Инженерная катастрофа в сфере ИИ: когда капитал заменяет мышление – почему генеративный ИИ выходит из-под экономического контроля

Создание подлинной стратегической ценности возможно только при четком определении сценариев использования, надежной архитектуре и последовательном управлении

Ажиотаж вокруг генеративного ИИ был огромным, но теперь в деловом мире нарастает разочарование. Миллиарды вкладываются в огромные центры обработки данных с ненасытным аппетитом к электроэнергии и дорогостоящим микросхемам памяти. В то же время большинство компаний не оправдывают ожиданий в плане финансового успеха. Неужели технология, провозглашенная следующим этапом цифровой революции, уже достигает своих физических и экономических пределов? Критики даже называют её одной из крупнейших «инженерных катастроф» в истории: триллионный эксперимент, противоречащий классическим принципам масштабирования программного обеспечения. Более пристальный взгляд на цифры показывает, почему всё больше экспертов призывают к радикальной стратегической перестройке — от слепого гигантизма к большей точности.

Худшая технология всех времен? Почему эксперты вдруг начали сомневаться в чуде искусственного интеллекта

Не чипы, а электричество: настоящая причина, по которой пузырь искусственного интеллекта может лопнуть

В последние недели обострились дебаты об экономической ценности генеративного искусственного интеллекта. Статья журналиста Алекса Рейснера в известном американском журнале The Atlantic выдвинула утверждение, которое заставило задуматься даже самых убежденных оптимистов в отношении технологий: если оценивать генеративный ИИ с учетом понесенных затрат и достигнутой инженерной эффективности, он может оказаться худшей цифровой технологией, когда-либо разработанной в больших масштабах. Эта оценка основана не на идеологической технофобии, а на трезвом анализе потребления ресурсов, масштабируемости и макроэкономических побочных эффектов. Рейснер сообщает, что он спросил нескольких исследователей ИИ, знают ли они какое-либо другое программное обеспечение в реальном мире, которое масштабировалось бы так же плохо, как большие языковые модели. Никто не смог назвать сопоставимую технологию. Это утверждение знаменует собой разрыв с преобладающим мнением о том, что генеративный ИИ — это всего лишь следующий этап цифровой революции после интернета и смартфонов.

«Точность важнее скорости: только благодаря четкому определению практического применения, надежной архитектуре и последовательному управлению генеративный ИИ может превратиться из дорогостоящей теневой ИТ-инфраструктуры в подлинный компонент стратегического создания ценности. Сейчас нам нужна твердая инженерная дисциплина, а не слепой активизм»

Доля в семьдесят процентов, которая преобразует целую отрасль

Ключевым доказательством неэффективности является потребление памяти крупными языковыми моделями. Согласно отчетам, технологические компании сейчас закупают до 70 процентов мирового объема высококачественной компьютерной памяти для запуска и обучения таких моделей, как ChatGPT и Claude. Эта огромная доля создает структурный дефицит, выходящий далеко за рамки самой индустрии ИИ. Производители микросхем памяти, такие как SK Hynix, Micron и Samsung, уже предварительно продали все свои производственные мощности на 2026 год крупным облачным провайдерам, что привело к рекордной марже в 60-70 процентов на высокоскоростные микросхемы памяти. Для практически всех других отраслей, зависящих от полупроводников — от автомобильной промышленности и бытовой электроники до промышленной автоматизации — это означает более высокие затраты на закупку и более длительные сроки поставки. Таким образом, производители памяти освободились от своей многолетней роли поставщиков сырья с низкой маржой и теперь диктуют цены, поскольку искусственный дефицит стал самым прибыльным продуктом отрасли.

Почему классические правила экономики программного обеспечения здесь не работают

В классической цифровой экономике на протяжении десятилетий оставался верен простой принцип: программное обеспечение масштабируется практически бесплатно. После разработки программы обслуживание дополнительного миллиона пользователей обходится немногим дороже, чем обслуживание одного. Этот самый принцип масштабирования, на котором основывался экономический успех Google, Facebook и традиционных облачных сервисов, не применим к генеративному ИИ. Каждый запрос к большой языковой модели влечет за собой измеримые вычислительные, запоминающие и энергетические затраты, которые растут линейно или даже непропорционально с числом пользователей. По оценкам, один запрос к системе чата с ИИ потребляет во много раз больше энергии, чем традиционный поисковый запрос. Эту физическую реальность нельзя игнорировать одной лишь оптимизацией программного обеспечения. Именно в этом и заключается суть критики: инвесторы перенесли логику оценки традиционных программных платформ на продукт, предельные издержки использования которого не приближаются к нулю, а остаются реальными и существенными.

