«Научить модель работать по-нашему» можно двумя принципиально разными способами: промпт-инжинирингом — точными инструкциями и примерами в запросе — или дообучением, когда веса модели адаптируются на ваших данных. Первое меняется за час и стоит как работа аналитика, второе — промышленный процесс с датасетами, обучением и оценкой. Ошибка в выборе обходится дорого: компании либо месяцами «доращивают» промптами то, что лечится дообучением, либо платят за обучение там, где хватило бы трёх абзацев инструкции.
Эта страница — сравнение по бизнес-критериям с ценами и вердиктами. Она замыкает «лестницу зрелости»: соседние ступени — «промпт-инжиниринг или RAG» и «RAG или дообучение»; здесь — прямой выбор между адаптацией поведения модели и работой через инструкции.
Кратко: когда что выбирать
Прямой ответ — в таблице: слева ситуация, справа разумное решение по состоянию на сентябрь 2026 года. Если узнали свою компанию в одной из строк — дальше достаточно проверить решение по чек-листу в конце страницы, а не перечитывать весь интернет.
| Ситуация | Что выбрать | Почему |
|---|---|---|
| Нужно задать формат и тон ответов | промпт-инжиниринг | инструкции и примеры решают задачу за дни |
| Терминология и стиль компании стабильно «не те» | дообучение (LoRA) | модель усваивает домен надёжнее, чем самый длинный промпт |
| Факты о продукте и регламентах часто меняются | не то и не другое — нужен RAG | знания подставляются в момент запроса, без переобучения |
| Миллионы однотипных запросов, токены дорожают | дообучение малой модели | короткие инструкции дешевле, чем длинный промпт на каждый запрос |
| Поведение сервиса должны править аналитики, а не инженеры | промпты | правка без релиза модели и без GPU |
| Обучение возможно только на своих данных в своём контуре | дообучение локально | датасет не покидает периметр организации |
Критерии сравнения
Развёрнутая матрица по критериям, которые заказчики проверяют перед решением: стоимость, сроки, риски, поддержка, комплаенс и режим данных. Каждая строка матрицы ниже раскрыта отдельным разбором — с пояснениями, откуда берутся цифры и на что смотреть в вашей ситуации.
| Критерий | Промпт-инжиниринг | Дообучение |
|---|---|---|
| Стоимость | прототип — от 90 000 ₽ | контур с дообучением — от 480 000 ₽ |
| Сроки | итерации за дни, эффект виден сразу | недели: датасет, обучение, оценка, выкатка |
| Риски | хрупкость к формулировкам, «съедание» контекста | переобучение и деградация общих способностей |
| Поддержка | правки промптов силами аналитика | пересборка датасета и переобучение под каждую правку |
| 243-ФЗ и комплаенс | ИИ-актив в реестре, регламент промптов | плюс контроль обучающих данных и их происхождения |
| Данные | в промпты попадают фрагменты — держим границу секретности | датасет для обучения — только в своём контуре |
| Гибкость | смена поведения мгновенно, откат — тоже | смена стиля — новый полный цикл обучения |
Читайте матрицу как лестницу, а не конкурс: строка «гибкость» объясняет, почему промпты всегда остаются в системе даже после дообучения. Если по трём и более строкам важнее левая колонка — дообучение можно откладывать без потери эффекта.
Разбор критериев
Стоимость и эффект
Промпт-инжиниринг — самый дешёвый способ повысить качество: прототип с тестовой выборкой и метриками стоит от 90 000 ₽ и выполняется за дни. Дообучение — инвестиция от 480 000 ₽: подготовка датасета, циклы обучения, оценка, инфраструктура инференса. Экономика дообучения раскрывается на объёмах: если сервис обрабатывает большой поток однотипных запросов, дообученная малая модель с короткой инструкцией дешевле, чем каждый раз отправлять длинный промпт в большую модель.
Сроки и итерации
Промпт правится за час: сформулировали, прогнали тестовую выборку, посмотрели метрику, выкатили. Дообучение — недели на цикл: собрать и разметить датасет, обучить, оценить на удержанной выборке, проверить, что модель не «забыла» остальное. Поэтому стратегически выгодно выжимать максимум из промптов и RAG, а дообучение запускать точечно — там, где оно даёт измеримый выигрыш по деньгам или качеству.
Риски качества
Промпты хрупки: смена формулировки вопроса снижает качество, а длинные инструкции «съедают» контекст и бюджет токенов. Дообучение рискует переобучением: модель идеально повторяет датасет и хуже решает задачи за его пределами. И то и другое лечится дисциплиной оценки — фиксированной тестовой выборкой живых запросов и метриками точности, а не «субъективно стало лучше». Природу ошибок моделей разбирает ответ на вопрос «почему LLM галлюцинирует».
