Успіх впровадження штучного інтелекту в корпоративне середовище безпосередньо залежить від здатності компаній вилучати та формалізувати неявні знання своїх співробітників. Йдеться про ті практичні навички, інтуїтивні рішення та експертні судження, які накопичуються роками, але рідко фіксуються в документах чи інструкціях. Ця концепція, що сягає корінням у філософію Майкла Поланьї («ми знаємо більше, ніж можемо висловити словами»), сьогодні стає центральною в гонці корпоративного ШІ.
Чому універсальні моделі буксуть у специфічних завданнях
Універсальні мовні моделі демонструють вражаючі результати в областях з відкритими даними та чіткими критеріями. Однак, коли мова заходить про внутрішній контекст компанії, специфічні бізнес-процеси та суб'єктивні експертні оцінки, одних письмових інструкцій недостатньо. Це нагадує спроби Фредеріка Тейлора на початку XX століття систематизувати досвід фабричних робітників — процес трудомісткий і не завжди ефективний.
Кейс Bridgewater: експертиза як паливо для ШІ
Яскравий приклад — нещодавнє дослідження Bridgewater AIA Labs та Thinking Machines Lab. Команди протестували провідні моделі (Claude Opus, Gemini, GPT) на шести реальних фінансових завданнях. З простими інструкціями точність коливалася від 45,6% до 50,1%. Однак, коли експерти Bridgewater підготували спеціалізовані промпти, що відображають їхнє власне судження, показник злетів до 74,3–78,2%. Автоматична оптимізація інструкцій не дала додаткового приросту — людський фактор виявився вирішальним.
Кульмінацією стало донавчання моделі Qwen3-235B на даних, розмічених аналітиками Bridgewater. Результат: середня точність 84,7%, зниження кількості помилок на 29,8% порівняно з найкращою універсальною моделлю. Вартість обробки завдань при цьому впала в 13,8 раза. Цей підхід, названий «диференційованим інтелектом», передбачає калібрування ШІ під унікальні процеси конкретної організації.
Ford: порятунок експертизи, що зникає
Паралельно Ford демонструє інший аспект проблеми. За три роки автовиробник найняв, підвищив або повернув близько 350 досвідчених технічних спеціалістів. Їхнє завдання — не просто працювати, а передавати свої знання: перевіряти конструкції, виявляти приховані дефекти, навчати молодих інженерів та брати участь у налаштуванні автоматизованих систем контролю якості. Віце-президент Ford Чарльз Пун прямо заявив: «Штучний інтелект настільки хороший, наскільки хорошою є інформація, що використовується для його навчання». Компанія визнала, що раніше системно не зберігала знання ветеранів, які йдуть, і тепер це доводиться надолужувати.
Мій аналіз
Ринок починає усвідомлювати фундаментальну істину: ШІ не замінить експертів, але стане їхнім ідеальним асистентом, якщо навчитися «витягувати» з них знання. Ключовий актив корпорації майбутнього — це не стільки алгоритми, скільки здатність систематизувати та оцифровувати унікальний досвід своїх ключових співробітників. Компанії, які вирішать це завдання, отримають колосальну конкурентну перевагу. Ті, хто продовжить покладатися лише на «сирі» дані та загальні моделі, ризикують залишитися позаду.