Востребованность генеративного искусственного интеллекта (GenAI) стремительно растет ввиду способности быстро обрабатывать масштабные объемы данных, компилировать их и транслировать «общее мнение». Однако дисбаланс между «компетенциями» GenAI препятствует расширению использования этого инструмента для решения сложных профессиональных задач. ИИ работает как гигантский накопитель и средство воспроизводства знаний, однако не способен их интерпретировать и находить правильное применение в зависимости от контекста. Сохраняется критическая вероятность ошибки при генерации ответов даже на самые простые вопросы. В статье оценивается степень значимости ограничений, присущих GenAI. Тестирование лежащих в его основе языковых моделей, включая новейшие версии — GPT-4o1 и GigaChat MAX, проводилось с помощью авторского набора вопросов, основанного на таксономии Блума. Установлено, что вероятность получения правильного ответа практически не зависит от количества параметров настройки, сложности и таксономии, а при наличии множественного выбора — снижается. Полученные результаты подтверждают предположение о невозможности применения современных инструментов ИИ в профессиональных целях. Предлагаются опции, способные внести значимый вклад в достижение как минимум квазипрофессионального уровня
Внедрение искусственного интеллекта (ИИ) трансформирует корпоративные стратегии и повышает операционную эффективность бизнеса. Исследование посвящено анализу относительной результативности сегмента генеративного ИИ через сопоставление объемов продаж чипов, серверов и инфраструктуры центров обработки данных (аппаратного обеспечения, харда) с размерами сектора ИИ-решений (программного обеспечения, софта). Выдвигается гипотеза о догоняющем характере развития последнего: несмотря на активный рост, паритет между продажами комплектующих и выручкой от ИИ-продуктов пока не достигнут. Капитальные затраты технологических гигантов на создание инфраструктуры значительно возросли, из-за чего достижение баланса может потребовать десятилетий. Для оценки применяется метод оболочечного анализа (Data Envelopment Analysis, DEA), рассматривающий продажи харда как «входы» и выручку от софта как «выходы». DEA-анализ динамики генеративного ИИ в 2016–2024 гг. показывает ее нелинейный характер. Начиная с 2021 г. наблюдается перелом тенденции и снижение показателей эффективности, что подтверждает гипотезу о догоняющей модели развития программных решений. Колебания начинаются спустя три года после развертывания первых крупных языковых моделей, демонстрируя недостаточную отдачу в виде сопоставимого роста софтверного сектора. Оригинальность работы состоит в применении DEAанализа для комплексной сравнительной оценки рассматриваемых сегментов, что позволяет выявить дисбаланс между ними и определить потенциал для более эффективного освоения генеративных моделей