← Все статьи

Консалтинговая компания EXL: в корпоративном ИИ главное не модель, а то, что вокруг неё построено

Темы: ИИ, Автоматизация, Малый бизнес

Серверная инфраструктура вокруг светящегося центрального ядра

Короткий ответ: 22 октября 2026 года на сайте MIT Technology Review вышел оплаченный, рекламный материал под заголовком "Проектирование долговечной обвязки для обслуживания ИИ". В самом конце стоит прямая оговорка издания: это не редакционная статья, а материал, который написала и оплатила компания EXL, продающая корпоративный ИИ-консалтинг. Главная мысль EXL: конкурентное преимущество в корпоративном ИИ зависит не столько от выбора модели, сколько от инженерной системы, которую строят вокруг неё. У этой мысли есть прямой коммерческий интерес: именно такую "обвязку" EXL и продаёт. Дальше разбираю, что в этом материале можно взять как рабочий принцип, а что остаётся рекламой конкретной услуги.

Кто это написал и почему это важно

Материал опубликован на технологической платформе MIT Technology Review, но это не редакционная статья, а то, что по-английски называется sponsored content: оплаченный компанией материал, который издание размещает у себя. Внизу страницы стоит пометка: материал подготовлен компанией EXL, и сотрудники MIT Technology Review его не писали. Проверяла ли редакция текст перед размещением, в самой пометке не сказано.

EXL это консалтинговая и инжиниринговая компания, которая помогает крупному бизнесу строить и обслуживать ИИ-системы. Это прямо означает, что у материала есть коммерческий интерес: чем больше компаний поверит, что без грамотной "инженерной обвязки" вокруг модели их ИИ-проект не взлетит, тем больше спрос на услуги вроде тех, что продаёт EXL. Это не делает мысль неверной, но означает, что к ней стоит относиться как к точке зрения продавца, а не к независимому исследованию.

Главная мысль EXL

По словам EXL, вопрос, который задают себе компании про корпоративный ИИ, сместился с "что умеет модель" на "можем ли мы доставлять этот интеллект надёжно, экономично и в нужном масштабе", по мере того как ИИ переходит от экспериментов к реальной работе. Это собственная формулировка EXL о смене акцента, без ссылки на опрос или исследование.

По формулировке EXL, ответ на этот вопрос всё больше зависит от того, что компания называет "обвязкой обслуживания" (serving harness): инженерной системы вокруг модели, куда входят архитектура, управление памятью, порядок обработки запросов (scheduling) и решения по оптимизации.

Три практических довода EXL

Довод первый: отталкивайтесь от задачи, а не от модели. По мнению EXL, нет единственно "лучшей" модели или архитектуры, есть только правильное решение для конкретной бизнес-задачи. Приложению, которое мгновенно отвечает клиенту, и ночной пакетной обработке документов, по утверждению компании, нужна разная инженерная архитектура, даже если обе используют одну и ту же базовую модель. EXL предупреждает: модель с чуть более точными ответами не обязательно лучший выбор для рабочей системы, если она вдвое увеличивает стоимость каждого запроса или не укладывается в нужную скорость ответа.

Довод второй: измеряйте, прежде чем что-то улучшать. EXL советует искать главное узкое место системы, устранять именно его, замерять результат и только потом искать следующее. Пример из материала: во время работы модели память видеокарты (GPU) занимает не только сама модель. Её же занимает растущий с числом одновременных запросов кэш, так называемый KV-кэш. При росте нагрузки системе из-за этого может не хватать памяти, даже когда вычислительных мощностей ещё достаточно. Добавление вычислительной мощности без понимания этого узкого места, по словам EXL, может просто сделать неэффективную систему дороже, не решив саму проблему.

Довод третий: стройте систему под будущие изменения, а не под сегодняшнюю модель. Сегодняшняя лучшая модель, по словам EXL, скорее всего не останется лучшей завтра: модели меняются, железо меняется, появляются новые способы оптимизации. По словам EXL, если архитектура вокруг модели построена правильно, смена модели на новую может стать обычной технической задачей по настройке, а не поводом перестраивать всю систему заново. Это обещание самой компании, а не правило, которое выполняется всегда.

