Внедрение искусственного интеллекта в корпоративную среду выходит на новый этап. Как показывают последние исследования, решающим фактором успеха становится не столько мощность вычислительных ресурсов, сколько способность компаний извлекать и формализовать неявные знания своих сотрудников — те самые практические навыки и интуитивные решения, которые нарабатываются годами, но редко фиксируются в документации.

Эта концепция, восходящая к философу Майклу Поланьи и его принципу «мы знаем больше, чем можем выразить словами», сегодня обретает практическое измерение. Универсальные ИИ-модели действительно показывают впечатляющие результаты в областях с большими массивами открытых данных и четкими критериями верификации. Однако в задачах, где критичны внутренний контекст компании и экспертное суждение, одних письменных инструкций оказывается недостаточно. Ситуация напоминает попытки инженера Фредерика Тейлора в начале XX века систематизировать опыт фабричных рабочих — только теперь инструментом выступает не секундомер, а нейросети.

Bridgewater: дообучение моделей на экспертных данных

Показательный пример — совместное исследование Bridgewater AIA Labs и Thinking Machines Lab, опубликованное 30 июня. Команды протестировали ведущие ИИ-модели (включая Claude Opus 4.6, 4.8, Gemini 3.1 Pro, GPT-5.4 и GPT-5.5) на шести финансовых задачах, включая анализ новостей и документов центробанков. При использовании стандартных инструкций точность моделей колебалась от 45,6% до 50,1%. Однако после применения промптов, разработанных экспертами Bridgewater, показатель взлетел до 74,3–78,2%.

Ключевой прорыв произошел на этапе дообучения: модель Qwen3-235B, обученная на размеченных специалистами Bridgewater данных, достигла средней точности 84,7%. По расчетам разработчиков, количество ошибок сократилось на 29,8% по сравнению с лучшей универсальной моделью, а стоимость обработки задач снизилась в 13,8 раза. Этот подход, названный «дифференцированным интеллектом», предполагает настройку отдельных моделей под специфические процессы и требования конкретной организации.

Ford: возвращение ветеранов для обучения ИИ

Другой яркий пример — стратегия Ford. За последние три года автопроизводитель нанял, повысил или повторно привлек около 350 опытных технических специалистов. Их задача — проверять конструкции, выявлять потенциальные неисправности, обучать молодых инженеров и, что особенно важно, участвовать в совершенствовании автоматизированных инструментов контроля качества. Вице-президент Ford по разработке аппаратной части Чарльз Пун прямо заявил: «Искусственный интеллект — отличный инструмент, но он хорош ровно настолько, насколько хороша информация, используемая для его обучения». Компания признает, что ранее недостаточно системно сохраняла знания опытных инженеров, и некоторые специалисты покинули Ford до того, как их опыт удалось полностью перенести во внутренние процессы.

Мой анализ: мы наблюдаем фундаментальный сдвиг в корпоративной стратегии ИИ. Вместо погони за все более мощными универсальными моделями, компании начинают понимать, что истинная ценность кроется в их собственных данных и экспертизе. Те, кто сможет эффективно «оцифровать» неявные знания своих сотрудников, получат устойчивое конкурентное преимущество. Это не просто технологический тренд — это переосмысление роли человеческого капитала в эпоху искусственного интеллекта.