В рамках вебинара Стэнфордского университета Адитья Чаллапалли, инженер по машинному обучению и продуктовый лидер в Microsoft, представил стратегии достижения успеха на рынке генеративного ИИ. Основываясь на исследовании 50 руководителей высшего звена и опросе более 300 пользователей, спикер раскрыл, почему традиционные представления о «рвах» данных и алгоритмов больше не актуальны и где на самом деле скрывается максимальная прибыль.
📈 Кривая интернета: почему мы недооцениваем масштаб GenAI 2:40
По мнению Адитьи Чаллапалли, развитие генеративного ИИ (GenAI) в точности повторяет путь интернета . В 1999 году многие считали интернет «пузырем», однако за последующие 25 лет технология создала в 1000 раз больше ценности, чем прогнозировали эксперты на пике . Спикер утверждает, что сейчас мы находимся в аналогичной «ранней стадии», когда компании часто ограничиваются созданием внутренних инструментов вместо того, чтобы захватывать новые рынки.
Ключевые этапы этого процесса по версии Чаллапалли:
- Дискуссия о пузыре: Первоначальный скептицизм относительно реальности ценности технологии .
- Внутренняя компенсация: Компании строят инструменты «для себя», теряя время.
- Дисрупция: Новые игроки используют технологию для разрушения старых бизнес-моделей .
Адитья подчеркивает, что сейчас рынок находится в состоянии, когда пользователи еще не сформировали устойчивых предпочтений, а технологии развиваются слишком быстро, чтобы кто-то мог объявить себя окончательным победителем .
🛠️ Развенчание терминологических мифов: ML против GenAI 5:37
Чаллапалли призывает профессионалов осторожно относиться к терминологии. Он утверждает, что «Generative AI» — это прежде всего маркетинговый термин, а не технический . В технической среде используются конкретные названия моделей: Generative Adversarial Networks (GAN), трансформеры или вариационные автоэнкодеры.
Спикер дает практический совет бизнес-лидерам:
- Не называйте себя «бизнес-профессионалом в области GenAI» при общении с инженерными командами .
- Используйте термин «специалист по машинному обучению» (ML professional), чтобы сохранить авторитет в глазах разработчиков .
Адитья выделяет три типа приложений GenAI, которые будут доминировать в ближайшие 5–10 лет:
- Коллаборативные (Collaborative): Помощник, который работает вместе с пользователем, усиливая его идеи .
- Персонализированные (Personalized): Создание контента и сервисов под конкретного человека («рынок одного пользователя») .
- Проактивные (Proactive): ИИ, который действует от имени пользователя, выполняя его задачи .
💰 Где лежат деньги: «Обертки» против создателей моделей 12:12
Одним из самых спорных утверждений вебинара стал тезис о том, что создатели базовых моделей (например, Mistral AI) могут оказаться менее прибыльными, чем компании, владеющие специфическими данными и доступом к клиентам .
Чаллапалли выделяет три типа компаний в экосистеме ИИ:
- «Takers» (Берущие): Просто накладывают интерфейс поверх чужой модели.
- «Customizers» (Настройщики): Добавляют свои данные и донастраивают модели под нишу. Это лучшая долгосрочная позиция .
- «Creators» (Создатели): Строят модели с нуля.
Спикер считает мифом утверждение, что создатели моделей заберут всю прибыль . По его словам, базовые модели становятся «товаром широкого потребления» (commoditized), и их ценность падает из-за высокой конкуренции. В то же время «обертки» (wrappers), такие как Perplexity или Julius, зарабатывают огромные деньги, делая ИИ доступным для тех 8,9 миллиардов человек, которые еще не пользуются ChatGPT регулярно .
В качестве примера Чаллапалли сравнивает две компании:
- IBM: Обладает огромным штатом и GPU, но ее акции часто переоценены в контексте ИИ .
- JP Morgan: Обладает уникальными банковскими данными и огромной базой пользователей (дистрибуцией), что делает ее более перспективным победителем в гонке ИИ, чем технологические гиганты .
🛡️ Дистрибуция — новый «ров» (Moat) 18:57
Адитья утверждает, что правила игры в ИИ кардинально изменились. Если раньше побеждал тот, у кого было больше талантов, инфраструктуры и данных для обучения моделей с нуля, то теперь иерархия преимуществ перевернулась .
Современный рейтинг конкурентных преимуществ (мотов) по версии Чаллапалли:
- Дистрибуция: Доступ к большому количеству конечных пользователей .
- Пользовательский опыт (UX/UI): То, насколько удобно и бесшовно ИИ интегрирован в рабочий процесс .
- Уникальные данные: Важны, но уже не так критичны, как раньше .
- Алгоритм: Самый слабый ров, так как базовые модели доступны всем «из коробки» .
Для успеха стартапу теперь достаточно 10 сотрудников, хорошего интерфейса и уникальной ниши, вместо тысяч инженеров и дата-центров .
📈 Карьерный рост: как стать «единорогом» 34:47
Для профессионалов, желающих преуспеть в эпоху ИИ, Чаллапалли предлагает стратегию «углубления в технику». Он приводит пример банковского клерка, который с помощью ChatGPT автоматизировал анализ кредитных заявок и в итоге возглавил ИИ-инициативу во всем банке .
Спикер выделяет три уровня технической подготовки:
- Начальный: Понимание общих инструментов и их возможностей .
- Средний: Овладение системным промпт-инжинирингом (4–6 недель обучения) .
- Продвинутый: Использование многоканальных промптов, JSON-форматирования и создание «ИИ-контролеров» (LLM, которые проверяют ответы других LLM) .
Чаллапалли считает, что бизнес-профессионалам выгоднее становиться технически подкованными, чем просто углублять экспертизу в своей нише. «Технический бизнес-специалист» — это дефицитный «единорог», за услуги которого компании готовы платить от $500,000 до $1 млн в год .
🚫 Главные ошибки в стратегии ИИ 51:47
Основываясь на данных своего курса, Адитья перечисляет критические ошибки, которые совершают 95% компаний:
- Создание внутренних инструментов вместо внешних фич: 75% пользователей считают внутренние чат-боты бесполезными .
- Ставка на чат-боты: Пользователи ненавидят интерфейс чата. Исследование показывает, что функции, встроенные напрямую в продукт, в 10 раз полезнее для юзеров, чем отдельный чат-бот .
- Приоритет создания контента (Creation) над его потреблением (Consumption): Люди не хотят, чтобы ИИ просто писал за них письма. Им нужно, чтобы ИИ помогал читать, анализировать и резюмировать огромные объемы входящей информации .
Примеры правильного подхода от Чаллапалли:
- Вместо генератора юридических документов — анализатор исторических исходов дел для разработки стратегии .
- Вместо генератора описаний продуктов — агрегатор отзывов пользователей для определения приоритетов разработки .
- Вместо клиентского чат-бота — ИИ, который слушает звонки отдела продаж и дает советы по улучшению скриптов .
Чаллапалли резюмирует: успех в GenAI сегодня зависит не от того, насколько умную модель вы построили, а от того, насколько глубоко вы интегрировали существующий интеллект в реальные сценарии потребления информации пользователями.
