Что не так с экономикой ИИ?
На основе последних ответов бигтехов, на основе анализа интервью и подкастов ведущих спикеров среди топ менеджеров и инженеров ИИ компаний, анализа отраслевых изданий можно сделать некоторые выводы.
Прямых заявлений нет, есть обрывки и вот из разрозненной информации собираю относительно целостную картину экономики ИИ через собственные аналитические инструменты и расчеты.
▪️Операционные расходы на обслуживание, интеграцию и амортизацию ИИ фабрики/ ЦОД с учетом инфраструктуры составляют около $10 млрд в год в расчете на 1 ГВт мощности (в доверительном диапазон от 8 до 12 млрд в зависимости от места возведения ЦОД, скорости амортизации, типа чипов и сотен других нюансов).
▪️Вместе с этим у ИИ компаний есть расходы на исследования и разработки непосредственно ИИ моделей, расходы на обучение LLMs (сейчас это часто покупка лицензий и данных для обучения на основе качественных источников с учетом расходов на разметку), маркетинговые, административные, коммерческие расходы и прочие расходы, необходимые для функционирования бизнеса.
Если расходы на возведение и обслуживание ЦОД растут линейно на траектории наращивания мощностей, доля расходов на R&D и обслуживание ИИ бизнеса снижается по мере масштабирования ИИ бизнеса.
Что не так с экономикой ИИ?
🔘Предел генерации доходов для ведущих и самых успешных ИИ компаний, вероятно, лежит в диапазоне $7-11 млрд на 1 ГВт мощностей.
Этот показатель я получил после фиксации текущих мощностей у OpenAI на уровне 2 ГВт при текущей выручке в $13 млрд за 12м, около $15 млрд за весь 2025 и примерно $18-20 млрд в ноябре-декабре в годовом выражении, что составляет по верхней границе как раз $10 млрд на 1 ГВт.
Примерно также было в 2023. Тогда мощностей было 0.2 ГВт, а выручка была $1.5 млрд и до $2 млрд в конце года по методу AR.
Выручка OpenAI растет линейно в соответствии с наращиванием вычислительных мощностей. Да, корректно рассматривать в флопсах, а в ваттах – это идиотизм, но учитывая короткий инвестцикл и отсутствие масштабной ротации поколений ИИ чипов, расчеты плюс-минус справедливы.
Пример OpenAI – это скорее пример с наивысшей конверсией, учитывая клиентский охват и меру интеграции во все средства разработки и во все ИИ сервисы. Это означает, что у других ИИ компаний меньше отдачи на вычислительные мощности – ближе к 3-6 млрд на 1 ГВт (у ОpenAI сейчас по факту около 7 млрд).
Что такое $10 млрд на ГВт по выручке по верхней границе? Это как раз стоимость обслуживания и развёртывания ЦОД, т.е. R&D, маркетинг, административные и коммерческие расходы сразу идут в минус.
Высокие убытки OpenAI (свыше 30 млрд в 2025) связаны с тем, что выручка догоняет инвестиции в ИИ с лагом примерно 12м и значительная часть инвестиций сделана с опережением, т.е. инвестиций еще не были переданы в обслуживание (закладка мощностей ИИ без ввода в эксплуатацию).
На траектории экспансии нормально быть убыточным, особенно в инновационных отраслях, и тем более, если это крайне капиталоемкая отрасль.
Но не нормально работать в условиях запредельно высоких инвестиционных расходов с критически быстрой амортизацией в условиях, когда конверсия выручки не может быть постоянной величиной.
Вот, как например, в весной 2025 OpenAI обделались с GPT Orion 4.5 и еще хорошо, что в резерве был GPT-5 спустя несколько месяцев и когда конкуренты «застыли», а если нет?
🔘В условиях выравнивания конкуренции очень сложно добиться лояльности клиентов (в этой сфере интенсивная миграция клиентов от одной LLMs к другой) при быстром развитии Китая.
🔘Эта схема предполагает 100% загрузку мощностей и высокую конверсию, но не учитывает сезонность, миграцию клиентов, регулирование ИИ и фактор «пресыщения» особенно в розничном сегменте.
🔘Эта схема не учитывает неоднозначную траекторию насаждения ИИ в корпоративном сегменте.
🔘Все их выкладки вообще не учитывают фактор Китая, считая свое доминирование исключительным и непоколебимым, но это не так. Китай уже активно наступает и разрыв будет сокращаться.
