Semantic Scholar vs Iris.ai 2026: бесплатный академический поиск против корпоративной R&D-платформы

В research-ai мы выделяем четыре функционально разных подгруппы: AI-поисковики по научным базам, работа с загруженными документами, верификация цитирований и аналитика/граф знаний для R&D. Semantic Scholar и Iris.ai попадают в разные подгруппы — и это главный факт, который определяет всё остальное.

Semantic Scholar — это AI-поисковик по корпусу научных статей. По состоянию на 2025 в базе 200+ миллионов статей (источник: страница «About» Allen Institute). Сервис делает три вещи: поиск с семантическим ранжированием, автоматические TLDR-рефераты, граф цитирований с флагом «Highly Influential Citations». Всё бесплатно, без подписки, без регистрации для базового поиска. Это инструмент для отдельного исследователя, библиотекаря, журналиста.

Iris.ai — это enterprise R&D intelligence platform. В 2025–2026 компания продаёт три продукта: Axion™ (безопасный ingestion 160+ млн внешних научно-технических документов в корпоративные AI-системы), Neuralith™ (enterprise RAG для интеграции внутренних документов в LLM) и RSpace™ (мониторинг технологических трендов, конкурентная разведка). Это инструмент для R&D-команды, не для одного человека.

На карте видно главное: оба сервиса появились в 2015 году и оба работают с научной литературой, но дальше их пути расходятся. Semantic Scholar — некоммерческий проект Paul G. Allen Foundation; Iris.ai — норвежский стартап с €7.64M Series A от Silverline Capital и European Innovation Council. У одного — массовая аудитория и открытые данные (S2ORC корпус, SPECTER2 embeddings). У другого — узкий B2B-сегмент в pharma, нефтегазе, материалах и aerospace.

Важная деталь: Iris.ai исторически выпускал consumer Workspace для исследователей, но к 2025–2026 продуктовый фокус сместился к enterprise Axion/Neuralith/RSpace. Старый consumer-доступ к Workbench формально существует (Scholar plan «примерно на 60% дешевле Professional»), но цены не опубликованы — даже на Scholar нужно писать в sales. Конкуренция «один аспирант выбирает между Semantic Scholar и Iris.ai» в 2026 году практически отсутствует: на этой ставке Semantic Scholar выигрывает по умолчанию.

Semantic Scholar использует собственные модели Allen Institute: SPECTER2 для эмбеддингов, SciBERT для понимания научного текста, корпус S2ORC как обучающие данные. Семантический поиск работает не только по ключевым словам, но и по смыслу запроса. На странице результатов — фильтры по году публикации, типу работы, журналу/конференции, открытому доступу, области знаний (Computer Science, Medicine, Physics и другие). Каждая статья — с TLDR-рефератом и метриками цитирования.

Iris.ai исторически делал упор на Focus Filter™ — патентованную интерактивную карту концептов. Пользователь видит большой массив результатов, выбирает релевантные концепты на карте и тем самым сужает выборку. Это качественно другой подход: вместо линейного списка с фильтрами по метаданным — итеративная навигация по смысловому пространству. По состоянию на 2026 этот функционал живёт в составе RSpace™ и enterprise-продуктов, но не предлагается как отдельный consumer-инструмент.

Для типового академического запроса в 2026 году Semantic Scholar выигрывает по простоте и охвату: бесплатно открываете страницу, вводите запрос, через две секунды получаете ранжированный список с TLDR. Iris.ai в его enterprise-форме не предполагает такого сценария — там вы сначала обсуждаете с sales-командой развёртывание, ingestion корпуса, кастомные интеграции. Это инструмент другого уровня абстракции.

Где Iris.ai реально сильнее — в работе с смешанным корпусом: внешние научные статьи плюс внутренние корпоративные документы (техотчёты, патенты, исследования). Семантический поиск Semantic Scholar не позволяет добавить «закрытый» документ компании и искать одновременно по нему и публичной литературе. Axion™ и Neuralith™ именно для этого и придуманы.

На уровне ранжирования у Semantic Scholar есть один уникальный сигнал — Highly Influential Citations, специальный флаг для наиболее значимых ссылок, который классифицируют модели AI2. У Iris.ai прямого аналога нет: компания не публикует деталей алгоритма ранжирования внутри RSpace. Для прозрачного выбора метода поиска Semantic Scholar предпочтительнее.

