Блог · 41 мин чтения

Экономика ИИ: кто заберёт прибыль, а кто останется со счётом

·

К 2030 году нейросети будут перемалывать 120 квадриллионов токенов в месяц. В 24 раза больше, чем сейчас. И платить за это будут не лаборатории, которые делают модели. Платить будет бизнес, который их использует. То есть вы.

Я недавно закончила работу над ИИ-агентом, который снимает с владельца небольшой компании часть ежедневной рутины. Как экономист и ИИ архитектор, я перелопатила огромное количество исследований, статей, обзоров и интервью о том, как ИИ меняет экономику, и на уровне предприятия, и на глобальном уровне. Сегодня почти всё, что пишут про ИИ, это либо демонстрация возможностей, либо разговор о рисках. Я предлагаю обсудить ИИ с денежной стороны.

История первая«пузырь»

Смотрите, что сейчас происходит.

Одни говорят: это величайшая технология века. Модели умнеют каждый квартал, нейросети пишут половину кода, в дата-центры и чипы вливаются триллионы.

Другие отвечают: да это же пузырь. Компании сжигают сотни миллиардов, прибыли почти ни у кого нет, а буквы AI лепят на всё подряд, как пару лет назад лепили слово «блокчейн». Мне кажется, на данном этапе есть логика и у тех и у других.

Нам говорили: «Интернет изменит всё: торговлю, медиа, коммуникации, рекламу». И что? Да, он изменил. Сегодня значительная часть мировой экономики существует только благодаря интернету: онлайн-торговля, цифровая реклама, облачные сервисы, стриминг, финтех, маркетплейсы и социальные платформы. Без глобальной сети эти рынки просто не возникли бы или остались бы в разы меньше.

Главные рычаги при этом сосредоточены у относительно небольшой группы компаний. Amazon задаёт стандарты электронной коммерции и облачных вычислений (AWS). Google (Alphabet) контролирует поиск и огромную долю цифровой рекламы, плюс YouTube. Meta держит крупнейшие социальные сети и рекламный инвентарь. К ним добавляются Apple (экосистема устройств и App Store), Microsoft (облако Azure, корпоративное ПО и ИИ), а также китайские гиганты Alibaba, Tencent и ByteDance (Douyin/TikTok), которые доминируют на своём рынке и активно выходят за его пределы. Netflix и другие стриминговые сервисы переформатировали медиапотребление, а компании вроде Shopify и Stripe стали инфраструктурой для миллионов небольших бизнесов.

Именно эти игроки определяют, как люди находят информацию, покупают, общаются и платят. При этом интернет-инфраструктуру в 1990-е строили далеко не все из них — многие пришли позже и забрали основную долю созданной ценности.

Технологическая революция и финансовый пузырь — не противоположности. Кажется, что это сиамские близнецы.

1 / 6

Почему? Потому что настоящая революционная технология создаёт идеальные условия для пузыря. Она открывает гигантское пространство возможностей, где никто пока не понимает реальный размер будущего рынка. Никто не знает будущих победителей, не понимает, какие бизнес-модели выживут, а какие нет, и насколько быстро поменяются привычки обычных людей. Но абсолютно всем уже очевидно: происходит что-то очень большое.

И вот эту огромную неопределённость рынок начинает судорожно заполнять своими фантазиями и ожиданиями. Появляется красивая история о будущем. Следом включается элементарный страх опоздать — тот самый FOMO-эффект. Ну и потом приходит капитал.

То есть рынок часто прав в направлении движения истории и очень сильно ошибается в кое-чём другом. На самом деле технология лишь расширяет возможности, а вот способность удерживать прибыль и выживать зависит только от фундаментальных вещей. Зачем ваш продукт нужен реальному клиенту и есть ли у вашей бизнес-модели хоть какая-то маржинальность.

Вспомните , когда интернет только начинал входить в нашу жизнь. Нам говорили: интернет изменит всё, торговлю, медиа, рекламу. И что?

ДА! Изменил. Половина мировой экономики сегодня живёт только благодаря ему. Но весной 2000 года пузырь доткомов лопнул, биржевой индекс рухнул почти на 80 процентов, а тысячи «перспективных» компаний испарились вместе с деньгами инвесторов. Но остались те, кто жестко распределил основные рынки между собой.

Так было с железными дорогами. Так было с авиацией. Есть знаменитая шутка одного инвестора: если бы капиталисты начала прошлого века хотели заработать на авиации, им стоило бы сбить братьев Райт при первом полёте. Самолёт оказался великолепной технологией. Только огромная ценность, которую он создал, досталась не владельцам авиакомпаний. Она досталась пассажирам, гостиницам, туризму, мировой торговле. Всем, кроме тех, кто вложил деньги в сами самолёты.

Почему так? Потому что настоящая революционная технология создаёт идеальные условия для пузыря. Она открывает гигантское поле возможностей, где никто пока не понимает ни размера будущего рынка, ни будущих победителей, ни того, какие бизнес-модели выживут. Но всем уже очевидно, что происходит что-то очень большое. И эту огромную неопределённость рынок начинает судорожно заполнять фантазиями. Появляется красивая история о будущем. Следом включается страх опоздать. Потом приходит капитал. Рынок почти всегда прав в направлении. И почти всегда ошибается в сроках и в именах победителей.

Вот отсюда и главный вывод для вашего бизнеса. Технология лишь расширяет возможности. А способность удерживать прибыль и выживать зависит от скучных вещей: - «зачем ваш продукт нужен реальному клиенту» и 2 – «есть ли у вашей модели хоть какая-то маржа». Всё остальное мы сейчас разберём.

История втораяБесплатного масштабирования здесь нет

Для начала давайте разберёмся, что вообще такое модель ИИ.

1 / 6

Когда вы открываете тот же ChatGPT и вбиваете туда свой вопрос, ваш запрос отправляется к так называемой LLM — Large Language Model, крупной языковой модели. И дальше начинается самое интересное. Эта модель не читает ваши тексты так, как читаем их мы с вами. Она режет любой текст на мелкие фрагменты — токены. Это может быть целое слово, кусок слова или просто знак препинания.

По сути, суперумная нейросеть работает как невероятно продвинутый гигантский статистический подсказчик. Она рассчитывает вероятность для каждого возможного следующего токена и выбирает наиболее подходящий. Получив ваш запрос, она моделирует миллионы вероятностей и просто рассчитывает: с вероятностью, например, 84% следующим токеном должно быть вот это слово.

Именно поэтому модели совершают абсолютно детские ошибки. Поскольку они оперируют токенами, а не математическими смыслами, ИИ может наглухо зависнуть на элементарной арифметике с большими числами или с третьей попытки не посчитать количество букв «р» в слове «трансформатор».

Так вот, как на самом деле эта модель стала такой умной? Ей скормили астрономические массивы данных: петабайты книг, статей, Википедию и вообще весь интернет. На этом фоне она научилась отлавливать сложнейшие паттерны, улавливать грамматику и логику построения человеческой мысли.

1 / 6

Но из этого обучения вытекают два критически важных следствия, про которые многие энтузиасты предпочитают не думать.

