Кажется, что корпоративный ИИ начинается с вопроса «какую модель выбрать?». Copilot, GPT, Gemini, Claude, Grok — а для смелых ещё DeepSeek или Qwen. Этот выбор обычно превращается в самые жаркие споры внутри компании. И всё это — сюжет на десять процентов реальной проблемы.
Модель — это как процессор
В компьютере процессор — важная деталь. Без него ничего не работает. Но конкурентное преимущество ноутбука определяют не мегагерцы, а дизайн, операционная система, экосистема приложений. С корпоративным ИИ та же история. Модель необходима, но она не стратегическая. Выбор между GPT и Claude не создаст преимущества перед конкурентами, если всё остальное устройство одинаковое.
Более того, для большинства задач не нужна самая мощная модель. Простые запросы можно отправлять в дешёвые маленькие модели, а сложные — эскалировать во «фронтменов». Проект RouteLLM из Беркли показывает, как такая маршрутизация экономит деньги, не теряя в качестве ответов. DeepSeek отдельно приучил рынок к тому, что цена за токен может быть в разы ниже — то есть модели становятся взаимозаменяемым товаром.
Три слоя корпоративного ИИ
Если смотреть на ИИ как на слоёный пирог, в основании лежит общий интеллект модели. Это то, что сейчас умеют GPT и компании, — и это самый легкодоступный слой. Его покупают все. Настоящая сложность начинается выше: на уровень институционального контекста — документы, правила, онтологии, история отношений. И ещё выше — на уровень институционального обучения: результаты, оценки, обратная связь, петли опыта, которые накапливаются годами.
Вот в этих двух верхних слоях — контекст и обучение — и прячется реальная дифференциация. Или не прячется, если компания остановилась на покупке большой модели и раздала её сотрудникам в надежде, что «интеллект приложится».
Что говорят создатели моделей
Anthropic прямо пишет, что улучшения достигаются за счёт работы с контекстом — состоянием вокруг модели: инструменты, инструкции, внешняя информация, история. Не про промпт.
Microsoft, лидер корпоративного софта, сейчас позиционирует небольшие модели как лучший вариант для узких задач. Они выпустили адаптированные под отрасли модели на базе семейства Phi. Это не попытка маленькими моделями победить большие; это признание простой вещи: размер модели должен соответствовать сложности задачи, а не амбициям компании.
Satya Nadella, возможно, сформулировал это жёстче всех: компании должны владеть своим циклом обучения, а не арендовать чужой интеллект и применять его так же, как конкуренты.
Проверка: владеете ли вы своим ИИ
Есть простой тест. Представьте, что завтра вы меняете модель с GPT на Llama, с Claude на Qwen. Что вы потеряете? Если потеряете всё — накопленные инструкции, доработанные базы знаний, реакцию системы на ваши данные и историю взаимодействий — значит, производитель модели владеет слишком большой частью вашего корпоративного интеллекта. Хуже того: ваш конкурент, который строил свою систему на слоях собственных данных, останется при своих преимуществах, а вы начнёте с нуля на новой платформе.
Настоящий актив — это петля обратной связи: когда каждое решение, каждый ответ, каждый результат используется для улучшения будущих ответов. Модель — лишь один элемент архитектуры, и при правильной архитектуре она заменяема. Но чтобы это работало, нужно:
- Собрать корпус институционального контекста: документы, инструкции, кейсы, решения. Хранить его отдельно от модели.
- Построить систему фидбэка: оценки, рецензии, результаты. Они должны возвращаться в базу, а не исчезать после выполнения задачи.
- Сделать переключение моделей дешёвым: маршрутизация запросов между разными моделями, а не привязка к одной.
- Проверить, что происходит при уходе вендора: экспорт знаний, формат данных.
| Параметр | Модель-центричный подход | Контекст-центричный подход |
|---|---|---|
| Что решает первым делом | Какую LLM купить | Какие данные и обратная связь нужны |
| Дифференциация | Минимальная, все используют похожие модели | Высокая, накапливается со временем |
| Стоимость | Растёт с токенами | Оптимизируется за счёт дешёвых моделей для простых задач |
| Риски | Зависимость от одного вендора | Контролируемый риск, модель заменяема |
Что делать прямо сейчас
Перестаньте начинать с модели. Начните с аудита данных. Спросите себя: какие внутренние данные у нас есть, но они не оцифрованы, не структурированы и не используются? В университете автор наблюдает: преподаватели и студенты создают огромный объем документов по каждому курсу, плюс оценки и рецензии. Это идеальный корпус для принятия стратегических решений, если из него извлечь знания.
Определите, какие задачи в вашей компании достаточно решать маленькой локальной моделью, а какие требуют самой умной. Не покупайте «самую крутую» сразу. Постройте маршрутизатор или хотя бы правила: простой вопрос — дешёвая модель, сложный — дорогая. Так вы сэкономите ощутимые деньги.
И наконец: выработайте критерий успеха. Не «сколько раз сотрудники позвали ИИ», а «как изменились наши результаты, решения и скорость работы».
Вывод
В долгосрочной перспективе выигрывает не тот, кто выбрал «правильную» модель, а тот, кто построил систему, в которой модель — лишь встроенная деталь. Арендовать интеллект можно. Владеть собственным обучением — вот что даёт преимущество. Через год разница станет заметной: компании с накопленным опытом будут работать умнее, остальные останутся в одинаковом ряду.
Fluxs
Комментарии (0)
Войдите, чтобы комментировать.
Пока нет комментариев. Будьте первым.