Почему «какая у вас LLM» — неправильный вопрос?

Когда бизнес выбирает AI-инструмент, разговор почти всегда начинается с модели. «Это на GPT или на Claude?» «А какая версия?» «Говорят, новая модель умнее — значит, и продукт станет лучше?» Вопрос понятный — и примерно так же полезен, как выбирать подрядчика по марке его ноутбука.

Возьмём одну и ту же модель — скажем, флагман Anthropic — и посмотрим на неё в двух разных продуктах. Первый — Cursor, агент для разработки. Упомянул его в Slack, дал задачу — он поднимает виртуальную машину, клонирует репозиторий, пишет код, гоняет тесты и присылает pull request. Блестящий инженер.

Второй — Claude Tag, «универсальный коллега» в том же Slack. Читает историю канала, помнит контекст проекта, подключён к документам и календарям. Может и код написать, но так же спокойно разберёт переписку с клиентом и предложит, как ответить на третью подряд просьбу о скидке.

Внутри — одна модель. Снаружи — два совершенно разных специалиста. Спросите кодинг-агента про стратегию общения с клиентом — он что-то ответит, модель ведь умная. Но это будет ответ сантехника про дизайн гостиной: человек неглупый, просто пришёл с другими инструментами и в другой роли.

Harness — это всё, что окружает модель и превращает её из «мозга в банке» в работающий инструмент.

Поменяйте harness — и та же модель станет другим продуктом. Оставьте harness слабым — и апгрейд модели почти ничего не даст.

Всё это относится не только к инструментам, которые вы покупаете, но и к тому, как ИИ видит ваш бизнес. Когда потенциальный клиент спрашивает ChatGPT, Claude или Perplexity «какой сервис выбрать для X», модель отвечает не из головы. Она работает внутри своего harness: поисковый инструмент находит страницы, парсер извлекает текст, и только потом модель формулирует ответ. На каждом шаге ваш сайт либо проходит фильтр, либо нет.

Красивый сайт на тяжёлом JavaScript, где контент дорисовывается на клиенте, может быть невидим для парсера. Страница без внятной структуры — заголовков, фактов, конкретики — прочитается, но не процитируется: модели нечего взять. Отсутствие упоминаний на внешних площадках означает, что поисковый шаг вас просто не найдёт.

Это и есть предмет GEO (Generative Engine Optimization): оптимизация не под алгоритм ранжирования, а под harness генеративных систем — под то, как ИИ-агенты находят, читают и пересказывают ваш контент. Классическое SEO спрашивало «как попасть в топ-10 ссылок». GEO спрашивает «как попасть в сам ответ».

Если вы выбираете AI-инструмент — смотрите не на модель, а на то, насколько обвязка совпадает с вашей задачей. Инструмент «на модели попроще», но с правильными инструментами и доступом к вашим данным, обыграет флагманскую модель в общем чате.

Если вы строите AI внутри компании — начинайте не с выбора модели, а с проектирования harness: какую роль играет агент, что он видит, что умеет, где его границы. Модель подставится потом, и её можно будет менять почти безболезненно.

А если вы хотите, чтобы ИИ-системы рекомендовали ваш бизнес, — думайте о своём сайте как о части чужого harness. Ваши страницы станут чьим-то контекстом. Вопрос лишь в том, будут ли они для этого пригодны.