Semantic Scholar делает TLDR-рефераты — однострочные AI-выжимки, генерируемые собственными моделями Allen Institute. Они доступны для большинства статей в базе, появляются прямо в списке результатов поиска и в карточке статьи. Это формат «одна строка — главный тезис». Подход хорошо работает для технических статей на английском (документация API прямо упоминает это) и существенно сокращает скрининг при обзоре литературы.

Iris.ai предлагает Auto-generated Summaries и Autonomous Extraction — функции, которые делают рефераты в составе Workbench/RSpace и одновременно структурированно извлекают данные из большого набора документов. По формату это не «одна строка», а полные abstract-level или structured summary с разбивкой по разделам (методология, результаты, ограничения). Для систематического обзора литературы это удобнее, чем TLDR.

На сравнении видна разница в назначении. TLDR Semantic Scholar — это «помоги решить, стоит ли читать дальше». Authoros, Autonomous Extraction Iris.ai — это «вытащи из 200 статей таблицу методологий и результатов». Первое нужно ежедневно, второе — раз в проект.

Качество TLDR Semantic Scholar мы по нашему опыту оцениваем как хорошее для англоязычных статей в Computer Science и Medicine — двух наиболее представленных областях S2ORC. Для статей на русском или из узких региональных журналов TLDR может отсутствовать или быть низкого качества — об этом есть пометка в dossier и связано с тем, что русскоязычные источники в базе охвачены слабо (см. подтему «Качество русского языка» ниже).

Для Iris.ai dossier фиксирует Auto-generated Summaries и Autonomous Extraction как декларируемые функции (источник: SourceForge product page 2025 и iris.ai feature pages 2026), но публичных бенчмарков точности суммаризации компания не публикует. Это типичная картина enterprise B2B-сервиса: цифры «качества» демонстрируются на демо для конкретного клиента, а не в открытом тесте.

Semantic Scholar не имеет специализированного инструмента structured extraction. Из карточки статьи можно получить metadata через Academic Graph API: abstract, authors, citations, references, TLDRs, SPECTER2 embeddings, fieldsOfStudy, publicationDate, openAccessPdf. Но это не извлечение методологии и результатов как структурированных полей — это машиночитаемая обёртка вокруг стандартных научных метаданных. Чтобы получить PICO-таблицу, исследователь идёт читать сами PDF или подключает отдельный инструмент уровня Elicit или Scholarcy.

Iris.ai под этот сценарий явно проектировался. Autonomous Extraction — заявленная функция автоматического извлечения данных из большого набора документов. RSpace™ как R&D intelligence platform создан как раз для систематических обзоров и мониторинга. Декларируемый результат компании — экономия 75% времени исследователя при специализированном cross-disciplinary анализе (источник: PowerUsers.ai обзор 2025).

Из таблицы виден главный вывод: для извлечения структурированных данных Semantic Scholar — не инструмент, а сырьё. У него есть открытый API, через который можно вытащить metadata и embeddings, но дальше нужен собственный pipeline. Это нормально для команды разработчиков, которая строит свой research workflow на S2 как на надёжной open-data платформе. И это блокер для индивидуального исследователя, у которого нет ресурса писать Python-скрипты для парсинга 200 PDF.

Iris.ai в этом сценарии — готовое решение. Цифру «75% экономии времени» мы воспроизвели из dossier как декларацию компании; собственного теста на реальном корпусе у нас в редакции нет (мы держали только trial-аккаунт без полноценного R&D-проекта). Если для вас 75% — критически важная цифра, требуйте на demo конкретный кейс с похожим корпусом, а не общее заявление.

Ещё одна важная деталь: Iris.ai способен делать extraction из загруженных PDF через Axion ingestion. Semantic Scholar работает только с тем, что уже есть в его 200-млн корпусе. Если вы юрист и хотите выгрузить 50 контрактов и извлечь ключевые условия — Semantic Scholar бесполезен, а Iris.ai теоретически справится (в enterprise-договоре под кастомный workflow).

Тема, на которой Semantic Scholar исторически имеет сильную позицию, а Iris.ai в публичных материалах не делает её основной. Semantic Scholar строит граф цитирований, где у каждой статьи виден полный список ссылок (Cited by / References) и обратный граф «кто цитирует». Уникальный сигнал — флаг Highly Influential Citations, который классификатор AI2 присваивает наиболее значимым ссылкам в общем графе.