Эксперимент стоимостью в триллион долларов без готового плана

Масштабы этой трансформации беспрецедентны. Только пять крупнейших гипермасштабных компаний — Amazon, Microsoft, Google, Meta и Oracle — объявили о совокупных инвестициях в инфраструктуру ИИ на текущий год в размере более 660 миллиардов долларов США. Только OpenAI заключила соглашения со своими партнерами Oracle и Nvidia на сумму более 400 миллиардов долларов и планирует проект центра обработки данных в Техасе мощностью 1,2 гигаватта, что эквивалентно электроснабжению примерно 750 000 домов. В то же время, согласно общедоступным отчетам, компания сообщает о ежегодных операционных убытках в размере около 5 миллиардов долларов при выручке около 12 миллиардов долларов. Таким образом, суммы инвестиций в соотношении с предыдущей выручкой вряд ли могут быть оправданы традиционными бизнес-показателями. Поэтому критики справедливо описывают это как триллионный инженерный эксперимент, в котором важнейшие задачи эффективности, масштабируемости и надежной архитектуры решаются ретроспективно и в условиях нехватки времени, вместо того чтобы быть основательно решенными с самого начала. Вопрос о том, может ли это последующее усовершенствование быть в полной мере успешным с технической точки зрения, в настоящее время остается открытым и все чаще воспринимается скептически в экспертных кругах.

Как Китай переосмысливает вопрос власти

Второй фактор еще больше подогрел дискуссию в последние месяцы: появление сравнительно эффективных китайских моделей. Китайские поставщики, такие как DeepSeek, продемонстрировали, что высокопроизводительные языковые модели могут быть реализованы со значительно меньшими вычислительными затратами и меньшими затратами на обучение, чем подходы крупных американских поставщиков. Сравнение цен иллюстрирует масштаб разницы: в то время как запрос к первоклассной западной модели, такой как Claude, стоит примерно 4811 вычислительных единиц, сопоставимой китайской модели требуется всего около 1071 единицы. Этот разрыв в эффективности не является академической сноской для инвесторов, а вопросом экзистенциальной важности, поскольку он напрямую влияет на запланированные IPO американских поставщиков моделей. Отчеты показывают, что существование более дешевых, но мощных китайских альтернатив все чаще ставит под сомнение оценки более чем в 800 миллиардов долларов, прогнозируемые для IPO OpenAI и Anthropic. Если конкурент может предложить сопоставимый продукт за гораздо меньшую стоимость, оправдание таких высоких мультипликаторов становится значительно сложнее.

Дефицит, от которого страдают и все остальные отрасли промышленности

Ресурсные потребности генеративного ИИ выходят далеко за рамки требований к хранению данных. Недавние анализы полупроводниковой промышленности описывают ситуацию, когда одновременно возникают несколько физических узких мест: медь для проводки и охлаждения, гелий для охлаждения пластин и проверки герметичности, а также бром для травления схем стали дефицитными, и центры обработки данных теперь активно конкурируют с традиционными отраслями промышленности за эти сырьевые материалы. Цена на медь достигла пика около шести долларов за фунт в январе этого года, а цена на алюминий — четырехлетнего максимума. К этому добавляется геополитический компонент: сбои в работе ключевого узла экспорта природного газа в Катаре в марте временно лишили мировой рынок примерно 20 процентов мировых поставок сжиженного природного газа, что привело к росту затрат на электроэнергию для энергоемких заводов по производству микросхем на Тайване и в Южной Корее. Эта цепочка зависимостей демонстрирует, как продукт, изначально чисто цифровой, глубоко переплелся с физическими цепочками поставок, энергетическими рынками и геополитическими разломами, создавая сбои, выходящие далеко за пределы самого технологического сектора.

