Наделла о distillation: кто зарабатывает на AI-данных
Сатья Наделла критикует односторонний рынок обучения ИИ: компании платят за модели деньгами и рабочими знаниями, а ценность может уходить владельцам инфраструктуры.
Наделла о distillation: кто зарабатывает на AI-данных
По состоянию на 13 июля 2026 года тема Nadella distillation стала не просто очередным спором о правилах обучения моделей. Сатья Наделла в заметке The Reverse Information Paradox сформулировал более неприятный вопрос для компаний: кто получает ценность из промптов, правок, оценок и рабочих следов, которые сотрудники оставляют внутри ИИ-систем.
Distillation в ИИ, или дистилляция ИИ-моделей, — это обучение одной модели на ответах другой. Спор Наделлы в том, что крупные AI-лаборатории сами обучаются на публичных данных и взаимодействиях пользователей, но одновременно ограничивают клиентам возможность учиться на ответах моделей. Если такой поток обучения идёт только в одну сторону, экономическая ценность постепенно смещается к владельцам инфраструктуры, а не к компаниям, которые создают знания в своей работе.
Что именно сказал Наделла
Наделла отталкивается от классического парадокса информации Кеннета Эрроу: продавец знания должен показать его ценность, но после раскрытия покупатель уже получил это знание. В ИИ, по версии Наделлы, проблема разворачивается в обратную сторону. Покупатель платит за модель, но, чтобы модель стала полезной, раскрывает ей собственные документы, процессы, критерии качества и исправления.
Главный термин здесь — AI exhaust, или «цифровой выхлоп» ИИ-взаимодействий. Это не только исходные документы. В выхлоп попадают промпты, вызовы инструментов, трассировки агентов, фидбек, частные evals, исправления ошибок и решения, по которым видно, как компания на самом деле думает и работает.
| Что уходит в AI exhaust | Почему это ценно | Риск для компании |
|---|---|---|
| Промпты и задачи сотрудников | Показывают реальные рабочие сценарии, а не абстрактные use cases | Поставщик видит, какие процессы компания автоматизирует первыми |
| Tool traces и действия агентов | Раскрывают связку инструментов, API, документов и внутренних систем | Рабочий контур становится обучающим материалом вне компании |
| Исправления и оценки | Фиксируют, что внутри компании считается правильным ответом | Накопленный опыт может улучшать чужую модель, а не внутренний контур |
| Память и адаптированные веса | Накапливают институциональное знание и стиль решений | При смене поставщика часть «обучения» может остаться у внешней платформы |
Почему компании платят за ИИ дважды
Короткий ответ: сначала деньгами за доступ, потом собственными знаниями, которые делают модель полезной именно для этой компании. Чем точнее вы хотите получить ответ, тем больше контекста отдаёте: документы, исключения, критерии качества, примеры плохих ответов, исправления экспертов.
На уровне отдельного запроса это выглядит безобидно. Сотрудник поправил модель, поставил оценку, добавил приватный критерий. На уровне тысяч сотрудников и миллионов interaction traces это уже карта того, как компания принимает решения. Наделла формулирует это жёстко: потребляя интеллект, вы одновременно создаёте интеллект. И этот новый слой должен принадлежать вам.
Именно здесь возникает экономика AI-данных. В облачную эпоху бизнес защищал базы данных. В эпоху LLM нужно защищать механизмы обучения: evals, память, обратную связь, адаптацию моделей и слой оркестрации. Иначе компания покупает ИИ как сервис, но улучшает не свой контур обучения, а чужой.
Где здесь конфликт вокруг distillation
Наделла называет иронией ситуацию, в которой модельные провайдеры защищают fair use для обучения на публичных данных, но затем запрещают клиентам использовать output для обучения конкурирующих моделей. Это не фигура речи: в Terms of Use OpenAI отдельно запрещено использовать output для разработки моделей, конкурирующих с OpenAI, а Claude Help Center описывает похожий запрет для моделей, конкурирующих с Anthropic.
У лабораторий для этого есть рациональный аргумент. Anthropic в феврале 2026 года писала о промышленных distillation-атаках: по её данным, DeepSeek, Moonshot и MiniMax создали более 16 млн обменов с Claude через примерно 24 тыс. мошеннических аккаунтов. Компания считает, что такие кампании позволяют конкурентам быстрее и дешевле переносить способности Claude в собственные модели.
Но Наделла смотрит на тот же вопрос с другой стороны. Если провайдеры оставляют за собой право учиться на customer usage and interaction data, а клиентам запрещают учиться на output модели, получается односторонний рынок обучения. Клиент приносит задачу, контекст и исправления. Провайдер получает не только платёж, но и шанс улучшить свою инфраструктуру. Клиент получает ответ, но не всегда получает собственный накопленный learning loop.
В этом месте полезно отделить две темы. Риск distillation во внешних AI-инструментах — это вопрос, можно ли через сторонние модели непреднамеренно улучшать чужие coding-системы. Спор Наделлы шире: он про право компании сохранять и накапливать собственное обучение, даже если она использует внешние модели как один из компонентов.
