# Мэтт Фитцпатрик: «Внутренние ИИ-команды корпораций в два раза менее эффективны»

Источник: https://www.youtube.com/watch?v=9bzeQRGtA-4
Канал: 20VC (Harry Stebbings)
Опубликовано: 31.12.2025

---

В новом выпуске подкаста **20VC** ведущий **Гарри Стеббингс** обсуждает с **Мэттом Фитцпатриком**, VP of Forward Deployed Engineering в **Scale AI**, критический разрыв между лабораторными успехами нейросетей и их реальным внедрением в бизнесе. Эксперт, прошедший путь от старшего партнера McKinsey до руководителя в индустрии данных, объясняет, почему большинство корпоративных ИИ-проектов обречены на провал, в чем слабость внутренних команд разработчиков и почему «синтетические данные» не станут панацеей.

## 📉 Проблема внедрения: почему 95% ИИ-проектов в бизнесе бесполезны
[[JUMP:0:00]]

Несмотря на экспоненциальный рост производительности моделей (на 40–60% за последние два года), в корпоративном секторе наблюдается «когнитивный диссонанс» [07:10]. По словам **Мэтта Фитцпатрика**, отчеты MIT показывают, что лишь 5% внедрений генеративного ИИ в компаниях реально работают [07:37]. Gartner прогнозирует, что к 2027 году до 40% корпоративных ИИ-проектов будут аннулированы [00:00].

**Мэтт Фитцпатрик** выделяет несколько причин этого разрыва:

*   **Отсутствие инфраструктуры данных:** Модели работают, но корпоративные данные фрагментированы и не подготовлены.
*   **Проблемы доверия и обсервабильности:** Бизнесу недостаточно «общего интеллекта», ему нужна точность в 99% на конкретных задачах.
*   **Сложность перестройки рабочих процессов:** Внедрение ИИ требует редизайна операционной деятельности, а не просто установки чат-бота [07:51].

Гость утверждает, что путь к полноценному внедрению ИИ в банках и здравоохранении займет около десяти лет, так как требует жесткого тестирования и валидации рисков, аналогично моделям кредитного скоринга [08:18].

## 🏗️ Внутренние команды против внешних вендоров
[[JUMP:09:35]]

По мнению **Мэтта Фитцпатрика**, внешние ИИ-разработки в два раза эффективнее внутренних билдов корпораций [09:48]. Он считает, что за последние 10 лет парадигма изменилась: раньше софт покупали готовым, затем перешли к облачным кастомизациям, а сейчас внутренние команды получают огромные бюджеты на GenAI, но не обладают нужной дисциплиной [10:13].

Ключевые аргументы **Мэтта Фитцпатрика** против внутренних разработок:

1.  **Дефицит талантов:** Топовые ИИ-инженеры работают в стартапах или BigTech, а не в «скучных» корпорациях [11:04].
2.  **Отсутствие метрик:** Внутренние группы часто создают «научные проекты» без четкого понимания ROI и вех.
3.  **Иллюзия контроля:** Компании пытаются строить всё с нуля вместо использования модульных открытых архитектур.

В качестве примера **Мэтт Фитцпатрик** приводит историю ритейлера, который потратил 25 миллионов долларов на создание ИИ-агента для возвратов [11:57]. В итоге проект закрыли, так как компания не смогла даже определить критерии успеха: их собственный инструмент оценки измерял только скорость и тональность, игнорируя галлюцинации агента (например, обещание вернуть клиенту 2 миллиона долларов) [12:23].

## 🚀 Forward Deployed Engineering: конец эпохи коробочного SaaS
[[JUMP:20:27]]

**Мэтт Фитцпатрик** убежден, что в мире ИИ традиционная модель «софта из коробки» больше не работает. Он продвигает концепцию **Forward Deployed Engineering (FDE)** — инженеров, развернутых непосредственно на стороне клиента для создания кастомных рабочих процессов [20:41].

Особенности подхода FDE, по словам гостя:

*   **Отказ от оплаты за процесс:** **Мэтт Фитцпатрик** утверждает, что они предлагают клиентам бесплатные 8-недельные спринты, чтобы доказать работоспособность технологии [17:28].
*   **Оплата за результат:** Клиент платит только тогда, когда софт проходит приемочные тесты и начинает работать в продакшене [26:45].
*   **Гиперперсонализация:** Вместо стандартного SaaS-решения создается «система гибкости» (system of agility), обученная на специфических данных конкретного заказчика [23:01].