Когда даже чипсы перестают быть узким местом

Ещё более удивительным стало событие, произошедшее в 2026 году: истинным ограничивающим фактором для дальнейшего развития инфраструктуры ИИ стала не полупроводники, а доступность электроэнергии. Многие технологические компании уже имеют запасы передовых чипов для ИИ, которые они просто не могут ввести в эксплуатацию из-за недостаточной доступности электросетей. Время ожидания подключения к электросети для новых центров обработки данных в США сейчас составляет от трёх до семи лет, а общая очередь на подключение превышает 2100 гигаватт, что превосходит всю существующую мощность электросети страны. Один кластер для обучения ИИ, подобный тем, что сейчас эксплуатируются Microsoft, Google или Amazon, может непрерывно потреблять от 50 до 150 мегаватт, что примерно эквивалентно потребностям в электроэнергии от 40 000 до 120 000 среднестатистических американских домохозяйств. Аналитики Goldman Sachs прогнозируют, что к 2030 году спрос на электроэнергию со стороны центров обработки данных в США увеличится примерно на 160 процентов, в то время как Североамериканская комиссия по надежности энергосистемы уже предупреждает о возросшем риске отключений электроэнергии на значительной части территории страны. Это фактически означает, что миллиарды долларов инвестиций в микросхемы будут фактически потрачены впустую, пока соответствующая энергетическая инфраструктура не начнет соответствовать потребностям — ситуация, которая еще больше снизит рентабельность инвестиций для всей отрасли.

Платформа управляемого ИИ — Изображение: Xpert.Digital

Здесь вы узнаете, как ваша компания может быстро, безопасно и без высоких барьеров для входа внедрить индивидуальные решения на основе искусственного интеллекта.

Управляемая платформа искусственного интеллекта — это комплексное и беззаботное решение для вашего бизнеса в сфере искусственного интеллекта. Вместо того чтобы возиться со сложными технологиями, дорогостоящей инфраструктурой и длительными процессами разработки, вы получаете готовое решение, адаптированное под ваши потребности, от специализированного партнера — зачастую всего за несколько дней.

Основные преимущества с первого взгляда:

⚡ Быстрая реализация: от идеи до готового к использованию приложения за считанные дни, а не месяцы. Мы предлагаем практические решения, которые создают немедленную добавленную стоимость.

🔒 Максимальная безопасность данных: Ваши конфиденциальные данные остаются с вами. Мы гарантируем безопасную и соответствующую законодательству обработку данных без их передачи третьим лицам.

💸 Отсутствие финансового риска: вы платите только за результат. Полностью исключаются высокие первоначальные инвестиции в оборудование, программное обеспечение или персонал.

🎯 Сосредоточьтесь на своем основном бизнесе: сконцентрируйтесь на том, что у вас получается лучше всего. Мы берем на себя всю техническую реализацию, эксплуатацию и обслуживание вашего решения на основе ИИ.

📈 Перспективность и масштабируемость: ваш ИИ растет вместе с вами. Мы обеспечиваем непрерывную оптимизацию и масштабируемость, а также гибко адаптируем модели к новым требованиям.

Более подробная информация здесь:

• Платформа управляемого искусственного интеллекта

Разочарование внутри самих компаний

В то время как миллиарды долларов вкладываются во все более крупные модели со стороны предложения, ситуация значительно более удручающая со стороны спроса, среди компаний, которые действительно хотят продуктивно использовать генеративный ИИ. Широко цитируемое исследование Массачусетского технологического института показало, что 95 процентов внутренних корпоративных пилотных проектов с генеративным ИИ не принесли никакой измеримой финансовой выгоды, несмотря на общие инвестиции в такие проекты в размере около 40 миллиардов долларов. Консалтинговая компания Bain в ходе масштабного опроса более 900 компаний пришла к аналогичному выводу: хотя 37 процентов компаний стремились к экономии затрат в размере от 11 до 20 процентов, почти 40 процентов компаний, которые фактически измерили результаты, достигли экономии лишь в диапазоне от нуля до 10 процентов. Технология работала технически, но обещанные экономические выгоды не материализовались. Интересно, что, согласно тому же исследованию, несмотря на отсутствие успеха, 90 процентов компаний увеличили свои бюджеты на следующую волну инвестиций, на этот раз в автономных агентов искусственного интеллекта — шаг, который наблюдатели считают потенциально опасным повторением тех же структурных ошибок.

