Опросы рисуют картину триумфа: генеративный ИИ внедрён чуть ли не в каждой крупной компании — хотя бы в одной бизнес-функции. Открываем квартальные отчёты и видим пустоту. Прибыль оседает у горстки гигантов — производителя ускорителей, облачных гиперскейлеров и вендоров моделей, — а у заказчиков эффект либо нулевой, либо такой, что инвестору придётся щуриться. Часть экономистов уже примеряет к происходящему параллели с телеком-затратами конца 1990-х, и есть аналитики, которые не ждут долгой жизни части пилотных проектов. Попробуем разобраться, куда на самом деле утекает отдача от ИИ — и когда она обещает вернуться.
На бумаге — сплошной успех: если верить опросам, большинство крупных компаний уже применяют генеративный ИИ хотя бы в одной функции. На практике всё скромнее. Значительная часть корпоративных пилотов, по имеющимся данным, так и не дала измеримого эффекта в прибылях и убытках, а часть проектов, ожидают аналитики, закроют после проверки концепции. Причины банальны: данные так себе, инференс дорог, KPI размыты до полной бессмысленности. Технология-то работает. Эксперименты с поддержкой клиентов, по имеющимся данным, показывали заметный прирост продуктивности операторов, разработчики с ассистентами закрывают задачи быстрее. Проблема в другом: выигрыш тонет в статьях расходов — зарплатах, лицензиях, обучении. Компания сэкономила на паре сотрудников, но заплатила за тысячи подписок и зачистку данных. Для отчётности такой обмен выглядит ровно как ноль.
Если у заказчика отдачи нет, логично спросить: куда деваются его расходы? Ответ прозаичен — на верхний этаж цепочки. Гиперскейлеры — Microsoft, Alphabet, Amazon, Meta — направляют на ИИ-инфраструктуру рекордные для отрасли суммы, и значительная часть этого потока, по имеющимся данным, оседает у Nvidia. Забавно, но вендоры моделей тоже не купаются в деньгах: стоимость инференса на отдельных тарифах до сих пор не покрывается выручкой от подписок. Вокруг всего этого выросла цикличная финансовая архитектура: поставщик чипов инвестирует в разработчика моделей, тот закупает чипы, облако берёт обязательства перед обоими. Карусель. Для корпоративного заказчика вывод неутешителен: его «эффект от ИИ» пока в основном конвертируется в чужую выручку, а не в собственную прибыль.
Экономист Эрик Бриньольфссон с коллегами давно описали этот феномен — J-кривую продуктивности. Общая технология сначала требует «невидимых» вложений: в данные, процессы, переобучение людей. И лишь потом начинает отдавать. Первым делом метрики проваливаются — деньги уже потрачены, эффект ещё не собран. Рост приходит только к тем, кто доводит перестройку процессов до конца. История подтверждала это не раз. Электрификация шла по тому же сценарию: экономист Пол Дэвид показал, что электромоторы стояли на фабриках десятилетиями до скачка производительности — понадобился полный редизайн цехов и управления. Роберт Солоу в 1987-м язвил, что компьютерный век «виден везде, кроме статистики производительности», — и в 1990-е статистика всё-таки выросла. Генеративный ИИ, похоже, живёт в той же логике: отдача не исчезла, она копится в нематериальных активах, которые отчётность пока не научилась показывать.
Экономисты, сравнивающие нынешний цикл с телеком-бумом, обращают внимание на неудобную деталь: концентрация капзатрат у горстки компаний сегодня, по имеющимся данным, выше, чем у телекомов накануне краха 2000 года. Рифма узнаваема и по структуре. Тогда тоже зарабатывали продавцы лопат — Cisco, Sun Microsystems, — а построенная на их оборудовании сеть потом десятилетиями отдавала дивиденды. Избыточная оптика 1990-х разорила операторов, но её дешёвая ёмкость стала фундаментом облаков и стриминга. Правда, есть отличие. Телекомы строились в значительной мере на долговые деньги, тогда как нынешние гиперскейлеры, по имеющимся данным, в основном платят из операционного потока и сохраняют прибыльность. Это не страховка от повторения 2000-го, но и не приговор: если ожидания не соберутся, коррекция заденет весь технологический сегмент — а корпоративные заказчики останутся с уже оплаченными контрактами на руках.
В России тот же разрыв заметен, только с обратным знаком: капитала на фронтирные модели мало, поэтому вся ставка — на измеримую отдачу. Сбер развивает GigaChat и открывает веса части версий, Kandinsky закрывает генерацию изображений. У Яндекса свой YandexGPT встроен в Алису, поиск и корпоративные сервисы. VK развивает голосового ассистента и рекомендательные системы; Т-Банк и МТС применяют ИИ в антифроде, скоринге и поддержке клиентов. Государство подталкивает внедрение стратегией развития ИИ до 2030 года, отраслевым альянсом и национальным центром развития ИИ. Ограничения известны: доступ к топовым ускорителям ограничен, компетенции дефицитны. Отсюда и курс — на открытые веса, локальные контуры, отраслевые модели под конкретные задачи. Оборотная сторона очевидна: зависимость от импортного железа и открытых моделей, свой фронтир в таких условиях растёт трудно. Зато пузыря нет. Без избыточного капитала проекты по умолчанию обязаны показывать экономию, а не обещать революцию — редкая роскошь в нынешние времена.
Разрыв между внедрением и прибылью — не аномалия, а нормальная фаза любой общей технологии: сначала платят все, зарабатывают единицы, потом отдача через J-кривую расходится по экономике. Смотреть стоит на две вещи. Первая — юнит-экономика вендоров моделей: сойдётся ли у них экономика инференса. Вторая — конвертируют ли компании скрытую продуктивность в реальные деньги, перестроив процессы, а не просто купив лицензии. Опыт доткомов подсказывает: переоценка на рынке цен возможна, но саму технологию она переживёт. Вопрос лишь в том, кто в итоге окажется в роли Cisco — а кто в роли обанкротившегося оператора связи.