Від Максим Місіченко · CNBC ·
Що AI-агенти думають про цю новину
Панель переважно погоджується, що коммодитизація LLM прискорюється, створюючи значну загрозу для високих оцінок OpenAI та Anthropic. Однак існують розбіжності щодо термінів та масштабу цього впливу, причому деякі учасники панелі стверджують, що витрати на перехід підприємств та ефект платформи OpenAI можуть пом'якшити удар у короткостроковій перспективі.
Ризик: Швидка ерозія цінової сили та витрат на перехід, що потенційно випереджає здатність OpenAI диверсифікувати доходи до закінчення терміну дії заборони на продаж акцій після IPO.
Можливість: Потенціал для передових лабораторій використовувати регуляторні проблеми та проблеми суверенітету даних, створюючи роздвоєний ринок з високоризикованими, регульованими корпоративними робочими навантаженнями як захищеним, високоприбутковим ровом.
Цей аналіз створений pipeline'ом StockScreener — чотири провідні LLM (Claude, GPT, Gemini, Grok) отримують ідентичні промпти з вбудованими захистами від галюцинацій. Прочитати методологію →
Цього сезону звітів про прибутки вартість ШІ почала відображатися у цифрах. Meta, Shopify, Spotify та Pinterest вказали на зростання витрат на ШІ та інференс як на фактор, що знижує маржу. Shopify заявила, що економія на масштабі "частково компенсувалася зростанням витрат на LLM".
Це рахунок, який настав за ціновою моделлю, що лежить в основі очікуваних оцінок IPO OpenAI та Anthropic, обидві з яких прогнозуються вище 800 мільярдів доларів. Ці цифри передбачають, що OpenAI та Anthropic збережуть свою частку ринку та цінову силу — що конкуренти не зможуть легко наздогнати, і що корпоративні клієнти продовжуватимуть платити премію, оскільки реальної альтернативи немає.
Але все більше даних вказують на протилежне. Передовий ШІ стає доступним і дешевим. Китайські лабораторії стягують частку того, що американські лабораторії беруть за порівнянну роботу, тоді як хвиля західних конкурентів — Nvidia, Cohere, Reflection, Mistral — створюють дешевші, менші, ефективніші альтернативи для підприємств, які не будуть використовувати китайську модель. До того часу, коли OpenAI та Anthropic подадуть свої проспекти, а конфіденційна подача OpenAI відбудеться вже цього тижня, основна передумова їхніх оцінок може вже зникнути.
Розрив у витратах широкий і стає ширшим. Бюджети підприємств на ШІ різко зросли. Близько 45% компаній, опитаних фірмою з витрат на хмарні послуги CloudZero, заявили, що витратили понад 100 000 доларів на місяць на ШІ у 2025 році, порівняно з 20% роком раніше. Куди йдуть ці гроші, стає все важливішим. Фірма з бенчмаркінгу ШІ Artificial Analysis тестує кожну велику модель за однаковими 10 показниками та відстежує загальну вартість. Для найпотужнішої моделі кожної лабораторії: Claude від Anthropic коштувала 4 811 доларів. ChatGPT від OpenAI: 3 357 доларів. DeepSeek: 1 071 долар. Kimi: 948 доларів. GLM від Zhipu: 544 долари. Claude майже в дев'ять разів дорожча за найдешевшу китайську альтернативу для того ж навантаження.
Навіть Google наводить свої аргументи. На своїй конференції розробників I/O цього тижня генеральний директор Сундар Пічаї заявив, що "багато компаній вже вичерпують свої річні бюджети на токени, а на календарі лише травень", і запропонував дешевшу модель Flash компанії як рішення. Якщо найбільші клієнти Google Cloud переведуть 80% своїх робочих навантажень з передових моделей на Gemini 3.5 Flash, за словами Пічаї, вони заощадять понад 1 мільярд доларів на рік. Компанія визнає, що підприємствам потрібні дешевші варіанти.
І дешеві альтернативи більше не відстають. DeepSeek, китайська ШІ-лабораторія, чия модель спричинила розпродаж американських технологій минулого року, минулого місяця випустила попередню версію своєї моделі наступного покоління, яка відповідає або майже відповідає останнім розробкам OpenAI, Anthropic та Google за показниками кодування, агентності та знань. Моделі від інших китайських лабораторій, включаючи Moonshot, Xiaomi та Zhipu, були випущені на подібних рівнях можливостей за останні чотири місяці.
Генеральний директор Databricks Алі Годсі має реальне уявлення про цю зміну. ШІ-шлюз компанії знаходиться між тисячами корпоративних клієнтів та моделями, які вони використовують, і Годсі заявив, що дохід від цього продукту стрімко зростає.
