LLM и классический ML решают разные классы задач, но в 2026 году заказчики часто выбирают между ними на одном бюджете: «внедрить нейросеть» звучит одинаково и для чат-бота, и для прогноза спроса. Разница принципиальна: LLM понимает естественный язык и генерирует текст, но вероятностна по природе; классические модели — бустинг, регрессии, классификаторы — считают точнее и дешевле, но не умеют читать. Ошибка класса задачи — самая дорогая ошибка ИИ-проекта.
Эта страница сводит выбор в таблицы «когда что» и критериев: стоимость, сроки, риски, предсказуемость, поддержка, комплаенс и режим данных. Смежные разборы — «БИ с ИИ против классической аналитики» и «vision-модели против классического CV»; здесь — выбор между языковыми и табличными моделями целиком.
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 |
|---|---|---|
| Неструктурированные тексты: договоры, письма, обращения, регламенты | LLM | текст нужно понять и сжать — табличная модель этого не умеет в принципе |
| Табличные данные: спрос, отток, скоринг, прогноз выручки | классический ML | бустинг точнее, дешевле и предсказуемее LLM на таблицах |
| Нужен объяснимый скоринг для регулятора или банка | классический ML | вклад каждого признака трассируется; ответ LLM не «объяснить» аудитору |
| Разговорный интерфейс к данным и документам | LLM (часто + ML-слой) | диалог — физика языковой модели; считающий контур подключается инструментом |
| Мало размеченных данных, много вариативности формулировок | LLM | zero-shot и few-shot работают без длинной разметки |
| Миллионы однотипных предсказаний в сутки, счёт — на копейки | классический ML | инференс на CPU, стабильные доли копейки за предсказание |
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 | Классический ML | LLM |
|---|---|---|
| Стоимость | прототип модели под задачу — от 90 000 ₽ | прототип сценария — от 90 000 ₽, пилот контура — от 480 000 ₽ |
| Сроки | 2–6 недель до рабочего прототипа при готовых данных | пилот 4–6 недель; промышленный контур — от 690 000 ₽ |
| Риски | деградация модели при дрейфе данных | галлюцинации и нестабильность формулировок |
| Предсказуемость | одинаковый вход — одинаковый выход | вероятностный выход; нужна температура 0 и валидация |
| Поддержка | мониторинг метрик и переобучение по регламенту | сопровождение контура, guardrails и контроль качества |
| 152-ФЗ и режим данных | модель можно обучить и держать полностью на своих данных | облачная модель видит тексты; локальный контур — 0,9–1,2 млн ₽ |
| Данные | нужна разметка: сотни–тысячи примеров | стартует без разметки, разметка нужна для оценки качества |
Матрицу читайте через строку предсказуемости и строку данных вместе: табличные задачи с требованиями аудита закрываются только классическим ML, а всё остальное — переговоры о бюджете. Колонки — не конкуренты: в зрелых системах ML-слой и LLM-слой покупаются разными этапами одного проекта.
Разбор критериев
Стоимость владения
Классический ML стоит как проект: разовая разработка (прототип от 90 000 ₽), дешёвый инференс и мониторинг. LLM при облачном API стоит как подписка на потребление: счёт растёт с трафиком, а смена тарифов вендора меняет экономику без вашего согласия. Промышленный LLM-контур — от 690 000 ₽, локальный — 0,9–1,2 млн ₽. Правило большого пальца: если текст задачи умещается в таблицу с целевой колонкой — ML всегда дешевле в владении; как считать полную стоимость, разбирает гайд «TCO ИИ-решения».
Сроки и данные
ML-прототип быстр только при готовой разметке; её сбор — главный скрытый срок проекта. LLM стартует без разметки, но разметка возвращается на этапе оценки качества: без тестовой выборки вы не отличите «стало лучше» от «стало красивее». Зрелые команды закладывают выборку в оба сценария сразу — это единственная общая зависимость двух подходов.
Риски и предсказуемость
Классическая модель не меняет поведение без переобучения: одинаковый вход всегда даёт одинаковый выход — это проходит аудит и сертификацию. LLM вероятностна: при одной и той же формулировке ответ может отличаться, а полировка промптов ломается от смены версии модели. Для финансового учёта, расчёта цен и юридических выводов детерминированность обязательна — и это решающий аргумент против LLM в чистом виде.
