Экономика ИИ резко повзрослела: Nvidia, по цифрам из колонки SaaStr, заработала $58 млрд прибыли за квартал, Anthropic вышла к 70% валовой маржи, а главный спор на рынке сместился от «какая модель лучше» к более приземленному «окупается ли весь этот банкет». Для русскоязычной IT-аудитории это важный сигнал: в 2026 году выигрывает уже не тот, кто громче всех говорит про AI-first, а тот, кто умеет посчитать стоимость токенов, производительность команд и реальную отдачу на P&L.
В колонке по итогам совместного выпуска 20VC x SaaStr, как пишет SaaStr, несколько на первый взгляд разных тем внезапно свелись к одному вопросу: где проходит правильная граница между человеческим трудом и токенами. Это касается всего сразу: затрат на инфраструктуру, увольнений, роста маржи у модельных компаний, инструментов для агентных систем и даже рыночной реакции на феноменальные квартальные результаты Nvidia. Логика простая и неприятная для многих: если генеративный ИИ перестает быть экспериментом и становится строкой в бюджете на сотни миллионов долларов, разговор о магии быстро сменяется разговором о возврате на вложенный капитал.
Самый яркий пример здесь Nvidia. По версии SaaStr, компания показала $81,6 млрд квартальной выручки и $58 млрд прибыли, но акция отреагировала сдержанно. В колонке это объясняют без особой романтики: рынок давно встроил в цену взрывной AI capex, поэтому теперь оценивает не сам факт огромных цифр, а ускорение или замедление темпа. Иначе говоря, инвесторов уже трудно удивить даже кварталом, который для любой другой компании выглядел бы как исторический. Для бизнеса отсюда следует неприятный, но полезный вывод: инфраструктурный бум сам по себе больше не аргумент. Если отрасль действительно идет к триллионам долларов капитальных затрат на ИИ к концу десятилетия, то ключевым станет не технический потолок, а способность доказать, что следующий потраченный миллиард приносит измеримую пользу.
Именно поэтому в центре дискуссии оказался ROI. В SaaStr приводят показательный разнобой корпоративного опыта. У Uber, по словам участников обсуждения, годовой объем кредитов Anthropic был израсходован за четыре месяца, но измеримый прирост продуктивности не удалось уверенно показать. У DoorDash картина обратная: компания агрессивно вкладывается в токены и считает, что экономия инженерного времени эти расходы оправдывает. На практике это делит рынок на две группы. Первая — сверхэффективные компании с высокой выручкой на сотрудника: они, скорее всего, будут наращивать использование ИИ и искать новые сценарии автоматизации. Вторая — крупные и более инерционные организации, где валовая маржа и штат защищаются финансовой дисциплиной. Там enthusiasm быстро заканчивается в тот момент, когда счета за модели начинают конкурировать с фондом оплаты труда.
Маржа растет, терпение заканчивается
Отдельный сюжет — Anthropic. В колонке утверждается, что компания довела валовую маржу до 70%, стала прибыльной на операционном уровне и вышла на годовой темп выручки в $44 млрд. Если смотреть не на абсолютный размер бизнеса, а на динамику, именно это выглядит самым тревожным сигналом для конкурентов. SaaStr подчеркивает, что у Anthropic квартальный результат уже сопоставим с тем, что компания делала за весь предыдущий год, а сочетание быстрого роста и улучшающейся маржинальности почти автоматически подводит бизнес к устойчивой прибыли. На этом фоне OpenAI в тексте подается как компания с более сильным брендом массового рынка, но менее впечатляющей скоростью роста. Важно оговориться: часть тезисов в колонке сформулирована как рыночная интерпретация и оценка авторов, а не как официальные раскрытия эмитентов. Но сам нерв рынка понятен: эпоха, когда модельные компании можно было оценивать только по хайпу и числу пользователей, заканчивается. Теперь их все чаще сравнивают по скучным, зато очень взрослым параметрам — темпу выручки, валовой марже и пути к прибыли.
На этом фоне увольнения в технологических компаниях выглядят не как поздний хвост перегрева 2020-2021 годов, а как попытка заново пересобрать экономику команд под новую производительность. В SaaStr прямо спорят с удобной версией про «просто разгребаем избыточный найм после ковида». Аргумент такой: за пять лет естественная текучесть в ИТ-компаниях обычно и так успевает заметно обновить состав, поэтому списывать свежие сокращения только на старые кадровые ошибки слишком просто. Более правдоподобное объяснение жестче. Если сильный инженер с доступом к современным AI-инструментам реально дает в несколько раз больше результата, компания будет не только сокращать слабые роли, но и радикально переплачивать за лучших. И для HR, и для CTO это меняет правила игры: медианный сотрудник перестает быть удобной единицей планирования, а разрыв между верхним и средним перформансом растет быстрее, чем многие готовы признать.
Для разработчиков здесь новость тоже не самая уютная. Идея, что «агентные» навыки скоро станут таким же базовым уровнем, как Excel в офисе нулевых, пока не гарантирована. Возможен и более жесткий сценарий: небольшая группа специалистов, умеющих строить процессы вокруг моделей, оркестрации, retrieval и автоматизации, уйдет еще дальше вперед, а большинство будет догонять с растущим отставанием. Для продактов и руководителей инженерии это означает, что инвестировать придется не только в лицензии и API, но и в очень прикладную адаптацию команд: кто именно умеет превращать токены в скорость поставки, кто умеет считать стоимость ошибки, кто умеет выбирать, где агент полезен, а где просто дорого шумит.
Кто зарабатывает на лопате
Еще один важный тезис SaaStr: даже если рынок моделей и корпоративного внедрения будет лихорадить, слой инфраструктуры под агентные системы чувствует себя все увереннее. В пример приводятся Exa и OpenRouter — компании, которые строят не базовые модели, а инструменты вокруг них. Логика здесь здравая. Агентам нужны не красивые чат-интерфейсы для человека, а доступ к актуальной информации, структурированным данным, поиску, маршрутизации запросов и надежным промежуточным слоям. И если у конечных заказчиков все чаще возникает вопрос «зачем мы столько тратим на токены», то у поставщиков таких инструментов есть шанс выигрывать на более понятной бизнес-функции: уменьшать стоимость ошибки, снижать цену переключения между моделями, ускорять внедрение и делать весь стек менее хрупким. Для стартапов это почти прямое указание, где еще остался воздух: не обязательно строить следующую foundation model, если можно продавать лопаты в разгар новой золотой лихорадки.
Главный вывод из этой истории неприятно прозаичен, и именно поэтому он важен. Экономика ИИ больше не обсуждается в режиме «когда-нибудь оно всех изменит». Она уже вошла в квартальные отчеты, кадровые решения и инвестиционные модели. Для российских и русскоязычных команд это особенно актуально: независимо от географии, дефицит бюджета, борьба за сильных инженеров и давление на unit-экономику работают одинаково. Вопрос ближайших кварталов звучит без всякой поэзии: кто научится покупать токены так же дисциплинированно, как раньше покупал серверы и SaaS-подписки, а кто обнаружит, что дорогой AI-стек отлично выглядит в презентации и заметно хуже — в финансовом отчете.