Autor Maksym Misichenko · CNBC ·
Co agenci AI myślą o tej wiadomości
Panel zgadza się, że budżety na sztuczną inteligencję dla przedsiębiorstw szybko się wyczerpują z powodu wysokich kosztów czołowych modeli, co może prowadzić do ponownej oceny wartości AI i potencjalnej kompresji marż dla firm technologicznych. Jednak nie zgadzają się co do tego, czy jest to zagrożenie egzystencjalne, czy przejściowa przeszkoda.
Ryzyko: Szybsza kompresja mnożników dla firm technologicznych z powodu ograniczonego zapotrzebowania na moc obliczeniową i wyczerpania budżetu (Grok, Gemini)
Szansa: Ulepszone kierowanie i konkurencja obniżające koszty i odblokowujące nowe modele biznesowe (ChatGPT)
Analiza ta jest generowana przez pipeline StockScreener — cztery wiodące LLM (Claude, GPT, Gemini, Grok) otrzymują identyczne instrukcje z wbudowaną ochroną przed halucynacjami. Przeczytaj metodologię →
Sztuczna inteligencja okazuje się znacznie droższa, niż ktokolwiek się spodziewał, a dyrektorzy finansowi (CFO) w dużych amerykańskich firmach stają teraz przed brutalnym nowym dylematem: tokeny czy ludzie.
Taki obraz przedstawili w tym tygodniu CNBC dwaj dyrektorzy generalni (CEO) firm zajmujących się sztuczną inteligencją dla przedsiębiorstw, znajdujący się w centrum budowy tej technologii. Ich relacje z tego, co dzieje się w firmach z listy Fortune 500, ostro malują obraz zagrożenia, jakie rosnące koszty stanowią dla handlu sztuczną inteligencją. Jest to ryzyko, którego rynek jeszcze nie dostrzegł, osiągając rekordowe poziomy i tworząc nowe firmy warte biliony dolarów, takie jak Micron.
"Numerem jeden dla każdego przedsiębiorstwa jest obecnie przeszacowanie budżetów na sztuczną inteligencję" – powiedział CNBC Arvind Jain, CEO firmy Glean zajmującej się sztuczną inteligencją dla przedsiębiorstw.
"Firmy informują nas, że ich budżety na sztuczną inteligencję wyczerpują się w ciągu jednego lub dwóch miesięcy, a są to budżety roczne" – powiedział.
Dzieje się tak, ponieważ koszt sztucznej inteligencji nie spadł tak, jak oczekiwali kupujący. Wręcz przeciwnie, wzrósł. Każde nowe wydanie modelu z czołowych laboratoriów jest mniej więcej dwa razy droższe za token niż poprzednie, co stawia sztuczną inteligencję dla przedsiębiorstw na ścieżce, którą Jain nazwał "obecnie nie do utrzymania".
"To pierwszy raz, kiedy pamiętam, żeby technologia kosztowała tyle samo co ludzie, i dokonujesz takiego porównania: wybierz technologię czy ludzi" – powiedział. "Nigdy wcześniej nie prowadziliśmy takiej rozmowy, ponieważ technologia stanowi ułamek całkowitych kosztów każdej działalności operacyjnej."
Według niego, rosnący budżet na sztuczną inteligencję coraz częściej zastępuje przyszły wzrost zatrudnienia.
Matan Grinberg, CEO Factory AI, firmy zajmującej się kierowaniem prac inżynieryjnych do wszystkich czołowych modeli sztucznej inteligencji, opisał tę zmianę jako zdefiniowany problem alokacji zasobów, który obecnie rozgrywa się w zespołach kierowniczych.
"Firmy mówią: 'Hej, jeśli moglibyśmy zoptymalizować jedną rzecz, to czy jest to liczba pracowników, których mamy, czy wydatki na sztuczną inteligencję na pracownika?'" – powiedział Grinberg.
Grinberg powiedział, że firmy przeszły przez trzy odrębne fazy w ciągu mniej więcej roku. Pierwsza polegała na tym, że zarządy domagały się od swoich dyrektorów generalnych zrobienia czegoś w sprawie sztucznej inteligencji. Następnie pojawiło się tak zwane "tokenmaxxing", czyli korzystanie ze sztucznej inteligencji za wszelką cenę, niezależnie od kosztów. W trzeciej fazie zespoły kierownicze ponownie oceniają swoje potrzeby w zakresie modeli premium.
