Почему большинство задач не требуют мощных ИИ-моделей: выводы Wharton и Accenture

Исследователи из Wharton School и консалтинговой компании Accenture проанализировали реальные рабочие сценарии и пришли к неожиданному выводу: подавляющее большинство задач, которые компании пытаются решить с помощью больших языковых моделей (LLM), не нуждаются в самых мощных и…

Почему большинство задач не требуют мощных ИИ-моделей: выводы Wharton и Accenture
Почему большинство задач не требуют мощных ИИ-моделей: выводы Wharton и Accenture

Главное

  • Лишь 5% рабочих задач реально требуют мощных LLM.
  • 95% задач решаются компактными моделями без потери качества.
  • Переплата за «Феррари» от ИИ — следствие простоты интеграции.
  • Гибридный подход экономит до 50% затрат на ИИ.
  • Аудит задач — первый шаг к оптимизации расходов.

Исследователи из Wharton School и консалтинговой компании Accenture проанализировали реальные рабочие сценарии и пришли к неожиданному выводу: подавляющее большинство задач, которые компании пытаются решить с помощью больших языковых моделей (LLM), не нуждаются в самых мощных и дорогих версиях. По их оценке, лишь около 5% бизнес-процессов действительно выигрывают от использования топовых моделей, таких как GPT-4 или Claude 3. Остальные 95% задач — это рутина вроде извлечения данных, классификации документов или генерации типовых ответов, где более скромные и дешёвые модели справляются не хуже.

Проблема в том, что компании часто переплачивают, выбирая «Феррари» от ИИ, когда достаточно «надёжного седана». Причина — в простоте интеграции: подключить одну мощную модель через API проще, чем настраивать несколько специализированных. Однако это ведёт к неоправданным затратам на вычисления и электроэнергию, а также к избыточной сложности в обслуживании. Авторы исследования подчёркивают: ключ к эффективности — не гонка за параметрами, а точное соответствие модели задаче. Например, для суммаризации внутренних отчётов или автоматизации ответов в поддержке подойдут компактные open-source модели, которые можно развернуть локально.

Практический вывод для бизнеса: прежде чем платить за доступ к самой продвинутой модели, стоит провести аудит задач и оценить, какие из них действительно требуют высокой точности и креативности. Внедрение гибридного подхода — когда простые задачи решают лёгкие модели, а сложные — флагманские — позволяет сократить расходы на ИИ на 30–50% без потери качества. Это особенно актуально на фоне растущих цен на API и ужесточения требований к энергоэффективности дата-центров.