Почему сейчас важно быть нейронко-агностик и вендор-агностик (с данными свежих исследований)

AI-модели постоянно меняются и развиваются неравномерно. Сегодня одна лучшая, завтра - другая. Ну и бывает, что одна лучше для одних задач, другая для других. И если все ваши процессы заточены под определенный стэк, теряется гибкость. Да и дороже все это выходит.

Мы решили строить нашу AI-native систему по-другому: используем курсор - сделали ему скиллов и плэйбуков, подключили к нашим данным, дали возможность искать в интернете - и прелесть в том, что эта система нейронко-агностик, я могу в ее рамках дать задачу любой нейронке, а могу и не выбирать, а работать в режиме auto.

Кстати, даже уважаемые Gartner, McKinsey и IDC тоже говорят, что нужен multimodel approach, и преимущество получат платформы, которые оркестрируют портфель моделей разных вендоров, а не ставят на одну.

То, что это получается более экономично, исследования тоже подтверждают: FrugalGPT (Stanford) - до 98% экономии при том же качестве
RouteLLM - >2× снижение костов без потери качества

Еще из интересного: Zapier провел исследование, в котором 81% enterprise executives сказали, что обеспокоены зависимостью от одного вендора.
А из тех, кто пробовал мигрировать с одной AI-платформы на другую, 58% поделились, что это было трудно, больно дорого, а кто-то и вообще не смог и забил.

В общем, пока есть возможность не зависеть от одного вендора, мы выбираем инвестировать в оркестрацию, данные и процессы, а не в стэк какой-то одной компании и тем более не в одну конкретную модель.

А у вас какой подход?