Гайд по выбору LLM для реальных задач: как не ошибиться с Claude, GPT и Gemini

Автор рассказывает, как подойти к выбору LLM не по рейтингам, а по реальной пользе. Пример: Fable 5.1 выдавала код почти без ошибок с первого раза, а Sonnet 5 могла упереться в лимит и не доделать задачу. Важно смотреть не только на качество ответа, но и на то, сколько ручной работы остаётся после модели.

Ключевая идея: опубликованные тесты — лишь точка входа. Дальше нужно взять свою задачу, сформулировать, что считать успехом, как проверять результат и сколько ручного контроля вы готовы терпеть. Особенно это актуально для сложных бизнес-процессов с меняющимися правилами и разрозненными данными.

Игорь Зуриев — руководитель проектов по автоматизации и ИИ (опыт в Лукойле, Шереметьево, Трансгазе), преподаватель Университета Иннополис и Karpov.Courses. В статье он честно делится, что даже у передовых моделей бывают проблемы: лимиты, неполные ответы, лишняя ручная доработка.