Впровадження штучного інтелекту в корпоративне середовище виходить на новий етап. Як показують останні дослідження, вирішальним фактором успіху стає не стільки потужність обчислювальних ресурсів, скільки здатність компаній вилучати та формалізувати неявні знання своїх співробітників — ті самі практичні навички та інтуїтивні рішення, які напрацьовуються роками, але рідко фіксуються в документації.

Ця концепція, що сягає корінням до філософа Майкла Поланьї та його принципу «ми знаємо більше, ніж можемо висловити словами», сьогодні набуває практичного виміру. Універсальні моделі ШІ справді демонструють вражаючі результати в галузях із великими масивами відкритих даних та чіткими критеріями верифікації. Однак у завданнях, де критичними є внутрішній контекст компанії та експертне судження, одних письмових інструкцій виявляється недостатньо. Ситуація нагадує спроби інженера Фредеріка Тейлора на початку XX століття систематизувати досвід фабричних робітників — тільки тепер інструментом виступає не секундомір, а нейромережі.

Bridgewater: донавчання моделей на експертних даних

Показовий приклад — спільне дослідження Bridgewater AIA Labs та Thinking Machines Lab, опубліковане 30 червня. Команди протестували провідні моделі ШІ (включно з Claude Opus 4.6, 4.8, Gemini 3.1 Pro, GPT-5.4 та GPT-5.5) на шести фінансових завданнях, включаючи аналіз новин та документів центробанків. При використанні стандартних інструкцій точність моделей коливалася від 45,6% до 50,1%. Однак після застосування промптів, розроблених експертами Bridgewater, показник злетів до 74,3–78,2%.

Ключовий прорив відбувся на етапі донавчання: модель Qwen3-235B, навчена на розмічених фахівцями Bridgewater даних, досягла середньої точності 84,7%. За розрахунками розробників, кількість помилок скоротилася на 29,8% порівняно з найкращою універсальною моделлю, а вартість обробки завдань знизилася в 13,8 раза. Цей підхід, названий «диференційованим інтелектом», передбачає налаштування окремих моделей під специфічні процеси та вимоги конкретної організації.

Ford: повернення ветеранів для навчання ШІ

Інший яскравий приклад — стратегія Ford. За останні три роки автовиробник найняв, підвищив або повторно залучив близько 350 досвідчених технічних спеціалістів. Їхнє завдання — перевіряти конструкції, виявляти потенційні несправності, навчати молодих інженерів і, що особливо важливо, брати участь у вдосконаленні автоматизованих інструментів контролю якості. Віцепрезидент Ford з розробки апаратної частини Чарльз Пун прямо заявив: «Штучний інтелект — чудовий інструмент, але він хороший рівно настільки, наскільки хороша інформація, що використовується для його навчання». Компанія визнає, що раніше недостатньо системно зберігала знання досвідчених інженерів, і деякі фахівці покинули Ford до того, як їхній досвід вдалося повністю перенести у внутрішні процеси.

Мій аналіз: ми спостерігаємо фундаментальний зсув у корпоративній стратегії ШІ. Замість гонитви за дедалі потужнішими універсальними моделями компанії починають розуміти, що справжня цінність криється в їхніх власних даних та експертизі. Ті, хто зможе ефективно «оцифрувати» неявні знання своїх співробітників, отримають стійку конкурентну перевагу. Це не просто технологічний тренд — це переосмислення ролі людського капіталу в епоху штучного інтелекту.