В мае этого года Meta провела красную линию для своих инженеров.
Людям из отдела прикладного AI-инжиниринга больше нельзя было свободно использовать Claude Code и Codex.
Согласно внутренним рекомендациям, полученным The Information, один меморандум даже напрямую требовал приостановить некоторые задачи, связанные с использованием этих двух моделей. В документе были довольно резкие формулировки, в нём говорилось, что это может вызвать «серьёзную эскалацию с партнёрами».
Однако аномалия как раз в этом и заключается.
Meta является одним из крупнейших в мире клиентов Claude Code. Её общий счёт за внутреннее использование ИИ в этом году приближается к десяткам миллиардов долларов.
Инструмент, без которого не обходятся ежедневно, купленный компанией за большие деньги, теперь ограничен для внутреннего использования. А причина ограничений, как вы, наверное, догадываетесь, неожиданна.
Не в том, что они плохие. Как раз наоборот — они слишком хороши.
Эта красная линия всё ещё действует
Согласно отчёту The Information, эти ограничения были введены ещё в мае и до сих пор остаются в силе.
Чтобы понять, почему Meta так нервничает, нужно начать с её внутреннего проекта по созданию ИИ-помощника для программирования.
В этом году она сформировала команду прикладного AI-инжиниринга, сосредоточившуюся на собственной разработке ИИ-помощника для программирования MetaCode (ранее известного как DevMate).
Цель — перестать тратить огромные деньги на использование чужих ИИ-моделей для программирования и обучить свою собственную.
Официальный интерфейс Claude Code. Вместе с Codex от OpenAI он уже стал де-факто стандартом для профессиональных разработчиков, занимающихся интеллектуальным программированием.
Однако обучить модель, которая умеет писать код, не так просто.
Нужно кормить её огромным количеством качественных данных, а также придумывать достаточно много и достаточно сложных задач по программированию, чтобы дать ей практику и оценить её работу. Этот набор задач и система оценки во многом определяют, насколько мощной в итоге окажется модель программирования.
Но проблема как раз в этом.
Сложность, с которой столкнулась Meta, заключается в том, как не дать сотрудникам слишком сильно зависеть от этих внешних инструментов при создании внутренней альтернативы.
Она опасается, что выходные данные этих внешних моделей просочатся в обучающие данные, и её собственная модель тайно научится способностям конкурентов.
Чтобы понять это опасение, нужно знать, как модель «учится»: чем вы её кормите, такой она и становится.
MetaCode хочет стать сильнее, опираясь именно на тот набор обучающих данных и задач по программированию, которые собирают инженеры.
Но если эти задачи, ответы и даже критерии оценки исходят от Claude или Codex, то MetaCode научится не «умениям, которые привили человеческие инженеры», а «умениям Claude».
Она будет копировать ответы с листка конкурента, становясь всё больше на него похожей.
Более скрытым является этап оценки.
Каждый раз, когда модель отвечает на вопрос, что-то должно сказать ей, правильно ли она ответила, чтобы она знала, в каком направлении двигаться.
Если и постановка задач, и их проверка будут доверены Codex, то MetaCode будет эволюционировать в направлении «того, что Codex считает правильным», что равносильно постепенному копированию стандартов оценки конкурента в собственное «сознание».
Вот почему в этих рекомендациях Meta запрещено использовать ИИ в качестве постановщика задач и проверяющего, и даже контролируется, можно ли помещать «материалы, сгенерированные ИИ, в среду, к которой имеет доступ тестируемая модель».
Если вывод конкурента хоть немного просочится в цепочку обучения или оценки, граница между «кто кого научил» размывается.
В конечном счёте, приостанавливая некоторые задачи, Meta изолирует обучающие данные.
Опасение в том, что ИИ пишет слишком хорошо, и становится непонятно, какие умения были выработаны самостоятельно в процессе обучения, а какие были почерпнуты у Claude и Codex.
А последние — арендованные, а не собственные.
Ограничения, детализированные до неожиданности
Сначала нужно прояснить: во внутренних документах Meta нет никаких записей о реальных нарушениях со стороны сотрудников.
Представитель Meta также заявил, что у компании есть «чёткая политика», регулирующая использование ИИ-инструментов. Поэтому этот документ больше похож на внутреннее заблаговременное предупреждение.
Какие задачи нельзя поручать ИИ? В основном следующие три категории:
Во-первых, нельзя использовать вывод Claude или Codex для создания тестовых заданий для собственной модели. Дословно в руководстве говорится, что это «явно относится к категории, где инженер не за рулём», «нам не нужны задачи, порождённые моделью».
Во-вторых, нельзя позволять ИИ искать баги в исходном коде, а также нельзя позволять ему на основе анализа кода подсказывать «что нужно тестировать».
В-третьих, ничего сгенерированного ИИ нельзя помещать в места, доступные тестируемой модели.
Проще говоря, если ИИ участвует в суждении «что тестировать и правильно ли ответили», умения конкурента могут просочиться внутрь. Все три пункта блокируют именно эту лазейку.
Какие задачи ещё можно поручить ИИ?
