Многолетняя стратегия бизнеса «бери самую большую модель, не ошибешься» окончательно уперлась в стенку. Последние три года топ-менеджмент жил в понятной логике: способности ИИ растут строго пропорционально количеству параметров, а значит, подписка на топовые API — самый безопасный выбор для закупок. Однако свежие данные от команды Dharma-AI указывают на то, что эпоха «культа масштаба» подошла к концу. Согласно отчету по DharmaOCR, опубликованному на Hugging Face, специализированная модель всего на 3 миллиарда параметров в задачах структурированного оптического распознавания символов (OCR) показала результаты лучше, чем любой из протестированных коммерческих гигантов.
Это не просто локальный успех, а фундаментальный сдвиг в экономике инференса. Как отмечают авторы исследования Эрик Лахманн и Габриэль Пимента де Фрейтас Кардосо, когда история обучения модели максимально приближена к целевой задаче, число параметров перестает быть решающим фактором. На наш взгляд, это выглядит как закономерный провал универсальных систем перед лицом узкой специализации. Самое интересное здесь не в точности, а в операционных расходах: Dharma-AI сообщает, что их компактная модель справляется с работой примерно в 50 раз дешевле, чем ведущие коммерческие API. Для любого предприятия, обрабатывающего серьезные объемы данных, это не просто «оптимизация», а полное обнуление прежней финансовой арифметики.
Главный стратегический вывод: «близость к домену» (domain proximity) теперь важнее грубой вычислительной мощности. Этот тренд подтверждают и работы Субраманяна (2025) и Печера (2026). Крупным игрокам выгоднее вкладываться в собственные конвейеры дообучения (fine-tuning), чем ежемесячно платить огромную ренту за избыточный «общий интеллект». Пока фронтирные модели остаются выбором для широких и непредсказуемых задач, в вертикальных индустриальных кейсах они превращаются в дорогостоящий балласт. Индустрия годами платила колоссальную премию за универсальность, которая в полевых условиях проигрывает точному инструменту.
Рынок слишком долго верил, что больше — значит лучше, но в итоге самой эффективной оказалась модель, которая дешевле всех в эксплуатации. Платить в пятьдесят раз больше за худший результат — довольно специфический способ управления балансом компании. Либо вы адаптируете локальные SLM (малые языковые модели) под свои нужды, либо продолжаете субсидировать облачные счета технологических гигантов без видимой пользы для продукта.