Неделя 2–8 ноября показала: главным дефицитом в ИИ становятся не только сильные модели и инженеры, но и электричество, площадки под дата-центры, GPU, память, подключение к сети и согласие местных жителей. Гонка за интеллектом превращается в гонку за промышленной базой.
Агентные системы выходят из демо в корпоративные процессы: пишут и оптимизируют код, работают с сервисами, управляют конфигурациями, помогают с финансами и покупками. Вместе с автономностью растёт спрос на бюджеты, песочницы, симуляции, тесты на сбои и быстрый откат. Ценность ИИ теперь измеряют не идеальным результатом, а безопасностью, предсказуемостью и экономикой в реальном процессе.
ИИ становится индустрией с физическими ограничениями, жёсткой экономикой и политическими последствиями — для облачных гигантов, предприятий и пользователей, которым предлагают доверить агентам поиск, деньги, покупки и личные разговоры.
ИИ упирается в физический мир: мощности строятся медленнее, чем растёт спрос
Конкурентоспособность ИИ всё сильнее зависит от вычислительной инфраструктуры, а не от очередного прироста в бенчмарках. Компании ищут мегаватты, ускорители и готовые площадки — покупают недостроенные объекты, переоборудуют существующую недвижимость и рассматривают даже орбитальные вычисления.
Google выкупила у Crusoe недостроенный дата-центр в Вайоминге и планирует вложить в ИИ-кампус $17 млрд. Nvidia хочет превратить 130 телеком-зданий Brightspeed в мини-ЦОДы общей мощностью до 1 ГВт. Когда площадок с готовым подключением к сети мало, ценность получают старые объекты с электричеством, каналами связи и понятным юридическим статусом.
Узкие места не сводятся к недвижимости. Marvell договорилась о покупке Lumentum ради оптических сетей для ИИ-кластеров, а Micron готовит 3D DRAM и кастомную память: память становится отдельным ограничением ИИ-систем. Рынок on-premise HPC- и ИИ-серверов за полгода вырос почти на 20%: предприятия хотят держать мощности ближе к данным. Moonshot AI ищет в Европе кластеры Blackwell, а сотни тысяч H200, застрявших в Гонконге, показывают зависимость поставок GPU от экспортного контроля, логистики и политики.
OpenAI готова выделить до 1 ГВт гибкой нагрузки в Джорджии, чтобы снижать потребление дата-центра в часы пикового спроса. xAI питает объект в Миссисипи переделанными авиационными турбинами: дорогое временное решение выгоднее ожидания подключения к сети. Google тестирует ИИ-вычисления на TPU на орбите в проекте Suncatcher — пока не как коммерческий план, а как поиск предельных вариантов размещения мощностей.
Мини-вывод: сети, оптика, память, генерация и готовые площадки становятся стратегическими активами. Скорость масштабирования определит способность собрать всю цепочку.
Дата-центры получили политический адрес — и это меняет карту инвестиций
Big Tech больше не может считать строительство ЦОДов только инженерной и финансовой задачей. Жители и муниципалитеты смотрят на шум, воду, тарифы, нагрузку на сеть и локальную отдачу от миллиардных инвестиций.
В США за полгода задержали или заблокировали проекты дата-центров почти на $200 млрд. Материал о том, почему дата-центры стали политической проблемой даже в Нью-Йорке, фиксирует перелом: локальные конфликты превратились в системный риск. На местных выборах одобрены десятки мер против ИИ-ЦОДов, а Meta признаёт, что протесты против дата-центров осложнят развитие ИИ.
В Амстердаме активисты заняли стройплощадку Microsoft; протесты идут на десятках площадок в разных странах. Поэтому попытка OpenAI называть объекты «вычислительными кампусами ИИ» — не просто смена вывески. Компаниям нужно объяснять, что регион получит взамен: рабочие места, инфраструктурные улучшения и гарантии для энергосистемы.
Гибкая нагрузка OpenAI важна и политически. Возможность снижать потребление в пиковые часы делает ЦОД не только конкурентом домохозяйств и промышленности за электроэнергию, но и участником балансировки сети. Повторное использование телеком-площадок также может вызвать меньше сопротивления, чем освоение новых территорий.
Мини-вывод: общественная легитимность вошла в себестоимость ИИ. Компании, которые не докажут локальную пользу и управляемость энергопотребления, потеряют месяцы или годы на строительстве.
Агенты идут в эксплуатацию, но продаются вместе с ограничителями
Агентный ИИ взрослеет не с ростом числа доступных действий, а когда действия можно ограничить, проверить и отменить. Рынок переходит от обещаний «автономного сотрудника» к инженерии контроля.
Devin добавил иерархические бюджеты, позволяющие остановить ИИ-агента посреди задачи. Агент тратит деньги не на один ответ, а на повторные вызовы модели, инструменты, тесты и внешние сервисы. Поэтому цену токена полезнее дополнять стоимостью влитого pull request: одна агентная задача может потребить в 10–50 раз больше токенов, чем чат, но ценность появляется только после принятого изменения без последующих потерь.
Raindrop запустила симуляции для проверки промптов, моделей и инструментов до релиза. Это ответ на разрыв между оценкой и реальностью: агент получил 20 из 20 в тесте, но пропустил пять из семи намеренно внесённых сбоев. Высокий балл не гарантирует устойчивость к неполным данным, сбоям интеграций, конфликтам прав доступа и неоднозначным запросам.
Render сняла лимит времени для сред, где агенты могут работать дольше суток, но длительная работа не означает доступ к продакшену. Песочницы позволяют извлечь пользу до того, как агенту доверят необратимое действие. Together AI поручает агентам оптимизацию GPU-кода, но финальный деплой оставляет за инженерами.