Первое: модель знает о нашем мире только то, что попало в её обучающую выборку до строго определённого момента — так называемой даты среза знаний. Если что-то произошло вчера или сегодня утром, модель либо честно признается, что не в курсе, либо с абсолютно невозмутимым видом начнёт додумывать и фантазировать. Конечно, если у неё нет прямого доступа к поиску в интернете.

Второе: качество ответа — это зеркало вашего вопроса. Задали невнятный, размытый, общий промпт — получили на выходе воду и банальности. Дали чёткий контекст, прописали роль и жёсткие инструкции — получили точечный рабочий инструмент.

Ну и последнее. Модель не обладает разумом, собственным мнением или эмоциями. Вся её эмпатия, вежливость или «личность» — это просто удачная имитация стиля общения из тех текстов, на которых её обучили.

1 / 7

В работе с нейросетями важно различать два процесса.

Первый — то самое обучение. Это когда гиганты вроде OpenAI, Anthropic или Google тратят миллиарды долларов, чтобы создать передовые фундаментальные модели, так называемые frontier models. Фронтирные модели — это не какой-то особый физический принцип устройства. Это просто обозначение того, кто прямо сейчас находится на рубеже интеллектуальных возможностей.

Второй процесс — inference, то есть непосредственный запуск уже обученной модели. Вы отправляете запрос, модель на ходу вычисляет и выдаёт ответ. И вот за этот самый inference, за каждый чих и каждую сгенерированную строчку, вам или вашему стартапу придётся платить снова и снова.

Поэтому вокруг фронтирных моделей сегодня мгновенно вырастает огромная экосистема приложений. Что делают эти приложения? Они соединяют возможности ИИ с данными, инструментами и рабочими процессами. Например, помогают написать программу, разобрать документы, обработать обращение клиента и так далее. У этих ИИ-приложений стремительно растёт число пользователей, количество запросов и интеграций.

И вот тут начинается самое интересное, потому что вместе с ростом использования точно такими же огромными темпами начинает расти стоимость инференса. Главная экономическая особенность инференса в том, что он требует денег за каждый отдельный запрос.

В отличие от обычных программ, где добавление новых пользователей или запросов почти ничего не стоит, каждый ответ нейросети — это физический процесс. В дата-центрах запускаются тысячи графических процессоров, которые выполняют миллиарды математических операций. Каждая секунда работы модели стоит реальных денег: на неё тратится огромное количество дорогой электроэнергии, а сами серверы и чипы со временем изнашиваются и требуют амортизации.

1 / 11

Получается, что разница в экономике традиционных IT-продуктов и ИИ-продуктов кроется в себестоимости обслуживания пользователей. В классическом софте основная часть бюджета команды уходит на первоначальную разработку. Например, вы делаете мессенджер, автоматизируете систему или делаете мобильный банк. Когда программа уже готова, обслуживание каждого следующего клиента стоит компании буквально копейки. В результате у такого бизнеса образуется высочайшая маржинальность. Чем больше пользователей, тем выше чистая прибыль компании, так как инфраструктурные расходы практически не растут. Так, кстати, появляются цифровые монополии.

А вот в ИИ-приложениях эта привычная модель полностью рушится. Каждый раз, когда модель отвечает пользователю, пишет код, распознаёт речь или выполняет шаг агента, где-то работают дорогостоящие вычислительные мощности. В результате у ИИ-бизнеса нет эффекта бесплатного масштабирования. При росте аудитории в миллион человек расходы на вычислительные мощности растут практически пропорционально, съедая значительную часть маржи.

А дальше на сцену выходят агенты. Агент — это уже не просто чат-бот. Агент — это система, которая использует модель как мозг для выполнения сложного поручения. Она сама планирует следующий шаг, дёргает нужные инструменты, смотрит на результат, исправляет ошибки и движется дальше. Модель лишь генерирует ответы, а агентная система организует вокруг неё полноценное действие.

1 / 4

С ИИ-агентами стоимость инференса становится ещё заметнее. Например, пользователь может дать одну команду: «Проанализируй рынок и подготовь презентацию». Но внутри система может сделать десятки inference-запросов: отдельно построить план, найти данные, прочитать их, сравнить, перепроверить, написать текст, отредактировать его. То есть пользователь сделал одно действие, но оплатил десятки вычислительных операций модели.

1 / 4

Отсюда вытекает очень интересный вывод в экономике ИИ. Сравнивать только цену миллиона токенов недостаточно. Расходы являются произведением числа задач на среднее потребление ресурсов и на цену этих ресурсов.

Давайте разберём условный пример. Цена токена упала на 80%, а потребление на задачу выросло в 10 раз. То есть стоимость задачи на самом деле удвоилась. Но задача при этом могла стать значительно полезнее для пользователя.

Почему это важно? Потому что ни снижение цены токена, ни рост общего счёта за эти токены сами по себе не говорят об эффективности внедрения.

Вопрос проектирования всей системы в том, чтобы, с одной стороны, цена токена была приемлемой с точки зрения твоей маржинальности, с другой — количество запросов было разумным и агент не генерировал 10 000 запросов просто так, и с третьей — всё это превращалось в ценный для тебя результат. Формула получается сложная. И это отличает ИИ-бизнес-модели от обычного традиционного софта.

Отсюда интересный эффект на монетизацию приложений. Если ваши расходы напрямую зависят от того, сколько вычислительной работы выполняет нейросеть, то продавать клиентам безлимитный доступ за фиксированную абонентскую плату кажется очень рискованным.

1 / 6

Представьте себе двух клиентов с абсолютно одинаковой подпиской, скажем, в 20 долларов в месяц. Первый — тихий, скромный разработчик. Он пару раз в неделю заходит в сервис и просит объяснить, где он накосячил в коде. Его обслуживание стоит компании считанные центы.

А вот второй — дерзкий фанат автоматизации. Он каждый день на полную катушку запускает агента, который часами перепахивает архитектуру проекта, гоняет сотни тестов и переписывает тысячи строк.

Оба этих клиента приносят вам ровно по 20 долларов, но себестоимость их обслуживания отличается не на проценты — она отличается в сотни раз. Особенно если агент начинает работать автономно. Пока человек пьёт кофе или вообще спит, нейросеть жжёт дорогие часы, за которые платите именно вы.

Отсюда рушится классическая подписочная модель. Продавать неограниченный ИИ-доступ за фиксированные условные 20 долларов в месяц — это финансовое самоубийство для бизнес-модели. Поэтому сервисы срочно меняют монетизацию. Например, Cursor продаёт удобную среду разработки, но внутри зашивает лимиты и доплату за активное использование моделей. Или сервис вроде ElevenLabs, который работает с речью и цифровыми аватарами: он продаёт пакеты кредитов. Ты покупаешь не безлимит, а конкретное количество минут или символов генерации аудио.

Так вот, старая добрая подписка не исчезает совсем. Но теперь её приходится продумывать гораздо тщательнее, постоянно оглядываясь на реальную себестоимость.

Что именно входит в тариф, где проходит жёсткая граница лимита, сколько стоит превышение и какую реальную пользу получит клиент.

1 / 3

Более того, полностью меняется смысл роста выручки. В обычном софте из каждого полученного доллара примерно 70 центов остаются компании на маркетинг, зарплаты и развитие. В ИИ-приложениях часто происходит иначе: с каждым новым рублём продаж 80–90 копеек уходят поставщику модели — за вызовы и вычислительные мощности. Компания может быстро наращивать оборот, но при этом почти ничего не зарабатывать.