Когда мы открываем статью в S2, рядом с метриками цитирований видна именно эта дополнительная разметка — сколько из общего числа ссылок «highly influential». Это даёт быстрый сигнал о реальном влиянии работы в литературе, а не просто счётчик цитирований, который накачивается само-цитированием авторов. У Iris.ai в dossier подобный механизм публично не описан — это другой класс задач.

В dossier Semantic Scholar есть честная пометка: Citation Intent (классификация supporting / contradicting / mentioning) — это ниша Scite, а не S2. AI2 исследовала это внутри проекта scicite, но в основном продукте полноценной supporting/contradicting классификации нет. Если задача — именно «проверить, поддерживает ли цитата заявленный тезис» — ни Semantic Scholar, ни Iris.ai на эту роль не претендуют. Для этого есть отдельный сервис Scite.

Граф цитирований Semantic Scholar доступен бесплатно через UI и через Academic Graph API — это делает его очень удобным инструментом для исследователей, которые хотят построить визуализацию citation network для своей темы (например, через Python-пакеты semanticscholar или R-клиент от KTH). Iris.ai не публикует деталей доступа к citation graph через API; в enterprise-сценарии это возможно, но не как standalone-инструмент.

Дополнительная деталь по Semantic Scholar — выявление ретракций. В dossier это не отмечено явно как фича, поэтому мы не приписываем такую возможность — позиция редакции: лучше написать «не подтверждено в нашем dossier», чем выдумать функциональность. Если вам критична работа с retraction notices, проверьте Retraction Watch как отдельный источник.

Здесь Iris.ai объективно ближе к задаче. RSpace™ как R&D intelligence platform проектировался для систематического мониторинга научного фронтира — это и есть основа systematic review. Workbench Iris.ai позволяет команде совместно вести extraction table, обмениваться находками, строить knowledge maps. Для академических институтов есть отдельный Scholar plan (примерно на 60% дешевле Professional, точная цена по запросу).

Semantic Scholar не позиционируется как инструмент systematic review. У него есть базовая «библиотека» (личная папка сохранённых статей), есть рекомендации, есть оповещения — но это не PRISMA-инструмент. Тем не менее, исследователи активно используют S2 как первичный поисковый слой над PubMed/Web of Science: получают ранжированный список, прогоняют через TLDR для быстрого скрининга, экспортируют BibTeX и переносят в Covidence или Rayyan для дедупликации и формального скрининга.

Из диаграммы виден баланс. На стадиях identification и initial screening Semantic Scholar очень силён за счёт открытого корпуса и API. На стадиях structured extraction и team collaboration — преимущество у Iris.ai, который в принципе сделан под эту задачу. На экспорте в Covidence/Rayyan побеждает S2 за счёт открытого BibTeX/RIS-формата прямо из карточки статьи; у Iris.ai экспорт идёт через enterprise-договор и custom integration.

Важный нюанс по Iris.ai: PRISMA-совместимость в dossier явно не подтверждена. Компания заявляет «экономия 75% времени исследователя», но соответствие PRISMA flow chart требованиям конкретного журнала — это вопрос к sales-команде при demo. Если ваш journal требует строгого PRISMA — попросите показать, как именно RSpace документирует количество включённых/исключённых статей и причины отсева.

Для Semantic Scholar честная позиция: это не systematic review platform, это open-data поисковая инфраструктура. Многие лаборатории строят свой PRISMA-pipeline поверх S2 API, дополняя его PubMed и Web of Science. Это работает, но требует Python-разработчика или инвестиции в обучение исследователя.

По обоим сервисам ответ — мало. Это критический параметр для российской аудитории, и оба западных сервиса категории здесь объективно слабы. В этой подтеме мы не можем поставить никому 9+ — это была бы прямая фабрикация.

Semantic Scholar в dossier явно отмечен как сервис со слабым покрытием русскоязычных источников. Русскоязычные журналы (elibrary.ru, КиберЛенинка, ВАК-журналы) практически не индексируются. Интерфейс на английском. Поддерживаемые языки — «преимущественно английский; охват других языков ограничен — сильная сторона именно англоязычной науки» (источник: страница API 2025). Это не «вообще не находит» — статьи русскоязычных авторов в международных журналах (Q1/Q2 Web of Science) находятся нормально, потому что они индексируются через Crossref и метаданные ведутся на английском. А вот публикации на русском в российских журналах — проваливаются.

