Великий кризис: почему компании хотят избавиться от своих ИИ-агентов – когда ИИ-агенты обходятся дороже, чем стоят

Konrad Wolfenstein

6 часов назад

Великий кризис: почему компании хотят избавиться от своих ИИ-агентов – Когда ИИ-агенты обходятся дороже, чем стоят – Креативное изображение на эту тему с использованием ИИ: Xpert.Digital

Революция в сфере ИИ приостановлена: Gartner ожидает масштабной волны закрытий

Когда автономные агенты берут управление на себя, центры обработки данных тратят больше капитала, чем рынок может заработать

Вложены миллиарды без отдачи: агенты искусственного интеллекта должны доказать свою полезность

Искусственный интеллект вступает в новую фазу. Первая фаза характеризовалась технологическими прорывами, впечатляющими демонстрациями и перспективой значительно повысить производительность работы с знаниями. Вторая фаза ознаменовалась огромными бюджетами, вложенными в модели, центры обработки данных, графические процессоры, облачные платформы и первые корпоративные приложения. Теперь начинается третья фаза: проверка экономической и организационной реальности. Она определит не только то, какие поставщики выживут, но и смогут ли компании действительно создать долгосрочную, измеримую ценность от ИИ или же просто нарастить новые затраты, контроль и риски ответственности.

Два события особенно ярко подчеркивают этот поворотный момент. На уровне приложений автономные агенты ИИ распространяются быстрее, чем многие компании успевают адаптировать свои системы управления, права доступа, контроль затрат и обязанности. Одновременно на уровне инфраструктуры центры обработки данных и специализированные облачные мощности появляются в масштабах, для которых в настоящее время нет достаточно большого и заинтересованного конечного рынка, способного функционировать экономически целесообразно. Это представляет собой сближение двух разных переоценок: компании переоценивают организационную зрелость автономных систем в краткосрочной перспективе, в то время как инвесторы и операторы инфраструктуры могут переоценивать скорость, с которой спрос на ИИ может быть преобразован в прибыльную выручку.

Таким образом, ключевой вопрос уже не в том, работает ли ИИ технически. Он заключается в том, насколько надежно, контролируемо и прибыльно он функционирует в реальных условиях. Этот сдвиг меняет логику рынка. Максимальная автономность, максимальный размер модели или максимальная вычислительная мощность сами по себе не определят успех. Конкурентные преимущества возникают там, где технические возможности сочетаются с надежной структурой процессов, четкой подотчетностью, проверяемыми решениями, реалистичными моделями затрат и дифференцированной ценностью для клиента.

Великое разочарование начинается в компаниях

Прогноз о том, что к концу 2027 года более 40 процентов проектов по разработке агентного ИИ могут быть прекращены, понижены в статусе или коренным образом перепроектированы, следует понимать не как оценку долгосрочной значимости технологии, а как критику ее текущей реализации. Многие проекты начинаются как экспериментальные проверки концепции в контролируемых условиях. В этой среде отбираются данные, задачи ограничиваются, пользователи доброжелательны, а ошибки имеют относительно незначительные последствия. Однако переход к производственным операциям меняет все параметры. Агенту приходится иметь дело с неполными данными, противоречивыми правилами, устаревшими системами, особыми случаями, изменяющимися правами доступа и решениями, связанными с ответственностью.

Именно на этом пороге терпит неудачу значительное число пилотных технологических проектов. Убедительный демонстрационный образец отвечает на вопрос о том, является ли функция принципиально возможной. Он не отвечает на вопрос, можно ли ее выполнять миллионы раз с приемлемыми общими затратами, стабильным качеством и управляемым риском. Эта проблема усугубляется в случае с автономными агентами, поскольку они могут не только генерировать контент, но и самостоятельно вызывать инструменты, изменять данные, запускать процессы и связывать решения между собой. Поэтому ошибка не обязательно ограничивается некорректным текстовым ответом. Она может распространяться как ошибочный заказ, несанкционированный доступ к данным, неверное решение клиента или изменение в производственной системе.

Таким образом, ожидаемая отмена проекта экономически оправдана. Рост затрат, неясная коммерческая ценность и неадекватный контроль рисков — это не отдельные проблемы; они усиливают друг друга. Чем менее надежно работает агент, тем больше усилий требуется для мониторинга, аудита и корректирующих действий. Чем больше требуется ручного вмешательства, тем меньше фактический прирост производительности. Чем меньше прирост производительности, тем сложнее обосновать дополнительные расходы на модели, интеграции, мониторинг, безопасность и соответствие требованиям. Таким образом, система, изначально запланированная для автоматизации, может создать новый, в значительной степени невидимый уровень ручного контроля.

Автономия становится новым видом издержек

Затраты на агентный ИИ часто рассматриваются слишком узко. Компании сравнивают цены моделей или рассчитывают комиссию за входные и выходные токены, но это отражает лишь часть экономических затрат. Агент часто разбивает задачу на несколько этапов, обращается к различным системам, повторяет неудачные попытки, проверяет промежуточные результаты и поддерживает более длинные контексты. Поэтому сложные рабочие процессы могут требовать значительно большей вычислительной мощности, чем обычный чат-бот. К этому добавляются расходы на оркестрацию, подготовку данных, интерфейсы, ведение журналов, управление идентификацией, средства контроля безопасности, оценку и эксплуатацию различных моделей.