С агентами картина становится ещё сложнее. Агенту не нужно, чтобы вы сидели перед экраном. Вы даёте одну задачу, вечером закрываете ноутбук и ложитесь спать, а он всю ночь работает сам: роется в базах данных, изучает рынок, пишет код, запускает тесты, исправляет ошибки, разбирает почту и согласовывает документы. Утром вы получаете готовый результат.

Для тех, кто сдаёт вычислительные мощности, это удобно: серверы загружены круглосуточно. А для вашей бизнес-модели это риск — себестоимость всех этих ночных вызовов ложится на экономику каждого клиента и может быстро съесть прибыль.

История третьяКто есть кто в новой ИИ-экономике: чипы, инфраструктура, модели и приложения

Знаете, что в этой истории меняет всё? Клиенту плевать на токены. Клиент платит за решённую задачу. Токены как счётчик бензина. Он показывает расход. Он не показывает, доехали ли вы. Таким образом, в экономике ИИ нужно различать четыре разные роли. На каждом уровне деньги и риски распределяются по-разному.

1 / 11

С одной стороны, есть производители «железа» — чипов. Это Nvidia, Broadcom и производители специальной памяти. Они продают «лопаты» в золотой лихорадке: те самые ускорители, на которых всё обучается и работает.

С другой стороны, есть инфраструктура. Это облачные провайдеры — Microsoft Azure, Amazon Web Services, Google Cloud, Oracle и другие. Есть также узкоспециализированные сервисы для запуска моделей, такие как Together AI. Они покупают железо, строят гигантские дата-центры и сдают мощности в аренду.

Третий участник — разработчики самых продвинутых моделей: OpenAI, Anthropic и другие.

Четвёртый уровень — создатели приложений. Например, Cursor для программирования, ElevenLabs для работы с голосом, приложения для поиска по корпоративным знаниям, Harvey для юристов и так далее.

Главный фокус здесь в том, что деньги и риски на каждом уровне работают по-разному. Nvidia получает свои миллиарды сразу в момент продажи чипа. Облачный провайдер, купивший этот чип, рассчитывает отбить вложение только через несколько лет аренды. А создатель приложения каждый месяц должен удерживать клиентов, чтобы они продолжали платить за подписку.

Поэтому рекордная прибыль Nvidia совсем не означает, что покупатели её чипов когда-нибудь окупят свои инвестиции. Это говорит только об одном: железо востребовано прямо сейчас.

Часто Nvidia обвиняют в том, что она раздувает пузырь. Спрос на её чипы существует только пока развивается вся тема ИИ. Поэтому она финансирует своих партнёров и даёт им кредиты, чтобы они на эти деньги покупали те же самые чипы Nvidia. В экономике это называется круговым финансированием, и многие экономисты считают это тревожным сигналом. Но пока с этим ничего поделать не могут.

1 / 4

Главный экономический вопрос звучит так: успеет ли реальный платёжеспособный спрос за тем огромным масштабом инвестиций, которые сейчас вливаются в инфраструктуру?

В этом смысле сегодняшняя экономика ИИ очень похожа на строительство железных дорог. Сначала нужно проложить рельсы, вложить огромный капитал, построить станции, мосты, тоннели и подвижной состав. И только потом по этой сети начинает двигаться достаточное количество экономической активности — те самые поезда с пассажирами, которые купили билет.

Есть знаменитая шутка Уоррена Баффета: если бы капиталисты начала XX века очень хотели заработать на авиации, им стоило бы сбить братьев Райт при их первом полёте. Конечно, дело не в том, что самолёт оказался плохой технологией. Наоборот, он оказался великолепной. Но огромная ценность, которую создала авиация, досталась не столько владельцам авиакомпаний, сколько пассажирам, производителям самолётов, гостиницам, туризму и глобальной торговле. Проще говоря — всем, кто получил возможность перемещаться по миру.

То же самое можно сказать про ИИ. Даже если ИИ станет такой же важной инфраструктурой, как электричество, железные дороги или самолёты, из этого совсем не следует, что ИИ-компании автоматически станут самыми прибыльными в истории.

Здесь возникает ещё один важный вопрос: а что, если сами модели постепенно станут обычным товаром? Это не значит, что все модели одинаковые или что они перестанут быть нужны. Это значит только одно: для большинства задач покупатель сможет выбрать между несколькими достаточно хорошими вариантами и начнёт более скрупулезно сравнивать их по цене, скорости и удобству доступа.

Тогда появляется неприятный для разработчиков моделей сценарий. Технология становится полезнее, её используют чаще, но удерживать высокую цену становится очень трудно. Это похоже на ситуацию с авиакомпаниями: огромные вложения, сложное производство и постоянная борьба за загрузку мощностей. Это возможный путь развития, а не доказательство того, что все ИИ-лаборатории обязательно станут низкомаржинальными.

Главный признак того, что модели превращаются в обычный товар, — это не дешевизна сама по себе. Это ситуация, когда клиент говорит: «Для моей задачи разницы почти нет. Возьму ту, что дешевле».

Именно здесь меняется экономика. Технологические возможности продолжают расти, но способность зарабатывать на уникальности сокращается. Это принцип «и так достаточно». Если вы чувствуете, что текущая модель и так справляется, у вас нет стимула покупать новую и переплачивать.

1 / 6

Успевает ли рост использования компенсировать падение цены? Если цена снизилась, условно, на 80%, компании нужно продать в пять раз больше, чтобы получить прежнюю выручку. Но каждый дополнительный запрос тоже нужно обслужить. Поэтому пятикратный рост объёма ещё не означает сохранение прибыли.

Если упростить, вся экономика ИИ зависит от трёх вещей: насколько быстро падает цена, насколько быстро снижается себестоимость и насколько быстро растёт оплачиваемое использование. Это три главных рычага.

Если себестоимость падает быстрее цены — компания может зарабатывать больше даже при более низких тарифах. Если цена падает быстрее себестоимости — рост спроса должен компенсировать сокращение заработка с каждой операции.

Поэтому впечатляющий рост числа обработанных запросов сам по себе ещё не отвечает на вопрос, сколько денег остаётся поставщику модели после выполнения всей работы. Посмотрите, как из этой мысли напрашивается такой вывод: в первую очередь растёт конкуренция за массовые сценарии. Чтобы компенсировать падение цены, нужно бороться за массового пользователя и за массовые бизнес-задачи, где важно сочетать достаточное качество с приемлемой стоимостью многократного использования.

История 4Выгодно ли покупать доступ через API и где создаётся настоящая ценность

Есть компании, которые разрабатывают самые передовые модели ИИ: OpenAI, Anthropic, Google и другие. Они вкладывают огромные деньги в исследования и обучение, собирают сильные команды и обеспечивают себе доступ к большим вычислительным мощностям. Затем они дают другим компаниям доступ к возможностям своих моделей через API.

Вот она точка роста - масса новых стартапов сейчас плодятся как грибы после дождя... примерно 90% из них — это ИИ-приложения для самых разных задач. Эти приложения отправляют запрос, модель на серверах условного OpenAI его обрабатывает и возвращает результат. Для стартапа такая модель резко снижает порог входа. Сама передовая модель становится просто базовым строительным блоком.