Почему внедрение на практике терпит неудачу

Анализ первопричин провальных проектов дает важнейшие сведения для практической трансформации в сфере ИИ. По данным Gartner, по меньшей мере 30 процентов всех проектов генеративного ИИ забрасываются после этапа концепции, причем основными причинами называются низкое качество данных, неадекватный контроль рисков, стремительный рост затрат или неясные бизнес-преимущества. Bain называет отсутствие доступа к конфиденциальным данным самым большим препятствием, даже более серьезным, чем проблемы с бюджетом, вопросы соответствия требованиям или нехватка квалифицированного персонала. Еще одна ключевая проблема заключается в том, что компании часто автоматизируют существующие неэффективные рабочие процессы, не перепроектируя их кардинально. Простое ускорение ошибочного процесса с помощью ИИ только усугубляет первоначальную ошибку, делая ее более укоренившейся и дорогостоящей, вместо того чтобы исправить ее. Кроме того, существует искаженное представление об автономности развернутых систем: в действительности только около семи процентов используемых в настоящее время агентов ИИ работают полностью автономно, в то время как подавляющее большинство по-прежнему требуют одобрения человека или полагаются на исключения. Однако, если первоначальный бизнес-план был рассчитан исходя из предположения о полной автоматизации, то между расчетной и фактической достигнутой экономией возникает значительный разрыв.

Логика расчета стоимости за единицу использования в качестве контрпредложения

Не все эксперты разделяют общее утверждение о плохой масштабируемости генеративного ИИ. Экономист Христос Макридис утверждает, что решающим фактором является не столько производительность модели, сколько стоимость действительно полезного результата. Согласно этой точке зрения, реальные потери заключаются не в самой технологии, а в том, что многие компании рефлексивно используют самую крупную доступную модель высшего уровня для простых задач, тогда как более мелкие, специализированные модели, системы на основе правил или традиционное программное обеспечение были бы вполне достаточны. Компании должны управлять токенами — единицами обработки языковых моделей — с тем же дисциплинированным подходом, что и расходами на облачные сервисы, рабочим временем персонала или запасами: какие задачи оправдывают использование модели высшего уровня, какие могут быть выполнены более мелкой моделью, где целесообразно буферизовать ответы, а где человек должен оставаться вовлеченным в процесс принятия решений? Эта точка зрения переносит ответственность с самой технологии на управление, которое в конечном итоге определяет успех или неудачу внедрения ИИ, а не только на вычислительную мощность.

Между правдой и преувеличением

Дискуссия вокруг предполагаемой инженерной катастрофы заслуживает более тонкого подхода. Несомненно, потребление ресурсов системами генеративного ИИ в их нынешнем виде исключительно велико и влечет за собой реальные экономические издержки для третьих сторон, не участвующих в проекте, например, из-за повышения цен на хранение энергии или конкуренции за электроэнергетические мощности. Однако было бы упрощением делать вывод о том, что сама технология по своей сути бесполезна или что ее дальнейшее развитие — тупик. Исторически сложилось так, что практически все трансформационные инфраструктурные технологии — от железных дорог и электрификации до расширения волоконно-оптических сетей в 1990-х годах — на ранних этапах сопровождались масштабными переинвестициями, нерациональным распределением ресурсов и порой впечатляющими неудачами, прежде чем в конечном итоге появилась жизнеспособная и эффективная система. Ключевое отличие генеративного ИИ заключается в скорости и масштабе вложенного капитала, который за несколько лет достиг величины, значительно превосходящей предыдущие технологические циклы, в то время как фундаментальные физические узкие места — энергия, хранение, охлаждение — до сих пор даже отдаленно не решены.

Что означает это событие для корпоративной стратегии в области искусственного интеллекта?

Для компаний, стремящихся интегрировать генеративный ИИ в свои бизнес-процессы, эта ситуация имеет очевидные стратегические последствия. Те, кто просто покупает инструменты ИИ как некое волшебное средство повышения производительности и без разбора выбирает самые мощные, но и самые дорогие модели, рискуют попасть в ловушку стоимости и сложности, которая в конечном итоге сводит на нет их первоначально рассчитанный бизнес-план. Успешные компании, с другой стороны, характеризуются очень точной ориентацией на конкретные, четко определенные сценарии использования, где добавленная стоимость измеримо определена с самого начала. Не менее важно осознанное архитектурное решение: не каждая задача требует самой мощной доступной модели; часто достаточно более мелких, специализированных или локально управляемых систем, которые значительно дешевле и энергоэффективнее. Кроме того, необходима надежная структура управления. Эта структура четко определяет, кто в компании отвечает за решения, касающиеся систем ИИ, как структурирован доступ к данным и как фактически измеряется успех до утверждения следующего инвестиционного раунда.