Можно поручать настройку рабочих процессов, организацию кода и файлов, создание каркаса для тестирования внутренних инструментов — эти повседневные рутинные задачи разрешены. В руководстве такая работа называется «тестовыми лесами (test scaffolding)» и «калибровкой решений (solution calibration)», проще говоря — вспомогательная работа, создание каркаса.
Даже для таких задач есть железное правило: каждую строку, созданную ИИ, человек должен сначала просмотреть.
С точки зрения Meta, если позволить модели конкурента ставить задачи и проверять их, становится неясно, чьи это результаты экзамена.
Что она действительно хочет сохранить, так это ту самую границу «кто кого научил».
Неизбежная «ловушка дистилляции»
То, чего опасается Meta, имеет в отрасли специальное название: дистилляция (distillation).
Смысл прост: взять более сильную модель, заставить её постоянно отвечать на вопросы, а затем использовать эти ответы для обучения более слабой модели.
Похоже на то, как отличник решает весь экзаменационный билет, а двоечник его переписывает, и за несколько месяцев догоняет того, кто учился несколько лет.
Чьи-то огромные инвестиции в данные, вычислительные мощности и исследования ты получаешь почти бесплатно.
Обучение передовой модели с нуля требует астрономических денег и времени. А дистилляция может потребовать лишь пакет выходных данных конкурента, сокращая затраты и сроки до минимума.
Сама по себе дистилляция — это стандартная практика в отрасли, крупные компании также часто используют свои большие модели для дистилляции более мелких и дешёвых версий для пользователей.
Проблема только в одном: если ты копируешь модель чужой компании, то полученные твоей моделью способности — это результат собственного обучения или заимствования? Неясно.
Кто-то называет это «ловушкой дистилляции»: чем больше ты полагаешься на самую сильную модель для закладки собственного фундамента, тем сложнее доказать, откуда взялся твой интеллект.
В США закон явно не запрещает дистилляцию, а контент, созданный ИИ, не защищён авторским правом. Использовать вывод конкурента для обучения собственной модели — закон этого практически не остановит.
Единственный барьер — это контракт.
Условия обслуживания OpenAI и Anthropic содержат аналогичные ограничения: запрещается использовать вывод моделей для создания чего-либо, что конкурирует с ними.
И правоохранительные полномочия для этого барьера полностью находятся в руках конкурентов.
В прошлом году Anthropic напрямую отключил доступ OpenAI к API Claude, даже несмотря на то, что OpenAI заявляла, что использует его только для оценки возможностей и безопасности, что является «отраслевым стандартом».
Даже Илон Маск в апреле этого года на судебном заседании вынужден был признать, что его xAI «частично» дистиллировал модели OpenAI.
30 апреля 2026 года на свидетельском месте в федеральном суде Калифорнии Маска спросили, использовала ли xAI технологию дистилляции для обучения Grok на моделях OpenAI, он сначала заявил, что это обычная практика для AI-компаний.
Когда его спросили, означает ли это «да», он ответил «частично».
Правила размыты, «правоохранительные полномочия» находятся в руках конкурентов. Кто осмелится поставить на кон свои миллиардные инвестиции, рискуя, что конкурент не пойдёт на конфронтацию.
С этой точки зрения, нервозность Meta совсем не лишняя.
Здесь также присутствует соображение экономии денег.
Согласно внутреннему меморандуму, в этом году только на внутреннее использование ИИ Meta потратит десятки миллиардов долларов. Она даже начала устанавливать лимиты на использование токенов сотрудниками. Такая богатая и могущественная компания, как Meta, тоже начала считать ИИ слишком дорогим и задумалась об экономии.
Если бы удалось перевести разработку с дорогих внешних инструментов на собственный MetaCode, это позволило бы и сэкономить деньги, и избежать рисков дистилляции — два в одном.
Карта для хождения по канату
Об этих внутренних документах Meta специалист по технологическому праву, юридический консультант Марк Лайзер сказал очень образно: это «практически карта для хождения по канату».
С одной стороны, нужно получить преимущества внешней модели, с другой — не допустить, чтобы её умения просочились в собственную систему.
Конечно, идёт по такому канату не только Meta, это касается болевой точки всей отрасли.
Когда ты используешь достаточно умный ИИ для создания другого, такого же умного ИИ, в итоге может быть сложно сказать: этот ум — результат собственной тренировки или он тайно перенят у чужого ИИ.
И это касается не только профессионалов.
Код, написанный вами с помощью ИИ, изменённые решения, собранные материалы — всё это, будучи скормлено обратно, станет пищей для следующего поколения моделей.
В этом цикле граница между тем, кто на чьих плечах стоит, становится всё более размытой.
Когда ИИ начинает помогать нам создавать ИИ, сможем ли мы ещё отличить, чьи это умения?
Ссылки:
https://x.com/kimmonismus/status/2071591755351224344
https://www.theinformation.com/articles/internal-docs-show-meta-putting-limits-claude-codex-fearing-distillation
Эта статья взята из официального аккаунта WeChat «Новая эра искусственного интеллекта» (新智元), автор: ASI启示录