Ещё более значимыми являются косвенные затраты. К ним относятся время, затраченное специалистами на проверку результатов, исправление ошибок, внедрение дополнительных внутренних контрольных механизмов, обучение, проведение юридической экспертизы и адаптацию рабочих процессов. Если агент выполняет задачу всего за несколько центов, но результат требует регулярной проверки квалифицированным специалистом, то модельная цена становится практически бессмысленным показателем. Важна общая стоимость процесса для каждой правильно выполненной задачи. Она также должна включать повторения, последствия ошибок, исключения и стоимость человеческого контроля.

Тот факт, что только 21 процент опрошенных CIO обладают полной прозрачностью в отношении затрат на своих ИИ-агентов и рабочие нагрузки ИИ, свидетельствует о фундаментальном отсутствии контроля. Без распределения затрат по сценариям использования, бизнес-подразделениям и процессам невозможно оценить экономические выгоды или составить надежный бюджет. Риск заключается в том, что расходы на ИИ будут расти децентрализованно, распределяясь между облачными аккаунтами, подписками на программное обеспечение и бюджетами подразделений, в то время как центральный ИТ-отдел будет видеть лишь часть общих затрат. В итоге счет появится с задержкой, когда использование, объем данных и количество агентов уже значительно возрастут.

Для надлежащей оценки компаниям необходимо перейти от рассмотрения только технических затрат на использование к комплексной модели оценки стоимости. Следует измерять затраты на успешное завершение процесса, процент правильно выполненных случаев без участия человека, частоту ошибок и повторений, время выполнения, затраты на управление и фактическую полученную финансовую выгоду. Только когда эти показатели остаются стабильными в течение длительного периода, можно оценить целесообразность масштабирования системы. Автономия не является самоцелью, а скорее инвестиционной переменной: она экономически целесообразна только в том случае, если дополнительные выгоды перевешивают повышенные риски, связанные с управлением и ошибками.

Теневые ИТ-технологии обретают самостоятельность

Распространение агентов искусственного интеллекта меняет классическую проблему теневых ИТ. Ранее подразделения приобретали несанкционированное программное обеспечение или хранили данные в неконтролируемых сервисах. Сегодня сотрудники могут быстро создавать собственных агентов, которые получают доступ к данным компании и самостоятельно выполняют действия. Опрос 685 руководителей ИТ-отделов предприятий показал, что 84% из них сообщают, что сотрудники разрабатывают агентов ИИ быстрее, чем ИТ-отдел успевает внедрить соответствующие правила управления. Таким образом, проблема заключается не только в растущем количестве приложений, но и в растущем количестве цифровых субъектов.

Эти субъекты часто обладают техническими идентификаторами, ключами API, учетными записями служб или делегированными правами пользователей. Это создает новый класс нечеловеческих идентификаторов, на которые во многих организациях не распространяются те же правила, что и на сотрудников. 59 процентов опрошенных организаций еще не полностью интегрировали агентов ИИ в свои существующие политики управления идентификацией и доступом. В то же время 72 процента сообщают о среднем или значительном разрыве между теоретически разрешенным доступом агента и доступом, который организация может фактически продемонстрировать.

С экономической точки зрения этот разрыв особенно опасен, поскольку он смещает ожидаемый баланс между эффективностью и риском. Агент может действовать круглосуточно и с высокой скоростью. Именно эта характеристика, обещающая производительность, увеличивает масштаб ущерба в случае ошибки. Широкие права доступа, долгосрочные ключи доступа и неадекватное ведение журналов могут привести к систематическому повторению одного неверного решения. Предельные издержки от еще одного неверного действия для агента практически равны нулю, в то время как последующие издержки для компании накапливаются.

Следствие очевидно: каждому продуктивному агенту необходимы формальная идентификация, документированная цель, ответственный владелец-человек и ограниченные привилегии. Доступ должен предоставляться в соответствии с принципом минимальных привилегий, быть ограничен по времени и постоянно контролироваться. Действия, имеющие особенно важное значение, должны быть одобрены человеком до их выполнения. Централизованные механизмы отключения также крайне важны, чтобы не приходилось трудоемко деактивировать агентов по отдельности в нескольких системах в случае сбоя. Хотя эти меры могут несколько снизить скорость в краткосрочной перспективе, они повышают общую масштабируемость системы, ограничивая ущерб, неопределенность и трение в регулировании.

Ответственность без фактического контроля

Организационное напряжение выявляется в глобальном опросе 3200 директоров по информационным технологиям. Восемьдесят восемь процентов отмечают, что внедрение ИИ в операционную деятельность происходит быстрее, чем адаптация системы управления. В то же время 90 процентов считают, что центральный ИТ-отдел будет нести ответственность за сбои в безопасности или соблюдении нормативных требований, даже если инструменты, вызвавшие эти сбои, были приобретены независимо от других бизнес-подразделений. Это создает разрыв между полномочиями по принятию решений и ответственностью.