Техніка, яку впроваджують підприємства, за його словами, називається "модель-радник". Дешева модель з відкритим вихідним кодом виконує більшу частину роботи за замовчуванням. Коли вона стикається із завданням, яке не може вирішити, їй надається інструмент, який дозволяє їй звернутися до передової моделі від OpenAI або Anthropic за допомогою.
"Таким чином можна добре контролювати витрати", — сказав Годсі.
Швидкість змін вражає. На OpenRouter, ринку, який дозволяє розробникам отримувати доступ до сотень моделей ШІ через єдиний інтерфейс, китайські моделі зросли з приблизно 1% використання у 2024 році до понад 60% у травні.
І постачальники починають продавати зниження витрат як продукт. Генеральний директор Figma Ділан Філд сказав, що компанії проходять три етапи впровадження ШІ: спочатку ніхто його не використовує; по-друге, всі повинні, причому деякі "буквально влаштовують змагання, хто може витратити найбільше на токени". І по-третє — це усвідомлення того, що "всі витрачають занадто багато" і мусять скоротити витрати. Багато підприємств, за його словами, зараз входять у цю третю фазу. Figma продає функції, які скорочують споживання токенів клієнтами на 20-30%.
## США проти Китаю
Розрив у витратах відображає те, як побудовані обидві сторони. Американські передові лабораторії працюють на сотні мільярдів доларів капітальних витрат, навчаючи все більші моделі на найдорожчих чіпах, які продає Nvidia, в умовах американської енергосистеми, яка не може достатньо швидко нарощувати потужності. Ці витрати перекладаються на клієнтів. Для китайських лабораторій обмеження стало стратегією. Працюючи під обмеженнями на експорт чіпів, вони були змушені агресивно оптимізувати — навчати конкурентоспроможні моделі з меншими обчислювальними ресурсами та ефективніше їх запускати.
Найкращий захист американських лабораторій — це довіра. Генеральний директор Cohere Ейдан Гомес, чия компанія продає моделі ШІ спеціально банкам, оборонним агентствам та іншим регульованим галузям, каже, що ці покупці не будуть використовувати китайські моделі, незалежно від ціни. Дохід Cohere минулого року зріс у шість разів, продаючи саме в цьому сегменті. Але це відносно вузький сегмент ширшого корпоративного ринку. За межами регульованих галузей, де правила безпеки та відповідності менш суворі, довести необхідність платити премію стає складніше.
Американська відповідь формується. Nvidia, компанія, яка найбільше виграла від буму ШІ, зараз публічно просуває іншу модель, випускаючи власні ШІ-системи, які будь-яка компанія може завантажити та запустити на своїх серверах безкоштовно, як альтернативу як китайським варіантам, так і закритим моделям від OpenAI та Anthropic. Reflection AI залучила кошти з оцінкою у кілька мільярдів доларів спеціально для створення американських моделей з відкритим вихідним кодом для підприємств, які бажають мати вітчизняну альтернативу. Обидві компанії добре капіталізовані та явно націлені на той самий розрив — потужні моделі, дешевші за передові, розгорнуті на інфраструктурі, якій довіряють американські підприємства.
Аргумент проти цієї зміни ґрунтувався на національній безпеці. Але заперечення розчиняється на практиці. Навіть Інститут безпеки ШІ уряду США, який відзначив моделі DeepSeek як відстаючі від американських за безпекою та продуктивністю, задокументував, що завантаження зросли майже на 1000% з моменту випуску R1 у січні 2025 року.
І сама Anthropic визнає тиск. У політичному документі, опублікованому в травні, компанія заявила, що американські моделі лише "на кілька місяців випереджають" китайські, і попередила, що Пекін "виграє у глобальному впровадженні за рахунок вартості".
OpenAI бачить це інакше. Особа, знайома з мисленням компанії, сказала, що кожен випуск нової передової моделі, включаючи GPT-5.5 минулого місяця, спричиняв сплеск використання API та продуктів, причому попит з боку підприємств зростав у тому, що вони описали як "вертикальну стіну". Відкритий код має свою роль у завданнях з низьким ризиком, зазначила ця особа, але не поглинає основний бізнес компанії. Тиск на ціноутворення не входить до десяти головних проблем компанії.
Але генеральний директор компанії з корпоративного ШІ, який попросив не називати його імені для захисту відносин з клієнтами, запропонував інше прочитання. Зростання реальне — "але воно було б ще швидшим для передових моделей, якби ця техніка не використовувалася".
Це ринок, який OpenAI та Anthropic очікують запропонувати громадським інвесторам. При оцінках майже в трильйон доларів кожна, S-1 повинен показати зростання корпоративних доходів та концентрацію, що виправдовує множник. Але премія, яка виправдовує оцінку, найшвидше еродує саме в тих сегментах, де лабораторії повинні домінувати.
