нужен обязательно, в дополнение к чему угодно ещё. Без него вы будете писать «по работе X эффект составил Y», но не сможете сказать, подтвердился ли этот эффект в последующих метаанализах.

Для серьёзной работы с цитированиями нужен Semantic Scholar (граф и Highly Influential Citations) или Scite (для supporting/contradicting). Elicit в эту задачу не лезет.

Систематический обзор по PRISMA — это шесть-восемь недель работы команды из двух reviewers с отдельной фазой скрининга, дедупликации и extraction. Elicit обещает сократить это на 80%. Semantic Scholar в этой задаче — поставщик источников, не процессный инструмент.

Elicit задумывался как инструмент для систематических обзоров — это его исходная миссия и причина существования Public Benefit Corporation. В 2025 году добавлен режим Systematic Review: мини-PRISMA в итоговом отчёте, strict screening criteria, отчёты до 80 статей в одном документе. По данным команды Elicit и пользователей, режим даёт около 80% сокращения времени на систематический обзор по сравнению с ручной работой через PubMed/Cochrane.

Что это значит на практике. У вас 300 кандидатов после первичного поиска. Elicit запускает скрининг по критериям включения/исключения, помечает релевантные, делает дедупликацию. Дальше выбранные 50–60 статей попадают в Extraction Table — готовая таблица для обзора. PRISMA-диаграмма (со числом исключённых на каждом этапе) формируется автоматически.

Semantic Scholar полноценного систематического обзора не делает. Но он критически нужен на двух этапах. Первый — формирование пула кандидатов: через Academic Graph API за минуты выгружаете 500–1000 потенциально релевантных статей с метаданными. Второй — экспансия по графу цитирований: нашли центральную работу, разворачиваете Highly Influential Citations, добавляете в пул дополнительные релевантные источники.

Воспроизводимость — отдельная боль. PRISMA требует явного описания, как был построен пул источников. У Semantic Scholar поиск и фильтры воспроизводимы. У Elicit алгоритм ранжирования под исследовательский вопрос публично не задокументирован — для peer-reviewed журнала это потребует методологической оговорки.

Главное: Elicit покрывает половину этапов PRISMA из коробки, Semantic Scholar — только первый, но именно тот, без которого остальные не запускаются.

Российский аспирант пишет диссертацию по нейропсихологии. В литературе нужны и западные статьи, и работы Лурии, Хомской, Корсаковой из российских журналов. Запад покрывается без вопросов. Русскоязычная наука — отдельная проблема обоих сервисов.

Semantic Scholar практически не индексирует русскоязычные журналы. Корпус собирается из PubMed, arXiv, DBLP, Crossref — российские базы (elibrary.ru, КиберЛенинка, ВАК-журналы) в этом списке отсутствуют. Запросы на русском работают, но возвращают преимущественно англоязычные статьи с близкими ключевыми словами. Поиск по русским авторам, у которых нет англоязычных публикаций в Web of Science или Scopus, обычно не даёт результатов. Интерфейс на английском.

Elicit ровно та же проблема, в той же степени. База Elicit построена поверх Semantic Scholar и PubMed и наследует от них охват — русскоязычные источники практически отсутствуют. Интерфейс — английский, переключения языка нет, и формулировка исследовательского вопроса работает только на английском.

Сравнить эти два «плохо» сложно. Semantic Scholar здесь чуть выигрывает по техническому моменту: Academic Graph API бесплатен и открыт, через него можно построить свой клиент, например подключив отдельно elibrary.ru через DOI-mapping. Это работа разработчика, не пользователя, но техническая возможность есть. У Elicit публичного API нет — кастомный клиент построить нельзя.

Если ваша тема — IT, биология, физика или фарма с международной публикационной активностью — обе платформы работают нормально. Если тема предполагает обязательное цитирование русскоязычных работ (юриспруденция, история, образование, региональные исследования) — ни Elicit, ни Semantic Scholar не закрывают задачу самостоятельно.

Паритет на «плохо» — редкий случай, когда честнее не выбирать, а признать, что для русскоязычной науки оба не подходят и нужны другие инструменты.

В долларах за год это $0 или $499. С комиссиями — несколько тысяч рублей разницы. Но решение не сводится к цене: вопрос в том, нужны ли вам функции платного Elicit, или бесплатно вы получите всё необходимое.

Semantic Scholar — полностью бесплатный. Все функции — поиск, TLDR, граф цитирований, библиотеки, ленты, оповещения о новых цитатах — доступны без оплаты и в большинстве случаев без регистрации. Регистрация нужна только для личной библиотеки и email-оповещений. За год — $0, без скрытых лимитов, без trial, без апселлов. Это редкая ситуация для современного SaaS, и она прямо следует из non-profit-модели AI2.