Такая структура создает нежелательные стимулы. Бизнес-подразделения получают краткосрочное преимущество в виде быстрого проведения экспериментов, в то время как значительная часть риска остается за ИТ-отделом, отделом защиты данных, информационной безопасностью и управлением. Централизованный ИТ-отдел может стать узким местом, если ему требуется утверждать каждое приложение индивидуально. Однако, если он полностью отказывается от контроля, возникает сложная система моделей, агентов, доступа к данным и контрактов. Обе крайности неэффективны. Чисто централизованный подход подавляет инновации, в то время как полностью децентрализованный подход умножает риски и приводит к дублированию усилий.

Таким образом, необходима федеративная модель управления. Центральные функции определяют обязательные технические и организационные правила, предоставляют утвержденные платформы и контролируют идентификационные данные, затраты и критически важные действия. Бизнес-подразделения могут разрабатывать и эксплуатировать приложения в рамках этой модели, но должны документировать преимущества, источники данных, риски и ответственных лиц. Это позволяет принимать решения максимально приближенно к повседневной работе, а общие стандарты предотвращают необходимость повторного решения одной и той же проблемы безопасности и интеграции каждой командой.

Личное давление на руководителей ИТ-отделов демонстрирует, насколько кардинально искусственный интеллект эволюционировал из темы инноваций в фактор, влияющий на карьеру и управление. 76 процентов опрошенных руководителей ИТ-подразделений считают, что их положение под угрозой, если их компания не сможет достичь измеримых бизнес-результатов с помощью ИИ к концу 2027 года. Это давление может ускорить разумную расстановку приоритетов, но также несет в себе риск лихорадочного масштабирования. Те, кто находится под давлением необходимости краткосрочного успеха, могут отдавать приоритет видимым показателям внедрения, а не существенным улучшениям процессов. Парадоксальным следствием этого станет то, что само давление, направленное на быструю демонстрацию окупаемости инвестиций, увеличивает вероятность дорогостоящих ошибок.

Когда сам контролер становится фактором затрат

Первоначальный опыт в области управления и аудита показывает, что риски не являются чисто теоретическими. В ходе опроса 417 специалистов по управлению, рискам, соблюдению нормативных требований и аудиту 34% сообщили, что их организация действовала на основе неточного решения агента. 30% отметили непреднамеренные действия, 25% — сбой в системе контроля, а 24% — негативное воздействие на клиентов. В 20% случаев два агента вступали в конфликт друг с другом. Почти половине сотрудников потребовалось больше времени для проверки и исправления результатов работы ИИ, чем раньше.

Эти данные следует интерпретировать с осторожностью, поскольку опросы отражают восприятие и опыт участников, а не автоматически частоту всех ошибок на рынке в целом. Тем не менее, они выявляют четкую закономерность: компании делегируют полномочия по принятию решений агентам еще до того, как процессы, данные и системы управления будут разработаны для такой формы автономии. Искусственный интеллект не делает плохой процесс автоматически хорошим. Он может лишь сделать его быстрее, менее прозрачным и более распространенным.

Дополнительные усилия по аудиту особенно важны с экономической точки зрения. Автоматизация обычно оправдывается аргументом о сокращении затрат на персонал. Однако, если квалифицированным специалистам приходится постоянно проверять результаты, уточнять исключения и пересматривать решения агентов, работа просто перемещается. Она не исчезает, а переносится из фактической обработки в мониторинг и устранение неполадок. Эти виды деятельности могут быть более трудоемкими и дорогостоящими, чем первоначальный процесс, поскольку требуют одновременно технических, профессиональных и нормативных знаний.

Это не означает, что человеческий контроль по своей сути неэкономичен. В зонах высокого риска он незаменим. Ключевой момент — это соответствие интенсивности контроля потенциальному ущербу. Агент, классифицирующий внутренние документы, требует иных согласований, чем система, инициирующая платежи, принимающая кадровые решения или изменяющая учетные записи клиентов. Поэтому компаниям следует предоставлять автономию поэтапно. Чем необратимее действие, чем конфиденциальнее данные и чем больше потенциальное внешнее воздействие, тем строже должны быть предварительные согласования, регистрация и независимые проверки.

Экспериментальные полигоны становятся частью экономической инфраструктуры

Две трети руководителей ИТ-отделов не уверены, смогут ли они предоставить регулирующему органу полный, исчерпывающий отчет о решении агента. Это не просто вопрос соблюдения нормативных требований. Отсутствие отслеживаемости увеличивает стоимость каждого инцидента, поскольку причины сложнее определить, затронутые процессы труднее изолировать, а контрмеры внедряются медленнее. Без надежной документации компания вряд ли сможет доказать, что агент действовал в рамках своих полномочий или что ответственный человек вмешался надлежащим образом.

Поэтому возможность аудита следует понимать как продуктивную инфраструктуру, а не как требование к документации, добавленное задним числом. Необходимо фиксировать идентификацию агента, используемую модель и версию программного обеспечения, источники данных, к которым осуществлялся доступ, доступные разрешения, промежуточные этапы, вызовы внешних инструментов, подтверждения и конечный результат. Не менее важна возможность технического воспроизведения процесса или, по крайней мере, его правдоподобной реконструкции. В случае вероятностных моделей точное воспроизведение не всегда возможно, но соответствующие входные данные, конфигурации и пути принятия решений должны быть сохранены.

