К 2027 году крупнейшие облачные игроки могут потратить почти $1,1 трлн на дата-центры для ИИ. Эта ставка на ИИ важна не только для инвесторов: от ее окупаемости зависит цена вычислений, доступность моделей и темп внедрения ИИ в продуктах, которыми пользуются разработчики и бизнес.
По данным MIT Technology Review, профессор финансов Уортонской школы Пенсильванского университета Джессика Вахтер предложила смотреть на ИИ-бум не через обещания поставщиков моделей, а через более приземленный вопрос: насколько быстро должны вырасти доходы гиперскейлеров, чтобы их капитальные расходы на инфраструктуру выглядели оправданными. Ответ получается неприятно трезвым: одной моды на генеративный ИИ мало, индустрии нужен резкий прирост продуктивности, причем довольно скоро.
Логика Вахтер проста. Вместо того чтобы гадать, какие именно модели победят, сколько компаний встроят агентов в процессы и когда офисные сотрудники начнут массово делегировать рутину ИИ, она берет факт, который уже трудно оспорить: небольшая группа технологических гигантов строит огромные вычислительные мощности. Серверы, ускорители, электропитание, охлаждение, земля, сеть — все это не слайд в презентации, а капитальные расходы с понятной бухгалтерией.
Почти $1,1 трлн расходов к 2027 году означает, что рынок должен не просто любить ИИ, а начать платить за него в объемах, сопоставимых с новой инфраструктурной эпохой. Чтобы выйти хотя бы в ноль к 2030 году, поставщикам ИИ и облаков понадобится исключительный рост производительности у клиентов. То есть модели должны не только писать черновики писем и помогать с кодом, а заметно снижать издержки, ускорять выпуск продуктов, автоматизировать поддержку, аналитику, разработку, документооборот и часть исследовательских задач.
Для русскоязычной IT-аудитории это звучит менее абстрактно, чем кажется. Если гиперскейлеры просчитаются, инфраструктура не исчезнет, но экономика доступа к ИИ может стать жестче: дороже API, строже лимиты, активнее привязка клиентов к облачным экосистемам, меньше терпимости к экспериментам без понятного возврата. Если же ставка сыграет, ИИ-сервисы станут базовым слоем корпоративного софта, примерно как облака стали нормой для веб-продуктов и аналитики.
Отдельная линия материала — данные для биологии. OpenAI Foundation, некоммерческая материнская структура OpenAI, объявила, что профинансирует создание высококачественных научных датасетов. Идея пришла от политического аналитика Руксандры Тесло: использовать данные обанкротившихся биотехнологических компаний — регуляторные документы, сведения о производстве, данные по безопасности и другие материалы, которые обычно распадаются по архивам и юридическим папкам после закрытия бизнеса.
Тесло называла это «потерянным архивом биотеха». Смысл в том, что провалившиеся биотехнологические проекты часто оставляют после себя не только долги, но и дорогие данные: что тестировали, почему не получилось, какие побочные эффекты нашли, как строили производство, какие требования регуляторов проходили. Для обучения медицинских и биологических моделей такие данные могут быть не менее ценны, чем публикации об успешных препаратах. В реальной науке отрицательный результат тоже результат, просто его хуже упаковывают для рынка.
Это хорошо ложится в общий тренд: ИИ-компаниям уже мало интернета как сырья. Тексты, картинки и код дали первый масштаб, но медицина, химия, робототехника и материалы требуют специальных данных с понятным происхождением, качеством и контекстом. Без них модель может красиво рассуждать о белках или клинических испытаниях, но пользы для разработки терапии будет меньше, чем хотелось бы инвесторам и пациентам.
Здесь у OpenAI появляется более прагматичная задача: не просто обучать универсальные модели, а участвовать в создании новых источников данных. Это сдвиг от «мы берем уже существующий корпус» к «мы платим за появление корпуса». Для рынка это сигнал: конкуренция в ИИ постепенно уходит в доступ к редким датасетам, юридически чистым архивам и доменной экспертизе. У кого есть такие данные, тот получает не только модель получше, но и более защищенную позицию.
Параллельно в выпуске MIT Technology Review упоминается спор вокруг регулирования ИИ. Глава Nvidia Дженсен Хуанг и глава Meta Марк Цукерберг выступили против скоординированного замедления разработки ИИ, а председатель Федеральной торговой комиссии США предупредил против антимонопольных исключений для ИИ-компаний. На фоне триллионных расходов это не философская перепалка: если рынок концентрируется вокруг нескольких владельцев вычислений и данных, вопрос конкуренции становится таким же важным, как вопрос безопасности.
Для разработчиков главный вывод скучный, но полезный: ИИ-инструменты нужно оценивать не по шуму вокруг модели, а по экономике конкретного процесса. Сколько часов экономит ассистент в разработке? Насколько падает стоимость поддержки? Можно ли измерить качество автогенерации документации, тестов, аналитических отчетов? Чем больше денег индустрия сжигает на инфраструктуру, тем быстрее от команд будут ждать не демо, а метрики.
Триллионная ставка на ИИ теперь держится на двух вещах: способности превратить вычисления в прибыль и способности добыть данные, которых нет в открытом интернете. Если к 2030 году компании не увидят серьезного прироста продуктивности, дата-центры останутся впечатляющими инженерными объектами, но рынок начнет задавать менее восторженные вопросы: кто именно за все это платит и какую работу ИИ действительно научился делать лучше людей и старого софта.