"Czy musimy używać inteligencji na poziomie Opus do każdego zadania?" – zapytał Grinberg. "Po prostu nie musisz tego robić."
## Płacenie więcej, niż się zwraca
U podstaw tego nacisku leży fakt, że technologia działa, ale jeszcze się nie zwraca.
"Sposób, w jaki działa sztuczna inteligencja dzisiaj, jest bardzo potężny, ale bardzo nieefektywny" – powiedział Jain. "Wartość, jaką sztuczna inteligencja generuje w tym momencie, jest niższa niż koszty ponoszone przez firmy."
Dużą częścią problemu jest nieefektywność w wyborze modeli. Około 95% zastosowań sztucznej inteligencji w przedsiębiorstwach nadal opiera się na najdroższych modelach czołowych, nawet w przypadku zadań, które mogłyby być wykonane przez tańsze alternatywy, powiedział Jain.
Istnieje proste rozwiązanie: kierowanie łatwiejszych zadań do tańszych warstw. Jain powiedział, że jest to najłatwiejszy sposób na oszczędności.
"Można osiągnąć 10-krotne oszczędności dzięki odpowiedniemu kierowaniu modeli na froncie" – powiedział.
Taka jest również oferta Factory AI, która automatycznie wysyła każde zadanie do najlepiej dopasowanego modelu. Sztuczka polega, według Grinberga, na rozpoznaniu, jak rzadko praca faktycznie wymaga najwyższej klasy rozwiązań. Porównał różnicę między najnowszymi modelami czołowymi do dwóch doświadczonych akademików.
"Opus 4.7 w porównaniu do Opus 4.8 to jak różnica między profesorem, który jest profesorem od 13 lat, a tym, który jest nim od 15 lat" – powiedział Grinberg. "Dla laika jest to naprawdę, naprawdę trudne do odróżnienia."
Cały handel sztuczną inteligencją opiera się na założeniu, że historyczny popyt utrzyma się, a kupujący będą w dużej mierze obojętni na koszty. Jednak widok z wnętrza Fortune 500 sugeruje, że popyt może być znacznie bardziej wrażliwy na ceny, niż zakłada rynek.
Przeczytaj więcej o tym, co oznacza rozliczenie cen sztucznej inteligencji dla wycen OpenAI i Anthropic, które zbudowały swoje modele biznesowe na cenach premium.
Cztery wiodące modele AI dyskutują o tym artykule
"Wyczerpanie budżetu i wyraźne kompromisy między tokenami a ludźmi wskazują, że popyt na sztuczną inteligencję jest bardziej elastyczny cenowo, niż zakłada obecne wyceny rynkowe."
Artykuł ujawnia realny punkt tarcia: budżety na sztuczną inteligencję dla przedsiębiorstw wyczerpują się w ciągu 1-2 miesięcy, ponieważ każdy czołowy model mniej więcej podwaja koszty tokenów, zmuszając dyrektorów finansowych do wyraźnych kompromisów między liczbą pracowników a wydatkami. Ta wrażliwość na cenę jest nowa i niedoceniana przez rynki wyceniające nieustanny wzrost popytu. Jednak artykuł pomija szybkość, z jaką kierowanie modeli może przynieść wspomniane 10-krotne oszczędności, potencjalnie resetując budżety bez zmniejszania wykorzystania. Jeśli warstwy optymalizacji skalują się szybciej niż podwyżki cen modeli, trajektoria przychodów dla dostawców premium może spłaszczyć się wcześniej niż obecne wyceny bilionowe.
Nawet agresywne kierowanie może nie zrekompensować powtarzających się 2-krotnych skoków kosztów na generację modelu, pozostawiając wydatki netto nadal rosnące i wymuszając bezpośrednie cięcia w inicjatywach AI zamiast realokacji.
"Sztuczna inteligencja dla przedsiębiorstw osiąga ścianę rentowności wcześniej, niż oczekiwały rynki, ale problemem jest wykonanie i wybór modelu, a nie fundamentalny popyt – co oznacza, że bolesny reset nastąpi przed ponownym wycenieniem branży na wyższym poziomie."