В многоагентных системах сложность задачи возрастает. Когда несколько агентов распределяют задачи, совместно проверяют результаты или последовательно изменяют различные корпоративные системы, возникает цепочка распределенной ответственности. Ошибка может возникнуть из-за взаимодействия нескольких, казалось бы, правдоподобных частичных решений. Традиционные системы управления, анализирующие действия отдельных пользователей или изолированные программные транзакции, для этого недостаточны. Компаниям необходим непрерывный мониторинг всей цепочки процессов.

Развитие нормативно-правовой базы усиливает это давление, требующее действий. Европейская правовая база для искусственного интеллекта, правила защиты данных и отраслевые надзорные обязательства повышают требования к управлению рисками, документации и контролю со стороны персонала. Органы по защите данных за пределами Европейского союза также уделяют больше внимания тому, как автоматизированные системы обрабатывают персональную информацию. Экономический вывод заключается в том, что управление не является дополнительной статьей расходов, которую можно добавить после успешного масштабирования. Это необходимое условие для обеспечения соответствия масштабирования законодательству и его устойчивости.

Риски, связанные с ИИ, переходят в первую группу

В ходе опроса 1330 членов советов директоров и руководителей компаний было установлено, что новые риски, связанные с внедрением ИИ в период с 2027 года, уже занимают второе место среди краткосрочных бизнес-рисков, сразу после киберугроз. Этот рейтинг показывает, что ИИ больше не рассматривается как изолированная ИТ-инициатива. Он одновременно влияет на операционную стабильность, регулирование, защиту данных, взаимодействие с третьими сторонами, персонал, репутацию и распределение капитала.

Риски, связанные с ИИ и кибербезопасностью, не следует анализировать отдельно. Агенты увеличивают поверхность цифровой атаки, поскольку им требуется доступ к данным, приложениям и инструментам. Злоумышленники могут пытаться манипулировать входными данными, побуждать агентов к выполнению несанкционированных действий или неправомерно использовать их учетные данные. В то же время, правильно аутентифицированный агент сам может совершать рискованные действия, если его цель определена неверно, контекст изменен или его права доступа слишком широки. Поэтому традиционная ИТ-безопасность решает лишь часть проблемы. Помимо определения того, имеет ли злоумышленник право доступа к данным, крайне важно оценить, является ли предполагаемое действие допустимым и уместным в конкретном контексте.

Это влечет за собой расширение обязанностей руководства компании. Им не нужно разбираться в технических тонкостях каждой модели, но они должны обеспечить наличие четкого распределения ответственности, классификации рисков, процедур эскалации и экономических целей для ключевых приложений ИИ. Надзор не может ограничиваться количеством запущенных проектов или размером бюджета. Крайне важна надежная информация о том, какие процессы автоматизируются эффективно, какие данные затрагиваются, как часто требуется вмешательство человека, какой потенциальный ущерб возможен и действительно ли реализуются ожидаемые выгоды.

🎯🎯🎯 Центр B2B-индустрии, основанный на данных, как своего рода внутреннее решение

Практически внутреннее решение: как Xpert.Digital устраняет операционные пробелы в B2B-маркетинге и продажах – Умный бизнес, основанный на контенте - Изображение: Xpert.Digital

Xpert.Digital — это ориентированный на данные B2B-индустрионный центр, возглавляемый Konrad Wolfenstein . Компания выступает в качестве внешнего, частично внутреннего решения для отраслевых партнеров, устраняя операционные пробелы в маркетинге, контенте и продажах — без необходимости привлечения дополнительных ресурсов со стороны клиента.

Более подробная информация здесь:

Практически внутреннее решение: как Xpert.Digital устраняет операционные пробелы в B2B-маркетинге и продажах – Smart Content-Driven Business

Темная сторона ИИ и теневых ИТ

Под программным обеспечением нарастает проблема нехватки капитала

В то время как компании изо всех сил пытаются контролировать своих агентов, технологическая индустрия расширяет физическую основу для ИИ в беспрецедентных масштабах. Ожидается, что к 2026 году инвестиции в инфраструктуру ИИ составят почти один триллион долларов США. В период с 2027 по 2030 год может быть добавлено еще шесть триллионов долларов США. Эти суммы направляются в центры обработки данных, графические процессоры (GPU), сетевые технологии, системы хранения данных, системы охлаждения, источники питания и земельные участки. Это расширение происходит на фоне ожиданий значительного роста потребности в обучении и запуске моделей ИИ в течение следующих лет.

Однако одного лишь роста недостаточно для обеспечения адекватной окупаемости инвестиций. Операторам центров обработки данных, использующих ИИ, к 2030 году потребуется получить совокупный доход в размере приблизительно 8,5 триллионов долларов, чтобы покрыть объявленные инвестиции, затраты на финансирование и предполагаемую 12-процентную окупаемость инвестиций. Потенциальный доход от корпоративного и потребительского бизнеса в сфере ИИ за тот же период оценивается максимум в 3,6 триллиона долларов. Хотя эти цифры подвержены значительной неопределенности из-за длительного прогнозного горизонта, масштабы разрыва поразительны.