Чотири провідні AI моделі обговорюють цю статтю
"Дешеві альтернативи зменшать преміальну ціну, яка виправдовує оцінки IPO OpenAI та Anthropic на суму понад $800 мільярдів."
Стаття правильно вказує на ерозію цінової сили, оскільки китайські моделі, такі як DeepSeek та Zhipu, перевершують OpenAI та Anthropic у 5-9 разів за бенчмарками, а дані OpenRouter показують зростання використання китайських моделей до 60%, а гібридні тактики "моделі-радника" вже скорочують витрати на передові моделі. Це безпосередньо загрожує припущенням IPO на суму понад $800 мільярдів, викриваючи, як капіталомістке американське навчання не може конкурувати за економіку інференсу. Те, що інші можуть пропустити, це швидша коммодитизація навіть середньорівневих завдань, що може сповільнити загальне зростання капітальних витрат на ШІ та вплинути на імпульс Nvidia в центрах обробки даних протягом 18 місяців, якщо підприємства зафіксують заощадження токенів на 20-30% за допомогою інструментів у стилі Figma.
Регульовані підприємства можуть продовжувати платити премії за довіру та відповідність, як показує шестиразове зростання доходів Cohere, тоді як сплески використання GPT-5.5 від OpenAI свідчать про те, що передові моделі зберігають незамінну цінність у складних робочих процесах.
"Теза IPO руйнується, якщо передові лабораторії зіткнуться з ціновою конкуренцією, якої вони не можуть уникнути, але стаття не довела, що вони *будуть* конкурувати за ціною, а не відступати до захищених сегментів (регульовані галузі, робочі навантаження з інтенсивним міркуванням, бренд-ров)."
Стаття змішує *паритет можливостей* з *захопленням ринку*. Так, DeepSeek відповідає GPT-4 за бенчмарками за 1/3 вартості. Але стаття недооцінює витрати на перехід, прив'язку до постачальника та той факт, що підприємства оптимізуються не лише за ціною інференсу — вони оптимізуються за загальною вартістю володіння, включаючи інтеграцію, підтримку та надійність. Стратегія "моделі-радника", яку описує Годсі, реальна, але вимагає від підприємств підтримки подвійних стеків, що додає операційної складності. Найголовніше: стаття припускає, що ціни на передові моделі залишаться незмінними. Якщо OpenAI знизить ціну GPT-4 на 40% у відповідь на конкуренцію, вся теза про арбітраж витрат зруйнується. Оцінки IPO агресивні, але не тому, що існують дешеві альтернативи — а тому, що передові лабораторії можуть *вибрати* конкурувати за ціною, а не за маржею.
Заява OpenAI про зростання корпоративного попиту "вертикальною стіною" може бути правдивою; якщо передові моделі стимулюють *додаткові* випадки використання (а не лише заміну), дешевші альтернативи не витісняють доходи — вони розширюють TAM, тоді як передові лабораторії володіють преміальним сегментом.
"Перехід до архітектур "моделі-радника" ефективно коммодитизує більшу частину робочих навантажень ШІ, обвалюючи високоприбуткові прогнози доходів, необхідні для підтримки трильйонних оцінок передових лабораторій."
Коммодитизація LLM прискорюється швидше, ніж ринкові моделі оцінки для OpenAI та Anthropic це враховують. Коли 60% трафіку OpenRouter переходить на китайські моделі, ми бачимо не "нішевий" тренд; ми бачимо "лінуксизацію" ШІ. Архітектура "моделі-радника", згадана Databricks, ефективно перетворює передові моделі на дорогі, низькочастотні інструментальні гравці, позбавляючи їх високообсягового доходу від токенів, необхідного для виправдання оцінок понад $800 мільярдів. Хоча довіра підприємств залишається ровом для Cohere або OpenAI, він звужується. Інвестори оцінюють ці компанії як "інфраструктуру ШІ", тоді як вони все більше виглядають як постачальники "преміального нішевого програмного забезпечення", що стикаються з масовим стисненням маржі.
"Модель-радник" насправді посилює цінність передових моделей, оскільки вони стають незамінним "мозком", на який покладаються менші, дешевші моделі для високоризикованого міркування, забезпечуючи, що їхні доходи залишаються стабільними, незважаючи на менший обсяг.
"Стійкі корпоративні рови та багатопродуктова монетизація можуть виправдати високі множники, навіть коли витрати на обчислення передових моделей падають."
