Почему многие ИИ проекты обречены?
 Tue, 16 Jun 2026 09:53:12 +0300
Почему многие ИИ проекты обречены?

Экономический механизм практически любой технологии имеет три ключевые итерации: создание стоимости (создание продукта, сервиса) → присвоение (распределение продукта через предельную способность к монетизации) → реинвестирование (поддержание и развитие продукта).

Сейчас ИИ-экономика сломана в среднем звене (присвоение/трансмиссия).

▪️Стоимость создания флагманского ИИ растёт быстрее и масштабнее, чем способность эту стоимость присваивать / монетизировать; и этот разрыв не количественная случайность текущего момента, а структурное свойство, вытекающее из природы технологии.

Из чего следует асимметрия выживания: контур, где ИИ «обволакивает» уже созданные и успешно монетизируемые продукты (Microsoft, Google), структурно жизнеспособен через прямую и преимущественно косвенную монетизацию, тогда как контур, где ИИ продаётся как самостоятельный продукт (OpenAI, Anthropic), структурно – нет.

Ключевое слово – «структурно». Речь не о том, что независимые лаборатории плохо управляются или временно убыточны. Речь о том, что сама геометрия их положения в цепочке создания стоимости не позволяет замкнуть контур присвоения – и никакой операционный гений этого не меняет, пока не меняется геометрияиз-за архитектурных ограничений ИИ технологий и специфики бизнеса.

Кривая стоимости создания и кривая монетизации растут с разной скоростью не случайно.

▪️Масштабирование использования не удешевляет единицу ИИ (в виде токенов или законченных продуктов, как удешевляло копию софта) из-за сопряжения в реальной экономике через стоимость создания и обслуживания ИИ-фабрик.

▪️ Фактор обесценивающегося актива. Обученная модель – не завод, работающий 30 лет, а скоропортящийся актив со сроком конкурентной годности несколько лет. Инвестиция в обучение должна окупиться до того, как следующее поколение (своё или чужое) обнулит её ценность. Это превращает создание стоимости в бесконечную гонку за выживание / поддержку конкурентоспособности, ведь если у конкурирующего производителя условия окажутся лучше (по качеству, скорости, функционалу и/или цене), миграция к конкуренту произойдет незамедлительно (такая специфика индустрии).

▪️ Фактор гонки. Стоимость доминирования в ИИ определяется не абсолютной сложностью задачи, а действиями конкурентов. Тратить нужно столько, сколько тратит лидер, плюс дельту на обгон. Гонка делает расходы функцией от чужих расходов – положительная обратная связь, толкающая кривую вверх независимо от отдачи. Пока есть хотя бы один игрок, готовый жечь капитал за лидерство (а в гонке национального масштаба с Китаем такой игрок гарантирован), планка расходов для всех держится высоко.

Что ограничивает монетизацию?

▪️ Конкуренция. Высокую чистую маржинальность можно поддерживать ровно до момента, пока аналогичную или схожую по характеристикам модель не сделал конкурент.  Как только несколько моделей становятся «достаточно хорошими» для задачи, они взаимозаменяемы, и цена падает к предельной стоимости вычислений плюс незначительная маржа сверху (в лучшем случае).

▪️Борьба за рынок. Чем агрессивнее борьба за рынок, тем больше стоимости утекает мимо выручки. ИИ-провайдеры вынуждены через маркетинг (бесплатный доступ к флагманским моделям) удерживать фокус внимания широкой аудитории, иначе потеря доли рынка, но с бесплатными моделями теряется потенциальная выручка, даже с минимальными лимитами доступа.

▪️Захват маржи через механизм создания добавленной стоимости. ИИ-провайдеры, как распределители сырого интеллекта (продажа токенов или чатботов) работают, как продавцы сырья, тогда как «обертка» через создание ИИ-продуктов потенциально может быть доходнее (как аналог: сырая нефть или высокотехнологичные товары из нефти, как гоночная резина или фарма).

▪️ Монетизацию определяет масштаб и доля рынка, т.е игроки с низкой долей рынка в долгосрочном плане почти всегда имеют вектор к банкротству.

Суть в том, что расходы на создание ИИ в текущей конфигурации рынка растут сильно быстрее способности монетизировать.