Однако было бы неправильно напрямую сравнивать инвестиции и доходы от ИИ. Срок службы центров обработки данных составляет несколько лет, инфраструктура может обрабатывать различные нагрузки, и часть экономических выгод достается компаниям-пользователям, а не оператору инфраструктуры. Кроме того, снижение стоимости вычислительных ресурсов может генерировать новый спрос. Тем не менее, главный вывод остается в силе: рынок должен не только быстро расти, но и исключительно быстро создавать монетизируемые приложения для всех запланированных мощностей, чтобы достичь ожидаемой отдачи.

Это создает определенные трудности. Многие современные приложения ИИ снижают затраты или улучшают существующие продукты, но не автоматически приносят дополнительный доход, равный инвестициям в базовую инфраструктуру. Более того, повышение производительности может распределяться между поставщиками и клиентами. Жесткая конкуренция снижает цены, модели с открытым исходным кодом уменьшают барьеры для входа на рынок, а более эффективные модели снижают вычислительные требования к каждой задаче. Хотя это выгодно для экономики в целом, это может негативно сказаться на прибыльности отдельных операторов центров обработки данных.

Время амортизации опережает спрос

Аппаратное обеспечение для ИИ отличается от долговечной базовой инфраструктуры короткими циклами инноваций. Новые поколения ускорителей часто предлагают значительно большую производительность или лучшую энергоэффективность. В результате старое оборудование может терять экономическую ценность, даже если оно технически все еще функционирует. Поэтому оператор должен как можно быстрее окупить свои инвестиции за счет высокой загрузки и привлекательных цен. Если спрос не оправдывает ожиданий, балансовая стоимость и модели финансирования оказываются под давлением.

К 2030 году активы в сфере искусственного интеллекта могут оказаться под угрозой обесценения на сумму приблизительно 3,5 триллиона долларов; к 2032 году эта цифра может вырасти до более чем 4 триллионов долларов. Списание активов не означает физического исчезновения серверов. Скорее, это указывает на то, что ожидаемые будущие денежные потоки больше не оправдывают балансовую стоимость актива. Для операторов с высокой долей заемных средств это может ужесточить кредитные условия, уменьшить собственный капитал и затруднить дальнейшие инвестиции.

Динамика схожа с предыдущими циклами развития инфраструктуры. Новые фундаментальные технологии часто провоцируют расширение, первоначально создавая избыточные мощности. Железные дороги, телекоммуникационные сети и волоконная оптика пережили аналогичные этапы. Часть инвестированного капитала была потеряна, в то время как легкодоступная и недорогая инфраструктура впоследствии позволила создать новые бизнес-модели. Таким образом, одновременно могут быть верны два утверждения: ИИ может вызвать глубокую экономическую трансформацию, и в то же время значительная часть сегодняшних инвесторов может по-прежнему получать недостаточную прибыль.

Для экономики в целом рыночная коррекция не обязательно должна быть исключительно негативной. Списания активов и банкротства могут снизить стоимость вычислительной мощности и предоставить более эффективным покупателям доступ к инфраструктуре. Компании могут выиграть от снижения цен, даже если первоначальные инвесторы понесут убытки. Ситуация становится проблематичной, когда чрезмерные инвестиции связаны с высокой задолженностью, долгосрочными энергетическими контрактами или региональной концентрацией мощностей. В таких случаях коррекции могут повлиять на банки, поставщиков энергии, рынки недвижимости и местные государственные бюджеты.

Неооблачка между ростом и отбором

Наиболее уязвимыми являются специализированные неооблачные провайдеры, предоставляющие вычислительные мощности для рабочих нагрузок ИИ. Их преимущество заключается в высоком уровне технической специализации, быстром доступе к востребованным графическим процессорам и зачастую более гибких предложениях, чем у крупных, широко диверсифицированных облачных компаний. Компании, такие как CoreWeave и Nebius, являются примером этого сегмента. Объем рынка оптимизированных для ИИ предложений «инфраструктура как услуга» может вырасти с 66 миллиардов долларов в 2027 году до 174 миллиардов долларов в 2030 году. Это будет впечатляющий рост, но его может оказаться недостаточно для прибыльного использования одновременно создаваемых мощностей.

Прогноз о том, что более 80 процентов неооблачных платформ могут прекратить независимую работу к 2030 году, не обязательно означает полное исчезновение их вычислительных ресурсов. Банкротства, поглощения, слияния, долгосрочные партнерства или интеграция в более крупные платформы — все это возможные варианты. Основной экономический фактор — значительная консолидация. Провайдерам без выгодного финансирования, надежного энергоснабжения, высокой загрузки и четко дифференцированного предложения услуг будет сложно сохранить независимость.

Бизнес-модель уязвима по нескольким причинам. Во-первых, она требует огромных первоначальных инвестиций в быстро устаревающее оборудование. Во-вторых, клиентская база может быть сконцентрирована, а это значит, что потеря даже нескольких крупных клиентов может резко изменить коэффициент использования мощностей. В-третьих, неооблачные решения выступают посредниками между производителями микросхем и клиентами, не обязательно обладая таким же уровнем переговорной силы. В-четвертых, гипермасштабные компании могут конкурировать, предлагая комплексные платформенные услуги, глобальную инфраструктуру и существующие отношения с клиентами. В-пятых, по мере увеличения доступных мощностей или повышения эффективности бизнес-моделей возникает угроза ценового давления.