В эксплуатации цена ошибки особенно высока. Исследование среди Mac-админов показало, что большинство не может откатить ошибочную конфигурацию за час. Если агент ускоряет внесение изменений, но удлиняет восстановление, бизнес не получает ускорения.
Мини-вывод: конкуренция в агентном ИИ смещается к наблюдаемости, оценке, правам доступа, бюджетам и откатам. Модель остаётся ядром продукта, но доверие создаёт система контроля вокруг неё.
Корпоративный ИИ считает не токены, а завершённую работу
Предприятия заканчивают фазу безусловного расширения пилотов. Теперь они требуют стоимость завершённой задачи, контроль над чувствительными данными и независимость от одного поставщика моделей.
Revolut сократила расходы на ИИ для кода примерно в десять раз, перенеся основную нагрузку с Claude на собственный хостинг GLM. Локальная модель не всегда выгоднее облачной: качество, безопасность, сопровождение и скорость внедрения различаются. Но схема «одна дорогая универсальная модель для всего» теряет убедительность.
Fireworks AI предлагает маршрутизировать задачи между моделями: единый модельный стек обходится бизнесу слишком дорого. Классификация, извлечение полей, суммаризация, сложное рассуждение и код редко требуют модели одного класса. Маршрутизация резервирует дорогие вызовы для задач, где они дают измеримый результат.
Поставщики ужесточают и коммерческую дисциплину. OpenAI готовит общий расход лимитов ChatGPT и Codex для подписчиков; Microsoft ввела скрытые ограничения для части пользователей Copilot Chat без дополнительной лицензии; Apple урезает внутренние дневные лимиты на ИИ. Токены и вызовы моделей перестали быть почти бесплатным побочным эффектом подписки. Даже ускорение Claude Code не решает проблему счёта при прежнем объёме потребления.
Рост on-premise и интерес к открытым моделям дают компаниям выбор места исполнения, контроль над данными и возможность адаптировать модель под узкий процесс. Nvidia, поддерживая открытые модели и специализацию, признаёт гибридное будущее: закрытые сервисы будут сосуществовать с локальными и отраслевыми решениями.
Мини-вывод: вопрос «какую модель выбрать?» сменяется вопросом «какая комбинация моделей, ограничений и инфраструктуры дешевле и надёжнее доводит работу до результата?»
Потребительский ИИ расширяет интерфейсы быстрее, чем завоёвывает доверие
Пользователю всё чаще предлагают не поговорить с ассистентом, а передать ему инициативу. Доступность функции не означает готовность доверить ей деньги, личные данные или действия от своего имени.
По оценке OpenAI, веб-поиск в ChatGPT уже занял заметную долю объёма Google Search. Amazon готовит Alexa в сообщениях для покупок: помощник должен подобрать товары, сравнить варианты и оформить заказ. Apple почти сняла очередь на Siri AI в iOS 27, а Meta расширяет Muse голосовым режимом, анимацией и отдельными Spaces для работы с агентами. ИИ становится слоем поверх поиска, мессенджеров, устройств и сервисов.
Но агентное поведение отстаёт от витрины. В самую загруженную неделю Хэллоуина ИИ-агенты заказали в Uber всего четыре поездки. Пользователь готов спросить совет, но не всегда готов делегировать оплату, выбор и последствия ошибки. Claude может анализировать историю банковских операций через Plaid, но не переводить деньги — логичное ограничение там, где цена неверного действия выше цены неточного ответа.
Видеозвонки с AI-аватаром, дневник разговоров на часах и помощник для покупок затрагивают привычки и приватность. Чем ближе ИИ к личной жизни, тем важнее прозрачность: что он видит, что хранит, действует ли сам и как остановить действие.
Мини-вывод: массовость интерфейса не равна доверию к автономии. Выиграют продукты, которые дают ощутимую помощь и сохраняют за человеком контроль над деньгами, данными и последним решением.
Что это значит
Инфраструктура становится конкурентным фактором первого порядка. Инвестиции в модели будут идти вместе с инвестициями в энергию, оптику, память, площадки и политическую работу с регионами. Компании конкурируют не только за пользователей и инженеров, но и за право строить и подключаться.
Рынок движется к дробной архитектуре. Универсальная облачная модель сохранит роль центра тяжести, но вокруг неё вырастут маршрутизаторы, открытые модели, локальное исполнение и специализированные системы. Mercedes планирует внедрять локальные модели Liquid AI в автомобили, Athenahealth подключает Claude к медицинским картам. В обоих случаях ценность создаёт система, адаптированная к среде, данным и требованиям безопасности.
Агентные продукты будут оценивать по качеству эксплуатации: журналам действий, симуляциям, лимитам затрат, разграничению прав, тестированию на сбои и скорости отката. Это формирует рынок инструментов тестирования, безопасности, управления доступом, наблюдаемости и оценки эффективности.
Регулирование перестаёт быть внешним фоном. Иски издателей за данные для обучения, контроль поставок GPU, правила использования ИИ в школах, влияние чатботов на выборы и политика вокруг «лидерства в ИИ» определяют, где обучать модели, на каких данных и кому продавать инфраструктуру. Рынок всё чаще будет работать по разным региональным правилам.
ИИ взрослеет через ограничения: отрасль считает энергию, стоимость ошибок, социальное сопротивление и право пользователя сказать «нет».
В ближайшие месяцы главным станет не вопрос «насколько умна новая модель?», а вопросы «где она работает, сколько стоит, кто отвечает за её действия и согласны ли люди жить рядом с инфраструктурой, которая её питает?» На них теперь строится преимущество ИИ-компаний.