  • Вы не строите свой дата-центр, а берёте облако.
  • Вы не учите модель с нуля, а платите за API по мере использования.

За неделю-две становится понятно, нужен ли такой продукт клиентам. Да, сейчас стартапы вместо строительства какой-то огромной инфраструктуры для своей идеи/сервиса прокатывают гипотезу на реальном клиенте.

Когда-то облака позволили компаниям запускать сервисы без покупки собственных серверов. Сегодня доступ к готовым моделям позволяет создавать продукты без обучения собственной модели. Вы фактически арендуете её возможности: отправляете запрос и платите за использование. На раннем этапе это часто рационально. Вместо больших вложений в собственную модель вы платите по мере использования и быстро проверяете гипотезу. Главная задача стартапа — проверить идею максимально бережливо и за короткое время.

Передовые модели создают важную вещь: они снижают стоимость тестирования и входа на рынок. Они позволяют тысячам компаний экспериментировать. Это один из механизмов, через который фундаментальная технология создаёт рынок вокруг себя. Но дальше появляется интересный эффект. Когда вы начинаете расти и считать реальную экономику, вопрос «какая модель самая умная» перестаёт быть главным. На первый план выходит другой, критически важный для бизнеса вопрос: как сделать так, чтобы экономика продукта сходилась?

1 / 4

Для бизнеса важен показатель валовой маржи — это то, сколько остаётся после прямых затрат на оказание услуги. Если вы продаёте услугу клиенту за 10 долларов и 8 долларов из этой десятки сразу отдаёте OpenAI или Google за API, у вас может быть отличный продукт, но плохой бизнес. Вы превращаетесь в посредника, который покупает интеллект оптом, заворачивает его в красивую обёртку и продаёт в розницу. Чем быстрее вы растёте, тем больше чужих денег вам нужно сжигать, чтобы финансировать этот рост.

Это касается всех бизнес-моделей с низкой валовой маржой. Там, где много переменных затрат (доставка, курьеры и так далее), очень сложно выстраивать устойчивую модель. Такие рынки часто приходят к одному-двум крупным игрокам, остальные не выживают.

Как обойти это препятствие? Нужно давать клиенту другое обещание. Пользователю всё равно, сколько токенов он потратил. Он платит за решённую задачу.

Да, автономный агент может потратить в 10 раз больше токенов, чем простой чат-бот. Но если вместо банальной отписки он сам написал рабочее приложение, нашёл критическую ошибку в коде или провёл исследование рынка, воспринимаемая ценность такого результата резко вырастает.

Главная метрика - стоимость получения успешного результата, а токены - это просто счётчик расхода вычислений. Они показывают, сколько «бензина» потратили, но не говорят, доехали ли вы до цели.

И вот посмотрите, вокруг. Те компании, которые уже активно используют LLM в начале этого пути сталкиваются с проблемой: дешёвая открытая модель может оказаться безумно дорогой, если после неё человеку приходится три часа переписывать текст. А дорогая модель очевидно становится выгодной, если она надёжно закрывает задачу с первого раза.

Готовность клиентов платить может расти, потому что ИИ перестаёт быть просто продвинутой поисковой строкой или генератором картинок. Он начинает решать сложные задачи. Пока ChatGPT был просто удобным конспектом, его экономическая ценность была ограничена. Но как только появляются инструменты, которые заменяют пять часов работы квалифицированного аналитика, это уже совсем другие деньги и другая ценность.

Если система потратила на задачу 10 долларов вычислений — это дорого или дёшево? Если она написала три банальных абзаца текста, то да, дорого. А если она заменяет работу финансового аналитика с зарплатой 3000–4000 долларов в месяц, то это очень выгодный эквивалент.

Когда стоимость получения ценного результата падает за счёт оптимизации, а качество и ценность растут, экономика ИИ-продукта наконец начинает сходиться. Бизнес, который ещё вчера казался сомнительным из-за дорогих вычислений, начинает показывать хорошую маржинальность.

История 5Как рождаются технологические пузыри: разрыв между ожиданиями и реальной экономикой

Откуда тогда появляются финансовые пузыри? Пузырь формируется не только потому, что инвесторы переоценивают скорость падения цен на железо или токены. Он возникает из-за гигантского разрыва между ожидаемой ценностью и реальной ценностью результата.

Как выглядит эта ловушка завышенных ожиданий?

Во-первых, хайп и страх опоздать порождают иллюзию. Рынок оценивает сегодняшние компании так, будто агент уже завтра станет автономным сотрудником. Дашь ему задачу «увеличь продажи на 20%» — и он всё сделает идеально, а компания сэкономит миллионы на штате. На практике для сложных и ответственных задач в юриспруденции, медицине, финансах или разработке модель всё ещё выдаёт результат уровня стажёра с хорошей фантазией.

Во-вторых, есть скрытая стоимость — стоимость контроля. Чтобы превратить сырой ответ нейросети в результат, который не стыдно отдать клиенту или внедрить в работу, бизнесу приходится сажать квалифицированного специалиста, который перепроверяет, дорабатывает и исправляет ошибки. Если на работу модели потратили 2 доллара, а потом эксперт потратил 2 часа на проверку и исправление, настоящая стоимость оказалась огромной, и экономика не сходится.

Мы упираемся в фундаментальную разницу между «сделал быстро» и «создал то, что нужно». Нейросеть может за 5 секунд сгенерировать 10 страниц отчёта или 500 строк кода. Это выглядит впечатляюще. Но если отчёт никто не будет читать, а код содержит скрытую уязвимость, которая уронит систему через месяц, экономическая ценность этого результата равна нулю или вовсе отрицательная.

1 / 3

Суть пузыря — в переоценке готового ценного результата на текущем этапе. Рынок закладывает, что ИИ уже сейчас выдаёт результат уровня сильного специалиста с 95% надёжностью. Реальность говорит, что он выдаёт результат джуниора с 70% надёжностью, а остальные 30% ошибок могут стоить компании репутации или прибыли.

Ошиблись ли мы в том, что ИИ когда-нибудь научится выдавать безупречный ценный результат? Скорее всего, научится. Но рынок уже заплатил триллионы долларов за это будущее сегодня, рассчитывая, что идеальный сотрудник придёт завтра утром. Когда выясняется, что до надёжного результата нужно ещё несколько лет настройки процессов, тестов и убытков, капитализация многих переоценённых продуктов неизбежно пойдёт вниз.

Главный вопрос, который сейчас волнует аналитиков: насколько быстро наступит это будущее. Рынок оценивает не сегодняшнюю технологию, а ожидание того, какой она станет завтра. Если себестоимость действительно упадёт в 10 раз за пару лет и при этом будет стабильный ценный результат — прекрасно. Но что, если капитализация компаний уже подразумевает падение цен в 100 или 1000 раз? Или если клиент начнёт платить щедрые деньги только через 10–20 лет, а кредиты за дата-центры нужно обслуживать уже в этом месяце? Именно так рождается динамика пузыря.

