Внедрение искусственного интеллекта в бизнес-процессы все чаще упирается в один и тот же барьер: «сухие» данные, извлеченные из документов и инструкций, не способны передать всю глубину экспертного опыта. Речь идет о так называемом неявном знании — тех практических навыках и интуитивных решениях, которые опытные специалисты накапливают годами, но редко фиксируют в письменном виде. Именно этот ресурс, как показывают последние исследования, становится главным драйвером для создания по-настоящему эффективных корпоративных ИИ-моделей.
Универсальные языковые модели демонстрируют впечатляющие результаты в областях с большими массивами открытых данных. Однако в задачах, требующих понимания внутреннего контекста компании и экспертного суждения, их эффективность резко падает. Как метко заметил философ Майкл Поланьи, «мы знаем больше, чем можем выразить словами». Эта фраза как нельзя лучше описывает текущую дилемму корпоративного ИИ.
Bridgewater: «Дифференцированный интеллект» против универсальных моделей
Яркий пример — совместное исследование Bridgewater AIA Labs и Thinking Machines Lab. Команды протестировали ведущие модели (Claude Opus, Gemini, GPT) на шести финансовых задачах, включая анализ новостей и документов центробанков. При использовании простых инструкций точность составила от 45,6% до 50,1%. Однако, после того как эксперты Bridgewater подготовили специализированные промпты, показатель взлетел до 74,3–78,2%. Примечательно, что автоматическая оптимизация инструкций не дала дополнительного прироста.
Ключевой прорыв произошел на следующем этапе. Исследователи дообучили модель Qwen3-235B на данных, размеченных непосредственно специалистами Bridgewater. Результат превзошел все ожидания: средняя точность достигла 84,7%, а количество ошибок сократилось на 29,8% по сравнению с лучшей универсальной моделью. При этом стоимость обработки задач оказалась ниже в 13,8 раза. Этот подход, названный «дифференцированным интеллектом», предполагает настройку отдельных моделей под уникальные процессы и требования конкретной организации. По сути, это не просто дообучение, а перенос коллективного опыта компании в цифровую форму.
Ford: Охота за опытом ветеранов
Схожий тренд наблюдается и в промышленности. Ford Motor за последние три года наняла, повысила или повторно привлекла около 350 опытных технических специалистов. Их задача — проверять конструкции, выявлять потенциальные неисправности, обучать молодых инженеров и, что самое важное, 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». Он признал, что компания недостаточно системно сохраняла знания опытных инженеров, и некоторые из них покинули Ford до того, как их опыт удалось полностью перенести во внутренние процессы.
Мой анализ: Мы наблюдаем фундаментальный сдвиг в стратегии корпоративного ИИ. Гонка за сырыми данными и вычислительными мощностями уступает место гонке за качественным, размеченным экспертами «ноу-хау». Компании, которые смогут эффективно извлекать, структурировать и передавать неявные знания своих лучших сотрудников в модели, получат колоссальное конкурентное преимущество. Те же, кто продолжит полагаться исключительно на универсальные модели и публичные данные, рискуют остаться позади в эпоху «дифференцированного интеллекта».