Поддержка и развитие
ML-модель деградирует тихо: данные меняются, метрики падают, нужен регламент переобучения. LLM-контур деградирует заметно: пользователи сразу видят неудачные ответы. Подход к сопровождению разный, но обязательный в обоих случаях; что входит в контракт сопровождения, разбирает ответ на вопрос «что входит в сопровождение ИИ-системы».
152-ФЗ и комплаенс
Персональные данные попадают в оба сценария: и в обучающую выборку ML, и в промпты LLM. Разница в контуре: ML-модель обучается и живёт на вашей инфраструктуре по умолчанию, LLM по умолчанию — облачная, и передачу данных вендору нужно оформлять как поручение обработки с обезличиванием. Для чувствительных сценариев разворачивается локальный LLM-контур — 0,9–1,2 млн ₽; нюансы — в разборе «почему on-premise дороже облака, но выгоднее».
Гибрид — рабочая схема 2026 года
Продуктивные системы редко бывают чистыми: ML-скоринг считает вероятность, LLM пишет клиенту объяснение; классификатор сортирует обращения, языковая модель снимает типовые. Так за предсказуемость отвечает считающий контур, а за язык — генеративный. Выбор «или — или» честно нужен только при первом проекте и жёстком бюджете; дальше архитектура всё равно сходится к гибриду.
Вердикты по трём сценариям
Сценарий 1. Прогноз и скоринг на своих данных
Классический ML: прототип от 90 000 ₽, объяснимость для регулятора, инференс копеечный. LLM здесь нужен только как интерфейс для аналитика — «объясни, почему модель дала 0,83», и это отдельная лёгкая надстройка, а не замена модели.
Сценарий 2. Документы, обращения, поддержка
LLM с RAG-контуром: пилот от 480 000 ₽, промышленный контур — от 690 000 ₽. Табличные модели эту задачу не решают в принципе; вся ценность — в понимании естественного языка. Для чувствительных данных — локальный контур 0,9–1,2 млн ₽.
Сценарий 3. Смешанная задача: тексты плюс таблицы
Гибрид в одном контуре: ML-слой отвечает за числа и скоринг, LLM — за чтение входа и формулировку выхода. Такой проект стартует с ML-части (от 90 000 ₽), LLM-надстройка добавляется вторым этапом от 480 000 ₽ — каждый слой покупается по мере подтверждения эффекта.
Типичные ошибки выбора
Пять ошибок на этой развилке стоили компаниям и бюджета, и доверия к ИИ.
- LLM для табличного прогноза: переплата за токены при худшей точности бустинга.
- Классический ML на живом тексте: бесконечная разметка вместо готового решения.
- Отсутствие тестовой выборки: «стало лучше» нечем доказать ни для одной модели.
- Гибрид из одного слоя: ML-скоринг без объяснения или LLM-текст без числового ядра.
- Облачный LLM-контур на персональных данных без поручения обработки (152-ФЗ).
Итог
Класс задачи выбирает технологию, а не наоборот: таблицы и скоринг — классический ML, тексты и диалоги — LLM, рабочая система — гибрид, где считает модель, а объясняет языковая. Этот принцип экономит больше, чем любой выбор вендора. 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.
- Определите класс задачи: текст на входе — LLM; таблица с целевой колонкой — классический ML.
- Проверьте наличие разметки: без тестовой выборки нечем измерить ни одну из моделей.
- Зафиксируйте требование детерминированности: аудит и расчёты — только классическая модель.
- Посчитайте владение, а не вход: облачный счёт LLM растёт с трафиком, ML — нет.
- Решите вопрос контура данных: где учатся и живут модели, что уходит вендору.
- Заложите регламент переобучения ML и контроля качества LLM — обе модели деградируют без него.
- Оцените гибрид: чаще всего ML считает, а LLM объясняет — это два слоя одного проекта.
Смежные материалы
Смежные сравнения: «БИ с ИИ против классической аналитики» и «промпт-инжиниринг или RAG». Услуги: «ML-моделирование под задачу» и «интеграция LLM». Технологии: «открытые LLM для бизнеса». Вопросы: «какой LLM выбрать для бизнеса». Пошагово: «как выбрать LLM для задачи».
Полный каталог разборов «или — или» — в разделе Сравнения; форматы работ, сроки и цены «от» — в каталоге услуг.