Самые интересные технологические пузыри — это пузыри ошибочного тайминга. Рынок эпохи доткомов не ошибся в том, что электронная коммерция станет гигантским бизнесом. Он просто ошибся в том, насколько быстро это произойдёт. Инвесторы не ошиблись, что интернет изменит весь мировой бизнес. Они ошиблись, подумав, что абсолютно любая компания с приставкой «.com» заслуживает миллиардной оценки прямо сейчас.

Главное правило таких революций: победителем почти никогда не становится та компания, которая была ярким символом первого пузыря.

А вот всю реальную экономическую ценность забрали совсем другие игроки, которые пришли позже или вовремя перестроились: Google, Amazon, Meta, Netflix, облачные провайдеры.

Финансовый пузырь может абсолютно неправильно интерпретировать будущее и абсолютно не угадать тех, кто в итоге станет его хозяином.

История 6Компактные модели, специализация и ИИ-агенты: как снизить затраты и создать конкурентное преимущество

Вот три главных инсайта о том, как выжить в экономике ИИ и не разориться.

Первый инсайт: открытые модели часто срезают 70–90% затрат, но требуют доработки.

Многие аналитики отмечают, что отставание открытых моделей от самого топового слоя (например, ChatGPT или Claude) сейчас составляет всего несколько месяцев. При этом их эксплуатация обходится на 70–90% дешевле. Логика простая: зачем платить за элитный «мозг» флагманской модели, если вам нужно просто сортировать тикеты в техподдержке?

Вы берёте открытую модель, проводите так называемое постобучение на своих реальных данных и превращаете чужой универсальный интеллект в свой узкоспециализированный.

Не ждите «следующую модель». Она не решит вашу задачу

Все говорят про новые модели: «Вот выйдет GPT-6 — и всё заработает». На самом деле гиганты уже потратили миллиарды, чтобы создать универсальный мозг. Он знает язык, код и общее устройство мира. Это фундамент. Он уже есть. А вот то, что делает вас сильнее конкурентов — это не фундамент. Это потолок. Разница простая

1 / 6

Предобучение — это когда компании сжигают миллиарды и создают универсальную модель, которая «немного знает обо всём».

Постобучение (дообучение) — это когда вы берёте эту готовую модель и доводите её под свои задачи, свои риски и свои критерии качества.

Представьте: вам нужна отличная машина для такси в вашем городе. Вы можете ждать, пока кто-то выпустит «идеальный автомобиль будущего». Или взять хорошую базовую машину и настроить её: маршрутная логика вашего города, стиль общения с клиентами, правила работы с жалобами, особенности местных дорог и законов. Второе обычно работает быстрее и дешевле. То же самое с моделями.

Когда дообучать имеет смысл, а когда — нет

Совет простой: не сидите и не ждите следующей «прорывной» модели. Возьмите нормальную открытую базовую модель и доведите её до идеала именно на своих задачах. Но есть нюанс. Дообучение и его поддержка тоже стоят денег. Поэтому:

На старте почти всегда выгоднее просто покупать доступ к готовому сервису.

Доучивать свою модель имеет смысл только тогда, когда экономия на миллионах повторяющихся задач перекрывает расходы на разработку и поддержку.

Если вы обрабатываете 50 заявок в день — скорее всего, готового решения хватит. Если у вас 50 000 однотипных документов или обращений в месяц и ошибка в 2% стоит вам реальных денег — тогда уже стоит считать.

Главный вопрос, который команда должна уметь задавать

Не «какую модель поставить», а:

Где дополнительное качество рассуждения реально меняет результат — и сколько мы готовы за это платить? Вот три типичные ситуации:

Извлечь поля из документа (счёт, договор, заявка). Часто достаточно быстрой и дешёвой модели. Ошибка здесь редко критична, её можно перепроверить.

Подготовить черновик ответа или письма. Здесь уже важнее стиль и точность формулировок. Можно взять модель получше.

Разобрать неоднозначный клиентский случай (жалоба, спорная ситуация, сложный запрос). Здесь ошибка стоит дорого: репутация, деньги, время. Именно здесь имеет смысл платить за более сильное рассуждение или дообученную модель.

Выбор модели перестаёт быть технической настройкой. Это становится управленческим и продуктовым решением:

Установка «всегда используем самое лучшее» на этот вопрос не отвечает. Она просто сжигает бюджет.

Второй инсайт: побеждает не самый умный интеллект, а лучшая «упряжь» (harness).

Выбор модели — это давно не техническая настройка, а управленческое решение. У вас есть несколько важных критериев: качество, цена и задержка.

1 / 3

Представьте агента, который оценивает компании. В одном продукте модель при каждом запуске заново придумывает порядок анализа, читает все документы и рассчитывает показатели. В другом продукте порядок действий уже задан: обычный код получает данные и считает коэффициенты, модель разбирает только неоднозначные сведения, а проверки выявляют пропуски. Клиент получает нужный анализ, но объём оплачиваемой работы модели может существенно различаться.

Третий инсайт: архитектура современного ИИ-продукта — это ансамбль.

Дорогие ресурсы — только туда, где они меняют результат

Самая дорогая ошибка в ИИ-системах — не та, когда модель ошиблась.

А та, когда вы отправили простую задачу дорогой модели. Или сложную — дешёвой. Представьте обработку договоров.

1 / 4

Определить тип документа может быстрая и дешёвая модель.

Извлечь стандартные условия — модель поменьше, специально дообученная под ваши шаблоны.

Разобрать необычное противоречие или двусмысленность — уже более сильная.

А решение о том, принимать ли юридический риск, остаётся за человеком.

Это и есть нормальный рабочий поток. Не «одна умная модель на всё», а точное распределение задач. Дорогие ресурсы включаются только там, где они критически влияют на качество результата. Всё остальное делается быстрее и дешевле. Если система отправляет простую работу дорогой модели — вы просто переплачиваете.

Если отправляет сложную работу недостаточно надёжной — экономия растворяется в переделках, исправлениях и последствиях ошибки. Экономически лучший вариант всегда один: тот, который делает конкретную работу с нужной надёжностью и приемлемой полной стоимостью. Преимущество создаётся не количеством агентов, а точностью, с которой вы распределяете между ними работу.

Но есть вопрос важнее маршрутизации

Даже идеально настроенный поток бесполезен, если вы не понимаете, что для вас значит «хорошо».

1 / 9

Возьмём расшифровку разговоров врача и пациента. Обычная функция «из голоса в текст» оптимизирует одно: минимум ошибок в словах. Для медицинского продукта этого недостаточно. Опечатка в предлоге — мелочь. А ошибка в дозировке или запись «нет аллергии» вместо «есть аллергия» — это уже потенциальный судебный иск. Поэтому компания начинает собирать не просто данные, а функцию полезности. Она отвечает на простой вопрос: что именно для нас считается хорошим результатом в этом сценарии? Для одной компании это может быть: сократить время заполнения карт на 70% и при этом не допускать критических медицинских ошибок.

Для другой (например, страховой) — максимально точно извлечь диагнозы, процедуры и коды для расчёта возмещения. Исходный разговор врача один и тот же. Базовая модель может быть одной и той же. Данные похожие. Но понятие «хороший результат» — совершенно разное.

