Развитие больших языковых моделей породило тревогу у разработчиков AI-приложений: не поглотят ли OpenAI, Anthropic и Microsoft весь прикладной рынок, добавив нужные функции прямо в свои базовые продукты?

Однако основатель корпоративной AI-компании Glean Арвинд Джайн считает, что фундаментальные модели не смогут заменить специализированные решения для бизнеса.

Главная причина — разрыв между возможностями модели в лаборатории и реальной работой внутри компании. У крупного предприятия могут быть сотни разрозненных систем: CRM, почта, документы, базы знаний, сервис-деск, бухгалтерия, кодовые репозитории. Одни и те же сущности в разных подразделениях называются и учитываются по-разному, а доступ к данным регулируется сложной системой прав.

Модель способна прочитать данные, но сама по себе не понимает, какие сведения важны для конкретной задачи, как устроены внутренние процессы и какие решения уже принимались ранее. В результате значительная часть вычислений уходит на поиск, сбор и интерпретацию контекста. Это делает AI одновременно дорогим, медленным и ненадёжным.

Поэтому ключевым активом в корпоративном ИИ становится не только сама модель, а контекстная инфраструктура: корпоративная база знаний, граф связей между данными, правила доступа, бизнес-терминология, рабочие процессы и накопленный опыт сотрудников. Именно этот слой позволяет AI-агенту не просто формировать красивый текст, а выполнять полезную работу в конкретной организации.

По оценке Джайна, более 90% корпоративных AI-задач не требуют наиболее мощных и дорогих моделей. Для составления писем, расшифровки встреч, поиска по документам, подготовки отчётов или обработки типовых обращений достаточно более дешёвых, в том числе открытых моделей. Критерий для бизнеса прост: результат должен быть достаточно качественным, безопасным и экономически оправданным.

Это ведёт к распространению мульти-модельного подхода. Простые задачи можно передавать недорогим моделям, а сложные и критически важные — флагманским закрытым решениям. В такой схеме ценность смещается от поставщика модели к платформе, которая умеет выбрать подходящую модель, безопасно подключить её к корпоративным данным и встроить в рабочие процессы.

Одновременно меняется и сила традиционных программных экосистем. Например, Microsoft сохраняет важное преимущество благодаря интеграции Copilot в уже купленные компаниями офисные продукты. Но AI всё чаще оплачивается по фактическому использованию, а не только по числу лицензий. Поэтому наличие инструмента в корпоративном пакете ещё не гарантирует, что сотрудники будут применять именно его: решающими становятся качество выполнения задачи, удобство и стоимость.

Важно и то, что AI не всегда мгновенно сокращает расходы. Он часто устраняет одно ограничение, но переносит узкое место дальше по цепочке. Если генерация кода стала быстрее, новыми барьерами становятся архитектура, проверка качества, безопасность, тестирование и внедрение. Полная автоматизация без контроля может привести к накоплению технического долга и росту затрат в будущем.

Поэтому наиболее перспективная стратегия — использовать AI не только для сокращения штата, а для роста производительности и масштаба бизнеса. Компании, которые с помощью AI расширяют выпуск продуктов, улучшают сервис и осваивают новые рынки, потенциально получают больше преимуществ, чем те, кто использует технологию исключительно как инструмент экономии.

Для AI-стартапов вывод также очевиден: опаснее всего оставаться поверхностной «оболочкой» над чужой моделью. Такой продукт может быть быстро заменён новой функцией от крупной платформы.

Но если компания глубоко встроена в критически важные процессы клиента, управляет контекстом, правами доступа, данными и рабочими сценариями, то улучшение базовых моделей становится не угрозой, а источником дополнительной ценности.