Успешное внедрение искусственного интеллекта в корпоративную среду напрямую зависит от активного участия сотрудников в обучении специализированных моделей. Обозреватель Financial Times Сара О’Коннор обращает внимание на критическую важность так называемого неявного знания. Это практические навыки и уникальные способы принятия решений, которые формируются годами опыта, но крайне редко фиксируются в официальных инструкциях. Универсальные нейросети демонстрируют выдающиеся результаты лишь в тех областях, где существуют огромные массивы открытых данных и четкие критерии проверки. Однако в задачах, требующих глубокого понимания внутреннего контекста компании и экспертного суждения, одних лишь письменных регламентов оказывается категорически недостаточно для достижения высокого качества.

Ярким подтверждением этой теории стало совместное исследование лабораторий Bridgewater AIA Labs и Thinking Machines Lab, опубликованное в конце июня. Команды протестировали возможности искусственного интеллекта на шести сложных задачах из реальных рабочих процессов инвестиционной компании. При использовании стандартных промптов крупные универсальные модели показали точность ответов лишь на уровне 45–50 процентов. Однако когда эксперты Bridgewater подготовили специализированные инструкции, этот показатель уверенно вырос до 78 процентов. Более того, дообучение модели Qwen3-235B на данных, размеченных специалистами компании, позволило достичь феноменальной средней точности в 84,7 процента. При этом стоимость обработки аналогичных задач снизилась почти в четырнадцать раз, что подтверждает эффективность подхода дифференцированного интеллекта.

Крупные промышленные компании также осознают эту закономерность и меняют свои кадровые стратегии. Автопроизводитель Ford за последние три года целенаправленно нанял или вернул около 350 опытных технических специалистов. Их главная задача заключается в проверке сложных конструкций, выявлении потенциальных неисправностей и непосредственном обучении молодых инженеров работе с автоматизированными инструментами контроля качества. Вице-президент компании по разработке аппаратной части Чарльз Пун подчеркнул, что результат работы алгоритмов зависит исключительно от качества информации, используемой для их обучения. Руководство признало, что ранее недостаточно системно сохраняло бесценный опыт старших инженеров, что теперь требует срочной корректировки внутренних бизнес-процессов для успешной цифровизации.