Evals — это уже стратегический актив

Чтобы функция полезности работала, её нужно превратить в конкретные проверки. Не абстрактное «работай хорошо», а набор понятных критериев, по которым можно отличить правильное поведение модели от неправильного. Это и есть evals — система оценки.

Две компании на одном рынке могут использовать одну базовую модель и иметь похожие данные, но совершенно по-разному определять, что такое хорошее решение. У одного банка один риск-аппетит и стандарты, у другого — другой. Специфические evals становятся формализованным знанием организации о том, как именно здесь должна выполняться работа.

Именно здесь формируется настоящее конкурентное преимущество. Если ваш продукт несколько лет собирал сигналы о том, какие ошибки важны, а какие нет, что пользователи считают хорошим результатом, и систематически превращал эту обратную связь в улучшение — возникает разрыв, который трудно догнать.

Похожая история была с поиском. В начале почти каждый мог сделать свой поисковик. Но Google получил преимущество не из-за одной секретной строки кода, а потому что использование системы постоянно генерировало сигналы: что ищут, на что нажимают, какой результат оказывается релевантным. Такие циклы очень сложно воспроизвести. Конкурент должен не просто скопировать продукт — он должен воспроизвести историю взаимодействия продукта с рынком.

То же самое происходит сейчас с ИИ-продуктами. Побеждает не тот, у кого «самая умная модель». Побеждает тот, кто точнее понимает, что для его задачи значит «хорошо», и умеет системно это измерять и улучшать.

История 7Главный страх ИИ-стартапов: поглощение платформой

Пока вы маленький, вы с энтузиазмом строите красивый сервис поверх чужого API. Тратите деньги инвесторов, ищете аудиторию, нащупываете успешный сценарий — например, автопроверку юридических договоров. Иными словами, доказываете всем, что рынок существует.

А дальше возникает классический риск, который называется platform envelopment. Сначала платформа (например, OpenAI) помогает вам построить бизнес, а потом обнаруживает, что то, что вы делаете поверх неё, достаточно ценно, чтобы включить это в собственный продукт. Базовая модель от OpenAI или Google становится чуть сильнее, и платформа прямо внутри своей системы добавляет одну маленькую кнопку «Проанализировать договор на риски». И всё. Ваш бизнес, состоявший из красивой обёртки на чужом API, растворяется в воздухе.

Это ровно та же история, как когда-то Apple или Microsoft встроенной функцией операционной системы убили десятки сторонних утилит. Этот риск особенно интересен, потому что фундаментальная технология сама расширяет свои возможности. Сегодня фронтирные модели умеют писать текст, завтра уже неплохо анализируют документы, потом умеют пользоваться браузером, работать с файлами и самостоятельно выполнять многошаговый процесс. Каждый следующий скачок возможностей потенциально съедает часть слоя приложений, построенных поверх этих моделей.

Рынок ИИ — это движущаяся граница. И она быстро сжимает тех, кто просто красиво обернул чужую модель

Если вся ваша ценность заключалась в том, что вы взяли базовую модель, добавили красивый интерфейс и продали доступ — пространство между платформой и пользователем становится всё тоньше. Платформы сами движутся в сторону пользователя. То, что вчера было продуктом, сегодня становится фичей. Чтобы остаться на рынке, у вас должно быть то, чего универсальная платформа не будет никогда. Не «чуть лучше промпт» и не «ещё один агент». А то, что невозможно быстро скопировать. Что реально защищает бизнес:

1 / 6

Закрытые данные, до которых публичные сети не дотянутся.

Специфический процесс, который уже вшит в ежедневную рутину клиента и без которого ему неудобно жить.

Глубокая интеграция в корпоративный софт, внутренние базы и рабочие системы.

Дистрибуция — прямые каналы, в которых вы уже сидите и куда конкуренту дорого заходить.

Накопленный опыт сотен тысяч реальных операций и сценариев, который уже превратился в понимание, что работает, а что нет.

Своя специализированная модель, заточенная не «вообще», а под узкую задачу с понятной экономикой.

Всё остальное — временное. Картина конкуренции из-за этого меняется принципиально. Давайте оставим в стороне споры в стиле «у кого модель умнее» или «у кого бенчмарк выше». Это уже не там. Настоящее преимущество больше не лежит в одной точке. Оно распределено по всей системе: от закрытых данных и жёстких проверок качества до того, как вы маршрутизируете задачи между моделями, как связываете инструменты и как системно превращаете обратную связь в улучшение. Побеждает не тот, у кого «самая умная модель». Побеждает тот, у кого вся система лучше понимает работу клиента и дешевле её выполняет.

История 8Чем дешевле становится интеллект, тем сильнее он жрёт энергию

До сих пор мы смотрели на экономику отдельной компании. Теперь сложим вместе тысячи таких компаний и посмотрим, что происходит с физической реальностью. Сначала был чат-бот: один вопрос — один ответ.

1 / 3

Потом появились агенты: одно поручение порождает десятки внутренних запросов, поисков и проверок.

Сейчас наступает время мультиагентных систем. Один клик пользователя запускает целую оркестровку: один агент исследует компании, второй проверяет факты, третий сводит выводы. Снаружи это выглядит как одно действие. Внутри возникают десятки параллельных процессов.

Поэтому идея, что «inference — временная проблема, которая сама рассосётся, когда модели подешевеют», скорее всего, ошибочна. Спрос на inference будет расти огромными темпами именно потому, что приложения становятся всё более агентными одновременно с ростом самих моделей и их использования. Goldman Sachs прогнозирует рост потребления до 120 квадриллионов токенов в месяц к 2030 году — в 24 раза больше текущего уровня.

Здесь срабатывает классический парадокс Джевонса: "Чем дешевле и доступнее становится ресурс, тем больше его начинают потреблять". Когда автомобильные двигатели стали экономичнее, мы не стали сжигать меньше бензина — мы просто начали ездить в сотни раз больше. Когда единичный inference дешевеет, компании не экономят. Они начинают накручивать вокруг себя больше моделей, автотестов, маршрутизации между агентами и дополнительных проверок.

Каждой отдельной компании по-прежнему выгодно покупать доступ через API и снижать стоимость своей задачи. Но на уровне всей отрасли эти улучшения расширяют круг выгодных применений настолько сильно, что совокупная потребность в мощностях только растёт.

Отсюда прямой риск. Если inference становится недоступным, медленным или слишком дорогим в момент пиковой нагрузки — ключевая функция большого количества продуктов просто останавливается. Голосовой диалог превращается в разговор с паузами. Агент, который должен был решить задачу за секунды, начинает её решать за минуты. Пользователи ждут в очереди или получают отказ.

Получается, что качество ИИ-продукта зависит уже не только от того, насколько умна модель. Важно, может ли она выполнить нужную работу вовремя, под нагрузкой и по приемлемой цене.

Поэтому споры постепенно смещаются. Всё меньше говорят о том, какая модель «умнее». Всё больше — о том, хватит ли дата-центров, энергии и стандартизированной инфраструктуры, когда тысячи приложений одновременно начнут порождать десятки агентов и круглосуточный inference.