Iris.ai по dossier — преимущественно английский (научная и техническая документация). Русскоязычные источники охвачены минимально. Компания ориентирована на западный B2B R&D, и индексация elibrary.ru или КиберЛенинки в её продуктовой стратегии не значится. Дополнительный фактор: для российского B2B-клиента работа с Iris.ai означает санкционный compliance-риск (см. подтему «Доступность из России»).

Однако между двумя сервисами есть ассиметрия. Semantic Scholar, несмотря на слабую индексацию русских источников, остаётся доступным и бесплатным для российского аспиранта — поэтому даже в этой слабой зоне он более полезен, чем недоступный Iris.ai. Если вы пишете диссертацию по теме, где основная литература — англоязычная (международная), S2 решает 80% задачи. Русскоязычные источники добиваются отдельно через eLIBRARY и КиберЛенинку напрямую.

Для Iris.ai реалистичный сценарий использования в РФ — корпоративный R&D с международной командой, где исследования и так ведутся на английском. Российскому фарм-холдингу с фокусом на отечественный рынок Iris.ai как первичный инструмент бесполезен.

Если задача — серьёзный обзор литературы с учётом русскоязычных источников, ни один из этих двух сервисов не закроет её сам. Связка «S2 для англоязычной части + eLIBRARY для русскоязычной + ручная сборка библиографии в Zotero» остаётся стандартом для российского исследователя в 2026 году.

Semantic Scholar — полностью бесплатный сервис. $0 за всё: поиск по 200+ млн статей, TLDR-рефераты, граф цитирований, личные библиотеки, рекомендации, оповещения о цитатах и новых статьях. Регистрация опциональна (нужна только для личной библиотеки и оповещений). API — тоже бесплатный: 1000 запросов в секунду суммарно для анонимных пользователей и 1 запрос в секунду на пользователя с бесплатным API-ключом. Расширенный tier — по запросу для production-нагрузок, но даже он, судя по dossier, не предполагает обязательной платы.

Iris.ai — enterprise-модель. Цены не опубликованы публично — есть 14-дневный Free Trial с ограниченным доступом к Workspace, Scholar Plan примерно на 60% дешевле Professional (точная цена — по запросу), Professional Plan — полностью по запросу, и Enterprise Solution (Axion / Neuralith / RSpace) — кастомное ценообразование. Источник всех цифр — официальные страницы Iris.ai и обзор PowerUsers.ai 2025.

Чтобы корректно посчитать стоимость владения за год по Iris.ai, нужно обратиться в sales. Iris.ai не публикует ни Professional, ни Scholar в виде конкретного ценника на сайте — это типичная enterprise B2B-модель, где цена формируется под клиента (размер организации, объём данных, custom integrations, on-premises). В наших правилах §3.bis запрещено подставлять «примерную» цифру — поэтому конкретный годовой бюджет Iris.ai мы здесь не называем. Это попадает в data_gaps.

Для Semantic Scholar расчёт стоимости владения за год однозначен: 0 рублей. Даже расширенный API tier для production-нагрузок, насколько следует из dossier, выдаётся по запросу к команде API, а не покупается через корзину — это академический ресурс, а не SaaS-продукт.

Сравнивать TCO напрямую методологически некорректно: это два разных типа продукта. Бесплатный академический ресурс и enterprise R&D-платформа решают разные задачи. Если бы они конкурировали за один бюджет — Semantic Scholar выиграл бы по умолчанию. Но они не конкурируют.

Semantic Scholar — пожалуй, эталонный пример «free forever, no limits» в своей категории. По dossier: $0 для всех функций поиска, TLDR, цитирований, библиотек, рекомендаций. Регистрация опциональна; без аккаунта доступны поиск и просмотр статей, аккаунт нужен только для личной библиотеки и email-оповещений. Это не «freemium с ограничением 10 запросов в день» — это полнофункциональный продукт без платных тиров вообще. Возможность вернуться к нему через месяц или полгода и продолжить с того же места — встроенная в саму бизнес-модель некоммерческой организации.

Iris.ai в потребительском сегменте предлагает только 14-дневный Free Trial с ограниченным доступом к функциям Workspace. После окончания trial — либо переход на платный план (Scholar или выше), либо доступ закрывается. Это типичная SaaS B2B-модель: trial для демонстрации, дальше продажа.