Таким образом, не все неооблачные платформы одинаковы. Наиболее вероятно выживание тех поставщиков, которые обладают структурными преимуществами: долгосрочный доступ к более дешевой энергии, особенно высокая эффективность использования ресурсов, доступ к дефицитному капиталу, специализированные услуги или сильные позиции в определенных регионах и регулируемых отраслях. Суверенная, национальная или европейская инфраструктура также может быть дифференцирующим фактором, если клиенты отдают приоритет конфиденциальности данных, их размещению и стратегической независимости, а не самой низкой цене.

Крупные облачные компании выигрывают себе время

Крупные облачные и технологические компании обладают решающим преимуществом перед специализированными поставщиками: они финансируют расширение ИИ из широких и прибыльных бизнес-направлений. Облачные платформы, реклама, электронная коммерция, подписки на программное обеспечение, социальные сети и существующие корпоративные сервисы генерируют потоки доходов, которые могут поддерживать инвестиции в течение длительных периодов. Это позволяет Amazon, Google, Microsoft, Meta и другим крупным поставщикам лучше справляться с периодом низкой прямой отдачи от ИИ.

Однако диверсификация не устраняет проблему возврата инвестиций. Даже крупным корпорациям приходится объяснять в долгосрочной перспективе, как их инвестиции создают ценность. У них просто больше времени и дополнительные каналы монетизации. Искусственный интеллект может увеличить использование существующих облачных сервисов, улучшить рекламные продукты, удержать клиентов на платформах, ускорить процессы разработки и защитить другие направления бизнеса. Поэтому некоторые из преимуществ не отражаются в отдельных отчетах о доходах от ИИ. Эти стратегические побочные эффекты затрудняют прямое сравнение с неооблачными платформами, чей экономический успех в большей степени зависит от сдачи в аренду вычислительных мощностей.

В результате консолидации рыночная власть крупных провайдеров может еще больше возрасти. Когда более мелкие поставщики уходят с рынка, крупные платформы приобретают клиентов, квалифицированных специалистов и привлекательную по цене инфраструктуру. Это может увеличить экономию за счет масштаба, но также усугубить зависимость. Поэтому компаниям и правительствам необходимо сопоставлять эффективность и устойчивость. Высококонцентрированная инфраструктура часто обходится дешевле в краткосрочной перспективе, но в долгосрочной перспективе может влиять на ценообразование, пути инноваций и цифровой суверенитет.

Это создает стратегическую дилемму для Европы. Создание собственных возможностей в области ИИ требует больших затрат энергии и капитала, в то время как американские и азиатские поставщики уже обладают значительной экономией за счет масштаба. Простое копирование гипермасштабных компаний вряд ли будет перспективным. Более разумный подход заключается в сосредоточении внимания на конкретных промышленных приложениях, надежных хранилищах данных, регулируемых секторах, энергоэффективности, европейских языковых и технических моделях, а также суверенных операционных решениях. Экономическое обоснование должно основываться на дифференцированных преимуществах, а не на попытке без разбора имитировать глобальную гонку за потенциалом.

Шесть триллионов долларов — это не прогноз спроса

Другая модель иллюстрирует масштаб проблемы. Если прогнозируемые ежегодные расходы на инфраструктуру ИИ к 2031 году достигнут примерно 1,5 триллиона долларов, а инвестиции, как ожидается, составят примерно четверть выручки отрасли, то мировой рынок ИИ должен будет ежегодно генерировать почти 6 триллионов долларов. Существующие потребительские и корпоративные приложения могут внести от 1,2 до 1,8 триллиона долларов из этой суммы. Это оставит дефицит в размере примерно 4,2 триллиона долларов, который необходимо будет заполнить за счет новых рынков.

Цифру в шесть триллионов долларов США следует понимать как экономическое препятствие, а не как надежный прогноз доходов. Эта цифра описывает порядок величины, необходимый для устойчивого финансирования расширения при определенных предположениях о доходности и инвестициях. Она не предсказывает, что эти доходы действительно будут получены. Это различие имеет решающее значение, поскольку в дискуссиях о технологиях высокие потенциальные объемы рынка часто рассматриваются как ожидаемые доходы.

К числу дополнительных рынков роста относятся поиск и реклама на основе ИИ, беспилотные автомобили, грузовики и дроны, промышленная автоматизация, робототехника, цифровые двойники, разработка лекарств, медицинские услуги, исследования материалов и энергетика. По прогнозам, потенциал автономных систем составит около 400 миллиардов долларов США, в то время как потенциал физического ИИ, включающего моделирование, цифровые двойники и робототехнику, оценивается примерно в 900 миллиардов долларов США. Эти области обладают значительной экономической ценностью, но развиваются медленнее, чем чисто программные продукты. Они требуют аппаратного обеспечения, разрешений регулирующих органов, испытаний на безопасность, интеграции в физические процессы и зачастую новых правил ответственности.

Таким образом, временной разрыв потенциально важнее, чем долгосрочный рыночный потенциал. Даже если робототехника и промышленный ИИ принесут огромные доходы, они должны масштабироваться достаточно быстро, чтобы оправдать сегодняшние инвестиции. Центры обработки данных, микросхемы и затраты на финансирование возникают немедленно; для широкого распространения новых физических приложений часто требуются годы. Поэтому фундаментально обоснованные ожидания на будущее могут превратиться в неудачную инвестицию, если цена, структура финансирования или сроки окажутся неверными.

