модель не так важна, как кажется

Канал о системном и бизнес-анализе, продуктовом мышлении и архитектуре. Как выявлять реальные проблемы, строить работающие решения и не терять здравый смысл в IT. Все вопросы - @innokentyB

модельworkspaceконтекст

Меня последние полгода регулярно спрашивают, какую модель использовать аналитику.

GPT? Claude? Gemini? Может быть локально DeepSeek? А может вообще ждать следующую модель, которая наконец всё исправит?

И каждый раз я отвечаю примерно одно и то же:

👉 модель не так важна, как кажется.

Точнее, важна. Но это далеко не первый вопрос, который стоит задавать.

За последний год я видел огромное количество обсуждений, сравнений, бенчмарков и споров о том, какая модель лучше пишет требования, лучше анализирует документы или лучше понимает контекст. Но чем больше я работаю с ИИ в реальных проектах, тем сильнее убеждаюсь, что качество результата определяется не столько моделью, сколько тем, что находится вокруг неё.

  • Есть ли у неё доступ к источникам знаний?
  • Есть ли нормальная карта проекта и связей между артефактами?
  • Понимает ли она, какие документы актуальны, а какие лежат в Confluence с 2022 года и давно никому не нужны?
  • Может ли она показать, откуда взяла вывод и на какие источники опиралась?
  • Есть ли вообще понимание того, какой контекст можно отправлять наружу, а какой нельзя?

Потому что если всего этого нет, то даже самая дорогая и умная модель очень быстро начинает галлюцинировать. Не потому что она плохая, а потому что ей просто не на что опереться.

А вот если вокруг модели выстроен нормальный workspace — со source map, контекстом проекта, понятными связями между артефактами и механизмами проверки результатов — то внезапно оказывается, что даже далеко не самая передовая модель способна выдавать вполне качественную заготовку для работы.

Собственно поэтому последние месяцы я трачу гораздо больше времени не на выбор очередной модели, а на построение окружения вокруг неё.

Потому что модель через полгода поменяется.

Через год поменяется ещё раз.

А вот качественный workspace останется и продолжит приносить пользу независимо от того, какой именно LLM находится под капотом.

Кажется, что в ближайшие несколько лет главным конкурентным преимуществом станет не выбор модели, а качество контекста, который ты способен ей предоставить.

А вы на что сегодня тратите больше времени — на выбор моделей или на организацию контекста вокруг них? 👇

Иллюстрация: две панели — аналитик в хаосе без контекста и организованный workspace с source map, роботом-помощником и чек-листами.
Сравнение: хаос без контекста и результативный workspace с картой источников и проверками.

Читайте так же