Тенденция тонкой настройки бюджетных моделей ИИ на основе собственных данных и экспертных знаний предприятий становится противовесом передовым моделям ИИ от OpenAI и Anthropic.
Ранее специализированные модели ИИ в таких областях, как юриспруденция, медицина или образование, могли догнать лишь старые поколения ИИ, однако недавние испытания показывают, что этот разрыв значительно сокращается.
Компания Harvey AI провела тонкую настройку модели Kimi 2.6 для юридической сферы, повысив эффективность почти на 40% и достигнув уровня передовых моделей ИИ всего за 1/11 от их стоимости.
Однако это преимущество быстро уменьшилось, когда Anthropic выпустила новую версию Opus с более высокой производительностью в том же тесте.
Bridgewater Associates в партнерстве с Thinking Machines Lab выполнила тонкую настройку модели Qwen3-235B, используя внутренние данные, рабочие процессы и опыт своей инвестиционной команды.
Модель после настройки достигла точности около 85%, сократив количество ошибок почти на 30% по сравнению с передовыми моделями ИИ в задачах финансового анализа, при стоимости всего около 1/14 от их цены.
Успех обусловлен тем, что модель изучила не просто правильные ответы, а то, как именно эксперты Bridgewater принимают решения в своей повседневной работе.
В статье прогнозируется появление предприятий, специализирующихся на создании и обслуживании индивидуальных моделей ИИ для конкретных организаций, вместо простой продажи доступа к базовым моделям.
Microsoft также предостерегла компании от зависимости от небольшого числа закрытых моделей ИИ из-за риска потери контроля над данными и ценностью интеллектуальной собственности.
В статье одновременно поднимается вопрос о том, готовы ли сотрудники передавать накопленные за много лет знания для обучения корпоративного ИИ, если это может снизить их собственную значимость.
📌 Заключение: Конкуренция в сфере ИИ смещается от создания самых мощных моделей к использованию уникальных знаний каждого конкретного предприятия. Такие эксперименты, как Harvey AI или Bridgewater, доказывают, что недорогие модели после тонкой настройки на внутренних данных и опыте могут достигать или превосходить эффективность передовых ИИ-моделей при затратах всего от 1/11 до 1/14. Если этот тренд сохранится, преимущество может перейти от поставщиков ИИ-моделей к предприятиям, владеющим эксклюзивными данными, процессами и экспертными знаниями.
