Успех внедрения искусственного интеллекта в корпоративную среду напрямую зависит от способности компаний извлекать и формализовать неявные знания своих сотрудников. Речь идет о тех практических навыках, интуитивных решениях и экспертных суждениях, которые накапливаются годами, но редко фиксируются в документах или инструкциях. Эта концепция, уходящая корнями в философию Майкла Поланьи («мы знаем больше, чем можем выразить словами»), сегодня становится центральной в гонке корпоративного ИИ.

Почему универсальные модели буксуют в специфических задачах

Универсальные языковые модели показывают впечатляющие результаты в областях с открытыми данными и четкими критериями. Однако, когда речь заходит о внутреннем контексте компании, специфических бизнес-процессах и субъективных экспертных оценках, одних письменных инструкций недостаточно. Это напоминает попытки Фредерика Тейлора в начале XX века систематизировать опыт фабричных рабочих — процесс трудоемкий и не всегда эффективный.

Кейс Bridgewater: экспертиза как топливо для ИИ

Яркий пример — недавнее исследование Bridgewater AIA Labs и Thinking Machines Lab. Команды протестировали ведущие модели (Claude Opus, Gemini, GPT) на шести реальных финансовых задачах. С простыми инструкциями точность колебалась от 45,6% до 50,1%. Однако, когда эксперты Bridgewater подготовили специализированные промпты, отражающие их собственное суждение, показатель взлетел до 74,3–78,2%. Автоматическая оптимизация инструкций не дала дополнительного прироста — человеческий фактор оказался решающим.

Кульминацией стало дообучение модели Qwen3-235B на данных, размеченных аналитиками Bridgewater. Результат: средняя точность 84,7%, снижение количества ошибок на 29,8% по сравнению с лучшей универсальной моделью. Стоимость обработки задач при этом упала в 13,8 раза. Этот подход, названный «дифференцированным интеллектом», подразумевает калибровку ИИ под уникальные процессы конкретной организации.

Ford: спасение уходящей экспертизы

Параллельно Ford демонстрирует другой аспект проблемы. За три года автопроизводитель нанял, повысил или вернул около 350 опытных технических специалистов. Их задача — не просто работать, а передавать свои знания: проверять конструкции, выявлять скрытые дефекты, обучать молодых инженеров и участвовать в настройке автоматизированных систем контроля качества. Вице-президент Ford Чарльз Пун прямо заявил: «Искусственный интеллект хорош ровно настолько, насколько хороша информация, используемая для его обучения». Компания признала, что ранее системно не сохраняла знания уходящих ветеранов, и теперь это приходится наверстывать.

Мой анализ

Рынок начинает осознавать фундаментальную истину: ИИ не заменит экспертов, но станет их идеальным ассистентом, если научиться «вытаскивать» из них знания. Ключевой актив корпорации будущего — это не столько алгоритмы, сколько способность систематизировать и оцифровывать уникальный опыт своих ключевых сотрудников. Компании, которые решат эту задачу, получат колоссальное конкурентное преимущество. Те, кто продолжит полагаться только на «сырые» данные и общие модели, рискуют остаться позади.