Прошло два года с безумной гонки больших моделей — и ИИ-гиганты дружно развернулись, чтобы починить базу данных для «движка»
Двигатель установили, но дорогу ещё не отремонтировали
Первый тайм: все бегут наперегонки в выставочном зале
За прошедшие два года нарратив про ИИ был почти одинаковым: модели больше, параметров больше, рейтинги выше, две команды — с открытым и закрытым кодом — соревнуются за внимание. Сценарии компаний тоже почти не отличались: покупают вычислительные мощности, нанимают алгоритмистов, разворачивают модели — по умолчанию считают, что если модель достаточно сильная, то внедрение само собой пойдёт
Но реальность сделала больной укол. История CIO крупного государственного предприятия — типичный пример: 17 бизнес-систем, 9 дата-складов, 3 облака. Форматы данных — «как попало», множество бумажных отчётов не оцифровано. В итоге даже самое базовое приложение — диагностика неисправностей оборудования — не удалось запустить: модель не может прочитать даже исторические записи ремонта
Проблема не в том, что модель плохая — проблема в том, что данные просто не удаётся «скормить»
Второй тайм: пора заехать в настоящие городские кварталы
Завод нельзя останавливать, больницу нужно обеспечить безопасностью, государству — соответствовать требованиям. Даже если модель очень мощная, пока дорогу из данных не отремонтировали, машина будет крутиться на месте
Движения мировой цепочки поставок начинают сходиться в одно: тот же самый большой языковой модуль запускают «голым» в компании с её данными и подключают к полноценной системе дата-инженерии — и разница в точности получается разительной, прямо «с обрыва». Разрыв не в «мозге» модели — он в том, может ли она получить правильные ингредиенты
И тогда появляется новая архитектура: сверху — модель и возможности, снизу — дата-инженерия, аудит прав и стратегии управления. Модель и данные больше не стоят на конвейере «выше/ниже по потоку», они становятся партнёрами, которые кормят друг друга
Сложность в Китае — ещё на один слой
Для обрабатывающей промышленности цепочки поставок длиннее, требования к комплаенсу строже, неструктурированных данных больше, системы разрозненнее, а «формулировки» и подходы к данным более разномастные. Мост от универсального интеллекта к отраслевому интелекту огромный, но фундаментальная опора — это как раз сквозная дата-инфраструктура
Не «надеть на ИИ мозг», а сначала восстановить систему нервов
Что на самом деле дефицитно
Этот разворот и починка базы по сути — коррекция понимания: масштабируемая ценность ИИ не определяется тем, сколько баллов модель набрала сегодня. Она зависит от того, может ли качество данных стабильно поддерживаться, могут ли системы управления стабильно обеспечивать доверие, и может ли инженерия непрерывно замыкать цикл внедрения
В Китае не хватает не сотого (и не 101-го) открытого LLM — не хватает того, чтобы в первую очередь «отмыть» данные и сварить из них качественный суп
Когда это заработает, ИИ перестанет быть темой горячих новостей и станет инструментом на рабочем месте
DYOR Не является инвестиционной рекомендацией
#AI