Затраты на обслуживание Orion в дата-центрах OpenAI существенно превышают расходы на предыдущие модели, что ухудшает соотношение цены и качества. Это может отпугнуть корпоративных клиентов и подписчиков, заинтересованных в экономически выгодных ИИ-решениях. Несмотря на ожидания значительного прогресса, переход от GPT-4 к Orion оказался менее впечатляющим, чем скачок между GPT-3 и GPT-4. Это разочарование усилилось из-за роста эксплуатационных расходов, которые делают модель менее рентабельной.

Схожая ситуация наблюдается и у конкурентов OpenAI. Такие компании, как Anthropic и Mistral, также сталкиваются с трудностями в значительном улучшении своих моделей. Например, Claude 3.5 Sonnet от Anthropic показывает лишь умеренный прирост производительности по сравнению с предыдущими версиями. Вместо качественного скачка разработчики сосредоточились на внедрении новых функций, таких как ИИ-агенты, что отражает изменение подхода в индустрии.

Для частичного решения проблем разработчики используют дополнительные фильтры, позволяющие настраивать результаты после завершения основного этапа обучения. Однако этот метод носит временный характер и не решает фундаментальных ограничений, связанных с архитектурой или обучающей выборкой. Одной из ключевых проблем остаётся нехватка данных для обучения. OpenAI сформировала специальную команду для поиска новых источников информации, однако пока неясно, сможет ли она собрать достаточно данных, чтобы улучшить модель и соответствовать ожиданиям клиентов.

Ситуация с Orion подчёркивает вызовы, с которыми сталкивается индустрия ИИ в попытке достичь новых высот. Учитывая повышенные затраты и умеренные улучшения, дальнейший успех OpenAI будет зависеть от способности компании оптимизировать модель и справиться с нехваткой данных, сохраняя интерес со стороны бизнеса.