Специалисты ИТ-индустрии призывают руководителей, принимающих решения в сфере информационных технологий, проявлять осторожность в отношении маркетинговых приемов поставщиков искусственного интеллекта, таких как бесплатные токены. Вместо этого рекомендуется применять стратегию, основанную на использовании множества поставщиков и моделей, чтобы избежать зависимости от одного вендора.
По словам Макса Госса, старшего директора-аналитика компании Gartner, предприятиям не следует опасаться использования подхода с несколькими поставщиками для извлечения максимальной пользы из различных инструментов ИИ, избегая при этом риска привязки к одному решению. Он также отметил, что маловероятно, что один поставщик или модель искусственного интеллекта сможет полностью удовлетворить все потребности организации.
Содержание
Тактика вендоров и стратегии компаний
Этот совет актуален на фоне того, как все больше поставщиков ИИ предлагают дешевые токены, субсидируемые венчурным капиталом, в рамках агрессивной борьбы за долю рынка. Компании также активно нанимают инженеров по внедрению (FDE) – специалистов, непосредственно работающих с клиентами для интеграции и продвижения своих моделей в корпоративную среду.
Как только компании начинают выстраивать свои бизнес-процессы вокруг конкретных моделей ИИ, они оказываются привязанными к экосистеме этого поставщика. Джек Голд, главный аналитик J. Gold Associates, отметил, что «компании переходят на гибридные стратегии… чтобы сократить расходы на токены и применять более эффективные с точки зрения расхода токенов модели».
Макс Лиминг, руководитель отдела науки о данных и решений в области ИИ в ManpowerGroup, предупредил, что бесплатные и недорогие токены от поставщиков ИИ могут стимулировать компании к созданию процессов и рабочих потоков на базе проприетарных больших языковых моделей (LLM) и интеллектуальных агентов.
Однако Логан Вулф, партнер по глобальной стратегии ИИ и суверенной трансформации в ИТ-консалтинговой фирме Kyndryl, отметил, что по мере развития ландшафта ИИ сложно предсказать, какой подход возобладает — использование нескольких моделей или нескольких поставщиков. По его мнению, возможен сценарий с использованием нескольких моделей, поскольку выбор в значительной степени зависит от конкретного сценария использования и типа реализации.
Подход, основанный на сценариях использования
Предприятия все еще находятся на стадии перехода от чисто теоретических экспериментов к пониманию ИИ как мощного инструмента, который должен приносить реальную бизнес-выгоду. Учитывая это, ИТ-руководителям следует строить свои стратегии ИИ, отталкиваясь от конкретных сценариев использования, а не от выбора поставщиков, подчеркнул Вулф.
Он пояснил, что в высокорегулируемых областях, таких как финансовый или медицинский сектор, необходимо уделять гораздо больше внимания безопасности, конфиденциальности и соблюдению нормативных требований. Это может препятствовать быстрой смене моделей исключительно на основе их стоимости.
Для менее критичных задач, по словам Вулфа, разумно применять подход, предусматривающий переключение моделей, который не требует больших затрат. Например, для простых задач с переменным объемом, таких как центры поддержки клиентов, во время пиковых нагрузок можно переключаться на более мощную модель, а затем оптимизировать ее использование в вечерние часы и выходные дни.
Важность прозрачности и контроля затрат
Келли Ромак, директор по цифровой информации ServiceNow, имеющая 25-летний опыт работы в ИТ, подчеркнула, что компаниям необходимо понимать, как строится их искусственный интеллект. По её словам, недопустимо создавать ИИ таким образом, чтобы люди не могли понять принципы его работы, отладки, резервного копирования и отслеживания.
Ромак также давно выступает против полной замены одной платформы поставщика на другую. Вместо этого, по её словам, следует обсудить уже имеющиеся технологии и затем рассмотреть лучшие в своем классе решения.
Изучив текущие активы клиентов, их контракты и планы, Ромак оценивает варианты, исходя из архитектурных принципов и решаемой задачи. Затем она запускает несколько моделей, таких как Claude от Anthropic и Copilot от Microsoft, через единый шлюз для больших языковых моделей.
В компании имеется множество внутренних инструментов, которые доступны специалистам. Например, модель Claude может быть более эффективна для анализа объемных документов Word, тогда как Copilot лучше подходит для быстрого суммирования информации.
Ромак уделяет особое внимание внутренним расходам на ИИ. Ежедневно она отслеживает траты на токены. Она приводит пример: если два инженера на одинаковых должностях показывают разницу в расходах на токены (например, один потратил 10 долларов, другой — 10 000 долларов), она обязательно выясняет причину такого расхождения.
Снижение рисков и непрерывность обслуживания
Избегание зависимости от одного поставщика крайне важно для обеспечения непрерывности услуг. В последние месяцы сбои затронули сервисы ИИ от OpenAI и Claude, и, как отметил Макс Госс из Gartner, многомодельный подход предоставляет резервные варианты.
«При опоре на единственного поставщика с единственной моделью существует значительный риск. Этот риск можно снизить с помощью многомодельного подхода», — подчеркнул он.