Ещё одна мысль, которая у него звучит довольно чётко, — ставка на масштабирование как универсальный рецепт начинает давать всё меньший эффект.
Долгое время логика была простой: больше данных, больше вычислений — модель становится лучше. И в рамках демонстраций и тестов это действительно работало. Но в реальных системах эта зависимость оказывается куда менее прямой.
По нашей практике в корпоративных проектах видно, что рост «интеллекта» модели не всегда конвертируется в рост прикладной полезности. Модель может лучше писать тексты, увереннее рассуждать, проходить более сложные тесты — но при этом по-прежнему спотыкаться о контекст, устойчивость и повторяемость поведения.
В результате возникает парадокс: ресурсы и ожидания растут, но архитектурная сложность интеграции ИИ в реальные процессы — тоже. ИИ становится мощнее, но цена ошибки и нестабильности в корпоративных системах не снижается.
Суцкевер, по сути, аккуратно смещает фокус: дальше прогресс будет зависеть не столько от масштабов, сколько от того, как именно модели учатся, как обобщают опыт и как встраиваются в реальные контуры принятия решений.
Для нас это хорошо совпадает с практикой: в сложных корпоративных системах выигрыш сегодня даёт не «самый умный ИИ», а правильно выбранное место для его применения и жёсткие архитектурные рамки вокруг него.
Именно поэтому в проде всё чаще побеждают не универсальные решения, а локальные, хорошо встроенные инструменты, где ИИ усиливает процесс, но не подменяет его.
В следующем посте хочу разобрать ещё одну мысль из интервью — про то, почему автономность ИИ пока чаще мешает, чем помогает, в сложных системах.