Искусственный интеллект (ИИ) не просто вышел на крупную сцену; он и есть крупная сцена. В течение 2025 года ИИ был интегрирован в каждый рабочий процесс, использовался в IT-операциях и применялся для создания разнообразного контента, охватывающего все уголки интернета. По сути, большие языковые модели (LLM) заняли центральное место, а компании активно инвестировали в них для достижения большей автономности. Пользователи, по большей части, с большей осторожностью относились к возможностям и ограничениям ИИ. В то время как организации продолжают бороться с проблемами управления ими (теневой ИИ и вибрационное кодирование — лишь несколько из наиболее рискованных тенденций, проявившихся за последние несколько лет, угрожающих утечкой данных и более серьезными проблемами в цепочках поставок программного обеспечения при массовом внедрении), они также испытывают трудности с получением значимых результатов.
Однако главная проблема автономного, универсального ИИ кроется внутри. При неправильном управлении или настройке его широкая природа может привести к тому, что он будет склонен к чрезмерным действиям, совершению критических ошибок, а затем к их защите, одновременно усложняя управление.
Хотя ИИ представляет собой значительную возможность для развития нашего бизнеса, что, если пришло время рассмотреть новое направление? Что, если самый безопасный и эффективный путь для ИИ — это не становиться больше, а, наоборот, меньше?
Большие модели, такие как универсальные LLM, не являются специалистами; они обобщают. Они связывают разрозненные точки данных, чтобы предоставить ответы, просеивая огромные наборы данных. Хотя обширные знания полезны во многих областях, включая исследования и создание контента, они также увеличивают вероятность ошибок. “Галлюцинации” в этих инструментах распространены и часто сбивают с толку. Хотя эти ошибки могут быть незначительными в повседневной жизни, они могут привести к кошмарным сценариям при интеграции в более широкие бизнес-процессы.
Неисправный ИИ может иметь последствия, выходящие за рамки неточности. Недавний опрос показал, что 80% компаний обнаружили, что ИИ-агенты предпринимают несанкционированные действия, включая доступ к неавторизованным системам или ресурсам, или подрыв IT-систем.
Кроме того, большие модели ИИ требуют значительных ресурсов (и, как следствие, более дороги). Для их функционирования требуются значительные вычислительные мощности, уровни интеграции и конвейеры данных. Эти зависимости могут быть неэффективными и скрывать видимость того, какие данные доступны, передаются или раскрываются. Поскольку появляются новые угрозы и эксплойты, управляемые ИИ, эти слепые зоны могут превратиться в более враждебные векторы атак. Проще говоря, чем больше власти мы даем ИИ с полным доступом, тем больше рисков организации непреднамеренно наследуют.
Специализированные модели для конкретных задач
Самый надежный способ сделать ИИ безопаснее и эффективнее — сделать его меньше. Целевые модели ИИ работают в строго определенных границах, выполняя одну функцию исключительно хорошо, вместо того чтобы пытаться справиться со всем сразу. Такая узкая направленность делает их более безопасными и простыми в управлении: права доступа ограничены, раскрытие данных снижено, а поведение, как следствие, более предсказуемо.
Эти меньшие модели легче аудировать, управлять ими и изолировать, что соответствует принципам безопасности нулевого доверия. Они также быстрее развертываются в контролируемых средах, что означает, что IT-команды могут легко поддерживать над ними контроль, получая при этом преимущества автоматизации в плане производительности.
В регулируемых секторах, таких как здравоохранение, финансы или государственное управление, видимость и контроль бесценны. Вместо того чтобы давать всезнающей модели “ключи от королевства”, меньшие системы ИИ действуют как экспертные помощники. Они могут предоставлять точные, проверяемые сведения, оставляя людей в центре внимания, и, что более важно, под контролем.
Эффективность и безопасность рука об руку
Безопасность и эффективность не должны быть противоборствующими силами. С меньшими моделями ИИ эти две ценности могут быть реализованы более эффективно. В то время как большие модели требуют постоянной настройки и значительных усилий по интеграции, меньшие модели позволяют избежать этих затрат и рисков.
Поскольку они сосредоточены на одной задаче, они дают более стабильные результаты без рисков, связанных с непредсказуемыми скачками логики. Их простота становится преимуществом: меньше предположений, меньше разрешений и меньший запас ошибок. В конечном итоге, меньше головной боли для IT-команд, ответственных за их управление.
Организации также могут объединять небольшие модели для автоматизации рабочих процессов, не создавая единой точки отказа. Если что-то пойдет не так, последствия будут локализованы. Такая модульность дает IT-командам свободу масштабировать возможности ИИ продуманно и разумно, не подвергая свою организацию ненужным рискам и не неся дополнительных затрат.
2026 год принадлежит малым ИИ
В 2026 году внедрение ИИ будет определяться точностью — и мы увидим, как организации будут выбирать меньшие, более целенаправленные варианты использования ИИ для стимулирования роста. Организациям нужны системы, которые так же прозрачны, как и способны, и меньшие модели естественным образом соответствуют этому требованию. Кроме того, ИИ следует использовать как рычаг для повышения производительности и принятия решений человеком, а не для его замены.
По мере того как организации продолжают двигаться к более целенаправленным развертываниям ИИ и меньшим, специально разработанным вариантам использования, мы увидим более эффективные результаты во всех сферах. В долгосрочной перспективе именно небольшие успехи приведут к гораздо большим прорывам и более целенаправленным, основанным на ИИ достижениям. А не наоборот.
Джоэл Карузоне — старший вице-президент по данным и ИИ в NinjaOne, специалисте по безопасному унифицированному управлению конечными точками.
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор –
