От использования API к собственному интеллекту

В индустрии ИИ наметился сдвиг от использования готовых решений к концепции sovereign AI (суверенного ИИ). Вместо того чтобы просто подключать внешние модели через API, компании начинают развивать собственный интеллект на базе открытых моделей, адаптируя их под свои задачи и данные. Это превращает прикладные компании из простых разработчиков интерфейсов в полноценные исследовательские лаборатории.

Sequoia Capital выделяет два сценария развития: централизованный, где рынок контролируют несколько крупных игроков, и децентрализованный, где каждая компания владеет критически важными частями своего ИИ. Второй вариант считается более здоровым, так как он распределяет контроль над технологией между множеством участников.

Факторы перехода на собственные модели

Переход на собственные решения не является обязательным для всех, но становится необходимым при достижении определенных показателей. Основными драйверами выступают четыре параметра:

  • Стоимость: при высокой интенсивности использования внешних API расходы на модели могут стать критическими для маржинальности продукта.
  • Скорость: специализированные небольшие модели работают быстрее универсальных гигантов, что критично для таких задач, как автодополнение кода или кибербезопасность.
  • Качество: дообучение модели на специфических данных компании позволяет превзойти по точности закрытые универсальные решения.
  • Уникальные данные: наличие специфической экспертизы позволяет создавать модели, которые невозможно воспроизвести с помощью стандартных промптов.

Стратегия и организация процессов

Для успешного внедрения компаниям необходимо пройти через несколько этапов: от определения стратегии и систем оценки качества (Evals) до дообучения (Post-training) и, в перспективе, обучения с использованием данных пользователей (Online learning). Важно разделять production stack (инструменты для работы ИИ внутри продукта) и development stack (инструменты для улучшения модели).

С точки зрения организации, Sequoia рекомендует создавать выделенные команды исследователей и инженеров, а не ограничиваться сервисной моделью внутри продуктовых отделов. Кроме того, компаниям важно демонстрировать свои успехи на рынке через публикацию исследований и технических разборов — это формирует доверие клиентов к качеству их ИИ-инфраструктуры.