Расходы на ИИ в августе—сентябре выросли всего на 1,5%, хотя компании продолжали наращивать использование моделей. Для рынка, привыкшего мерить успех генеративного ИИ количеством токенов, это неприятный сигнал: больше запросов к моделям больше не означает пропорционального роста выручки поставщиков. Для российских разработчиков и компаний вывод практический — стоимость внедрения ИИ снижается, а значит, выигрывать будут не те, кто закупил больше всего токенов, а те, кто научился разумно ими распоряжаться.
Об этом сообщает TechCrunch со ссылкой на данные финтех-платформы Ramp, отслеживающей корпоративные расходы. В июле затраты на токены, по ее оценке, подскочили на 42% месяц к месяцу. Затем темп почти исчез: за август и сентябрь рост составил 1,5%. С 23 сентября по 23 октября расходы снова ускорились — на 8,9%, — но экономист Ramp Ара Харазян считает, что фундаментальные причины замедления никуда не делись.
Главная проблема для производителей моделей — концентрация выручки. Почти весь серьезный спрос на ИИ, по словам Харазяна, создают венчурные быстрорастущие технологические компании. Самый активный 1% клиентов летом тратил почти 10 тыс. долларов на сотрудника в месяц, однако в августе и сентябре этот показатель слегка снизился. Этого оказалось достаточно, чтобы затормозить общую динамику, даже при растущих объемах использования. У медианной компании траты несопоставимо скромнее — 12–15 долларов на сотрудника в месяц; у верхних 10% — 600–1000 долларов.
Это важная поправка к привычной истории о бездонном корпоративном спросе. Кодинг-агенты действительно нашли платежеспособных покупателей в разработке и финансах, но далеко не каждый бизнес станет расходовать на модели тысячи долларов на человека. Автодилер или небольшая клиника могут использовать ИИ для поиска по документам, черновиков ответов и автоматизации рутины, но такой сценарий не требует постоянного доступа к самым дорогим моделям. Рост проникновения генеративного ИИ в экономике вполне может продолжаться вместе с падением средней выручки на пользователя.
На расходы давит и ценовая конкуренция. Согласно данным, приведенным TechCrunch, OpenAI в сентябре снизила API-цены для GPT-6 Sol и GPT-6 Luna вдвое, а Anthropic сократила цены на Fable 5.1 и Opus 5.5. Anthropic ранее указывала в корпоративном документе, что это решение уменьшило рост выручки примерно на 600 млн долларов. Поставщики также предлагают корпоративные скидки, чтобы закрепить клиентов за своими платформами. Но в условиях, где есть несколько закрытых провайдеров, предложения Meta и Nvidia, а также открытые модели из США и Китая, скидки не обязательно превращаются в долгосрочную рыночную власть.
Сами покупатели тоже стали заметно экономнее. После первых экспериментов команды учатся задавать лимиты, не отправлять долгие задачи в самые дорогие модели и применять маршрутизацию: простой запрос уходит в легкую модель, сложный — в более мощную. Харазян отдельно упомянул Jev — инструмент, который выбирает между заранее заданными вариантами ответа. Для части задач это дешевле полноценного обращения к большой языковой модели: если бизнесу нужен ответ «да» или «нет», запускать тяжелую модель — примерно как арендовать грузовик ради доставки флешки.
Этот эффект хорошо знаком инженерам, которые уже прошли фазу «прикрутим модель ко всему». При пилотах расходы могут выглядеть хаотично: логирование выключено, промпты разрастаются, ретраи плодятся, а один неудачный агент получает право бесконечно размышлять за счет бюджета. На следующем этапе появляются кэширование, контроль контекста, выбор модели по классу задачи и лимиты на пользователя. Потребление токенов при этом способно расти, но стоимость полезного действия — падать. Для бизнеса это здоровая оптимизация; для компаний, чья оценка строится на ожидании взрывного роста API-выручки, — менее комфортная математика.
Замедление приходится на момент, когда Anthropic готовится к IPO. TechCrunch также приводит сообщения Bloomberg о снижении ориентировочной оценки Anthropic с 2 трлн долларов в начале октября до 1,2–1,3 трлн долларов, а OpenAI — с 1,4 трлн до 1,25 трлн долларов; эти оценки и планы финансирования официально не подтверждались компаниями. Рынок явно начинает внимательнее смотреть не только на использование ИИ, но и на способность конвертировать его в устойчивую маржу.
Следующей проверкой станет появление новых дорогих и действительно полезных сценариев — таких, каким для отрасли стали кодинг-агенты. Персональные агенты могут расширить аудиторию, но пока их экономическая отдача выглядит менее очевидной. Если новых высокомаржинальных задач не появится, расходы на ИИ будут расти медленнее объемов работы моделей, а конкуренция окончательно сделает рынок покупательским. Исходные данные и комментарии Ramp опубликованы в материале .