Elicit построен по freemium-модели с четырьмя тарифами. Basic (Free) — $0, с ограничениями (4 статьи в чате, 20 PDF/мес, 2 колонки extraction). Plus — $12/мес или $120/год. Pro — $49/мес или $499/год. Team — $79 за место в месяц или $780 за место в год при минимум двух местах. То есть минимальная стоимость командного плана — $1560/год для двух пользователей.

Semantic Scholar обходится в $0. Elicit — от $0 (Free, с лимитами) до $1560 (Team на двоих). Pro $499/год — для одного систематического обзора с полным extraction и mini-PRISMA. Plus $120/год — компромисс для нерегулярной работы с PDF без extraction-задач.

Лимиты Free Elicit публично объявлены, но детали Plus и Pro лимитов (точные числа PDF в месяц, число запросов) в публичных источниках расходятся — это data_gap. Перед оплатой откройте текущий pricing на сайте и проверьте лимиты под свой объём.

Free-тариф в SaaS обычно одно из двух: трогать-нельзя-пробник или полноценный продукт с границами для масштаба. У Semantic Scholar — второе. У Elicit — компромисс, который для одних задач работает, для других быстро упирается в потолок.

Semantic Scholar бесплатен целиком. Это не «Free-tier», это весь продукт без скрытой Pro-версии. Поиск, TLDR-рефераты, граф цитирований, Highly Influential Citations, личная библиотека, email-оповещения, рекомендательная лента, экспорт BibTeX/RIS со страницы статьи — всё доступно без оплаты, без trial-таймера, без апселлов. Для исследователя с минимальным бюджетом это редкий случай — полноценный академический инструмент, который не пытается продать платный план.

Elicit Basic (Free) — полезный, но ограниченный. На нём: поиск без лимита по 138 миллионам статей, суммаризация и чат до 4 статей одновременно, извлечение данных с потолком 20 PDF в месяц и 2 колонки в extraction table. Регистрация — через email, оплата не требуется. Для эпизодического использования это работает: пять-семь задач в месяц с небольшим числом статей закрываются без подписки.

Где Free Elicit ломается. Систематический обзор — нельзя (лимит 4 статьи в кросс-синтезе). Полная extraction с десятком колонок — нельзя. Регулярная работа с PDF больше 20 в месяц — нельзя. То есть Free Elicit — для разведки и нерегулярных задач, не для проектной работы.

R&D-команда строит внутренний knowledge base по техническим публикациям. Без API это копипаста на месяцы, с API — пайплайн на Python за неделю. Semantic Scholar делает то, что мало кто делает в академическом софте: даёт качественный бесплатный API в production.

Semantic Scholar Academic Graph API — один из самых полезных бесплатных академических API. Endpoints: /paper/search, /paper/{paperId}, /author/{authorId}, /recommendations, /graph. Через API вытаскивается abstract, authors, citations, references, TLDR-рефераты, SPECTER2-эмбеддинги (для собственного семантического поиска), fieldsOfStudy, publicationDate, openAccessPdf-ссылки.

Лимиты построены так, чтобы простой production был возможен бесплатно. Без API key — 1000 запросов в секунду суммарно на всех анонимных пользователей (нестабильно). С бесплатным API key — 1 запрос в секунду на пользователя, что хватает для большинства внутренних пайплайнов с фоновой индексацией. Расширенный tier — по запросу к команде API.

Официального Python SDK у Semantic Scholar нет — это data_gap, но есть надёжные сторонние клиенты (pip-пакет semanticscholar, R-пакет от KTH). Плюс сторонний MCP-сервер (FujishigeTemma/semantic-scholar-mcp), позволяющий встраивать поиск Semantic Scholar в Claude Code, Cursor и другие агенты через стандартизованный протокол.

У Elicit публичного API нет. На сайте он не объявлен; возможен enterprise-доступ по индивидуальному запросу, но детали (цена, rate-лимиты, эндпоинты) публично не раскрываются. Для исследователей и небольших команд это означает: Elicit работает только как UI-инструмент, встроить его в автоматизированный пайплайн нельзя.

Российский исследователь хочет завести подписку. В одном сервисе нет вопроса вообще: бесплатно, доступно, оплата не нужна. В другом — оплата российской картой невозможна, но Free-доступ работает. Это две разные истории совместимости с РФ.

Semantic Scholar для российского пользователя — самый комфортный сценарий в категории research-AI. Сервис некоммерческий, не находится под санкционными ограничениями, не заблокирован Роскомнадзором. Доступ из российских IP-адресов открыт напрямую, без VPN. Регистрация для базового поиска не требуется; для библиотеки и email-оповещений нужен аккаунт через email. Оплата вообще не предусмотрена — сервис полностью бесплатный.