Позиция Наделлы не нейтральна
У Microsoft здесь есть очевидный коммерческий интерес. Компания продаёт Azure, Copilot, GitHub, Microsoft 365 и инфраструктуру для enterprise AI. Поэтому тезис «держите learning loop внутри своего tenant boundary» одновременно звучит как стратегическое предупреждение и как предложение купить правильную платформу.
Но это не делает проблему выдуманной. Business Insider отдельно отметил, что слова Наделлы выглядят как укол в сторону Anthropic и других AI-лабораторий. The Decoder сформулировал новостной нерв ещё прямее: лаборатории учатся на данных других, запрещают distillation и при этом могут учиться на клиентских взаимодействиях.
Для enterprise-читателя важна не моральная оценка, а архитектурный вывод. Если ключевые evals, память, traces, feedback и fine-tuning-сценарии живут только внутри одного внешнего поставщика, то при смене модели компания теряет не просто API. Она теряет часть накопленного способа работать с ИИ.
Что делать компаниям: пять практических требований
Из 5C playbook Наделлы можно вытащить не лозунг, а рабочий чек-лист для закупки и внедрения ИИ.
- Держать собственные evals. Критерии качества должны определяться внутри компании, а не только в интерфейсе поставщика.
- Сохранять память, traces и feedback под своим контролем. Это не технический лог, а актив, который со временем становится конкурентным преимуществом.
- Учить или донастраивать модели внутри доверенной границы. Особенно если в контуре есть клиентские данные, финансовые процессы, код или юридические документы.
- Отделять оркестрацию от одной модели. Если завтра конкретный провайдер уйдёт, подорожает или изменит правила, компания не должна потерять весь накопленный опыт.
- Считать стоимость не только в токенах. Нужна оценка того, где создаётся новая ценность: внутри компании или в инфраструктуре поставщика.
Последний пункт уже виден в соседнем сюжете про расходы. Компании уже считают расходы на ИИ и usage-based billing, но счёт за токены — только половина проблемы. Вторая половина — кому достаётся обучающий эффект от этих токенов.
Почему это касается не только LLM-провайдеров
RSS-пакет к этой теме хорошо показывает, что спор шире рынка моделей. В статье IEEE Spectrum о технических интервью кандидаты используют real-time AI-подсказчики, работодатели отвечают AI-детекторами и голосовыми рекрутерами, а сильные команды начинают разрешать ИИ и оценивать уже не «чистый код без помощника», а планирование, отладку и инженерное суждение. Там тот же мотив: ценность сдвигается от ответа к тому, как человек и система вместе создают решение.
The Register в свежем выпуске The Kettle обсуждает другой край той же экономики: enterprise-команды получают invoice shock от usage-based AI и пытаются перейти от tokenmaxxing к tokenminning. Если соединить это с тезисом Наделлы, картина становится жёстче. Компания может одновременно переплачивать за токены и не владеть тем, чему научилась в процессе.
С этой точки зрения Microsoft уже встраивает frontier-модели в рабочий контур Copilot не просто как удобный интерфейс. Такой контур со временем может стать местом, где формируется память организации: что сотрудники спрашивают, как проверяют ответы, где доверяют агенту, а где возвращают задачу человеку.
Короткие ответы
Что такое AI exhaust?
AI exhaust — это следы работы с ИИ: промпты, ответы, tool traces, исправления, оценки, evals, память и рабочие процессы. По отдельности это служебные данные. В массе они показывают, как компания думает, принимает решения и улучшает свои системы.
Почему Наделла критикует запреты на distillation?
Он считает односторонней ситуацию, в которой AI-провайдеры обучаются на публичных данных и клиентских взаимодействиях, но ограничивают клиентам право учиться на output моделей. Его тезис: компания должна уметь использовать модель, не отдавая наружу знания, которые делают её уникальной.
Главное
Спор о Nadella distillation важен не потому, что Microsoft внезапно заняла моральную высоту над OpenAI или Anthropic. Важнее практический вопрос: где копится обучение компании после каждого запроса к ИИ.
Если всё обучение остаётся у поставщика, enterprise платит дважды и строит чужую инфраструктурную ценность. Если evals, память, traces и обратная связь остаются внутри доверенной границы, ИИ становится не только сервисом, но и способом накапливать собственный опыт.
Источники и проверка фактов
Факты, даты, внешние источники, изображения и внутренние ссылки проверены 13 июля 2026 года. Для быстро меняющихся правил использования моделей перед публикацией стоит повторно проверить условия OpenAI и Anthropic.
- sn scratchpad: The Reverse Information Paradox — первичный пост Сатьи Наделлы от 12 июля 2026 года, использован для reverse information paradox, AI exhaust и 5C playbook.
- The Decoder — исходный RSS-сигнал от 13 июля 2026 года по связке Nadella, distillation и customer interaction data.
- Business Insider — подтверждение новостного угла про критику AI labs и distillation.
- OpenAI Terms of Use — использовано для проверки ограничения на использование output для разработки конкурирующих моделей.
- Claude Help Center и Anthropic — использовано для ограничений на training with outputs и контекста distillation-атак.
- IEEE Spectrum и The Register — использованы как боковые примеры про AI-интервью и расходы на usage-based AI.