Искусственный интеллект в физической сфере определит вторую половину этого бума

До настоящего времени успехи генеративного ИИ были в значительной степени сосредоточены на работе с цифровыми знаниями. Тексты, изображения, программный код, исследования и общение с клиентами могут быть относительно быстро интегрированы в существующие приложения. Потенциальный доход от этих рынков значителен, но сам по себе его вряд ли достаточно для оправдания всех запланированных инвестиций в инфраструктуру. Поэтому следующий этап роста должен распространиться глубже в физическую экономику.

Физический искусственный интеллект связывает системы обучения с машинами, транспортными средствами, производственными мощностями и реальной средой. На заводах цифровые двойники могут моделировать новые производственные процессы до того, как будет модифицировано дорогостоящее оборудование. Роботы могут более гибко реагировать на изменяющиеся заготовки. В логистических центрах можно координировать потоки материалов, комплектацию заказов и автономный транспорт. В автомобильной промышленности можно сократить время разработки, а автономные системы позволяют создавать новые услуги. Экономическая выгода возникает не только за счет снижения затрат на персонал, но и за счет повышения доступности оборудования, снижения уровня брака, ускорения запуска заводов и создания новых продуктов.

Это открывает стратегические возможности, особенно для Германии и Европы. Их промышленная база, знание технологических процессов, специализированные производители оборудования и сложные цепочки поставок предоставляют ценные данные и области применения. Однако это преимущество не возникает автоматически. Большая часть промышленных данных фрагментирована, является конфиденциальной или недостаточно структурирована. Компаниям необходимо модернизировать свою архитектуру данных, стандартизировать интерфейсы и цифровизировать оперативные знания. Без этой подготовительной работы физический ИИ останется ограниченным демонстрационными проектами.

Монетизация также отличается от типичного облачного программного обеспечения. Промышленные компании ожидают доказанной надежности, длительного срока службы и четкой подотчетности. Они не приемлют постоянную экспериментальную среду в процессах, критически важных для безопасности. Поэтому поставщики должны предоставлять надежные, интегрированные системы, объединяющие модели, датчики, системы управления, кибербезопасность и техническое обслуживание. Именно здесь может развиться рынок специализированных европейских поставщиков, ориентированный не столько на максимальный размер модели, сколько на экспертные знания, интеграцию и доверие.

Общая суть обоих кризисов

Проблемы, связанные с агентами искусственного интеллекта и неооблачными решениями, на первый взгляд кажутся отдельными. С одной стороны, это бизнес-процессы, управление и ошибочные решения; с другой — центры обработки данных, финансирование и амортизация. В действительности же оба явления основаны на одном и том же экономическом заблуждении: что технические возможности почти автоматически приведут к прибыльным и масштабируемым выгодам.

В случае с агентами успешный пилотный проект часто ошибочно принимают за зрелый производственный процесс. В случае с инфраструктурой быстро растущие потребности в вычислительных ресурсах приравниваются к достаточной готовности платить и устойчивой окупаемости инвестиций. В обоих случаях промежуточные этапы часто упускаются из виду. Между производительностью модели и выгодой для бизнеса находятся качество данных, перепроектирование процессов, интеграция, безопасность, человеческий контроль и принятие. Между вычислительными мощностями и доходностью для инвесторов находятся использование, ценообразование, затраты на электроэнергию, старение оборудования, финансирование и конкуренция.

Этот вывод не противоречит идее искусственного интеллекта. Он говорит в пользу более профессионального распределения капитала. Технологические революции редко развиваются линейно. Излишки финансируют эксперименты и инфраструктуру, но впоследствии приводят к коррекции и консолидации. Победителями становятся не обязательно компании, которые инвестируют первыми или больше всех. Часто побеждают те, кто разумно управляет затратами, учится на ранних ошибках и приводит свои предложения в соответствие с реальной готовностью платить.

Ажиотаж должен перерасти в разумную деловую практику

Компаниям следует внедрять агентов ИИ только там, где существует четко определенный процесс, надежные данные и измеримый целевой показатель. Отправной точкой не должна быть область, где можно продемонстрировать максимально возможную автономность. Решающим фактором является возможность устранения конкретного узкого места, сокращения времени выполнения, повышения качества или получения дополнительного дохода. Для каждого варианта использования необходимо до начала проекта определить, какие затраты и показатели ошибок являются приемлемыми, и при каких условиях проект будет остановлен.

Внедрение должно быть поэтапным. Первоначально агент может предлагать варианты, затем действовать с одобрения человека, и только после достижения стабильной производительности он сможет автономно выполнять ограниченные задачи. Эти уровни зрелости позволяют проводить отдельный мониторинг преимуществ и рисков. Система, которая уже не приносит измеримой пользы в качестве помощника, не станет экономически жизнеспособной просто за счет предоставления ей дополнительных привилегий.

Параллельно необходим централизованный реестр. Компаниям нужно знать, какие агенты существуют, какие модели они используют, к каким системам обращаются и кто за это отвечает. Затраты следует распределять по отдельным процессам и бизнес-подразделениям. Критические действия требуют пороговых значений для утверждения, и каждое производственное приложение должно иметь работающий механизм завершения работы. Управление не следует рассматривать как жесткий документ; оно должно быть технически интегрировано в платформы, учетные записи, протоколы и процессы разработки.