Поддержка и эволюция
Промпты живут в конфигурации сервиса: правит аналитик, версия фиксируется в системе, откат мгновенный. Дообученная модель — это артефакт: его надо версиионировать, хранить, уметь переобучить при смене базовой модели. Если в команде нет инженера, который понимает пайплайн обучения, поддержка дообучения превращается в зависимость от подрядчика — фиксируйте в договоре передачу датасетов, кода обучения и методики оценки.
243-ФЗ и обучающие данные
Для участников эксперимента по 243-ФЗ дообученная модель — ИИ-актив с особыми требованиями: в реестре фиксируются не только модель и сценарий, но и происхождение обучающих данных. Персональные данные для обучения без законного основания использовать нельзя — датасеты проходят обезличивание. Правила игры разбирают ответы «почему нельзя обучать LLM на персональных данных» и «можно ли дообучить модель на своих документах».
Данные и контур
Промпт-инжиниринг сам по себе не требует передачи данных на обучение — но фрагменты документов попадают в запросы, и границу секретности держит регламент. Дообучение требует датасета целиком: он собирается, чистится и хранится в вашем контуре, обучение выполняется на своей инфраструктуре. Технику эффективной адаптации без полного переобучения описывает статья «LoRA в словаре», а served-слой для своей модели — «vLLM: развёртывание и сервинг».
Вердикты по трём сценариям
Сценарий 1. Первый ИИ-сервис в компании
Промпт-инжиниринг плюс RAG: прототип от 90 000 ₽ за считанные дни, честная метрика качества на живых запросах. Большинство задач формулирования и стиля закрывается инструкциями и примерами — дообучение на этом этапе почти всегда преждевременно и не окупается.
Сценарий 2. Массовая обработка однотипных запросов
Дообучение малой модели под задачу: классификация, извлечение полей, стандартизированные ответы. Контур с дообучением — от 480 000 ₽, и он возвращает инвестиции на объёме за счёт дешёвого инференса. Обязательное условие — датасет из обезличенных реальных примеров и оценка на удержанной выборке.
Сценарий 3. Юридически значимые ответы
Лестница, а не выбор: факты — через RAG по проверенным документам, стиль и жёсткий формат — через промпты или лёгкое дообучение тона. Обратный порядок (сначала обучить модель «знать факты») — классическая ошибка: факты устаревают быстрее, чем успевает переобучаться модель, и проверить источник становится невозможно.
Типичные ошибки выбора
Пять ошибок, которые чаще всего сводят эффект обоих подходов к нулю.
- Дообучение на неочищенных данных: модель усваивает шум и ошибки вместе с полезным.
- Отсутствие тестовой выборки: «стало лучше» проверяется на глаз, а не метрикой.
- Обучение модели фактам вместо RAG: знания устарели уже к моменту выкатки.
- Промпты длиной в страницу на каждый запрос: сжигают контекст и бюджет токенов.
- Персональные данные в обучающем датасете без правового основания и обезличивания.
Итог
Порядок зрелости неизменен: промпты — RAG — дообучение, и каждая ступень покупается только после исчерпания предыдущей. Так дообучение достаётся немногим задачам, зато каждая окупается. Решение стоит перепроверить на своих цифрах: разбор задачи бесплатный, ответ — за 1 рабочий день.
Чек-лист решения
Семь пунктов, которые стоит закрыть до выбора: они одинаково полезны обоим вариантам и закрывают большинство ошибок из списка выше. Пройдите список с командой — обычно это один рабочий час, который экономит недели переделок.
- Что именно «не так» в ответах: факты, стиль или формат — от этого зависит выбор ступени.
- Есть ли тестовая выборка живых запросов и метрика, по которой сравниваем варианты.
- Как часто меняются знания: чаще раза в месяц — это про RAG, а не про дообучение.
- Где будет жить датасет, кто его чистит и как обеспечено отсутствие персональных данных.
- Учтён ли ИИ-актив в реестре по 243-ФЗ, есть ли регламент использования и обучения.
- Кто сопровождает: правит промпты, переобучает модель, разбирает падения качества.
- Считалась ли экономика инференса: стоимость токенов с длинным промптом против своей модели.
Смежные материалы
Смежные сравнения: «промпт-инжиниринг или RAG» и «RAG или дообучение». Практика: услуга «интеграция LLM в бизнес-процессы»; технология «open-source LLM для бизнеса». Вопросы: «можно ли дообучить модель на своих документах». Пошагово: гайд «как выбрать LLM под задачу».
Полный каталог разборов «или — или» — в разделе Сравнения; форматы работ, сроки и цены «от» — в каталоге услуг.