История 9Почему ИИ-гиганты вдруг начали скупать электростанции

1 / 7

Во всей истории ИИ мы натыкаемся на один из самых старых экономических сюжетов человечества. Компании начинают делать что-то сами ровно в тот момент, когда внешний рынок перестаёт справляться. Генри Форд выстраивал собственную цепочку от сырья до заводов. Amazon построил логистику с самолётами и фурами. Tesla ушла в производство аккумуляторов. Netflix, начав с чужого кино, стал снимать своё. Причина одна. Внешний рынок хорош, пока он даёт нужный ресурс в нужном качестве, по нормальной цене и без сбоев. Как только он становится главным узким горлышком роста — стимул к вертикальной интеграции появляется мгновенно.

Когда дефицит перестаёт быть вопросом цены

При огромном спросе наступает момент, когда нужных вычислительных мощностей на рынке просто не оказывается. И тогда проблема перестаёт быть вопросом «сколько это стоит». Она становится вопросом доступа. Если у вас есть гигантский спрос от клиентов, а мощностей нет — вы физически не можете превратить этот спрос в выручку. Дефицит на входе полностью блокирует бизнес на выходе.

Компания всегда интегрируется туда, где находится её критическое ограничение. Когда Amazon понял, что логистика портит пользовательский опыт — он начал строить логистику. Когда ИИ-продукт понимает, что вычислительные мощности стали ограничением — он начинает думать о собственных мощностях. Граница фирмы постоянно движется вслед за узким горлышком.

Цифровая революция упёрлась в трансформаторы и киловатты

В начале бума казалось, что главное преимущество — это софт, алгоритмы и умная маршрутизация запросов. Но когда мощности становятся жёстким дефицитом, владение физическими ресурсами само по себе превращается в главный защитный барьер. И вот на финише цифровой революции выясняется, что её главное ограничение — абсолютно земные вещи: электричество, земля, трансформаторы, дата-центры, охлаждение, чипы и капитал.

Смотрите, что происходит прямо сейчас. Google покупает инфраструктурного гиганта, чтобы строить дата-центры вместе с энергетическими мощностями. Microsoft подписывает двадцатилетний контракт на энергию и ради этого возвращает к жизни остановленный атомный блок. Amazon инвестирует в разработчиков малых модульных ядерных реакторов. OpenAI вместе с партнёрами закладывает Stargate и ищет землю, гигаватты, строителей и оборудование.

Последние 20 лет IT-индустрия приучила нас к модели «asset-light»: красивый бизнес без тяжёлых активов. Facebook не владел контентом, Uber — машинами, Airbnb — отелями. Софт масштабировался почти бесплатно. И вдруг ИИ — вершина программной мысли — возвращает нас в суровый материальный мир.

1 / 2

Чтобы на экране на секунду появился умный ответ, где-то в реальности должен стоять чип, сделанный на заводе за 20 миллиардов долларов. Этот чип стоит в сервере, сервер — в дата-центре, которому подведена мощность отдельной электростанции.

Цифровой интеллект оказался самым материальным бизнесом из всех, что мы видели за последние двадцать лет.

Получается, что чем абстрактнее продукт для пользователя, тем более гигантская физическая промышленность стоит за этим продуктом. Строительство такой физической инфраструктуры занимает годы, а спрос на неё рвётся вверх экспоненциально. Физическое предложение двигается с огромной задержкой. И когда бешеный спрос врезается в медленное предложение, возникает колоссальный дефицит. Скорость цифровой революции начинает зависеть от сроков строительства физического мира.

Поэтому вполне может оказаться, что ИИ, начавшись как революция программного обеспечения, будет заканчиваться как новая промышленная революция.

Электричество становится сырьём для интеллекта

Разговоры про ИИ всё чаще превращаются в разговоры про энергию. Электричество постепенно становится одной из функций производства интеллекта.

Страна или регион, где есть дешёвая энергия, инфраструктура, возможность быстро строить и капитал для инвестиций, получает преимущество не только в производстве киловатт. Она получает преимущество в производстве той ёмкости, без которой новая цифровая экономика не работает.

Исторически предложение труда менялось очень медленно. Чтобы в экономике появился ещё один подготовленный работник, нужны были годы образования и взросления. ИИ впервые позволяет частично наращивать производственную ёмкость через инвестиции в капитал и электричество. Вы строите дата-центр, ставите вычислительные мощности, запускаете агентов — и получаете дополнительный объём цифровой работы.

В этом смысле дата-центры можно рассматривать не только как фабрику токенов, но и как фабрику цифровых сотрудников.

Прибыль всегда бежит туда, где узкое место

Узкое место в экономике постоянно путешествует по цепочке создания ценности, и вслед за ним непрерывно путешествует прибыль. Это один из самых полезных инсайтов про экономику вообще. Прибыль концентрируется не там, где создаётся самая красивая или хайповая технология. Она концентрируется там, где находится дефицитное дополнение.

Именно поэтому ИИ прямо сейчас разогревает совершенно неожиданные, глубоко консервативные рынки: энергетику, производство трансформаторов, системы промышленного охлаждения, строительный сектор и специальное проектное финансирование. Цифровой интеллект запускает гигантский физический инвестиционный суперцикл.

Сейчас мы видим рынок с широкой серединой. Множество задач требует достаточно хорошего интеллекта по доступной цене, а максимальные возможности нужны меньшей части компаний. Передовые модели расширяют круг задач, которые вообще можно автоматизировать. Одновременно удешевление «достаточно хорошего» качества позволяет массово внедрять уже доступные возможности. Технический прогресс превращается в экономику будущего бизнеса.

Два будущих. И в обоих кто-то останется без маржи

Через пять–десять лет индустрия ИИ, скорее всего, сложится по одному из двух путей. Пока непонятно, какой из них победит. Но уже сейчас видно, кто и за что будет драться.

1 / 7

Первый путь — централизованный. Несколько фронтирных лабораторий строят настолько сильные универсальные модели, что большинству компаний перестаёт иметь смысл содержать свой слой интеллекта. В этом мире ИИ становится похож на электричество или облака: вы покупаете его «из розетки» по подписке. Просто, дёшево, достаточно. Своя экспертиза почти не нужна.

Второй путь — фрагментированный. Базовые модели остаются. Но вокруг них вырастает плотная экосистема специализированных систем: медицинские, юридические, финансовые, производственные, робототехнические. Экономика начинает напоминать автопром. Есть несколько крупных платформ, и вокруг них — тысячи компаний, которые делают узлы, агрегаты и решения под конкретные задачи. Универсальная модель умеет многое, но без специализированного слоя результат остаётся сырым и непригодным для реальной работы.

Сейчас трудно сказать, какой сценарий возьмёт верх. Зато хорошо видна структура стимулов. Лаборатории, которые создают фронтирные модели, заинтересованы в том, чтобы их модель умела делать всё и забирала себе максимум маржи. Компании, которые строят продукты под конкретные сценарии, заинтересованы в обратном: доказать, что без их процесса, их данных и их критериев качества универсальная модель выдаёт результат, которым нельзя пользоваться.

Чем больше возможностей остаётся внутри базовой модели, тем больше прибыли забирает платформа. Чем больше ценности создаётся за счёт специфического понимания задачи, маршрутизации, проверок и встроенного процесса — тем больше остаётся у тех, кто делает продукты и приложения.

