Нишевая модель обходит гиганта

Когда Salesforce объявила, что покупает компанию агента поддержки Fin за $3.6 млрд, почти всё внимание ушло на цифру. Деталь интереснее — на чём работает агент. Не GPT, не Claude, не Gemini, а Apex, собственная модель Fin, заточенная под поддержку, которая, по словам Salesforce, обходит топовые фронтир-модели в закрытии тикетов. Она сама закрывает 76% объёма обращений целиком.

Вдумайся. Модель, о которой ты не слышал, меньше именитых гигантов, обходит их в той единственной работе, под которую её строили. Это не случайность — так работает специализация, и это аргумент против рефлекса, который есть почти у всех, кто начинает ИИ-проект: схватить самую большую и умную модель и считать, что она победит. Для узкой задачи — обычно нет. Объясню.

Самая большая — это общий ответ на конкретный вопрос

Фронтир-модели поразительны тем, что делают всё сносно — пишут код, планируют поездки, объясняют налоговое право, набрасывают письма. Именно эта широта и есть причина, почему они не оптимизированы ни под одну из этих вещей. Гигантская универсальная модель — блестящий универсал: широкие знания, ни одной специальности.

Большинству реальных продуктов универсал не нужен. Им нужна одна работа, сделанная превосходно. Закрывать тикеты — это не «знать всё», это «понимать продукты этой компании, следовать её правилам, правильно отрабатывать эти пару сотен повторяющихся ситуаций и знать, когда передать человеку». Модель, обученная ровно на этом, на годах реальных тикетов, обойдёт модель побольше, которая распыляет внимание на всю вселенную человеческих вопросов. Глубина в задаче бьёт широту по всем задачам.

Специализированная обычно ещё и меньше, дешевле и быстрее

Часть, которая делает это больше чем курьёзом: специализированная модель выигрывает не только в качестве на своей задаче — обычно и в цене, и в скорости. Модель, собранная под поддержку, может быть меньше, потому что не тащит на себе вес знания обо всём остальном. Меньше — значит дешевле гонять и быстрее отвечать. Так что ты не меняешь качество на экономию. На узкой задаче специалист может быть лучше и дешевле и быстрее гиганта — всё сразу.

Это переворачивает привычную ментальную модель. Мы склонны думать, что есть лестница — дёшево-и-мелко внизу, большое-и-лучшее наверху, — и ты выбираешь, насколько высоко можешь позволить себе залезть. Для заданной задачи эта лестница — неверная картинка. Вопрос не «какую большую модель я потяну», а «есть ли модель, собранная ровно под это», потому что если есть, она, скорее всего, обходит гиганта по всем осям, которые тебе важны.

Что с этим делать

В следующий раз, начиная ИИ-фичу, не поддавайся инстинкту по умолчанию брать самую большую модель. Сначала задай другой вопрос:

• Моя задача узкая и чётко заданная? Если это одна работа с ясными правилами — поддержка, извлечение из документов, классификация, конкретный вид письма — это кандидат на специалиста, а не универсала.
• Существует ли уже модель, собранная под это? Модель, дотюненная под твой домен, может обходить фронтир из коробки и за меньшие деньги.
• Могу ли я сам специализировать модель поменьше? Дотюнить или плотно запромптить маленькую модель под твою реальную задачу часто бьёт аренду гиганта под то же самое в общем виде.

Хватай гиганта, когда задача и правда открытая. Для всего узкого сначала ищи специалиста.

Итог

Salesforce заплатила $3.6 млрд за агента, и движок внутри — не самая большая модель в мире, а та, что поменьше и собрана под работу. Вот весь урок, лежит на виду внутри заголовка.

Для узкой, чётко заданной задачи модель, собранная под неё, обычно обходит универсального гиганта — по качеству, цене и скорости сразу. Самая большая модель — верный дефолт куда реже, чем думают. Подбирай модель под задачу, а задача обычно уже гиганта.