Добрый день, коллеги. Такой околоэкспертно выглядящей галиматьи я давно не читал, признаюсь.

Начну, пожалуй, с основного вопроса: каким образом численность сотрудников определяет архитектуру ИИ-системы?

Почему для 100 сотрудников достаточно облачной LLM, а для 10 000 уже необходимы локальная модель, fine-tuning, RAG, мультиагентная система и GPU-кластер? Где обоснование этой зависимости, автор?

Архитектура определяется задачами, требованиями к системе, характеристиками данных, нагрузкой, ограничениями безопасности, стоимости и эксплуатации. Численность персонала может влиять на отдельные параметры, но не заменяет их анализ. Компания на 100 сотрудников может нуждаться в локальном развертывании, а корпорация на 10 000 использовать облачные модели через API. Именно от требований предлагают отталкиваться архитектурные руководства AWS, Microsoft и Google Cloud.

Далее автором утверждается, что для 100 сотрудников невозможно обучить предсказательную модель. Почему? Что считается наблюдением: сотрудник, месяц его работы, кадровое событие? Сколько таких наблюдений накоплено? Как часто происходит прогнозируемое событие? Какова требуемая точность? Без этих сведений вывод о недостаточности данных не обоснован. И наоборот, 10 000 сотрудников не гарантируют пригодной выборки для прогнозирования редких событий (то, что первое приходит на ум, даже не особо размышляя).

В случае крупной организации автором смешиваются независимые решения. Локальное размещение модели не означает необходимости создавать собственную модель. Fine-tuning изменяет параметры модели, RAG предоставляет дополнительную информацию при запросе. Одно не требует другого. Наличие 10 000 сотрудников не обосновывает ни дообучение, ни их совместное применение.

То же касается и мультиагентной архитектуры. Почему прогнозирование кадровых событий, подбор курсов и проверка ограничений должны выполняться именно агентами? Почему нельзя использовать предиктивную модель, рекомендательный алгоритм и систему правил? Или автор о таком не слышала? Необходимость агентности следует из особенностей задач, а не из штатного расписания.

Особенно для меня странно выглядит утверждение о "минимальных рисках" для небольшой компании и возможности вручную обезличить данные. Ну серьезно, откуда вы это берете? Чувствительность кадровой информации не уменьшается вместе с численностью персонала. В маленьком коллективе человека порой проще установить по косвенным признакам. Например, NIST требует оценивать риск повторной идентификации и последствия применения ИИ, а не объявлять безопасность функцией размера компании (тут и тут).

Пример прогноза увольнения с вероятностью 85% тоже вызывает вопросы. Откуда взялась цифра? Проверена ли калибровка модели? Кто увидит прогноз и какие решения сможет принять? Как сотрудник оспорит ошибочный вывод? Для систем ИИ в сфере управления работниками подобные вопросы особенно существенны: например, европейский AI Act относит определенные варианты их применения к высокому риску.

Наконец, давайте вернемся к исходному тезису автора об AI-native, который я уже препарировал ранее. Ранее его отличием от обычной автоматизации объявлялось перепроектирование процессов. Теперь нам показывают прежде всего перечень технологий, выбранных до предъявления требований и анализа альтернатив. Где здесь перепроектирование деятельности, автор, м?

Зато появился новый дивный критерий: без ИИ люди не смогут выполнять тот же объем аналитики в реальном времени. Но невозможность заменить автоматизированную систему человеческим трудом без потери производительности характерна для множества традиционных систем. Это технологическая зависимость, а не уникальный признак AI-native.

И проблема этого поста Татьяны в том, что возможные решения представлены нам как необходимые... без доказательства их необходимости. Архитектура любого решения начинается с задачи и требований, а не с распределения технологических названий по двум колонкам.