Смерть старых алгоритмов: почему промпт теперь важнее математики
MIT Sloan заявляет: эпоха дорогих дата-саентистов уходит. Теперь цены устанавливает тот, кто умеет правильно «уболтать» нейросеть.
Обновлено:
2 мин чтения
5 просмотров
MIT Sloan заявляет: эпоха дорогих дата-саентистов уходит. Теперь цены устанавливает тот, кто умеет правильно «уболтать» нейросеть.
2 мин
Десятилетиями ценообразование было элитным спортом. Крупные ритейлеры, авиакомпании и агрегаторы такси тратили миллионы долларов на разработку сложных алгоритмов, нанимали армии аналитиков и скармливали серверам терабайты исторических данных. Если у тебя не было бюджета на R&D-отдел, ты ставил цены «на глаз» или копировал конкурентов.
MIT Sloan Review выпускает материал, который ставит крест на этой монополии. Максим Коэн, профессор Макгиллского университета, утверждает: Generative AI полностью меняет правила игры. Барьер входа рухнул. То, для чего раньше требовался код на Python и SQL-запросы, теперь делается через обычное диалоговое окно.
В чем революция? Традиционные модели жесткие. Они требуют структурированных данных и ломаются, если рынок ведет себя нелогично. LLM (большие языковые модели) работают иначе. Они не просто считают — они «рассуждают». Вы можете описать контекст словами: «Мы продаем люксовый кофе, на улице дождь, а конкурент закрылся на ремонт. Какую цену поставить?». И нейросеть выдаст стратегию, учитывающую нюансы, которые невозможно заложить в классическую формулу.
Однако здесь кроется ловушка, о которой предупреждает Коэн. Если раньше успех зависел от качества данных, то теперь он зависит от качества промпта.
Мы вступаем в эпоху, где навык формулирования контекста для ИИ становится важнее знания эконометрики. LLM демократизирует прайсинг: малый бизнес получает доступ к инструментам уровня Amazon за $20 в месяц. Но есть нюанс: нейросети могут галлюцинировать, предлагая абсурдные цифры, или демонстрировать скрытые предубеждения.
Что это значит для рынка? Рынок ждет турбулентность. Компании, которые продолжат полагаться только на жесткие исторические алгоритмы, рискуют проиграть гибким игрокам, использующим адаптивность LLM. Вопрос уже не в том, использовать ли ИИ для ценников, а в том, кто лучше научится его контролировать. Выигрывает не тот, у кого больше данных, а тот, кто задает правильные вопросы.
Генеративный ИИ демократизировал сложное ценообразование: теперь вместо дорогих кастомных алгоритмов достаточно грамотного промпта к LLM.
Главный риск сместился с «ошибки в формуле» на «неумение объяснить задачу»: бизнес теперь ограничен не бюджетом, а собственным косноязычием при общении с ИИ.