Эту подтему стоит читать в связке с предыдущей: вместе они формируют картину «инструмент для повседневного использования» vs «инструмент с обязательной enterprise-продажей». Для индивидуального исследователя бесплатность Semantic Scholar — главное конкурентное преимущество в категории. Для корпоративного R&D 14-дневный trial Iris.ai — нормальная демо-точка, потому что решение всё равно принимается через закупки.

Скрытый плюс free-модели S2 — она снижает порог обучения. Студент может попробовать API в pet-проекте, аспирант — встроить TLDR-парсинг в свой Python-pipeline; их пользовательский опыт переходит во взрослые научные карьеры. Этот эффект — стратегический выбор Allen Institute и одна из причин, по которой S2 имеет устойчиво высокую репутацию в академической среде (см. подтему «Сообщество и репутация»).

Semantic Scholar Academic Graph API — один из главных активов сервиса. Он бесплатный, есть endpoint'ы /paper/search, /paper/{paperId}, /author/{authorId}, /recommendations, /graph и другие. Через API доступны поля abstract, authors, citations, references, TLDRs, SPECTER2 embeddings, fieldsOfStudy, publicationDate, openAccessPdf. Это даёт возможность строить серьёзные исследовательские pipelines на S2 как на инфраструктуре. Лимиты: 1000 req/sec суммарно для анонимных пользователей (нестабильно в пиковое время) и 1 req/sec на пользователя с бесплатным API-ключом. Для production-нагрузок есть расширенный tier по запросу.

Iris.ai заявляет Enterprise API для корпоративных клиентов (источник: iris.ai 2026). Конкретные endpoint'ы, формат, лимиты и цена за запрос в публичных материалах не раскрыты — это часть enterprise-договора. Для команды разработчиков, которая выбирает «на чём строить data-pipeline», это означает: открытая документация и предсказуемый бесплатный лимит S2 vs закрытая корпоративная история Iris.ai.

В разрезе production-pipeline Semantic Scholar — это open-data платформа, на которой можно строить research-приложения свободно. Существуют неофициальные клиенты (Python-пакет semanticscholar, R-клиент от KTH), сторонний MCP-сервер для AI-агентов (источник: mcpservers.org, FujishigeTemma/semantic-scholar-mcp). Open datasets S2ORC (полные тексты для NLP-исследований) и SPECTER2 embeddings скачиваются и используются исследователями ML-сообщества.

Для Iris.ai мы пишем то, что есть в dossier: «Enterprise API доступен», подробности раскрываются на demo. Если у вас в команде есть data engineer, который хочет встроить research-AI в production-workflow — у S2 он сделает это за день; у Iris.ai только после подписанного NDA и доступа к sandbox.

Деталь, которая редко проговаривается: SPECTER2 — это модель эмбеддингов для semantic similarity, доступная через API и для скачивания. Это позволяет строить собственный semantic search над любым корпусом документов, используя SPECTER2 как backbone. Для команд, которые проектируют собственные research-инструменты, это открывает дополнительные возможности — без оплаты OpenAI Embeddings.

Semantic Scholar — один из самых дружелюбных сервисов категории для российской аудитории. По dossier: доступен без VPN, не находится под санкционными ограничениями (как некоммерческий ресурс), не заблокирован Роскомнадзором. Регистрация для базового поиска не требуется. Оплата не нужна — сервис полностью бесплатный, и проблема российских карт здесь даже не возникает. Allen Institute как академический non-profit не разрывает контракты по политическим причинам и не блокирует доступ по геолокации.

Iris.ai — норвежская компания (EU EEA). Технически сервис доступен, но в потребительском смысле его в РФ почти нет: только 14-дневный trial и корпоративная продажа. Оплата идёт через корпоративный договор (B2B), а не через банковскую карту, и здесь начинается основной риск: санкционный compliance для российских B2B-клиентов. Норвегия следует санкционному режиму ЕС, и заключение корпоративного контракта с российским юрлицом для Iris.ai с 2022 года практически невозможно без специальных условий.

Что это значит для типовых российских профилей? Студент или аспирант в РФ открывает Semantic Scholar в браузере и пользуется им как обычным сайтом — без VPN, без карт, без регистрации. Это редкая ситуация в 2026 году для западного research-AI инструмента. Эту доступность стоит ценить отдельно: большинство сервисов категории требуют либо VPN, либо иностранной карты, либо корпоративной поставки.

