Впровадження штучного інтелекту в бізнес-процеси дедалі частіше наштовхується на один і той самий бар'єр: «сухі» дані, вилучені з документів та інструкцій, не здатні передати всю глибину експертного досвіду. Йдеться про так зване неявне знання — ті практичні навички та інтуїтивні рішення, які досвідчені фахівці накопичують роками, але рідко фіксують у письмовому вигляді. Саме цей ресурс, як показують останні дослідження, стає головним драйвером для створення по-справжньому ефективних корпоративних моделей ШІ.

Універсальні мовні моделі демонструють вражаючі результати у сферах із великими масивами відкритих даних. Однак у завданнях, що потребують розуміння внутрішнього контексту компанії та експертного судження, їхня ефективність різко падає. Як влучно зауважив філософ Майкл Поланьї, «ми знаємо більше, ніж можемо висловити словами». Ця фраза якнайкраще описує поточну дилему корпоративного ШІ.

Bridgewater: «Диференційований інтелект» проти універсальних моделей

Яскравий приклад — спільне дослідження Bridgewater AIA Labs та Thinking Machines Lab. Команди протестували провідні моделі (Claude Opus, Gemini, GPT) на шести фінансових завданнях, включаючи аналіз новин та документів центробанків. При використанні простих інструкцій точність становила від 45,6% до 50,1%. Однак після того, як експерти Bridgewater підготували спеціалізовані промпти, показник злетів до 74,3–78,2%. Примітно, що автоматична оптимізація інструкцій не дала додаткового приросту.

Ключовий прорив відбувся на наступному етапі. Дослідники донавчили модель Qwen3-235B на даних, розмічених безпосередньо фахівцями Bridgewater. Результат перевершив усі очікування: середня точність досягла 84,7%, а кількість помилок скоротилася на 29,8% порівняно з найкращою універсальною моделлю. При цьому вартість обробки завдань виявилася нижчою в 13,8 раза. Цей підхід, названий «диференційованим інтелектом», передбачає налаштування окремих моделей під унікальні процеси та вимоги конкретної організації. По суті, це не просто донавчання, а перенесення колективного досвіду компанії в цифрову форму.

Ford: Полювання за досвідом ветеранів

Схожа тенденція спостерігається і в промисловості. Ford Motor за останні три роки найняла, підвищила або повторно залучила близько 350 досвідчених технічних фахівців. Їхнє завдання — перевіряти конструкції, виявляти потенційні несправності, навчати молодих інженерів і, що найважливіше, брати участь у вдосконаленні автоматизованих інструментів контролю якості.

Віцепрезидент Ford з розробки апаратної частини Чарльз Пун прямо заявив: «Штучний інтелект — чудовий інструмент, але він настільки хороший, наскільки хорошою є інформація, що використовується для його навчання». Він визнав, що компанія недостатньо системно зберігала знання досвідчених інженерів, і деякі з них покинули Ford до того, як їхній досвід вдалося повністю перенести у внутрішні процеси.

Мій аналіз: Ми спостерігаємо фундаментальний зсув у стратегії корпоративного ШІ. Гонка за сирими даними та обчислювальними потужностями поступається місцем гонці за якісним, розміченим експертами «ноу-хау». Компанії, які зможуть ефективно вилучати, структурувати та передавати неявні знання своїх найкращих співробітників у моделі, отримають колосальну конкурентну перевагу. Ті ж, хто продовжить покладатися виключно на універсальні моделі та публічні дані, ризикують залишитися позаду в епоху «диференційованого інтелекту».