Сильная AI-модель есть у каждого. Преимущество бренда в его данных

Отец глубокого обучения из Nvidia не верит в одну супермодель

Спор о будущем ИИ недавно вспыхнул в сообществе разработчиков открытых моделей на Reddit после интервью Брайана Катандзаро в подкасте Nathan Lambert. Катандзаро – вице-президент Nvidia по прикладным исследованиям глубокого обучения, человек, стоявший у истоков нейросетевых вычислений на видеокартах. Тезис, который зацепил аудиторию: никакой единой сверхмодели, которая всё решит за всех, не будет.

Аргумент простой. Интеллект многогранен, и модель, выигравшая математическую олимпиаду, не отменяет работу инженера, который олимпиадные задачи и так не решает. Дальше Катандзаро проводит аналогию с ранним интернетом: розница встроила его в бизнес иначе, чем медицина, и получилось это потому, что интернет стоял на открытых технологиях. ИИ, по его логике, повторит эту траекторию.

Механику Катандзаро описывает так: «У каждой компании есть секреты, которые знает только она – свои данные, свой способ думать о задачах. Они применят ИИ лучше, чем кто угодно снаружи». Модель он сравнивает с потенциальной энергией, которую в кинетическую превращает только тот, у кого есть контекст.

Важная оговорка, которую Reddit-заголовок опустил: закрытые модели ведущих лабораторий Катандзаро не хоронит и называет их возможности выдающимися. Смерть OpenAI тут ни при чём. Речь идёт про то, где остаётся ценность, когда доступ к сильной модели появляется у каждого.

Модель дешевеет быстрее, чем успеваешь привыкнуть

Цифры подтверждают сдвиг. По расчётам Epoch AI (март 2025), цена за фиксированный уровень качества у языковых моделей падает примерно в десять раз в год, а по отдельным задачам темп доходит до сотен раз. То, за что бренд платил премию в прошлом сезоне, в этом стоит копейки и доступно любому конкуренту через тот же API.

Открытые модели догоняют закрытые и по цене, и по качеству: GigaChat, DeepSeek, GLM и другие семейства с открытыми весами подошли к фронтиру вплотную по бенчмаркам реальной работы. Nvidia, по данным её SEC-филинга за март 2026, направляет около 26 миллиардов долларов за пять лет в открытые модели. Когда производитель железа вкладывается в то, чтобы сильные модели были у всех, сама модель перестаёт быть дефицитом.

Что это значит для рекламного рынка

Для маркетинга вывод неудобный. Если движок у всех одинаковый, то агентство, которое продаёт клиенту «мы подключили сильную нейросеть», продаёт ровно то, что клиент купит сам за подписку. Harvard Business Review в феврале 2026 сформулировал это в заголовке напрямую: когда одни и те же модели доступны каждой компании, конкурентным преимуществом становится контекст. Мозг превращается в общедоступный ресурс, выигрывает тот, у кого лучше память – собственные данные о клиентах, история кампаний, язык аудитории.

Российский рынок это чувствует. По исследованию Комиссии по ИИ АКАР (2025), 73% рекламных агентств отмечают рост эффективности от ИИ, но доход от собственных ИИ-продуктов получают лишь 35%. Разрыв показательный: инструмент внедрили почти все, а превратить его в актив, который сложно скопировать, смогла треть. Похожую картину даёт отчёт MIT NANDA «The GenAI Divide» (2025) – 95% корпоративных внедрений генеративного ИИ не приносят измеримого эффекта в прибыль. Причём модели тут ни при чём: доступ к сильной нейросети сам по себе преимущества не создаёт.

Пиксель-квест: за что на самом деле платишь

Когда в YellowRocks мы смотрим AI-стартапы, я почти не задаю вопрос, какую модель они подключили – это умеет каждый. Меня интересует, какие данные и какой контекст у них есть, которых нет у конкурента с той же подпиской. Моат живёт именно в этом слое, а выбор провайдера модели вторичен.

Тот же принцип я однажды оплатил из своего кармана. В 2022 году в Пиксель-квесте, детском развлекательном пространстве, которое я развиваю с партнёром, мы меняли маркетолога – прежний показывал результат ниже нужного. Бизнес болтался около нуля, а нового брали дороже и без гарантии, что он окупится. Переплачивали мы за готовность человека разобраться именно в нашем бизнесе, в нашей аудитории и экономике конкретных квестов. Доступ к рекламным кабинетам открыт всем и стоит ноль. Общий навык покупается на рынке, знание вашего контекста купить негде.

Своя модель бренда – это слой контекста поверх готовой базы

Из фразы «у каждого бизнеса будет своя модель» легко сделать неверный вывод, что всем пора обучать нейросеть с нуля. Это не так и почти никому не нужно. Своя модель бренда на практике – это слой контекста поверх открытой или арендованной базы: единый свод, где собраны голос бренда, язык клиента, предложение, правила и удачные кампании, из которого все инструменты тянут одну версию правды.

Проблему, которую это лечит, маркетологи знают. Команда работает с одними и теми же нейросетями, а на выходе четыре разных тона бренда и текст, который звучит шаблонно. Вылечит это общий контекстный слой поверх тех же инструментов.

Российские примеры показывают, где преимущество настоящее. Сбер со своим GigaChat занял первое место среди AI-моделей по бенчмарку MERA для русского языка (март 2025) и строит персонального ассистента на данных пользователя. Т-Банк собрал экосистему ассистентов на собственной технологии Gen-T, где тревел-ассистент подбирает варианты по предпочтениям клиента банка. Wildberries запустил «Помощник» для продавцов, который анализирует продажи, остатки и отзывы на данных самого маркетплейса. Сила этих продуктов держится на эксклюзивных данных, которых нет у стороннего маркетолога с открытым чат-ботом. Модель тут вторична.

Где закрытую модель выгоднее просто арендовать

Разворот к своим данным не отменяет здравого смысла. Для разовых и творческих задач без проприетарного контекста – черновик текста, набор идей, вариант макета – контекст бренда почти ничего не добавляет, а качество даёт сильный фронтир. Городить своё тут дороже и медленнее.

Есть и другие границы. Там, где нужны свежие факты, аренда закрытой модели с актуальной базой обыгрывает дообучение, которое устаревает. Если у бренда нет объёма и чистоты данных, тонкая настройка на маленькой базе даст результат хуже хорошего запроса к топовой модели. И стоимость владения реальна: свой пайплайн, переобучение и дефицитные инженеры съедают экономию на цене токена. Разумный баланс звучит так: арендуй модель для типовых задач, строй свой слой контекста там, где у тебя есть эксклюзивные данные и повторяемость.

Что делать маркетологу и агентству уже сейчас

Практический разворот на ближайший сезон получается простым. AI-подрядчика оценивайте по тому, что он делает с вашими данными и контекстом, ведь подключить сильную модель сегодня умеет каждый. Соберите контекстный слой бренда: голос, язык аудитории, предложение, историю кампаний и правила в одном месте, откуда их подтягивают все инструменты. Проверяйте эффект пилотом на своих данных и задачах, где бенчмарк ничего не гарантирует. Агентству же пора переупаковать ценность и продавать накопленный контекст клиента и метод, потому что факт доступа к нейросети клиент оплатит и сам.

Модель перестала быть дефицитом, и для тех, у кого есть то, что не арендуешь, это хорошая новость: своя аудитория, свои данные, свой способ работать остаются с вами. Если хотите разбор таких сдвигов на стыке венчура, ИИ и практики – подписывайтесь на мой блог, здесь я это и разбираю.