Процесс закупок также меняется. Контракты с поставщиками ИИ и облачных услуг должны включать положения об использовании данных, изменениях моделей, доступе к журналам, инцидентах безопасности, производительности, ответственности и вариантах перехода к другому поставщику. Компании должны избегать зависимости основных процессов от одного поставщика, цены, модели или бизнес-стратегия которого могут измениться в короткий срок. По возможности, модульные архитектуры и взаимозаменяемые модели повышают переговорную силу.

Для инвесторов в инфраструктуру важен клиент, а не сам чип

Для центров обработки данных и неооблачных решений одного лишь доступа к существующему оборудованию недостаточно для жизнеспособной бизнес-модели. Инвесторам следует в первую очередь оценивать качество и продолжительность спроса. Долгосрочные контракты имеют ценность только в том случае, если клиенты кредитоспособны и могут быть фактически выполнены минимальные требования к закупкам. Не менее важны цены на энергоносители, сетевые подключения, системы охлаждения, модели использования, возможности рефинансирования и остаточная стоимость устаревшего оборудования.

Особую осторожность следует проявлять, когда рост в значительной степени финансируется за счет дополнительных заемных средств, а ожидаемая загрузка мощностей основана на небольшом количестве клиентов. Снижение спроса может одновременно повлиять на выручку, стоимость активов и финансовые возможности. Стрессовые сценарии должны сочетать в себе снижение цен, задержку ввода в эксплуатацию, снижение загрузки мощностей, ускоренное старение оборудования и более высокие капитальные затраты. Надежная окупаемость инвестиций достигается только тогда, когда бизнес-модель остается жизнеспособной даже при менее благоприятных предположениях.

Для специализированных поставщиков путь от взаимозаменяемости лежит через дифференциацию. Это включает в себя высокоэффективные центры обработки данных, суверенные европейские операционные модели, отраслевые платформы, гарантированное размещение данных, интегрированные услуги безопасности или тесную связь между инфраструктурой и экспертизой в области приложений. По мере роста предложения чистая мощность становится товаром, которым можно торговать. Доверие, интеграция и доказуемая производительность, с другой стороны, остаются более дефицитными.

Предстоящая очистка — это не конец искусственного интеллекта

Ожидаемая отмена проектов и потенциальная консолидация неооблачных платформ не означают опровержения искусственного интеллекта. Скорее, это типичный пример перехода от фазы технологического развития к рынку, где первостепенное значение имеют окупаемость инвестиций, надежность и институциональная зрелость. Значительная часть ранних проектов исчезнет из-за плохой структуры, неэффективной интеграции или экономической нецелесообразности. В то же время успешные приложения будут проникать глубже в основные процессы.

Инфраструктурные активы не просто теряют свою ценность. Вычислительные мощности могут по-прежнему использоваться после амортизации, приобретений или снижения цен. Для пользователей консолидация рынка может быть даже выгодной, если конкуренция и избыточные мощности снижают затраты. Однако распределение прибыли меняется: клиенты и последующие покупатели могут получить выгоду, в то время как ранние инвесторы в акционерный и долговой капитал несут часть убытков.

Таким образом, наиболее вероятный путь развития — это не полный крах ожиданий от ИИ и не плавное продолжение бума. Более вероятен двухэтапный процесс. Высококачественные, четко контролируемые приложения будут продолжать расти и становиться стандартной бизнес-инфраструктурой. В противоположность этому, недифференцированные агентные проекты, плохо защищенные бизнес-модели и завышенные цены на мощности окажутся под давлением. Рынок разделяет технологические возможности и экономическую целесообразность.

Настоящая революция в области ИИ начинается не с очередной впечатляющей модели, а с трезвой способности преобразовывать технологии в надежное создание ценности. Компании, которые управляют затратами, контролем и выгодами одновременно, выйдут из этой коррекции более сильными. Те же, кто масштабирует автономность без ответственности или вычислительную мощность без прибыльного спроса, с другой стороны, в основном финансируют следующую волну списаний.

📈🚀 От прозрачности к доверию 👀🤝 Ваш масштабируемый путь с Xpert.Digital

От прозрачности к доверию: ваш масштабируемый путь с Xpert.Digital - Изображение: Xpert.Digital

В промышленном B2B-секторе устойчивые деловые отношения редко возникают за одну ночь. Они развиваются шаг за шагом – благодаря видимости, профессиональной значимости, регулярным контактам и растущему доверию. Четырехэтапная модель Xpert.Digital решает именно эту задачу: она предлагает структурированный путь, начинающийся с управляемой отправной точки и, при необходимости, перерастающий в более глубокое сотрудничество в развитии бизнеса.

Вместо громких маркетинговых обещаний, эта модель ставит во главу угла взаимоотношения. Компании начинают с четко определенных, легко поддающихся расчету показателей, а затем, основываясь на собственном опыте, решают, насколько они хотят расширить сотрудничество. Ключевым фактором этого беспрепятственного процесса построения доверия является то, что платформа полностью избегает навязчивой рекламы, поэтому редакционный фокус остается исключительно на экспертизе компаний.