Specjalizowane modele AI potrafią okazać się bardziej efektywne niż gigantyczne ogólne systemy, a jednak większość firm wciąż podejmuje decyzje zakupowe na podstawie samej skali i liczby parametrów. Ta obserwacja wynika z analizy pokazującej, że gdy chodzi o konkretne zadania branżowe - od diagnozy medycznej po optymalizację łańcucha dostaw - mniejsze, precyzyjnie dostrojone modele regularnie bijąc większych konkurentów. Tymczasem w świecie IT wciąż dominuje przekonanie, że więcej parametrów to lepiej, czym się kieruje przy wyborze rozwiązań sztucznej inteligencji. Ten paradoks ma poważne konsekwencje dla budżetów przedsiębiorstw i praktycznego powodzenia wdrożeń AI.
Decyzje o zakupie technologicznym historycznie napędzane są hype'em i specyfikami mogącymi imponować na slajdach prezentacji. GPT, Claude czy Gemini - te duże modele językowe zajmują rozmowy o AI, a ich imponujące liczby parametrów sprawiają, że nabywcy automatycznie myślą o nich jako bezpiecznym wyborze. Mniej uwagi przypada modelom dostrojonym dla konkretnych gałęzi przemysłu czy sektorów. W praktyce jednak mały specjalistyczny model przeszkolony na danych medycznych okaże się lepszy w diagnozowaniu chorób niż ChatGPT, a dedykowany system do analiz finansowych poradzi sobie lepiej niż uniwersalna platforma.
Problem widać zwłaszcza w budżetach IT, które często trafiają w kierunku drażliwych nazw niż narzędzi rzeczywiście najlepszych do pracy. Jeśli organizacja chce rozwiązać konkretny problem dla konkretnej branży, zapłacenie fortuny za ultranowoczesny ogólny model, którego będzie trzeba jeszcze dodatkowo dostrajać, to marnotrawstwo. Równolegle tracą szanse specjaliści tworzący niszowe rozwiązania, którym brakuje głosu w hałasie wokół wielkich technologicznych graczy. Zmiana narracji w stronę pragmatyzmu - gdzie liczba się liczy mniej niż dopasowanie do rzeczywistych potrzeb - mogłaby fundamentalnie zmienić wydajność wdrożeń AI w europejskich i świata firmach.