Индустрия ИИ сегодня напоминает стройку, где для забивания мебельных гвоздей арендуют башенный кран. Компании массово пытаются внедрить большие языковые модели (LLM) в процессы, которые десятилетиями успешно обсчитывались классическими алгоритмами. Проблема в том, что этот подход часто оказывается дороже, медленнее и — что самое ироничное — глупее старой доброй статистики. Пока CEO грезят об агентах, которые сами решат все задачи, реальный продакшн сталкивается с тем, что нейросети не умеют в детерминизм, зато виртуозно сжигают бюджеты на инференс.
На дискуссии в рамках UWDC 2026 эксперты из RUTUBE, Yandex Practicum и компании «ДАР» вскрыли этот нарыв. Оказалось, что за фасадом инноваций часто скрывается банальное нежелание работать с данными. Когда бизнес требует «внедрить GPT», он редко понимает, что получает систему с непредсказуемым качеством. Ян Анисимов (Yandex Practicum) задает резонный вопрос: зачем тянуть тяжелый трансформер, если логистическая регрессия выдает адекватный результат? Ответ обычно кроется в маркетинговом давлении, но никак не в юнит-экономике.
Ловушка универсальности
Главный миф сегодня — универсальность. Фундаментальные модели хороши тем, что «из коробки» делают всё на среднем уровне. Но бизнесу «средне-хорошо» не нужно — так может любой конкурент. Чтобы выжать результат, нужны предсказуемость и скорость, а здесь LLM проигрывает классическому ML по всем фронтам: она тяжелая, дорогая в поддержке и хронически склонна к галлюцинациям.
«Мы используем классический ML как опору для ответа LLM, потому что отдавать без анализа цифры и категории – это риск не подтвердить, почему та или иная модель так решила», — констатирует Камиль Шакиров из компании «ДАР».
Заменяя классический классификатор на запрос к нейросети, компания меняет мгновенное исполнение на ожидание, а копеечные вычисления — на внушительные счета за токены. При этом результат работы LLM невозможно покрыть стандартными тестами так, как это делается в нормальной разработке. Это не автоматизация, а игра в рулетку за счет акционеров.
Гибридный стек как спасение экономики
Чистые LLM-решения в прибыльном бизнесе — вымирающий вид. Будущее за гибридными архитектурами, где языковая модель занимает строго отведенное ей место парсера или интерфейса, но не «мозга», принимающего решения. Эксперты описывают здоровый пайплайн как слоеный пирог. В основании лежат жесткие правила и регулярные выражения — это зона уверенности. Выше идет классический ML, обученный на конкретных данных компании, чей путь предсказуем. И только на самой вершине, где нужна гибкость в работе с текстом, подключается LLM.
Никита Овчинников из RUTUBE предупреждает: в больших пайплайнах погрешность не просто складывается, она мультиплицируется. Если на первом этапе модель выдала галлюцинацию, к финалу ошибка разрастется до катастрофы. Стратегия фильтров — от простых точных алгоритмов к сложным вероятностным — это не просто технический выбор, а способ выживания проекта.
Бизнес-логика на базе «творческих» моделей подрывает надежность системы. Когда сервис зависит от того, в каком настроении сегодня проснулась модель в облаке провайдера, это не инновация, а технический долг в яркой обертке. Настоящий прогресс в AI — это не замена математики текстом, а умение вовремя остановиться и не платить за имитацию интеллекта там, где достаточно одной формулы.