Российская R&D-компания, рассматривающая Iris.ai, столкнётся с двойным препятствием: продавец проверит санкционный compliance, а оплата возможна только через юрлицо в дружественной юрисдикции (Казахстан, ОАЭ, Турция). Это и так стандартная история для покупки западных enterprise-сервисов в РФ, и Iris.ai не исключение. Расчёт реалистичного TCO здесь сильно зависит от ваших возможностей по compliance-обходу.

Дополнительный нюанс по Semantic Scholar: данные пользователя (запросы, библиотека) хранятся на серверах AI2 в США. Для российского пользователя это не блокер, но если вы работаете в защищённом контуре (государственные R&D, оборонные НИИ), стоит трактовать поиск через S2 как поиск в открытом интернете и не загружать туда чувствительные документы (хотя S2 и не предлагает загрузку — он работает только с публичным корпусом).

Здесь Iris.ai явно сильнее, и для регулируемых отраслей это критично. Норвегия — часть EEA, поэтому Iris.ai по умолчанию GDPR-native: обработка данных идёт в Европе, права субъекта данных встроены в продукт. Дополнительно есть on-premises развёртывание для полного data residency — критично для pharma, energy, materials и государственных R&D, где данные не могут покидать периметр клиента. SOC2 в dossier не подтверждён публично на 2026-05 (отмечен как «уточнить») — это data_gap, который стоит проверить при подписании договора.

Semantic Scholar — некоммерческая организация в США. GDPR-сертификации нет: AI2 — американская структура, не сертифицирована по европейскому регламенту. Для EU-пользователей права на удаление данных заявлены в Privacy Policy, но это не равно полному GDPR compliance. Пользовательские данные (библиотека, запросы) используются для улучшения рекомендаций — детали в Privacy Policy. Сам факт, что AI2 публикует open datasets S2ORC и SPECTER embeddings, не значит, что туда попадают личные запросы — это публичный корпус научных статей, к которому пользовательские данные отношения не имеют.

Для академического пользователя, который ничего конфиденциального через сервис не пропускает, эти различия не критичны. S2 работает с публичным корпусом, исследователь ищет публичные статьи — ни о каких NDA-документах речь не идёт. Здесь Privacy Policy AI2 даёт достаточную опору.

Для корпоративного R&D, который через Neuralith™ интегрирует внутренние патенты и техотчёты в LLM-движок, профиль безопасности Iris.ai — главная причина выбора. On-prem развёртывание, GDPR-by-design, enterprise-договоры по конфиденциальности — это пакет, ради которого собственно и платят enterprise-чек.

Semantic Scholar поддерживает прямой экспорт в стандартные форматы цитирования: BibTeX и RIS прямо со страницы статьи (кнопка Cite). Это означает, что любой Zotero/Mendeley/EndNote-пользователь добавляет статью из S2 за два клика: «Cite» в S2 → копирование строки → вставка в библиотеку. Дополнительно: Zotero Connector работает с любым URL/DOI, поэтому добавить статью в Zotero можно вообще без помощи S2 — просто открыв её страницу.

Официального плагина Zotero от Semantic Scholar нет (это data_gap dossier, но в категорийном файле есть упоминание о существовании Zotero-плагина для S2 — формулировка плагина может быть от сообщества, а не от самого AI2). Браузерное расширение тоже отсутствует, но Semantic Reader работает в браузере и позволяет читать статьи с inline-аннотациями.

Iris.ai по dossier — нет явной интеграции с Zotero или Mendeley. Это логично, потому что компания B2B-ориентирована, а не нацелена на академический workflow одного исследователя. Экспорт идёт в форматы, согласованные для enterprise-клиентов (детали в demo), но стандартного «Cite → BibTeX» прямо в потребительском UI нет.

Это объективное преимущество S2 для академического workflow. Любой PhD-студент, который ведёт Zotero-библиотеку и пишет литобзор, открывает S2 параллельно как «дополнительный поисковик» к Google Scholar — и легко переносит находки. У Iris.ai такого сценария попросту нет: для интеграции с Zotero потребуется custom-разработка через enterprise-контракт.

Дополнительно по dossier: для AI-агентов есть сторонний MCP-сервер semantic-scholar-mcp (FujishigeTemma), который позволяет встроить S2 в LLM-агентов через Model Context Protocol. Это не интеграция с reference manager, но это важный сигнал об открытости экосистемы.