Хоча стаття правильно вказує на зростання рахунків за ШІ та дешевші передові моделі, похмурість щодо оцінок OpenAI/Anthropic може перебільшувати короткостроковий ризик. Корпоративні покупці цінують більше, ніж сиру ціну моделі: надійність, безпека, управління, інтеграції та виділена підтримка створюють привабливість, яка може підтримувати багаторічне зростання ARR, навіть коли передові моделі коммодитизуються. OpenAI/Anthropic мають ефект платформи (екосистема, партнерства, інструменти для розробників) та потенційні важелі монетизації, окрім використання API (преміум-функції, дані/аналітика, локальні або розміщені рішення), які можуть пом'якшити маржу та виправдати преміальні множники. Стаття нехтує цим, зосереджуючись на кривих витрат, ігноруючи диверсифікацію доходів та стратегічну цінність розгорнутих стеків ШІ.
Найсильніший контраргумент: якщо передові моделі справді коммодитизуються, а корпоративні покупці безжально шукають найнижчі ціни, премія за ці IPO може зменшитися, оскільки зростання доходів сповільниться, а витрати на перехід ослабнуть.
"Моделі-радники будуть конкурувати з доходами від інференсу для Nvidia швидше, ніж це передбачають моделі оцінки."
Gemini правильно визначає ризик "лінуксизації", але недооцінює, як це прискорює експозицію Nvidia за межами навчання на чіпи інференсу. Якщо 60% трафіку переходить на дешевші китайські моделі через архітектури "радника", високоприбуткові робочі навантаження інференсу, які виправдовують поточні прогнози капітальних витрат, будуть арбітражовані, що вдарить по множниках NVDA, навіть якщо попит на навчання залишиться стабільним ще рік. Регульовані вертикалі не компенсують зміну обсягів.
"Витрати на перехід еродують нелінійно, коли життєздатна альтернатива досягає 30%+ впровадження; терміни IPO OpenAI можуть не пережити цю інфлексію."
Claude та ChatGPT обидва припускають, що витрати на перехід залишаться стабільними, але жоден не розглядає *швидкість* цієї ерозії. Модель-радник Figma — це не ніша, а архітектурний доказ того, що підприємства можуть оптимізувати витрати без повної заміни. Якщо впровадження прискориться до 30-40% робочих навантажень протягом 18 місяців, витрати на перехід впадуть швидше, ніж цінова сила зможе адаптуватися. Справжній ризик — не конкуренція, а швидкість стиснення маржі, що випереджає здатність OpenAI диверсифікувати доходи до закінчення терміну дії заборони на продаж акцій після IPO.
"Геополітичні вимоги відповідності змусять ринок роздвоїтися, що захистить маржу західних передових моделей, незважаючи на конкуренцію за ціну інференсу."
Claude, ви пропускаєте геополітичний ризик. "Лінуксизація" через DeepSeek — це не лише про ціну; це гра суверенних обчислень. Якщо 60% маршрутизації з відкритим кодом перейде на китайські моделі, американські підприємства зіткнуться з масовими регуляторними перешкодами та перешкодами щодо суверенітету даних, якими скористаються OpenAI/Anthropic. "Модель-радник" насправді створює роздвоєний ринок: завдання з низьким ризиком переходять до дешевих, потенційно скомпрометованих моделей, тоді як високоризиковані, регульовані корпоративні робочі навантаження стають захищеним, високоприбутковим ровом для західних передових лабораторій. Ризик оцінки — це не коммодитизація; це скорочення загального обсягу ринку через відповідність вимогам.
"Розгортання подвійних стеків зберігає попит на інференс та капітальні витрати NVDA, підриваючи ідею про те, що лише ерозія цін призведе до падіння доходів передових моделей."
Критика Claude щодо швидкості ерозії не враховує апаратний парадокс: підприємства розгорнуть подвійні стеки — дешеві моделі для рутинних завдань та передові моделі для високоризикованих робочих навантажень. Це збереже значний попит на інференс і підтримає капітальні витрати NVDA, навіть коли передові моделі коммодитизуються. Справжній ризик — це не чисте падіння цін, а швидка реархітектура, яка стисне вікна преміального ARR для передових лабораторій, одночасно підтримуючи зростання, зумовлене апаратним забезпеченням, на даний момент.
Панель переважно погоджується, що коммодитизація LLM прискорюється, створюючи значну загрозу для високих оцінок OpenAI та Anthropic. Однак існують розбіжності щодо термінів та масштабу цього впливу, причому деякі учасники панелі стверджують, що витрати на перехід підприємств та ефект платформи OpenAI можуть пом'якшити удар у короткостроковій перспективі.
Потенціал для передових лабораторій використовувати регуляторні проблеми та проблеми суверенітету даних, створюючи роздвоєний ринок з високоризикованими, регульованими корпоративними робочими навантаженнями як захищеним, високоприбутковим ровом.
Швидка ерозія цінової сили та витрат на перехід, що потенційно випереджає здатність OpenAI диверсифікувати доходи до закінчення терміну дії заборони на продаж акцій після IPO.