Технічний контекст
Я переглянув оригінальне інтерв’ю Карпа на CNBC від 1 липня, і тут важливо одне: він не просто емоційно накинувся на OpenAI та Anthropic. Він вказав на біль, який я регулярно бачу в проєктах впровадження ШІ: компанії купують доступ до моделей, але не отримують керованої системи.
Його головна теза звучить грубо, але по суті. Ринок надто довго продавав токени, ніби це і є продукт, хоча для бізнесу продуктом має бути не генерація тексту, а робочий рівень додатків поверх даних, прав доступу, логів, маршрутизації та SLA.
Карп буквально сказав, що "щось пішло геть не так", і підприємства втомилися платити за токени, які не створюють цінності. Окремо він наполіг на контролі над обчисленнями, моделями, стеком даних і альфою. І це вже не PR-репліка, а нормальна архітектурна розмова.
Його висловлювання про open-weight моделі часто переказують у більш різкій формі, ніж він сам сказав. Але за змістом усе сходиться: якщо компанія не хоче зливати чутливі процеси назовні, вона починає дивитися на більш контрольований стек, де можна керувати моделлю, середовищем і вартістю інференсу.
Я б переклав його думку зовсім просто. Якщо вся ваша інтеграція ШІ зводиться до «давайте прикрутимо API і подивимось», ви майже гарантовано прийдете до tokenmaxxing: багато запитів, гарні пілоти, слабка економіка та нечіткі межі щодо інтелектуальної власності.
Мене тут зачепило не обурення Карпа, а те, що він нарешті озвучив уголос розмову із закритих дзвінків із CEO. Там уже давно питають не «яка модель розумніша», а «що саме ми контролюємо, скільки це коштує на масштабі і чого ми навчаємо чужу систему своїми даними».
Вплив на бізнес та автоматизацію
Для бізнесу я бачу три прямі наслідки. Перше: менше сліпих експериментів з дорогими API і більше інтересу до open-weight та гібридних схем. Друге: автоматизацію ШІ оцінюватимуть за зниженням часу циклу та помилок, а не за кількістю промптів.
Третє: виграють ті, хто вміє будувати архітектуру ШІ навколо процесу, а не модної моделі. Програють команди, які вибудували всю логіку на одному вендорі і не продумали переносимість, аудит і доступ до даних.
Я саме на таких розвилках зазвичай і гальмую проєкти, щоб не затягнути клієнта в красиву пастку. У Nahornyi AI Lab ми вирішуємо ці завдання на практиці: де потрібен закритий API, де локальний контур, де достатньо вузького агента, а де краще взагалі не чіпати LLM.
Якщо ваш ШІ зараз поїдає бюджет, але не дає керованого результату, давайте розберемо процес по шарах. У Nahornyi AI Lab я можу допомогти вибудувати розробку AI-рішень так, щоб у вас залишався контроль над даними, вартістю та реальною цінністю, а не просто лічильник токенів.