Semantic Scholar по части стабильности — один из самых надёжных вариантов на рынке. Сервис существует с 2015 года, принадлежит Allen Institute for AI (AI2) — некоммерческой организации, основанной Полом Алленом (соучредителем Microsoft) в 2014. Основное финансирование — Paul G. Allen Foundation, бессрочное по природе. AI2 — крупная структура с сотнями сотрудников; точный бюджет не раскрывается публично, но по dossier риск закрытия оценивается как «очень низкий — некоммерческий фонд с долгосрочной миссией и устойчивым финансированием».

Iris.ai — норвежский стартап, основанный в 2015 году. По публичной информации: Series A €7.64M (лид-инвестор Silverline Capital + European Innovation Council Accelerator Fund). Полная история раундов публично не раскрыта; итого привлечено €7.64M+. Это далеко не unicorn-уровень, но и не «only seed». Наличие EIC grant — отдельный позитивный сигнал: European Innovation Council поддерживает только европейские deeptech-стартапы с серьёзной технологической базой. По оценке dossier, риск закрытия Iris.ai — умеренный: компания небольшая (точное число сотрудников не раскрыто, оценка ~30–50), но с десятью годами на рынке и устойчивой B2B-нишей.

Дополнительная деталь по Iris.ai — компания пережила стратегический сдвиг от consumer Workspace к enterprise Axion/Neuralith/RSpace в 2024–2025. Это типичная картина для deeptech-стартапа, который ищет product-market fit: уход в enterprise — рациональный выбор, потому что там выше ARPU и длиннее контракты. Но для пользователей старого Workspace это означает, что инструмент, на котором они работали, перестаёт быть приоритетом для компании. По dossier статус и доступность старого consumer Workspace на 2026-05 — это data_gap, который имеет смысл уточнить, если вы рассматривали именно этот продукт.

Для аспиранта, который выбирает «на чём строить workflow на ближайшие 4 года», Semantic Scholar — почти безрисковый выбор. Allen Institute не закроет S2 в обозримой перспективе. Для R&D-команды, которая выбирает Iris.ai на 3–5-летний проект, разумно прописать в контракте условия escrow или fallback-сценарии — это стандарт для покупки SaaS у небольших вендоров.

Резюмируем картину по всем 14 подтемам выше через адресные рекомендации.

Аспирант / учёный, работающий над диссертацией или статьёй. Базовая рекомендация — Semantic Scholar. Бесплатно, доступен без VPN, прямой экспорт BibTeX в Zotero, открытый API для построения собственного pipeline. Если у вас при этом подписан Elicit или NotebookLM — связка работает хорошо: S2 для широкого поиска, Elicit для systematic review, NotebookLM для работы с конкретными PDF.

Корпоративный аналитик / R&D, фарма / нефтегаз / материалы / aerospace. Iris.ai — Axion для ingestion, Neuralith для интеграции корпоративных знаний, RSpace для мониторинга трендов. Закладывайте 4–8 недель на demo и согласование контракта. Просите письменный TCO на 3 года и условия escrow. Для российского B2B — проверьте санкционные ограничения и возможность контракта через дружественную юрисдикцию.

Студент бакалавриата / магистратуры. S2 — без вариантов. Бесплатно, не требует регистрации для базового поиска, TLDR помогает быстро понять, нужна ли статья. У Iris.ai даже Scholar plan для студента — overkill: 14-дневный trial кончится раньше, чем вы сдадите курсовую, а покупать Scholar plan ради разовой задачи нерационально.

Журналист / редактор. S2 для базы и графа цитирований; для верификации «эта цитата реально поддерживает заявленный тезис?» — отдельный сервис Scite. Iris.ai в этом сценарии нерелевантен.

Юрист / финансист, работающий с большими массивами документов. Semantic Scholar в принципе не подходит — он работает только с публичными научными статьями, а не с вашими контрактами. Если задача в том, чтобы загрузить корпус документов и задать вопросы, ближе к делу будет Iris.ai через Neuralith™ (enterprise-договор) или другие сервисы из категории, ориентированные на работу с загруженными документами.

Маркетолог / продакт-менеджер, изучающий новую тему. S2 даёт быстрый вход в техническую литературу темы; TLDR помогает обойтись без чтения всех 50 страниц. Если задача глубже — мониторинг технологического тренда, due diligence — рассмотрите Iris.ai через demo, но прежде убедитесь, что бюджет соответствует enterprise-уровню.