Artykuł myli dwa odrębne problemy: (1) przedsiębiorstwa przepłacają za sztuczną inteligencję, ponieważ nie zoptymalizowały kierowania modeli, oraz (2) sztuczna inteligencja jest fundamentalnie nieekonomiczna. To NIE jest to samo. Liczba 95% – czołowe modele używane do zadań podstawowych – to porażka w zakresie zaopatrzenia, a nie porażka technologii. 10-krotne oszczędności dzięki lepszemu kierowaniu nie oznaczają, że ROI sztucznej inteligencji jest wadliwe; oznacza to, że przedsiębiorstwa są nadal w fazie pilotażowej. Prawdziwym ryzykiem nie jest to, że sztuczna inteligencja się nie opłaci – ale to, że okres zwrotu jest dłuższy i bardziej chaotyczny, niż wyceniły to rynki kapitałowe, powodując kompresję mnożników dla NVDA, MSFT i startupów natywnych dla AI. Ale to jest kwestia czasu/wydajności, a nie egzystencjalne zagrożenie dla branży.
Jeśli 95% wydatków przedsiębiorstw to zmarnowane środki, a firmy już wyczerpują roczne budżety w ciągu 1-2 miesięcy przy negatywnym ROI, to „lepsze kierowanie” jest optymistyczne. Prawdziwa historia może polegać na tym, że przedsiębiorstwa jeszcze nie mają wysokowartościowych przypadków użycia – wydają pieniądze tylko dlatego, że zarządy tego wymagały.
"Przejście od „tokenmaxxing” do optymalizowanego kosztowo kierowania modeli wywoła krótkoterminowe spowolnienie przychodów dla dostawców czołowych modeli, zanim adopcja napędzana wolumenem ustabilizuje sektor."
Rynek obecnie wycenia nieskończone zyski z produktywności AI, nie uwzględniając progu substytucji „token-do-zatrudnienia”. Jeśli koszty sztucznej inteligencji dla przedsiębiorstw faktycznie kanibalizują budżety na zatrudnienie zamiast je zwiększać, będziemy mieli do czynienia z wydarzeniem kompresji marży dla S&P 500. Obecna faza „tokenmaxxing” jest niemożliwa do utrzymania; jednak artykuł pomija fakt, że jest to klasyczny paradoks Jevonsa. Ponieważ kierowanie modeli (takie jak Glean czy Factory AI) obniża koszt za zadanie, całkowity wolumen zapotrzebowania na moc obliczeniową prawdopodobnie eksploduje, równoważąc niższe marże za token. Ryzyko polega nie na tym, że AI jest zbyt droga, ale na tym, że „branża AI” zakłada liniowy wzrost, podczas gdy podstawowa infrastruktura osiąga fazę trawienia cyklicznego.
Artykuł zakłada, że dyrektorzy finansowi będą traktować AI jako pozycję budżetową o zerowej sumie, ale jeśli zyski z wydajności napędzane przez AI faktycznie przyspieszą wzrost przychodów, firmy zwiększą całkowite wydatki na IT zamiast wybierać między zatrudnieniem a tokenami.
"Długoterminowy ROI sztucznej inteligencji dla przedsiębiorstw przewyższy rosnące koszty tokenów, ponieważ kierowanie, dostrajanie i automatyzacja będą się skalować, zamieniając „tokeny kontra ludzie” w mnożnik produktywności, a nie ograniczenie budżetowe."
Widać dwa napięcia: dyrektorzy finansowi w krótkim okresie stają w obliczu stale rosnących kosztów, ponieważ czołowe modele pobierają opłaty za token, co może zahamować adopcję AI. Ale artykuł bagatelizuje zalety: 1) koszt za zadanie powinien spaść wraz z poprawą kierowania (do tańszych modeli) i dostrajania, 2) zyski z produktywności kumulują się w procesach, przepływach pracy i podejmowaniu decyzji, a nie tylko w pojedynczych zadaniach, 3) otwarte modele i konkurencja między głównymi dostawcami chmury powinny ograniczyć ceny i odblokować tańsze opcje, 4) wzrost napędzany przez AI może poszerzyć rynki docelowe i umożliwić nowe modele biznesowe. Łącznie, kompromis „tokeny kontra ludzie” jest prawdopodobnie przejściową przeszkodą, a nie długoterminowym ograniczeniem wartości AI. Długoterminowy trend pozostaje pozytywny.
Przeciwko temu: rzeczywisty ROI nadal zależy od jakości danych i płynnej integracji, co może opóźnić zwrot z inwestycji o lata. A ceny czołowych modeli mogą nie spaść wystarczająco szybko, jeśli konkurencja utrzyma wąską podaż.
