Открытые или закрытые: какой подход к ИИ выбирают крупные компании

Вопрос о выборе между открытыми и закрытыми моделями искусственного интеллекта постепенно становится ключевым для современных предприятий, внедряющих ИИ в реаль...

📋 Обзор

Вопрос о выборе между открытыми и закрытыми моделями искусственного интеллекта постепенно становится ключевым для современных предприятий, внедряющих ИИ в реальный бизнес. Эксперты по архитектуре моделей из General Motors, Zoom и IBM поделились своим взглядом на плюсы и риски разных подходов в рамках конференции VB Transform. Этот вопрос становится всё более актуальным и для российских компаний, где ещё недавно акцент делался прежде всего на импортозамещении, а теперь приходится выстраивать стратегию уже на основе новых парадигм: открытость против закрытости.

Раздел 1

Закрытые модели ИИ: безопасность, поддержка, ограничения Закрытые (проприетарные) модели, разработанные такими гигантами, как OpenAI или Google, предлагают высокий уровень поддержки, безопасность данных и стабильность работы. Именно поэтому генеральный директор по информации GM Стефани Мэддокс подчеркивает, что их компания использует API таких моделей для внутренних цифровых ассистентов и оптимизации бизнес-процессов. Главное преимущество — все вопросы безопасности и этики берет на себя поставщик, пользователь работает с готовой инфраструктурой. Для российского бизнеса такой подход до недавнего времени был чуть ли не единственным: большинство крупных предприятий и госкорпораций традиционно доверяли решениям от глобальных вендоров, полагаясь на их экспертизу и уровень SLA. Однако проблема быстро стала очевидной — в условиях геополитической нестабильности российский бизнес теряет доступ к сервисам, а риск утечки данных за пределы страны становится недопустимым для госсектора и предприятий с критической инфраструктурой. Открытые модели ИИ: гибкость и контроль за цену рисков Открытые модели — например, основанные на технологиях Meta, RedPajama, Hugging Face — в последние годы стали реальной альтернативой. Они позволяют заказчику гибко дообучать алгоритмы, внедрять кастомную логику и контролировать, где и как хранятся данные пользователей. Именно этим, по словам главы направления ИИ в Zoom Хариша Махараджана, обусловлен массовый переход к open-source решениям в их компании: возможность разворачивать инфраструктуру на собственных серверах и дорабатывать модель под специфику бизнеса становится решающей. Стоит вспомнить и российский опыт: проекты вроде YaLM или SberGPT показывают, что открытые модели можно успешно адаптировать и развивать в рамках отечественной ИТ-среды, не опасаясь блокировок или ограничений экспорта. Открытые модели также часто становятся точкой входа для ИИ-стартапов и небольших аутсорсинговых команд, которые не готовы платить сотни тысяч долларов крупным зарубежным поставщикам. Однако свобода обходится не дешево: open-source ИИ-модели требуют команду инженеров для поддержки, дообучения, инфраструктуры, валидации качества. Российская специфика дополняет этот набор рисков: компетенции пока в дефиците, а решение сложных задач (например, понимание русского языка или специфических юридических документов) требует самостоятельных усилий. Гибридные решения: поиск баланса Как западные, так и некоторые российские корпорации постепенно приходят к реализации гибридных стратегий. По словам Динеша Наяка из IBM, именно комбинированный подход позволяет минимизировать недостатки обеих парадигм: по ряду направлений выгодно использовать “коробочный” ИИ (например, для аналитики внутренней документации или работы с биллингом), а критичные процессы автоматизировать с помощью доработанных open-source моделей, полностью контролируя хранение и обработку данных. Похожую тактику сейчас активно обсуждают и в Москве — например, часть банков используют международные решения для бэкенда, а пользовательское взаимодействие реализуют на базе собственных open-source платформ, чтобы соответствовать требованиям ФСТЭК и других регуляторов. Какие тренды стоит учитывать российским компаниям - Безопасность и локализация: выбор моделей (или комбинации) должен учитывать российское законодательство о защите данных. - Доступность технологий: санкции и ограничения все чаще подталкивают к open-source, но успешная эксплуатация таких моделей требует компетенций внутри команды. - Гибкость интеграции: самый эффективный путь может лежать в комбинированном использовании закрытых и открытых решений — для разных сценариев и задач. Эксперты сходятся во мнении: универсального ответа нет. Для малого бизнеса или образовательной сферы оптимально использовать доступные открытые модели и развивать компетенции, включая сотрудничество с вузами и ИТ-кластерами. Крупные компании часто комбинируют оба подхода, защищая критичные данные, но не отказываясь от преимуществ готовых решений. Выбор остаётся за компаниями и их ИТ-руководителями: анализировать риски, инвестировать в новые компетенции и строить архитектуру, которая будет соответствовать и бизнес-задачам, и современным требованиям безопасности.

🌟 Ключевые моменты

🤔 Экспертное мнение