Конец единой ИИ модели и ставка на архитектуру

Если даже OpenAI уходит от единой модели, стоит ли стартапам пытаться строить свой mini-AGI?

Некоторое время назад в среде экспертов по ИИ шла дискуссия о том, в какую сторону пойдет эволюция искусственного интеллекта - к созданию единого "суперразума" или к сотням, а со временем и тысячам локальных, индустриальных и специализированных моделей. Эта дискуссия часто выглядела как философские рассуждения интеллектуалов, но поднимаемые ею вопросы носят вполне прикладной характер - где именно будет лежать долгосрочная ценность ИИ: в универсальном интеллекте или в архитектуре его применения?

В вышедшем на днях подкасте a16z прозвучало, что OpenAI движется по пути построения портфеля ИИ-систем, а не одной общей модели. Это выглядит примерно так: существуют базовые модели под разные профили задач, а поверх них - кастомизация через fine-tuning и RFT. Фокус смещается в сторону детерминированных агентных пайплайнов, собранных как узлы в графе, а не одного свободно бродящего агента, который пытается решать все сразу.

Важно отметить, что речь здесь идет не о временном инженерном решении, а о выборе архитектурного направления. OpenAI в этом контексте выступает как индикатор того, с какими ограничениями сталкивается индустрия при масштабировании ИИ в реальных продуктах и бизнес-процессах.

Причина этого сдвига во многом та же, что мы наблюдаем в окружающем нас мире: разнообразие способствует устойчивости. Разработчикам удобнее и безопаснее работать с семейством моделей, чем с одной супер-моделью, каждое обновление которой может принести непредсказуемые последствия. Когда одна система отвечает за все, любой ее апдейт становится источником системного риска. В результате нам, вероятно, не стоит ожидать появления какой-то одной "самой умной" модели, которая будет доминировать во всех сценариях.

На этом фоне особенно показателен еще один момент, прозвучавший в подкасте, - сдвиг от prompt engineering к проектированию контекста. Сегодня уже недостаточно написать хитрую подсказку. Гораздо важнее продумать, какие данные и в каком виде модель вообще видит. В какой момент системе нужно подтянуть релевантные документы или данные из собственной базы, чтобы дать точный и проверяемый ответ. Где разумнее передать задачу специализированной модели или отдельному узлу в агентном графе, а где не пытаться решать всё одной абстрактной «головой».

Фактически речь идет о переходе от тактических приемов к системному дизайну. Prompt становится лишь частью более широкой архитектуры: наряду с источниками данных, логикой вызовов, ограничениями ответственности и механизмами контроля. Именно этот слой, а не сама модель, начинает определять надежность и воспроизводимость результата.

Для фаундеров из этого следует не самый очевидный, но важный вывод. Если даже OpenAI уходит от идеи одного универсального мозга в сторону семейства сервисов, прозрачного прайсинга и встроенного клиентского контекста, то, возможно, и стартапам стоит проектировать свои продукты исходя из той же логики. Ценность продукта все чаще будет лежать не в попытке построить собственный mini-AGI, а в создании управляемого сервисного слоя.

Такой слой включает в себя набор моделей под разные задачи, продуманный контекст, четкие границы ответственности, телеметрию и детерминированные пайплайны. Эти системы проще объяснять клиенту, легче продавать корпоративному рынку и заметно стабильнее переживают обновления базовых моделей. Они ближе к реальным бизнес-требованиям (контролю, предсказуемости и ответственности), чем попытки решить все одной универсальной системой.

В этом смысле текущий сдвиг в архитектуре ИИ можно назвать следующим этапом в развитии отрасли. И, возможно, самый практичный вопрос для фаундера сегодня звучит не "Как построить свой интеллект?", а "Как спроектировать среду, в которой интеллект работает управляемо?".