Я вообще не вижу сценария выхода в прибыль гиперскейлеров.
Проблема в фундаментальном дисбалансе между линейным ростом капитальных расходов и нелинейной траекторией монетизации в условиях быстрой амортизации активов.
▪️Сильно переоценивается монетизируемая часть корпоративного спроса, как основной долгосрочный источник стабильного денежного потока с высокой конверсией на один токен.
Помимо того, что LLMs по качеству очень далеки от корпоративной интеграции, ни одна крупная организация не будет лить трафик через открытый API. Все использование LLMs будет исключительно через локальное развертывание на основе открытых моделей. Ни одного доллара во внешний контур.
Для компаний с выручкой $30-40 млрд в год и количеством сотрудников 5-10 тыс человек с избытком хватит одного вычислительного кластера (не нужно выстраивать «плантации» вычислительных кластеров в ЦОД) для обслуживания комплекса внутренних LLMs.
Это означает, что сделать сепарацию дешевых токенов (массовые запросы на общие темы) и дорогих токенов (для научно-исследовательских работ и сложных финансовых, юридических задач), как планирует реализовать OpenAI, станет сложным.
ИИ-провайдеры не смогут упаковывать премиальный спрос в отдельные продукты (специализированные ИИ агенты), т.к. этот спрос будет оседать в открытых моделях и в локальных корпоративных сетях.
▪️Сильно переоценивается порог монетизации. Долгосрочная траектория – дефляционная, т.е. цена за токен будет снижаться или оставаться постойной при росте «упаковки» токенов, т.е. выдачи более сложных и качественных ответов за единый прайс.
Главная причина – высокая конкуренция среди ИИ-провайдеров при выравнивании конкуренции в презентации LLMs. В конце 2025 нет явного лидера (каждая LLMs имеет свои плюсы и минусы), а это значит, что захват доли рынка будет за тем, кто предоставит лучший баланс цены и качества, что предопределяет стратегию на захват рынка через демпинг.
Если один из ИИ провайдеров повысит цену без хотя бы сопоставимого роста качества, клиенты быстро мигрируют к конкурентам. Никто не будет церемониться. Здесь нет «религиозной» фанатской секты верной паствы экосистемы Apple, здесь работает чистый прагматизм и эффективность в каждый конкретный момент времени без рефлексии по прошлым заслугам.
▪️Сильно недооценивается фактор Китая. Среди конкурентноспособных LLMs: Alibaba Qwen3-max, DeepSeek V3.2, Baidu ernie-5.0, Z.ai glm-4.6, Moonshot kimi-k2, ByteDance Seed OSS, Tencent hunyuan-t1, MiniMax M1, StepFun step-3.
Как видно, 9 (девять!) конкурентноспособных китайских производителей.
Разрыв с каждым месяцем сокращается. Передовые китайские LLMs в некоторых задачах вполне соревнуются с американскими флагманами, но им не хватает целостной интегральной сборки, стабильности, гибкости и функционала, но все это наращивается.
Нет никаких причин считать, что Китай замедлит темп сжатия технологического гэпа, скорее наоборот – я ставлю на то, что в 2026 Китай будет вырываться в лидерах в отдельных задачах с закреплением в 2027-2028.
Китайские разработчики демонстрируют кратную эффективность в сравнении с американскими, скоро дифференциал качества схлопнется, а дисбаланс эффективности станет более явным.
▪️Экспоненциальный рост запросов не пропорционален росту денежного потока. Бизнес может нагружать ЦОДы ИИ-провайдеров сложными запросами или паразитным трафиком (генерация ресурсоемких видео), но это не гарантирует пропорциональный прирост выручки, особенно в запросах не через API, а внешнюю оболочку или ИИ агенты (условно, генерация токенов может вырасти в 10 раз, а выручка только в 3 или 5 раз).
▪️Все эти мега проекты на десятки ГВт энергии неосуществимы и невыполнимы ни ресурсно (физические ограничения доступа к сырью, материалам, цепочкам поставок и компетентным кадрам), ни финансово (убыточные ИИ провайдеры могут финансировать свои агрессивные проекции только в долг и за венчурный капитал).
▪️Более эффективные алгоритмы и архитектуры LLMs могут в разы или кратно повысить эффективность, сделав невостребованными все эти фантастические мощности на сотни миллиардов.