Предупреждение о генеративном ИИ
Технология генеративного искусственного интеллекта (генеративный ИИ) может оказаться коммерческой аферой, предупреждает технологический эксперт и публицист Эд Зайтрон. Он утверждает: дорогое и ненадёжное программное обеспечение рекламируется как чудо, сектор частично финансирует себя по круговой схеме, а настоящие счета остаются закрытыми — и его финансовый анализ этому подтверждение.
В то же время критика недооценивает, как глубоко ИИ уже перестраивает труд, инфраструктуру и баланс силы в экономике. Цена абонемента — двадцать евро в месяц или похожая сумма — создаёт ощущение почти бесплатной услуги: пользователь запускает ИИ и получает результат. За этой простой интерфейсной картинкой скрываются гигантские дата‑центры, масштабные энергетические контракты и инвестиции, исчисляемые сотнями миллиардов долларов.
Переменные издержки ИИ высоки, убытки отрасли достигают миллиардов, а финансовая и контрактная прозрачность оставляет желать лучшего. Зайтрон давно указывает на это несоответствие. В интервью подкасту The Diary of a CEO он назвал способ продажи и финансирования генеративного ИИ «кончиной»: компании преувеличивают возможности своих моделей, реальные расходы на обучение и эксплуатацию остаются вне поля зрения, а подписные цены не покрывают всех затрат.
Кроме того, одни и те же игроки часто одновременно выступают инвесторами, поставщиками и клиентами — что создаёт круговую финансовую структуру и скрывает истинный объём независимого спроса. Критические замечания Зайтрона в целом справедливы. Переменные затраты на вычисления и энергию остаются высокими, а убытки некоторых компаний измеряются миллиардами. Модели допускают ошибки, внедрение ИИ отчасти навязывается, а результаты генеративных систем нередко требуют значительной человеческой доработки.
Однако из непрочности коммерческой части рынка не следует, что ИИ в целом экономически незначим. Важно разделять рынок больших коммерческих языковых моделей и остальную экосистему ИИ. Многие промышленные и научные системы не используют большие языковые модели: предиктивный ИИ оптимизирует процессы и предсказывает поломки оборудования; системы компьютерного зрения анализируют медицинские снимки и обнаруживают дефекты на производственных линиях; специализированные научные модели помогают прогнозировать погоду или управлять электрическими сетями; робототехника даёт ИИ физический «контакт» с миром через сенсоры и исполнительные механизмы.
Такие решения часто имеют иные себестоимости и требования к надёжности: медицинская система не «галлюцинирует» как чат‑бот, она выполняет узкую проверяемую задачу. Многие приложения представляют собой гибридные системы, где языковая модель — лишь один компонент, а физические законы и классические симуляции окончательно решают, будет ли предложенное ИИ решение работоспособным.
Поэтому возможный крах сегмента коммерческих генеративных моделей не уничтожит всю технологию. Приложения, строго зависящие от одного крупного коммерческого провайдера, окажутся уязвимы: клиенты могут столкнуться с падением сервиса и вынуждены будут перенастраивать системы под другие модели и переобучать решения. Но значительная часть накопленного знания, программного обеспечения и наборов данных сохранится: инфраструктуру и исследовательские команды смогут поглотить другие игроки, разработка продолжится, хотя и сдвинется в сторону более мелких, открытых или специализированных моделей.
Ключевой экономический вопрос — где именно генерируется и фиксируется ценность. То, что технология работает и приносит экономию пользователю, не гарантирует, что тот же бизнес‑модель приносит прибыль её разработчикам. Подписка по‑прежнему может оказывать полезные услуги при цене, которая не покрывает всех затрат поставщика. В таких условиях сама технология остаётся полезной, но бизнес‑модель — уязвимой.
Дальнейшая монетизация может оказаться в руках не создателей больших моделей, а пользователей с уникальными данными, производителей чипов и облачных инфраструктур или компаний, создающих специализированные прикладные решения. Зайтрон называет текущие расчёты «руинными»: по его оценке, на каждый доллар выручки затраты на вычислительные ресурсы приходятся в несколько раз больше. Критики указывают, что он переоценивает текущие затраты и недооценивает скорость их снижения.
Действительно, перед сектором стоят две взаимосвязанные задачи: снизить стоимость одной выполняемой задачи настолько, чтобы образовалась здоровая маржа, и обеспечить рост платного спроса в объёме, достаточном для покрытия затрат на обучение моделей, инфраструктуру и капитал. Ответа пока нет.
Между тем изменения уже происходят и оставят след, даже если пузырь лопнет. На рынке труда прямые увольнения, списываемые на ИИ, не всегда означают автоматическую замену работника машиной: обязанности могут быть перераспределены, а качество работы — снижено. Тем не менее ожидание замещения влияет на решения работодателей и потенциальных работников.
