# Адитья Чаллапалли из Microsoft: «Индустрия ошибается — главные деньги в ИИ принесут не создатели моделей»

Источник: https://www.youtube.com/watch?v=XNqpySV97IU
Канал: Stanford Online
Опубликовано: 26.08.2024

---

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
[[JUMP:02:40]]

По мнению Адитьи Чаллапалли, развитие генеративного ИИ (GenAI) в точности повторяет путь интернета [03:46]. В 1999 году многие считали интернет «пузырем», однако за последующие 25 лет технология создала в 1000 раз больше ценности, чем прогнозировали эксперты на пике [04:28]. 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 [03:19].
*   **Внутренняя компенсация:** Компании строят инструменты «для себя», теряя время.
*   **Дисрупция:** Новые игроки используют технологию для разрушения старых бизнес-моделей [04:00].

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 [04:57].

## 🛠️ Развенчание терминологических мифов: ML против GenAI
[[JUMP:05:37]]

Чаллапалли призывает профессионалов осторожно относиться к терминологии. Он утверждает, что «Generative AI» — это прежде всего маркетинговый термин, а не технический [05:51]. 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 [06:18].
*   Используйте термин «специалист по машинному обучению» (ML professional), чтобы сохранить авторитет в глазах разработчиков [06:43].

Адитья выделяет три типа приложений GenAI, которые будут доминировать в ближайшие 5–10 лет:

1.  **Коллаборативные (Collaborative):** Помощник, который работает вместе с пользователем, усиливая его идеи [07:10].
2.  **Персонализированные (Personalized):** Создание контента и сервисов под конкретного человека («рынок одного пользователя») [07:24].
3.  **Проактивные (Proactive):** ИИ, который действует от имени пользователя, выполняя его задачи [07:37].

## 💰 Где лежат деньги: «Обертки» против создателей моделей
[[JUMP: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 [15:27].

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 [12:40].
*   **«Creators» (Создатели):** Строят модели с нуля.

Спикер считает мифом утверждение, что создатели моделей заберут всю прибыль [15:41]. 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 [17:59].

В качестве примера Чаллапалли сравнивает две компании:

*   **IBM:** Обладает огромным штатом и GPU, но ее акции часто переоценены в контексте ИИ [24:17].
*   **JP Morgan:** Обладает уникальными банковскими данными и огромной базой пользователей (дистрибуцией), что делает ее более перспективным победителем в гонке ИИ, чем технологические гиганты [23:47].

## 🛡️ Дистрибуция — новый «ров» (Moat)
[[JUMP: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 [22:35].

Современный рейтинг конкурентных преимуществ (мотов) по версии Чаллапалли:

1.  **Дистрибуция:** Доступ к большому количеству конечных пользователей [22:50].
2.  **Пользовательский опыт (UX/UI):** То, насколько удобно и бесшовно ИИ интегрирован в рабочий процесс [23:06].
3.  **Уникальные данные:** Важны, но уже не так критичны, как раньше [22:35].
4.  **Алгоритм:** Самый слабый ров, так как базовые модели доступны всем «из коробки» [22:50].

Для успеха стартапу теперь достаточно 10 сотрудников, хорошего интерфейса и уникальной ниши, вместо тысяч инженеров и дата-центров [23:19].

## 📈 Карьерный рост: как стать «единорогом»
[[JUMP: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 [37:45].

Спикер выделяет три уровня технической подготовки:

*   **Начальный:** Понимание общих инструментов и их возможностей [44:13].
*   **Средний:** Овладение системным промпт-инжинирингом (4–6 недель обучения) [44:53].
*   **Продвинутый:** Использование многоканальных промптов, JSON-форматирования и создание «ИИ-контролеров» (LLM, которые проверяют ответы других LLM) [45:44].

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 [43:49].

## 🚫 Главные ошибки в стратегии ИИ
[[JUMP:51:47]]

Основываясь на данных своего курса, Адитья перечисляет критические ошибки, которые совершают 95% компаний:

1.  **Создание внутренних инструментов вместо внешних фич:** 75% пользователей считают внутренние чат-боты бесполезными [53:10].
2.  **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 [58:01].
3.  **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 [55:12].

Примеры правильного подхода от Чаллапалли:

*   Вместо генератора юридических документов — анализатор исторических исходов дел для разработки стратегии [56:36].
*   Вместо генератора описаний продуктов — агрегатор отзывов пользователей для определения приоритетов разработки [56:50].
*   Вместо клиентского чат-бота — ИИ, который слушает звонки отдела продаж и дает советы по улучшению скриптов [57:04].

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.