Что здесь проверяемый факт, а что только мнение продавца

Независимого источника, который бы подтвердил или опроверг техническое описание роста KV-кэша, у меня нет: это только само утверждение EXL из материала. Отношусь к нему как к правдоподобному техническому объяснению одной заинтересованной компании, а не как к факту, который я проверил по внешним данным. А рекомендации в духе "стройте именно такую обвязку, именно так измеряйте узкие места" остаются рекламным материалом: в нём нет ни одной цифры из реального клиентского проекта, исследования или сравнения с альтернативными подходами. В тексте нет ни одного конкретного примера компании, которая внедрила совет EXL и получила измеримый результат.

Что из этого взять владельцу небольшой компании

  1. Не выбирайте модель раньше, чем опишете задачу. Прежде чем сравнивать нейросети между собой, запишите, что именно должен делать ваш ИИ-инструмент: отвечать клиенту мгновенно, обрабатывать документы ночью, что-то третье.
    • Кто делает: вы или человек, отвечающий за внедрение ИИ в компании.
    • Чем проверить: у вас есть документ на одну страницу с описанием задачи и требуемой скоростью ответа до того, как вы начали сравнивать модели или подрядчиков.
  2. Спрашивайте подрядчика про стоимость одного запроса в работе, а не только про качество ответа на демонстрации. Демонстрация на одном-двух примерах не показывает, что будет, когда у вас одновременно работают десятки пользователей.
    • Кто делает: вы при обсуждении условий с подрядчиком.
    • Чем проверить: подрядчик назвал цену за один обычный запрос вашей компании при ожидаемой нагрузке, а не только общую цену за месяц или за лицензию.
  3. Проверяйте скорость ответа под реальной нагрузкой, а не в тишине. Инструмент, который быстро отвечает в одиночку, может замедлиться, когда им одновременно пользуются несколько сотрудников.
    • Кто делает: ваш технический специалист или подрядчик по вашему запросу.
    • Чем проверить: попросите тестовый прогон с числом одновременных запросов, близким к вашей реальной нагрузке в пиковые часы, и зафиксируйте время ответа письменно.
  4. Уточняйте у подрядчика, что произойдёт при смене модели в будущем. Если вся система завязана на одну конкретную модель, переход на более новую или более дешёвую модель может обернуться дорогой переделкой.
    • Кто делает: вы при подписании договора.
    • Чем проверить: в договоре или техническом задании указано, что переход на другую модель не требует полной переделки системы, либо названа примерная стоимость такого перехода.
  5. Если вы покупаете готовый сервис с фиксированной ценой, а не строите систему сами. Советы 2 и 3 выше про цену за запрос и скорость под нагрузкой рассчитаны на компанию, которая сама настраивает архитектуру или заказывает её под свою нагрузку; их можно пропустить, если ваш тариф не зависит от числа запросов и у вас почти никогда нет много одновременных пользователей. Советы 1 и 4 про описание задачи и смену модели в будущем касаются любого варианта, включая готовый сервис.
    • Кто делает: вы при выборе между готовым сервисом и собственной разработкой.
    • Чем проверить: спросите у поставщика готового сервиса, меняется ли цена и скорость ответа при росте числа ваших пользователей, и что будет с вашими данными и настройками, если поставщик сменит модель внутри своего сервиса.

Чего из этой новости ждать нельзя

  • Что это независимая экспертиза MIT Technology Review. Материал оплачен и написан компанией EXL, редакция издания его не писала.
  • Что принципы EXL подтверждены цифрами или кейсами. В материале нет ни одного измеримого примера с конкретной компанией, только общие инженерные рассуждения.
  • Что без услуг именно такой консалтинговой компании корпоративный ИИ-проект не заработает. Это предсказуемый вывод материала, который сама компания и продаёт, а не доказанный факт.

Итог

22 октября 2026 года на платформе MIT Technology Review вышел оплаченный компанией EXL материал о том, что в корпоративном ИИ решает не выбор модели, а инженерная система вокруг неё. Общий принцип по сути разумен: отталкивайтесь от задачи, измеряйте узкие места по одному, стройте систему, которую легко обновлять. Но сам материал это реклама консалтинговых услуг, без единого независимого примера или цифры, и это стоит держать в голове, читая такие "мнения экспертов" от компаний, которые на этом зарабатывают. Если вы рассматриваете внедрение ИИ в своей компании, практическая польза в другом: заранее описать задачу, спросить у подрядчика цену под реальную нагрузку и уточнить, что будет при смене модели в будущем.

Я занимаюсь ИИ-агентами и автоматизацией. Если хотите посмотреть мои проекты или обсудить свою задачу, загляните в портфолио.

Источники