Результаты внедрения искусственного интеллекта в компаниях могут зависеть от участия сотрудников в обучении специализированных моделей. Об этом написала обозреватель Financial Times Сара О’Коннор.
Речь идет о неявном знании — практических навыках и способах принятия решений, которые формируются с опытом, но редко фиксируются в инструкциях и корпоративных документах. В FT связали эту концепцию с философом Майклом Поланьи, сформулировавшим принцип: «мы знаем больше, чем можем выразить словами».
По мнению автора, универсальные ИИ-модели показывают лучшие результаты в областях с большими объемами открытых данных и понятными критериями проверки. В задачах, где важны внутренний контекст компании и экспертное суждение, одних письменных инструкций может быть недостаточно.
Издание сравнило происходящее с работой американского инженера Фредерика Уинслоу Тейлора. В начале XX века он пытался систематизировать опыт фабричных рабочих с помощью наблюдений, записей и измерения времени.
Bridgewater дообучила модель на экспертных оценках
Одним из примеров стало совместное исследование Bridgewater AIA Labs и Thinking Machines Lab, опубликованное 30 июня. Команды проверили ИИ на шести задачах из рабочих процессов инвестиционной компании: модели анализировали финансовые новости, документы центробанков и другие материалы, потенциально значимые для принятия решений.
При использовании простых инструкций Claude Opus 4.6 и 4.8, Gemini 3.1 Pro, GPT-5.4 и GPT-5.5 показали точность от 45,6% до 50,1%. Подготовленные экспертами Bridgewater промпты повысили показатель до 74,3–78,2%. Автоматическая оптимизация инструкций не дала дополнительного улучшения.
Источник: Bridgewater AIA Labs и Thinking Machines Lab.
«Явный промпт может передать только ту часть интуиции, которую эксперт способен выразить словами. При этом наиболее важные суждения часто труднее всего сформулировать», — отметили авторы.
Затем исследователи дообучили Qwen3-235B на данных, размеченных специалистами Bridgewater. Средняя точность системы достигла 84,7%. По расчетам разработчиков, количество ошибок сократилось на 29,8% по сравнению с лучшей протестированной универсальной моделью.
Стоимость обработки задач оказалась ниже в 13,8 раза. Авторы назвали подход «дифференцированным интеллектом». Он предполагает настройку отдельных моделей под процессы и требования конкретной организации.
Источник: Bridgewater AIA Labs и Thinking Machines Lab.
Ford расширила команду опытных специалистов
FT также привела пример Ford. За последние три года автопроизводитель нанял, повысил или повторно привлек около 350 опытных технических специалистов. Они проверяют конструкции, выявляют потенциальные неисправности, обучают молодых инженеров и участвуют в совершенствовании автоматизированных инструментов контроля качества.
Вице-президент Ford по разработке аппаратной части Чарльз Пун заявил, что результат работы ИИ зависит от качества используемой для обучения информации.
«Искусственный интеллект — отличный инструмент, но он хорош ровно настолько, насколько хороша информация, используемая для его обучения», — отметил он.
По словам Пуна, компания недостаточно системно сохраняла знания опытных инженеров. Некоторые специалисты покинули Ford до того, как их опыт удалось полностью перенести во внутренние процессы.
https://forklog.com/news/kak-ne-poteryat-sebya-kogda-ii-zaberet-vashu-rabotu
Напомним, в октябре 2025 года ForkLog разобрался, как разработчики адаптируют большие языковые модели для выполнения офисных задач.