Elicit технически открыт: сайт работает из российских IP через браузер, без VPN, специфических блокировок не зафиксировано. Free-план доступен по email-регистрации без оплаты. Но как только пытаетесь оформить Plus, Pro или Team — натыкаетесь на Stripe, который российские карты не принимает (санкционное ограничение Stripe, не самого Elicit). Для российского исследователя: Free используется напрямую, платный — только через зарубежную карту или сервис-посредник.

Российский аспирант может пользоваться Semantic Scholar постоянно без ограничений, Free Elicit — для случаев, когда нужна работа с конкретным PDF. Платный Elicit Pro $499/год для российского пользователя — решаемая, но операционно сложная история: нужна зарубежная карта или подписка через знакомых за рубежом. По нашему опыту это не блокер, но добавляет каждые пять-шесть недель ту же операционную проблему «обновить платёжку».

Аспирант ведёт библиографию в Zotero три года — там 1200 источников по теме диссертации. Любой research-AI оценивается простым тестом: можно ли вытащить найденное в Zotero одним кликом или придётся копипастить BibTeX вручную.

Semantic Scholar делает базовые вещи правильно. Прямого официального плагина для Zotero от команды нет, но Zotero Connector работает напрямую: открываете страницу статьи в Semantic Scholar, нажимаете иконку Zotero и метаданные с PDF (если open access) сохраняются. BibTeX и RIS экспортируются прямо со страницы статьи — кнопка Cite. Это закрывает 90% задач интеграции.

Плюс сторонний MCP-сервер Semantic Scholar — встраивает поиск и работу с графом цитирований в Claude Code, Cursor и другие AI-агенты с поддержкой Model Context Protocol. Для R&D-команд, автоматизирующих исследовательский процесс, это даёт programmatic доступ к Semantic Scholar изнутри агентских пайплайнов.

Elicit с менеджерами литературы интегрирован слабо. Прямой интеграции Zotero или Mendeley нет. Экспорт результатов есть — CSV/таблица результатов extraction table скачивается. Поддержка BibTeX/RIS публично не подтверждена и остаётся data_gap. Если планируете строить библиографию через Elicit, перед оплатой убедитесь, что нужный формат экспорта есть.

Рабочий процесс с разделением: поиск и сохранение в библиографию через Semantic Scholar (бесплатно, прямо в Zotero), глубокий анализ и extraction — через Elicit, потом результаты extraction выгружаются в CSV и вшиваются в текст обзора руками.

Корпоративный R&D загружает в research-AI внутренние отчёты и unpublished статьи. Вопрос «не утечёт ли» становится критическим. Здесь обе платформы по сути новички в сертификации, но статус компаний разный.

Semantic Scholar — некоммерческая структура (часть Allen Institute for AI). Пользовательские данные (запросы, библиотека, история) могут использоваться для улучшения рекомендаций. Детали — в Privacy Policy на сайте. GDPR-сертификации у AI2 нет (это американская некоммерческая организация), но право на удаление данных для пользователей из ЕС заявлено. Загружать собственные документы нельзя по архитектуре, поэтому вопрос «обучаются ли модели на моих PDF» здесь не применим.

Elicit как Public Benefit Corporation декларирует осторожное обращение с пользовательскими данными в Terms of Service. Загруженные PDF используются для отвечающей сессии, дальнейшая политика хранения публично не разобрана — data_gap. GDPR — стандартные обещания для US-based-компании. SOC2 Type II публично не объявлен. Для корпоративного R&D enterprise-договор с конкретными гарантиями нужно обсуждать отдельно — стандартный Pro/Team не покрывает требования крупных компаний к юридической сертификации.

Semantic Scholar в каком-то смысле выигрывает за счёт ограничения: вы не загружаете в него ничего своего, и риск утечки сводится к утечке поисковых запросов. Elicit берёт на себя больший риск (вы загружаете PDF), но обязательства у PBC формально жёстче, чем у обычного для-прибыли стартапа.

Вы строите трёхлетнее исследование вокруг конкретного инструмента. Через год сервис должен работать. Через три — тоже. У одной из платформ вопрос закрыт с 2014 года, у другой — типовая стартап-история.

Semantic Scholar — часть Allen Institute for AI, некоммерческой организации, основанной Полом Алленом (сооснователь Microsoft) в 2014 году. Основное финансирование — Paul G. Allen Foundation, с долгосрочной миссией поддерживать AI2 как исследовательскую структуру. Институт большой — сотни сотрудников, несколько крупных продуктов. Сам сервис существует с ноября 2015, то есть около 10 лет на момент написания обзора. Риск закрытия очень низкий: некоммерческий фонд с независимым финансированием не закрывают по соображениям ROI.