Отвлеку вас на несколько примеров для компаний, которые зарабатывают именно на своих ИИ продуктах, и для компании, которая имеет реальный бизнес на земле - много лет шьет спецодежду для работников тяжелой промышленности.

Что здесь имеется в виду под «маржой»

1 / 6

Маржа в этом контексте — это та часть денег, которая остаётся у компании после того, как она заплатила за базовый интеллект (доступ к модели), и которую конкуренту сложно быстро отобрать. Проще: клиент платит вам 100 условных единиц.

Вы платите платформе 20 за токены и вычисления.

Остаётся 80. Вопрос в том, из-за чего клиент готов платить именно вам эти 100, а не платформе напрямую или другому игроку. Если ответ «потому что у вас есть то, чего нет у универсальной модели», — маржа остаётся у вас. Если ответ «потому что вы просто удобно обернули то, что платформа и так умеет», — маржа со временем уйдёт платформе.

Пример 1. Разбор договоров

Компания продаёт автоматический анализ договоров.

Если система в основном просто хорошо читает текст и выделяет стандартные пункты — это то, что со временем научится делать сама базовая модель. Клиенту станет проще и дешевле купить это напрямую у платформы. Ваша маржа сжимается.

Если же система знает внутренние правила именно этой компании, помнит, какие формулировки раньше приводили к спорам, умеет проверять соответствие их конкретной политике закупок и отдаёт юристу только то, что реально требует внимания — это уже слой, который платформа сама не воспроизведёт. Клиент платит за этот слой. Маржа остаётся у вас.

Пример 2. Обработка страховых случаев

Универсальная модель может извлечь из разговора врача диагноз и процедуры. Это со временем станет дешёвым и доступным.

Но если ваша система понимает, какие формулировки критичны именно для расчёта возмещения в вашей страховой, какие ошибки стоят дорого, как правильно маршрутизировать сложные случаи и как снижать количество ручных исправлений у специалистов — клиент (или внутренний заказчик) платит за эту точность и встроенный процесс. Эта часть стоимости остаётся вашей маржой.

Коротко: маржа остаётся там, где находится причина, по которой клиент продолжает платить именно вам, а не платформе или конкуренту, который просто подключил ту же модель.

В примере с «расходами на токены» я говорила про компании, у которых сам продукт — это ИИ-сервис. У фабрики спецодежды экономика другая. Здесь ИИ — не то, что вы продаёте клиенту. Это инструмент внутри вашей себестоимости. Расход на токены действительно может быть меньше 1–2 % от общих затрат. Но от этого вопрос «где остаётся маржа» не исчезает. Он просто смещается.

Что здесь значит «маржа»

Маржа фабрики — это разница между ценой, по которой вы продаёте спецодежду, и полной себестоимостью её производства и обслуживания заказов. ИИ может влиять на эту маржу двумя способами:

Снижать ваши внутренние затраты (быстрее обрабатывать заказы, меньше ошибок в спецификациях, меньше ручной работы).

Позволять вам брать больше заказов или брать более сложные заказы без пропорционального роста штата.

Вопрос в том, останется ли эта экономия устойчивым преимуществом именно вашей фабрики или её легко воспроизведут конкуренты.

Как это выглядит на практике

Допустим, вы переводите на агентов рутинные процессы: разбор входящих заявок от клиентов, проверку спецификаций, подготовку коммерческих предложений, контроль сроков, ответы на типовые вопросы по размерам и материалам.

1 / 6

Если вы просто подключаете готового универсального агента «из коробки», вы получаете некоторую экономию уже сейчас. Но через год-два такой же агент сможет поставить и конкурент. Экономия станет общей для отрасли. Ваша маржа от этого не вырастет относительно других — просто все станут чуть эффективнее, а давление на цену усилится.

Если же вы встраиваете агентов в свой конкретный процесс (ваши шаблоны заказов, ваши поставщики тканей, ваши правила комплектации, историю ошибок по конкретным клиентам, особенности сертификации спецодежды), и система со временем учится на ваших реальных заказах — тогда экономия становится частью вашей операционной модели. Конкуренту, чтобы получить такой же эффект, нужно будет не просто купить доступ к модели, а воспроизвести ваш процесс и накопленные данные. В этом случае снижение себестоимости или рост пропускной способности остаётся у вас дольше и сильнее влияет на маржу.

Если сказать коротко, то даже когда расходы на сам ИИ копеечные, стратегический вопрос тот же. Вы просто ускоряете текущие процессы тем, что скоро будет доступно всем, или вы встраиваете интеллект в то, что специфично именно для вашей фабрики и трудно скопировать. В первом случае маржа со временем размывается. Во втором — она остаётся у вас.

1 / 5

Он просто переносит его дальше по цепочке. Сначала фронтирные модели делают эксперименты дешёвыми. Появляются тысячи приложений и агентов. Успешные начинают жрать токены. Возникает проблема маржи. Компании ищут более дешёвые специализированные модели. Специализация требует своих данных и постобучения. Данные становятся преимуществом. Компания углубляется в свою нишу. И чем глубже она специализируется, тем больше ей нужно inference.

Потом выясняется, что узкое место — уже не модель. Узкое место — мощности.

А мощности требуют инфраструктуры.

И в конце цепочки внезапно оказывается электростанция. Так всегда и бывает. Самые большие возможности в технологических революциях появляются не в самой технологии, а на пару шагов от неё. Интернет сделал богатыми не только создателей сайтов, но и дата-центры с цифровой рекламой. Автомобиль обогатил не только заводы, но и заправки, пригороды, мотели и строителей дорог. Если программирование станет в десять раз быстрее — возникнет дефицит сильных продуктовых решений.

Если исследования ускорятся в десять раз — узким местом станут лаборатории и полигоны.

Если агенты начнут выполнять миллиарды задач — сначала не хватит inference, потом чипов, потом мегаватт. Сейчас тысячи стартапов одновременно проверяют на прочность сотни ниш. Большинство с треском провалится. Как те .com-компании, названия которых уже никто не вспомнит. Но именно из этого шума станет ясно, какие сценарии были очевидны, какие оказались слишком ранними, а какие идеи умерли как отдельные компании — и через десять лет воскресли внутри чужого продукта. Когда спадёт пена дешёвых денег и утихнет страх опоздать, на рынке останется только то, что умеет создавать подтверждённую экономическую ценность. Всё остальное — просто шум.

Об авторе

Я мама трёх дочерей. И бывший главный редактор аналитических изданий.

Один журнал я придумала и собрала с нуля, для руководителей энергетики. Три с половиной года он был у них самым популярным аналитическим изданием. Потом были «Охрана труда» и «Журнал главного врача».

В редакции я отвечала не только за тексты. Я выстроила там связи с общественностью: круглые столы, конференции, экспертные клубы. Сажала за один стол бизнес, экспертов и чиновников.

Теперь с тем же упорством разбираюсь в ИИ. Делаю агентов, которые работают в проде.

Не «умные чаты», а конкретные роли: администратор, снабженец, аналитик. Каждый знает свои правила и не выходит за них.

Живу в Квебеке. Создаю инструменты на основе ИИ: они берут на себя рутину, а решения оставляют вам.

Если после статьи захотелось посмотреть, где в вашем процессе агент реально снимет нагрузку — напишите. Разберём спокойно и по делу.