Моя гипотеза заключается в том, что в долгосрочном плане способность к выживанию определяется способностью распределять издержки через совокупность законченных ИИ продуктов, обеспечивающих создание добавленной стоимости (продажа законченных ИИ-сервисов или ИТ-продуктов с встроенным ИИ) поверх сырого интеллекта (продажа токенов).

·  ИИ как продукт (ядро): интеллект продаётся сам по себе – подписка на доступ к модели / чатботы, плата за токены API. Выручка возникает в точке, где пользователь платит за интеллект как таковой в сыром (API) или условно сыром виде. Это положение OpenAI и Anthropic и аналогичных компаний в их прямом бизнесе.
 
·  ИИ как обёртка (контур): интеллект встраивается в существующий продукт/ сервис, уже имеющий механизм монетизации, и повышает его ценность/удержание/внимание.

Выручка возникает в точке, где пользователь платит за продукт, а ИИ – невыделенный множитель этой готовности платить. Это положение Microsoft (Copilot поверх Office/Azure/Windows) и Google (Gemini поверх Search/Workspace/Cloud/Android).

Независимые ИИ-провайдеры либо умрут, либо будут поглощены ИТ-гигантами (Microsoft, Google, Amazon или даже Apple).

Проблема в расхождении кривой создания ИИ и кривой монетизации, причем с каждым месяцем чистый прирост эффективности снижается, а стоимость только растет (принцип убывающей отдачи в наиболее извращенной форме).

Косвенная монетизация ИИ стратегически более верный маневр, т.к. точка монетизации концентрируется на продукте-носителе, а ИИ часто неотделим от готового продукта, т.е. плата за ИИ становится по-умолчанию вшитой в законченный ИИ-сервис, имеющий изначально более высокий коэффициент создания добавленной стоимости, чем чистое сырье (продажа токенов).

С другой стороны, токены становятся новой «интеллектуальной единицей» в информационной экономике, как байт неразрывно связан с хранением и передачей информацией.

Токены более универсальный в отличие от законченных ИИ-сервисов и в теории легче масштабируются, выполняя крайне широкий перечень потребительских, коммерческих или научно-исследовательских задач.

Проблема в реализации токенов состоит в том, что идет непрерывная конкуренция с открытыми моделями (преимущественно китайскими), создавая условия, при которых бизнесу становится выгоднее создать ИТ подразделение внутри собственной бизнес-структуры по интеграции открытых ИИ-моделей, чем платить за токены ИИ-провайдерам, даже с учетом того, что открытые модели проигрывают проприетарным моделям по качеству и функционалу.

Другими словами, высокая конкуренция среди LLMs не позволит создать фокус концентрации денежных потоков, размазывая весьма тонким слоем ИИ-бюджеты бизнеса по широкой выборке ИИ-провайдеров.

С другой стороны,в долгосрочном плане чрезвычайно высокий порог входа отсеет случайных игроков среди ИИ-провайдеров, создавая концентрацию рынка в достаточно степени, чтобы был найден баланс между инвестициями в инфраструктуру/R&D и отдачей от инвестиций через прямую монетизацию, но для начала этот путь трансмиссии и трансформации рынка предстоит пережить (выживут единицы), а рынок будет монополизирован.

Требования по созданию ИИ-экосистемы. Высокая заменяемость ИИ-провайдеров (на протяжении трех лет лидер в бенчмарках всегда перехватывал внимание аудитории, а от прежнего флагмана отказывались за считанные дни до нового выхода модели) делает миграцию клиентов очень быстрой, т.е. высокая подвижность клиентской базы. Это приводит к необходимости создания ИИ-экосистемы, привязывающую клиентов через платформенные решения.

В рамках косвенной монетизации расходы финансируются денежным потоком уже монетизированного продукта: Microsoft и Google строят ИИ-инфраструктуру на прибыль от Office, Search, Cloud, рекламы и т.д.

В этой концепции: ИИ – статья расходов в рамках улучшения работающего бизнеса; для ядра ИИ (прямых ИИ-провайдеров) – расходы на ИИ почти всегда будут опережать способность к монетизации.

Это я деликатно подвожу, что перед очередным рекордным IPO от OpenAI и Anthropic может выйти долгосрочный Epic Fail.