**Гарри Стеббингс** замечает, что привлечение FDE обычно разрушает юнит-экономику SaaS-компаний, однако **Мэтт Фитцпатрик** парирует: их модульная платформа позволяет небольшой команде из 1–2 инженеров развернуть решение за три месяца, в то время как консультанты вроде Accenture потратили бы на это два года [19:09].

## 🧠 Гонка за качеством данных: почему люди всё еще нужны
[[JUMP:33:20]]

Один из главных мифов индустрии, по мнению **Мэтта Фитцпатрика**, — это убеждение, что синтетические данные скоро полностью заменят человеческую обратную связь (RLHF) [33:32]. Он считает, что синтетика полезна для «базовых истин» (например, математики), но бесполезно в задачах сложного многошагового рассуждения, где важен культурный и языковой контекст.

**Мэтт Фитцпатрик** выделяет следующие тренды в области разметки:

*   **Микронишевая экспертиза:** Компании больше не ищут общую разметку «кошка/собака». Теперь требуются специалисты уровня PhD. Например, эксперт по французской архитектуре XVII века, владеющий языком, для проверки ответов модели [37:55].
*   **Динамическое ценообразование:** Рынок талантов работает по принципу Uber — цена за эксперта зависит от срочности задачи и редкости навыков [38:33].
*   **Институциональная память:** Сложность не в том, чтобы найти людей, а в том, чтобы за 24 часа запустить «цифровой конвейер», выдающий статистически валидированные данные [35:46].

Гость подчеркивает, что в отличие от классического машинного обучения, где возможен бэк-тестинг, генеративный ИИ будет требовать «человека в контуре» (human-in-the-loop) еще десятилетия [52:40].

## 📈 Экономика и стратегия Scale AI
[[JUMP:53:05]]

Несмотря на то, что компания исторически была прибыльной и привлекла всего 7 миллионов первичного капитала за 9 лет, сейчас **Мэтт Фитцпатрик** подтвердил привлечение 130 миллионов долларов для агрессивного роста [53:17].

Инвестиционные приоритеты компании:

*   **Физический мир:** Сбор данных в условиях, где их сложно достать (например, установка терминалов Starlink на фермах для обучения моделей компьютерного зрения для мониторинга здоровья скота) [54:48].
*   **Бренд и доверие:** Переход от скрытной культуры к публичности. **Мэтт Фитцпатрик** тратит около 70% времени в разъездах, работая с клиентами в 8 офисах по всему миру (Нью-Йорк, Сан-Франциско, Лондон, Париж и др.) [56:07].

По мнению гостя, в мире ИИ «стратегия переоценена» [1:13:52]. Из-за того, что ландшафт меняется каждые три месяца, пятилетнее планирование бесполезно. Вместо этого нужно фокусироваться на создании операционной гибкости и способности быстро интегрировать новые технологии (например, голосовых агентов) в существующие фреймворки [1:14:42].

## 👥 Культура и найм: возврат в офисы
[[JUMP:1:09:42]]

После девяти лет полностью удаленной работы компания под руководством **Мэтта Фитцпатрика** перешла к офисной модели [1:09:42].

Аргументы за очную работу:

1.  **Скорость решения проблем:** Сложные инженерные задачи решаются быстрее при личном контакте [1:10:34].
2.  **Культура и обучение:** Молодые сотрудники сами стремятся в офис ради менторства и социализации [1:11:00].
3.  **Клиентоцентричность:** Наличие офисов в Лондоне или Париже позволяет быть ближе к локальным заказчикам [1:10:22].

При этом эксперт призывает нанимать «универсальных атлетов» — людей, способных менять роли (от продаж до продукта), и создавать среду, где работа будет интеллектуальным вызовом, а не просто «выживанием в жесткой культуре» [1:05:26].

## 🔮 Оптимизм и будущее: где искать возможности
[[JUMP:1:22:03]]

В финале беседы **Мэтт Фитцпатрик** делится оптимистичным взглядом на развитие технологий:

*   **Здравоохранение:** ИИ уже на 20% лучше определяет риск рака груди. В системе США до 25% расходов — это административные отходы, которые ИИ может устранить [1:23:38].
*   **Образование:** ИИ станет великим уравнителем, давая детям из неблагополучных семей доступ к знаниям любого уровня. По словам гостя, их компания часто нанимает людей без дипломов колледжа, оценивая только когнитивные способности [1:25:22].
*   **Энергетика:** Несмотря на страхи вокруг дата-центров, они потребляют лишь малую долю глобального электричества (0,25–0,5%). ИИ поможет оптимизировать электросети, что даст чистый положительный эффект для экологии [1:22:30].