Elicit — типичный AI-стартап с venture-финансированием. Seed в сентябре 2023 — $9 млн (Fifty Years, Tom Preston-Werner, Arash Ferdowsi). Series A в феврале 2025 — $22 млн от Spark Capital и Footwork. Всего собрано $31 млн+. Статус Public Benefit Corporation формально закрепляет миссию, но юридически не защищает от закрытия. У Elicit есть чёткое коммерческое направление (enterprise systematic reviews) и они вышли на платные тарифы рано — это нормальные сигналы устойчивости для стартапа на стадии Series A.

Semantic Scholar — самый безопасный выбор для многолетних проектов; шансы, что через 3–5 лет сервис закроется или принципиально поменяет монетизацию, минимальны. Elicit — нормальный риск стартапа Series A: есть деньги до 2027–2028 при текущем темпе расходов, есть продукт-маркет-fit в нише систематических обзоров, но 100% гарантии работы через пять лет дать никто не может.

Любой обзор пары сервисов рискует свернуть в «они оба хороши». Не наша история. По разным сценариям одна платформа объективно лучше, в других — вторая. Конкретные ситуации, где у каждой есть своя зона безусловной победы.

Где Semantic Scholar безусловно лучше. Первое — широкий мониторинг новых публикаций по теме: email-оповещения по ключевым словам и авторам, раз в неделю дайджест с TLDR. В Elicit такой фоновой ленты нет, в Semantic Scholar — основной use case бесплатного аккаунта. Второе — построение внутреннего R&D-пайплайна над академической литературой через бесплатный API, 200+ миллионов статей, эмбеддинги SPECTER2 и граф цитирований. У Elicit публичного API нет. Третье — верификация значимости работы через Highly Influential Citations и граф references — у Elicit аналога нет. Четвёртое — работа с библиографией: BibTeX/RIS, Zotero Connector, MCP-сервер. Пятое — российский пользователь без зарубежной карты.

Где Elicit безусловно лучше. Первое — систематический обзор по PRISMA: mini-PRISMA в отчёте, strict screening criteria, отчёты до 80 статей, Extraction Table с неограниченными колонками на Pro. Сэкономленные на скрининге дни-недели реальны (по нашему опыту, около 60–80% от ручного процесса). Второе — извлечение структурированных данных из набора PDF (точность 99,4% по простым полям из публичного исследования). Третье — Chat with Paper для глубокого разбора конкретной статьи. Четвёртое — извлечение данных из таблиц в PDF: для клинических исследований и метаанализов часто экономит часы перепечатывания. Пятое — работа под исследовательский вопрос: если задача формулируется как «найди исследования с дизайном X на популяции Y» — Elicit подбирает кандидаты сразу с суммаризацией.

Сценарии победы практически не пересекаются. Один сервис — фундамент бесплатной повседневной работы; второй — глубокий инструмент проектного применения.

Сухие сравнения помогают понять разницу, но не отвечают на вопрос «а мне-то что брать». Ниже — пять профилей реальных пользователей, по нашему опыту работы с обзорами в исследовательской сфере. Для каждого — конкретная рекомендация и причина выбора.

Аспирант в Год 1 — пишет литературный обзор для диссертации. Бюджет минимальный, времени на скрининг катастрофически не хватает. Рекомендация: Semantic Scholar (бесплатно, мониторинг и граф цитирований) + Elicit Free (для глубокого разбора 4 статей одновременно, до 20 PDF/мес). Когда упрётесь в лимит Elicit Free на этапе систематического обзора (обычно за 6–9 месяцев до защиты) — переходите на Plus $120/год или Pro $499/год.

R&D-аналитик в фарма-компании. Здесь Elicit Pro $499/год обязателен: 545 тысяч клинических испытаний в базе, Extraction Table под фарма-вопросы, mini-PRISMA для регулятора. Semantic Scholar — бесплатно для широкого мониторинга через email-оповещения. Если работаете не один — Elicit Team $780/место/год при минимум 2 местах. Платёжная инфраструктура — корпоративная карта.

Студент-магистрант, тема общая (маркетинг с применением ИИ). Скорее всего Free обоих хватит на весь срок учёбы. Semantic Scholar — поиск и библиография. Elicit Free — для глубокого разбора 3–5 ключевых статей. Если профессор требует «настоящий обзор по PRISMA» — берёте Plus $10/мес на один-два месяца под задание, потом отменяете.

Корпоративный аналитик / due diligence. Semantic Scholar API даёт пул из 1000+ статей с метаданными; Elicit Pro закрывает извлечение по 50 ключевым работам. Месячная подписка Elicit Pro $49 покрывает задачу полностью.

Журналист-расследователь / редактор научно-популярного издания. Semantic Scholar бесплатно для проверки фактов через Highly Influential Citations; Elicit — опционально, если задача — длинная серия (спецпроект на 6 месяцев). Для журналистики обычно хватает Free Elicit для трёх-четырёх ключевых статей.