«Генеративный ИИ не должен оставаться неконтролируемым теневым ИТ-проектом. Каждый, кто хочет извлечь реальную выгоду из ажиотажа, должен понимать: точность важнее скорости. Успеха добьются только те, кто сосредоточится на проектировании системы и продуманной организационной архитектуре»

Точность, а не скорость — новый руководящий принцип

Из всех этих наблюдений можно вывести всеобъемлющий принцип, который должен заменить прежнюю гонку за все большими моделями и все большими инвестиционными суммами: точность важнее скорости. Уже недостаточно вкладывать как можно больше капитала в центры обработки данных, микросхемы и обучающие программы как можно быстрее, просто надеясь, что эффективность и прибыльность придут сами собой. Вместо этого с самого начала необходимы надежная системная архитектура, продуманная инженерная разработка и интеллектуальная организационная интеграция в существующие бизнес-процессы. Только в этих условиях генеративный ИИ сможет по-настоящему превратиться из дорогостоящего, часто неконтролируемого явления в теневых ИТ-технологиях в стратегический компонент создания ценности. Следующие два-три года, вероятно, покажут, какие поставщики и компании успешно завершат эту трансформацию от чистой капиталоемкости к подлинной инженерной дисциплине, а какие потерпят неудачу из-за физических и экономических ограничений, которые все еще характеризуют нынешнюю систему.

Новое измерение цифровой трансформации с помощью «управляемого ИИ» (искусственного интеллекта) – платформа и B2B-решение | Xpert Consulting - Изображение: Xpert.Digital

Здесь вы узнаете, как ваша компания может быстро, безопасно и без высоких барьеров для входа внедрить индивидуальные решения на основе искусственного интеллекта.

Управляемая платформа искусственного интеллекта — это комплексное и беззаботное решение для вашего бизнеса в сфере искусственного интеллекта. Вместо того чтобы возиться со сложными технологиями, дорогостоящей инфраструктурой и длительными процессами разработки, вы получаете готовое решение, адаптированное под ваши потребности, от специализированного партнера — зачастую всего за несколько дней.

Основные преимущества с первого взгляда:

⚡ Быстрая реализация: от идеи до готового к использованию приложения за считанные дни, а не месяцы. Мы предлагаем практические решения, которые создают немедленную добавленную стоимость.

🔒 Максимальная безопасность данных: Ваши конфиденциальные данные остаются с вами. Мы гарантируем безопасную и соответствующую законодательству обработку данных без их передачи третьим лицам.

💸 Отсутствие финансового риска: вы платите только за результат. Полностью исключаются высокие первоначальные инвестиции в оборудование, программное обеспечение или персонал.

🎯 Сосредоточьтесь на своем основном бизнесе: сконцентрируйтесь на том, что у вас получается лучше всего. Мы берем на себя всю техническую реализацию, эксплуатацию и обслуживание вашего решения на основе ИИ.

📈 Перспективность и масштабируемость: ваш ИИ растет вместе с вами. Мы обеспечиваем непрерывную оптимизацию и масштабируемость, а также гибко адаптируем модели к новым требованиям.

Более подробная информация здесь:

• Управляемые решения в области ИИ — Промышленные услуги ИИ: ключ к конкурентоспособности в секторах услуг, промышленности и машиностроения

☑️ Язык ведения нашего бизнеса — английский или немецкий

☑️ НОВИНКА: Переписка на вашем родном языке!

Konrad Wolfenstein

Я и моя команда будем рады быть вашими личными консультантами.

Вы можете связаться со мной, заполнив контактную форму здесь [email protected]:или просто позвонив по номеру +49 7348 4088 965. Мой адрес электронной почты

Я с нетерпением жду начала нашего совместного проекта.

☑️ Поддержка малых и средних предприятий в области стратегии, консалтинга, планирования и реализации проектов

☑️ Разработка или корректировка цифровой стратегии и цифровизации

☑️ Расширение и оптимизация международных процессов продаж

☑️ Глобальные и цифровые торговые платформы B2B

☑️ Развитие бизнеса / Маркетинг / PR / Выставки от компании Pioneer