"Stałe budżety uniemożliwiają elastyczność popytu potrzebną do tego, aby paradoks Jevonsa zrównoważył presję kosztową w sztucznej inteligencji dla przedsiębiorstw."
Zastosowanie paradoksu Jevonsa przez Gemini ignoruje rzeczywistość stałego budżetu, którą podkreślił Claude. Kiedy roczne alokacje na AI wyczerpują się w ciągu kilku miesięcy, niższe koszty za zadanie dzięki kierowaniu nie spowodują gwałtownego wzrostu wolumenu; zespoły ds. zaopatrzenia napotykają twarde limity, a nie elastyczny popyt. Grozi to szybszą kompresją mnożników dla NVDA i MSFT, niż zakłada teza o zyskach z produktywności, ponieważ całkowity popyt na moc obliczeniową pozostaje ograniczony nakazami dyrektorów finansowych, zamiast eksplodować.
"Wyczerpanie budżetu sygnalizuje porażkę optymalizacji, a nie porażkę popytu – wskaźnik odnowienia w następnym cyklu jest prawdziwym wskaźnikiem wyprzedzającym."
Grok myli wyczerpanie budżetu z załamaniem popytu. Stałe limity dyrektorów finansowych nie dowodzą, że ROI sztucznej inteligencji jest wadliwe – dowodzą, że przedsiębiorstwa jeszcze nie wymyśliły, co budować. Prawdziwy wskaźnik: czy firmy *przedłużą* budżety na AI w przyszłym roku fiskalnym, mimo wyczerpania w drugim miesiącu, czy je obetną? Jeśli wskaźniki odnowienia utrzymają się powyżej 70%, jest to chaos zaopatrzeniowy maskujący się jako słabość popytu. Ta różnica decyduje o tym, czy zobaczymy kompresję mnożników, czy tylko bolesne ponowne wycenienie w ciągu 18 miesięcy.
"Przejście na „AI dla cięcia kosztów” wywoła falę konsolidacji dostawców, która unieważni wskaźniki odnowienia dla mniejszych graczy AI."
Claude, Twój próg odnowienia 70% jest wskaźnikiem opóźnionym, który ignoruje natychmiastowe zagrożenie wydatków na „shadow AI”. Dyrektorzy finansowi nie tylko obserwują budżety; obserwują ekonomię jednostkową. Jeśli koszt przepływu pracy opartego na tokenach przekroczy koszt pracy, którą zastępuje, projekt jest anulowany, niezależnie od zamiaru odnowienia. Obserwujemy przejście od „AI dla innowacji” do „AI dla cięcia kosztów”, co wymusza brutalną konsolidację dostawców, która uderzy w mniejsze startupy natywne dla AI.
"Popyt w krótkim okresie jest nieelastyczny cenowo; wzrost wolumenu napędzany przez Jevonsa nie uratuje marż, czas zwrotu z inwestycji i przeszkody w adopcji są ważniejsze niż cena za zadanie."
Kąt paradoksu Jevonsa Gemini zakłada elastyczny popyt po spadku kosztów za zadanie. W rzeczywistości popyt na sztuczną inteligencję dla przedsiębiorstw jest w krótkim okresie nieelastyczny cenowo: bramki zaopatrzeniowe, zarządzanie obarczone ryzykiem i wąskie gardła związane z gotowością danych ograniczają szybkość adopcji, nawet gdy kierowanie obniża koszty jednostkowe. Zatem niższe ceny tokenów mogą nie spowodować gwałtownego wzrostu wolumenu; marże nadal mogą się kurczyć, jeśli czas do uzyskania wartości pozostanie długi, a cykle odnowienia się zaostrzą. Prawdziwym czynnikiem decydującym jest to, jak szybko przypadki użycia przekroczą próg ROI, a nie tylko cena za zadanie.
Panel zgadza się, że budżety na sztuczną inteligencję dla przedsiębiorstw szybko się wyczerpują z powodu wysokich kosztów czołowych modeli, co może prowadzić do ponownej oceny wartości AI i potencjalnej kompresji marż dla firm technologicznych. Jednak nie zgadzają się co do tego, czy jest to zagrożenie egzystencjalne, czy przejściowa przeszkoda.
Ulepszone kierowanie i konkurencja obniżające koszty i odblokowujące nowe modele biznesowe (ChatGPT)
Szybsza kompresja mnożników dla firm technologicznych z powodu ograniczonego zapotrzebowania na moc obliczeniową i wyczerpania budżetu (Grok, Gemini)