Парадокс 2026 года: Чем умнее ИИ, тем дороже он становится
Вот что происходит на самом деле: мы не уперлись в потолок интеллекта. Мы уперлись в потолок бюджета. GPT-5, Gemini Ultra 3.0, Claude 4 — все эти модели демонстрируют впечатляющие результаты на бенчмарках. Но их тренировка обходится в суммы, сравнимые с годовым бюджетом небольшой страны. Инференс (предсказание) для одной сложной задачи может стоить сотни долларов. И это только начало.
По данным отчета Nvidia за IV квартал 2025 года, средняя стоимость обучения модели уровня GPT-4 в 2024 году составляла ~$100 млн. В 2025 эта цифра выросла до $250-300 млн для моделей следующего поколения. Прогноз на 2026 — $500 млн+ для флагманских моделей. Рост в 5 раз за два года.
Золотая лихорадка для продавцов лопат
Пока стартапы и корпорации гонятся за AGI (искусственным общим интеллектом), настоящие деньги зарабатывают те, кто продает «лопаты» — инфраструктуру. Nvidia, AMD, поставщики GPU, операторы дата-центров, даже компании, производящие системы охлаждения. Их выручка растет экспоненциально, в то время как многие проекты в области прикладного ИИ остаются убыточными.
Сравни это с триллионными инвестициями в ИИ-инфраструктуру, которые часто не имеют четкого экономического обоснования. Строительство идет вслепую, на основе вчерашних прогнозов.
Экономика сломана. И это не исправить одним патчем
Проблема в фундаментальной экономике масштабирования. Закон Мура мертв. Закон Райта (снижение стоимости с накоплением опыта) в полупроводниках замедлился. Каждое следующее поколение моделей требует не на 20-30% больше вычислений, а в разы. Но качество при этом растет не линейно, а логарифмически. Парадокс: чтобы улучшить ответ модели на 5%, нужно увеличить бюджет на 200%.
Это приводит к тому, о чем мы писали в анализе AGI и экономического тупика. Рост возможностей не гарантирует рост прибыли или благосостояния. Он может гарантировать только рост счетов за электричество.
| Фактор затрат | Рост с 2023 по 2025 | Прогноз на 2026-2027 |
|---|---|---|
| Стоимость обучения (флагманская модель) | x5 (с $100M до ~$500M) | x2-3 (до $1-1.5B) |
| Стоимость инференса (на 1M токенов) | x8-10 (сильно зависит от модели) | Стабилизация или умеренный рост |
| Энергопотребление дата-центра ИИ | x4 | x2 (новые чипы эффективнее, но их больше) |
| Зарплаты ML-инженеров высокой квалификации | x1.8 | Рост замедлится из-за автоматизации и аутсорса |
Корпоративный тупик: внедрять нельзя отказаться
Отсюда и растут ноги у страхов корпораций. Они видят пилотные проекты, которые показывают эффективность. Но когда дело доходит до масштабирования на всю компанию, экономика проекта разваливается. Прямые затраты на инфраструктуру, скрытые затраты на интеграцию, переобучение персонала, DevOps для ИИ — все это съедает предполагаемую выгоду.
Пять скрытых причин, почему корпорации до сих пор боятся ИИ, которые мы разбирали ранее, — это по сути пять проявлений инфраструктурного кризиса. Неопределенность окупаемости, сложность интеграции, зависимость от вендоров — все упирается в деньги и ресурсы.
Практический совет: прежде чем запускать масштабный проект ИИ, пройдите чек-лист зрелости процессов. Часто проблема не в ИИ, а в том, что автоматизировать попросту нечего — процессы в компании хаотичны. ИИ только увеличит хаос, а не снизит затраты.
Что дальше? Три возможных сценария
Сценарий 1 (оптимистичный, маловероятный). Прорыв в алгоритмах. Появление архитектур, которые дают качество GPT-5 при затратах на обучение как у GPT-3. Пока тенденция обратная.
Сценарий 2 (реалистичный, болезненный). Коррекция хайпа и консолидация. Мелкие игроки сгорят, не потянув инфраструктурную гонку. Останутся несколько гигантов (Google, OpenAI/Microsoft, Meta, возможно, кто-то из Китая), которые будут продавать ИИ как услугу (AIaaS). Инновации замедлятся. Этот сценарий мы уже наблюдаем в виде Hype Correction.
Сценарий 3 (пессимистичный, но возможный). Формирование пузыря и его схлопывание. Инвестиции продолжают литься в проекты с сомнительной экономикой. Когда инвесторы поймут, что окупаемость откладывается на десятилетия, финансирование резко сократится. Это будет похоже на крах доткомов, но в секторе ИИ. Некоторые аналитики, как мы писали в материале про AI-пузырь 2026, уже видят признаки.
Кому выгоден этот кризис? (Спойлер: не вам)
Выгоден он тем, кто находится в самом верху пищевой цепочки:
- Производители железа (Nvidia, AMD, TSMC). Их бизнес — продавать лопаты, а не искать золото.
- Облачные провайдеры (AWS, Azure, GCP). Они сдают «землю» для копания в аренду по часам. Чем сложнее задача, тем дольше и дороже копают.
- Крупнейшие tech-корпорации с собственными дата-центрами. Они могут позволить себе внутренние эксперименты с отрицательной рентабельностью, вытесняя с рынка мелких конкурентов. Это нечестная конкуренция, замаскированная под R&D.
Невыгоден он практически всем остальным: стартапам, среднему бизнесу, исследователям в университетах, налогоплательщикам, которые в итоге финансируют государственные программы вроде национального плана ИИ в России через неэффективное расходование средств.
Так что делать? Совет от практика
Перестаньте гоняться за самым большим и сложным. Сфокусируйтесь на «тупом ИИ». На маленьких, специфичных моделях, которые решают одну задачу, но делают это дешево, надежно и предсказуемо. Иногда простая линейная регрессия на правильно подготовленных данных даст 90% результата гигантской нейросети за 0.1% стоимости.
Инвестируйте в data engineering, а не в GPU. Качественные, чистые, структурированные данные — это топливо. Современные ИИ-двигатели слишком прожорливы для низкооктанового бензина. Лучше меньше данных, но качественных.
И главное — считайте. Считайте TCO (полную стоимость владения) с первого дня. Включайте в расчет не только облачные счета, но и зарплаты инженеров, стоимость интеграции, будущий апгрейд инфраструктуры. Если цифры не сходятся — не делайте этого. Или делайте в 10 раз меньшем масштабе.
Кризис интеллекта мы преодолеем. Кризис стоимости — вот настоящая стена. И пока мы не научимся строить дешевле, мы будем только царапать по ее поверхности, удивляясь, почему прорыв все еще «в пяти годах от нас».
