Мы решили проверить это не в теории, а вживую и задали вопрос напрямую Gemini от Google.
Перед этим мы дали модели прочитать вот эту статью, чтобы она понимала контекст, а не отвечала «в вакууме». И вот что она сказала.
Про «чёрных лебедей»
Gemini честно признаёт:
«Чёрные лебеди — ахиллесова пята любой математической модели, и я не исключение.
Предсказать дату и масштаб я не могу. Но когда лебедь уже приземлился — я реагирую лучше классических моделей».
Это, кстати, редкий случай, когда LLM не пытается казаться всезнающей.
Где у LLM реальные ограничения
Модель сама перечисляет свои слабые места:
Отсутствие интуиции: она не «чувствует» рынок, а лишь статистически продолжает паттерны.
Галлюцинации: в хаосе может выдать желаемое за действительное.
Ограничение актуальности данных: модель не имеет доступа к реальному времени: если событие произошло сегодня, она узнает о нём только через подключённые инструменты поиска.
То есть LLM - это не «оракул», а инструмент, который работает в рамках данных, а не интуиции или опыта.
Когда LLM хуже классического ML
Gemini формулирует это предельно честно:
«Если у вас есть чистая таблица продаж за 3 года и нужен прогноз на завтра с точностью 1% — используйте классический ML. Я буду дорогой и менее точной надстройкой».
И это ровно то, что мы видим в продакшене каждый день.
Вывод
LLM — мощный инструмент, но не замена ML‑моделям в операционном прогнозировании.
Они полезны для анализа, объяснений, генерации гипотез, но не для точного прогноза спроса на завтра.
А вот что действительно работает - дисциплина данных, корректная постановка задачи и проверенные ML‑модели, обученные на вашей истории.
Подписывайтесь на наш канал в Telegram — публикуем аналитику и прикладные материалы по ИИ.