Признак очевиден у молодых специалистов: рост занятости в профессиях с высокой степенью экспозиции к ИИ у молодых людей замедляется по сравнению с менее подверженными профессиями, а разрыв в росте достигает заметного уровня — при том что причинно‑следственная связь не установлена окончательно. Ожидание замещения может задерживать приёмы на работу и повышать требования к кандидатам ещё до реальной автоматизации; это меняет переговорную позицию работников, поскольку их незаменимость — один из факторов силы на рынке труда.
Вторая масштабная трансформация — инфраструктурная и долговая. Сегодня объявляются проекты дата‑центров и сопутствующих объектов, рассчитанные на доходы, которые должны появиться в будущем. Часть этих проектов финансируется за счёт долгов и долгосрочных контрактов: подписываются договоры на выкуп мощности, энергетические соглашения и инвестиционные обязательства.
Даже если реальные продажи не вырастут до ожидаемого уровня, эти контракты останутся в силе и создадут долговую нагрузку. При этом в экосистеме генеративного ИИ наблюдается пересечение ролей: крупные инвесторы одновременно вкладывают в провайдеров ИИ, финансируют строительство дата‑центров и продают оборудование. Это делает трудным определение того, насколько спрос независим от «внутренних» финансовых потоков.
Одни и те же деньги могут фигурировать как инвестиции, выручка и последующий спрос внутри связанного круга компаний, что затрудняет оценку реального уровня платежеспособного спроса со стороны независимых клиентов. Физическое воздействие этих ожиданий уже заметно: центры обработки данных требуют значительных объёмов электроэнергии, воды и подключений к сетям.
Даже без явного роста спроса ожидаемое расширение инфраструктуры уже закрепляет крупные объёмы капитала, чипов и строительных мощностей. При отсутствии реального спроса финансовая стоимость этой инфраструктуры может резко снизиться, а затраченные энергия и материалы — безвозвратно потрачены.
Возникает обратный вопрос, на который указывает Зайтрон и регуляторы: кто же будет нести убытки, если обещания не оправдаются? Первые потери примут на себя акционеры и кредиторы компаний. Но затем последствия могут распространиться на банки, страховые компании, пенсионные фонды и инвестиционные фонды, которые приняли на баланс долговые обязательства дата‑центров или крупные инвестиции в сектор.
Так, люди, никогда напрямую не инвестировавшие в ИИ‑стартапы, могут понести убытки через свои пенсионные накопления или фонды. История показывает: сначала решения принимают компании и их финансисты, наращивая обязательства; если размер предприятий становится «слишком большим, чтобы падать», давление на публичные бюджеты возрастает — и возникает политическая и экономическая дилемма о спасении.
Если на поддержку государство потратит публичные средства, логично было бы требовать в ответ доли собственности и контроль над управлением, поскольку частные прибыли и общественные риски в этом случае асимметричны. Часть гражданских инициатив играет здесь жёсткую роль. Например, декларации и инициативы, призывающие к запрету государственных спасений для компаний, чьи обещания не подтверждаются, требуют подлинной ценности технологий, а также демократического участия в решениях, которые трансформируют работу и общество.
Регуляторы тоже обеспокоены непрозрачностью финансовых и физических конструкций вокруг ИИ: международные финансовые организации указывают, что круговое финансирование подрывает устойчивость финансовых рынков, и отдельные законодательные органы уже требуют расследований по этой теме.
Требования по прозрачности должны выходить за пределы только данных об обучающих наборах и поведении моделей. Необходима открытость финансовых потоков: какая доля выручки генерируется независимыми платными клиентами, каковы фактические затраты на обучение и эксплуатацию, какие долги и долгосрочные контракты заключены и кто в конечном счёте несёт риск при обесценении активов.
Важно также раскрывать физическую нагрузку проектов: сколько энергии, воды и сетевой ёмкости требуют планируемые объёмы. Пока же многие проекты строятся в секрете, а позже заявляют о собственной «незаменимости» — сценарий уже знаком по прежним технологическим пузырям.
Падение рынка не уничтожит ИИ как феномен. Интернет выжил после краха доткомов: некоторые компании погибли, но технологии и часть инфраструктуры сохранились и развивались. Аналогично, даже если коммерческий пузырь вокруг генеративных моделей лопнет, сама технология, исследования и часть приложений останутся и продолжат менять трудовые процессы, инфраструктуру и распределение власти в экономике.
Выводы: предупреждения о финансовой непрозрачности и круговом финансировании в индустрии генеративного ИИ имеют вес. Сектор рискует наращивать долговые и контрактные обязательства ради будущих доходов, не показав прозрачной картины текущих расходов и реального независимого спроса. Но технологическая значимость ИИ выходит за рамки только коммерчески успешных крупных языковых моделей: уже сегодня ИИ трансформирует производственные, научные и сервисные процессы.
Политикам, инвесторам и обществу предстоит решить, как снизить риски — требовать финансовой и физической прозрачности, распределять потери и выгоды более справедливо и обеспечивать демократический контроль в случае использования публичных средств для спасения систем, признанных слишком важными для экономики.
