$3 трлн выручки против $1,5 трлн вложений в инфраструктуру к 2026 году — в таких цифрах теперь обсуждают окупаемость ИИ. Для русскоязычного IT-рынка это важный сигнал: спор про «когда нейросети начнут нормально зарабатывать» снова на повестке, только ставки уже не стартаперские, а макроэкономические.
Поводом стал новый расчет партнера Sequoia Дэвида Кана, о котором сообщает TechCrunch. Еще в 2023 году он одним из первых попытался свести математику AI-бума к чему-то более приземленному, чем презентации с сияющими агентами. Тогда Кан оттолкнулся от годовой выручки Nvidia на GPU в $50 млрд и предположил, что с учетом затрат на эксплуатацию дата-центров и маржи операторов отрасли понадобится около $200 млрд выручки, чтобы окупить эти вложения. Логика была простой: если Кремниевая долина массово скупает вычисления, кто-то должен потом продать достаточно AI-сервисов, чтобы вся эта конструкция не выглядела как очень дорогой акт коллективной веры.
Спустя три года цифры стали заметно менее уютными. По новой оценке Кана, совокупные расходы на AI-инфраструктуру к 2026 году достигнут $1,5 трлн. Чтобы такая инвестиция выглядела экономически разумной, индустрии придется заработать уже $3 трлн. Причем сам он считает эту оценку скорее осторожной, чем завышенной. Причина в узких местах, которые знакомы любому инженеру, хоть раз пытавшемуся масштабировать не только демо, но и боевую систему: память дорожает, строительство и оснащение дата-центров тоже, а в цепочке все активнее появляются более экзотические и специализированные чипы, в том числе под inference. Иными словами, цена вопроса растет не только из-за количества GPU, но и из-за всего, что окружает эти GPU и не помещается на красивый слайд с логотипами.
На стороне выручки прогресс есть, но разрыв все равно выглядит неприятно. Anthropic, по данным TechCrunch, могла выйти на $60 млрд ARR. OpenAI, по этим же данным, заработала $13 млрд в 2025 году, а в ноябре 2025-го говорила о $20 млрд ARR. Для компаний такого масштаба это очень серьезные показатели, еще недавно казавшиеся фантастикой. Но если поставить их рядом с требуемыми триллионами, становится видно главное: даже лидеры рынка пока только прокладывают дорогу к тем объемам, которые должны оправдать весь этот инфраструктурный пир. Отсюда и возвращение разговора про окупаемость ИИ: не в теории, не в стиле «рынок когда-нибудь все переварит», а в формате довольно прямого вопроса — кто именно и за что будет платить настолько много.
На этом фоне отдельный интерес вызывает не только венчурная, но и публичная логика. Главный экономист Apollo Торстен Слок в недавней записке напомнил, что крупнейшие гиперскейлеры — Google, Meta, Microsoft и Amazon — фактически уже встроили окупаемость ИИ в ожидания рынка. По его словам, эти компании прогнозируют мощное ускорение свободного денежного потока в 2028 году. Перевод с корпоративного на человеческий здесь довольно прозрачный: затраты на чипы и дата-центры должны начать заметно отбиваться. Если этого не случится, проблема не останется внутри одного горячего сегмента. Слок прямо предупреждает, что при такой концентрации ожиданий в нескольких именах более медленная отдача способна ударить не только по техсектору, но и по более широкому рынку, вплоть до коррекции S&P 500 и риска рецессии.
И тут в историю вмешивается неприятная для продавцов вычислений деталь: пользователи AI становятся рациональнее. Организации все чаще смотрят в сторону более дешевых open weight-моделей, в том числе китайских, а стоимость токенов продолжает снижаться. Для тех, кто строит продукты на базе моделей, это хорошая новость: юнит-экономика становится менее пугающей, можно чаще экспериментировать, дешевле внедрять агентов, спокойнее считать cost per task. Но для компаний, чья бизнес-модель завязана на продаже все большего объема токенов, это уже не так весело. Если модели становятся эффективнее, а цена единицы вычисления снижается, выручка не обязана расти теми же темпами, что и инфраструктурный CAPEX. Сам Сэм Альтман недавно говорил, что новейшая модель OpenAI на задачах программирования на 54% эффективнее по токенам. Для разработчика это звучит как повод порадоваться счету за inference. Для рынка, который пытается отбить триллионные вложения, это звучит как дополнительный вопрос в Excel.
Для российской и русскоязычной IT-аудитории из этой истории следует довольно практичный вывод. В 2023 и 2024 годах многие обсуждали AI в категориях «надо срочно внедрять, пока не поздно». В 2026-м разговор становится взрослее: выигрывать будут не те, кто просто купил доступ к модели или прикрутил чат в интерфейс, а те, кто умеет превращать более дешевые и более эффективные модели в работающий продукт с понятной ценностью. Для CTO это означает давление на архитектуру и стоимость inference. Для продактов — необходимость доказывать, что AI-функция удерживает пользователя, ускоряет сценарий или приносит выручку, а не просто выглядит современно. Для фаундеров и инвесторов — более жесткий отбор историй, где «мы тоже делаем агентов» уже не проходит как самостоятельный аргумент. А для HR в IT это еще и намек на сдвиг спроса: нужны будут не просто люди, умеющие вызывать API модели, а команды, которые могут оптимизировать пайплайны, считать нагрузку и выбирать между закрытыми и open weight-подходами без религиозных войн.
Главный вопрос теперь звучит не как «заменит ли ИИ привычный софт», а как «кто в этой цепочке заберет деньги, достаточные для оправдания триллионных инвестиций». Если рынок массово привыкнет к дешевым моделям и экономным токенам, то победителем может оказаться не тот, кто построил самую большую фабрику токенов, а тот, кто научился зарабатывать на падении цены интеллекта быстрее, чем соседи успевают строить следующий дата-центр.