Размышления о «сломанной ИИ экономике»

Неочевидную, но весьма любопытную гипотезу выскажу, которую домыслил на днях.

Почему Китай имеет открытые ИИ модели, имеющие способность к трансграничной интеграции? Ведь если бы цель была замкнуть LLMs внутри Китая, имел бы смысл локализовать обучающие данные на китайских датасетах и на китайских языках, т.е. китайские LLMs не могли бы эффективно и производительно работать вне Китая (английский, японский, корейский, европейские языки и т.д.).

Есть множество других приемов связывания LLMs в локальном контуре, когда внешняя интеграция потеряет практический смысл.

На самом деле видим, что трансграничная интеграция развита более, чем хорошо и даже наоборот, Китай скорее способствует экспансии на внешние рынки (положительный пример: Qwen и DeepSeek).

Асимметрия конкурентной борьбы, как базовая (рабочая) гипотеза. Китай понимает, что принципиально неконкурентоспособен в вычислительных кластерах, по крайней мере, на данном этапе из-за экспортных ограничений передовых американских чипов и значительного технологического гэпа китайских чипов, имеющих, как лимит производительности, так и ограничения по производственным мощностям.

По совокупной, интегральной вычислительной мощности Китай будет в разы отставать от США, хотя в долгосрочном плане разрыв будет сокращаться (Китай сделал стратегическую ставку на микроэлектронику еще в 2018 и планомерно движется к этому).

Китай это решает за счет алгоритмов (чистая заслуга Китая)и дистилляцией американских LLMs (китайская хитрость – косвенная кража интеллектуальной работы США).

Для Китая коммерческая окупаемость не является принципиальной. В значительной степени финансирование ИИ проектов в Китае идет за счет государства и квази-государственных компаний, тогда как в США за частный капитал.

Для Китая важна экспансия, распространение стандарта, зависимость третьих стран от китайских технологий (семейство Qwen наиболее дружелюбно на связывание корпоративной экосистемы на китайские стандарты).

Два игрока на одном рынке с разными знаменателями не могут прийти к одному ценовому равновесию – тот, у кого знаменатель не денежный, всегда может опуститься ниже по цене. Другими словами, для США окупаемость жизненно необходима, а для Китая – важна, но не определяет долгосрочный вектор.

Если стратегическая цель – не заработать на модели, а обнулить возможность заработка у противника (выложить сопоставимое бесплатно), то экономика меняет знак. Это не конкуренция на рынке, а подрыв самого рынка как поля, где можно присвоить ценность, т.е. монетизировать продукт.

Против игрока, чья функция полезности – «лишить оппонента маржи», бессмысленны все стратегии присвоения: он выигрывает, делая выигрыш невозможным для всех.

Часть сломанности западной ИИ-экономики – прямое следствие присутствия игрока, играющего в анти-присвоение как в стратегию.

Каждый бесплатный релиз сопоставимого качества намеренно сдвигает порог «достаточно хорошо» вниз, обесценивая премию закрытых флагманов раньше их окупаемости. То, что для рынка эволюция, для геополитического игрока – инструмент.

Смотрите, как это работает на практике? Я не использую китайские модели, только американские, но до момента, пока американские ИИ-провайдеры позволяют.

Я делал расчеты, расходы на API в ChatGPT могут доходить выше 1 тыс долларов в месяц под мои проекты, тогда как подписка стоит 20 баксов, закрывая свыше 80% потребности в API (под задачи), т.е OpenAI занимается благотворительностью с очень мягкими лимитами (Anthropic в последние месяца ввели жесткие лимиты на платных тарифах, давая по сути 2-3 запроса в 6 часов на платном тарифе, и Google тоже, но под 20 запросов в сутки, а Grok пока только для троллинга годится).

Рано или поздно американские ИИ-провайдеры перейдут на жесткие лимиты (иначе экономика не сходится), разрушая пользовательскую базу (не все имеют ресурсы и инструменты работать через API), вот тут и появится Китай с мощными LLMs и развитой инфраструктурой.

Китай вводит нож в спину американским ИИ-провайдерам, прокручивая его там, ломая ИИ-экономику.

---

Источник: https://t.me/spydell_finance/9786