Чому ШІ дешевшає в тисячу разів — але витрати на нього тільки ростуть

Якщо коротко: тому що ви ставите не ті запитання і не там, де дійсно треба! І саме в цій підміні питання ховається відповідь на те, кому справді варто хвилюватися за своє робоче місце, а кому — ні.

Найшвидша дефляція в історії технологій

Почнемо з фактів. Вартість однієї й тієї самої "одиниці інтелектуальної роботи" ШІ-моделі (рівня якості GPT-4 зразка 2023 року) впала за три роки у 40–60 разів. Тоді це коштувало близько 20–30 доларів за мільйон токенів. Сьогодні аналогічну якість можна отримати менш ніж за 50 центів. А якщо взяти довше вікно й нижчий стартовий рівень якості — рівень GPT-3 зразка 2021 року, який тоді коштував 60 доларів за мільйон токенів, — то сьогодні така сама якість доступна вже менш ніж за 6 центів: це і є падіння рівно в тисячу разів. Дослідники з Epoch AI, які це порахували, називають діапазон від 9 до 900 разів на рік залежно від типу завдання. І таке здешевлення зовсім не схоже на добре всім відоме поступове зниження вартості комп'ютерів за законом Мура. Це обвал, який не має історичного прецеденту навіть у порівнянні з інтернет-бумом чи мікропроцесорною революцією.

І тут би мав бути щасливий фінал: бізнес і публічний сектор економлять, бюджети падають, усі задоволені. Але реальність інакша. За даними дослідження Menlo, корпоративні витрати на великі мовні та генеративні моделі (LLM/LGM) за півроку зросли більш ніж удвічі — з 3,5 до 8,4 мільярда доларів! І це саме тоді, коли ціна одного токена впала приблизно вдесятеро. Google на конференції I/O 2026 повідомив, що обсяг оброблених токенів зріс за два роки у 330 разів. Gartner прогнозує, що глобальні витрати на ШІ 2026 року сягнуть 2,52 трильйона доларів — на 44% більше, ніж роком раніше.

Це не суперечність — це підручниковий парадокс Джевонса: коли ресурс дешевшає, його не починають споживати менше — його починають споживати незрівнянно більше! Дешевше вугілля не призвело до скорочення його спалювання в XIX столітті — воно зробило парові двигуни повсюдними. Дешевший токен не зменшує рахунок за ШІ — він робить економічно виправданим застосовувати модель там, де раніше це було б занадто дорого: не для однієї відповіді на запит, а для тисячі кроків автономного агента, який перевіряє сам себе, звертається до десятків джерел і кілька разів переписує чернетку, перш ніж показати результат людині. Це ж покращення? Ну так, але є кілька "але".

Чому "складніша модель" — це водночас два різних процеси

Тепер до другої частини питання, винесеного в заголовок: як складність моделі співвідноситься з вартістю її використання. Тут ключова помилка — думати про це як про один процес. Насправді ринок розколовся на два.

Перший — це загальна рутина. Завдання на кшталт класифікації тексту, форматування, вилучення даних із документа — усе це вже впало у ціні до величин, які за мірками навіть 2023 року здавалися б фантастикою. Тут справді панує дефляція, і вона продовжиться в майбутньому.

Другий — це фронтир, тобто найскладніші задачі: багатокрокові міркування, робота з двозначними або суперечливими даними, високі ставки на помилку. Аналітик Gartner Вілл Соммер сформулював це напрочуд точно: не варто плутати здешевлення "комодитизованих" (загального виду) токенів із демократизацією фронтирного мислення. Обчислювальні потужності, потрібні для справді складних міркувань, залишаються дефіцитними — і, судячи з того, що капітальні витрати Alphabet на інфраструктуру ШІ 2026 року мають зрости зі 75 до 175–185 мільярдів доларів, дефіцитними вони залишатимуться ще довго.

Іншими словами: складніша модель (нова версія LLM/LGM) не просто "краще виконує те саме завдання дешевше". Вона відкриває нову категорію завдань, які раніше взагалі не можна було доручити машині, — і саме ці нові завдання вимагають непропорційно більше енергії, обчислювальних ресурсів і, що найважливіше, кваліфікованого нагляду людини. А це призводить до появи зовсім інших та більш жорстких вимог до фахових компетенцій оператора ШІ-моделі.

То кому справді варто "тремтіти"?

І ось тут ми підходимо до третього, найгострішого питання. Ні, боятися варто не всім однаково — і зовсім не з тих причин, які зазвичай озвучують. Задача, яку можна повністю формалізувати, звести до чіткого протоколу "вхід — правило — вихід", справді потрапляє на першу, дефляційну криву — і там конкуренція з машиною програшна за визначенням: вартість виконання такого завдання прямує до нуля незалежно від кваліфікації людини, яка раніше його виконувала. Але робота, яка потребує розуміння контексту, оцінки ризику, перевірки правдоподібності результату й ухвалення відповідальності за нього, — це вже інша історія. Дослідження GTM Newsletter (Substack) наводить випадок, коли одна багатоагентна система "зациклилася" на одинадцять днів і… спалила 47 тисяч доларів обчислювальних ресурсів, перш ніж хтось це помітив! Дашборди при цьому виглядали цілком справно. Ціна одного токена в цій історії не мала жодного значення — значення мала відсутність кваліфікованого оператора, здатного вчасно поставити системі просте запитання: "а навіщо ти взагалі це робиш?".

І поодиноким випадком назвати таке не можна — це закономірність, яка посилюватиметься разом із масштабом застосування ШІ. Що ширше технологія проникає в нові сфери — від складання договорів до аналізу медичних знімків, від бухгалтерії до дипломатичного листування, — то більшим стає загальний масив рішень, ухвалених за її участю. Навіть якщо частка помилкових результатів на кожну окрему задачу залишається сталою або й знижується, абсолютна кількість помилок, які проходять непоміченими, неминуче зростає разом із обсягом застосування. Попит на людей, здатних системно й вчасно перевіряти результати роботи ШІ, тому зростатиме якраз завдяки тому, що сфера застосування розширюється швидше, ніж точність — а зовсім не всупереч підвищенню точності моделей.

Якщо комусь цікаво: автор колонки знає, як "підвісити" будь-яку сучасну версію будь-якої LLM/LGM. Ні, не на 11 днів, але десь на пів години — годину точно.

Саме тому теза про те, що складніші моделі водночас підвищують якість і вимагають вищої кваліфікації оператора та більше обчислювальних ресурсів, — не суперечність, а точний опис того, як насправді змінюється ринок праці.

Дешевшає не "інтелектуальна праця" загалом, а конкретно той її різновид, який можна було звести до простого алгоритму дій за універсальною інструкцією. Дорожчає — точніше, зростає в ціні — той різновид, який полягає в тому, щоб знати:

• коли саме варто задіяти дорогу "фронтирну" модель, а коли досить дешевої;
• коли довіряти результату, а коли перевірити його вручну;
• хто нестиме відповідальність, якщо ШІ-агент помилився.

Для бізнесу й публічного управління з цього випливає цілком практичний висновок. Питання "скільки коштуватиме ШІ через п'ять років" поставлене неправильно — коштуватиме він одночасно дорого й дешево, все залежить від того, яке завдання йому доручають та хто будує промпти. Саме будує чи створює — а не просто пише або ставить запитання, бо створення промптів — це окрема фахова робота, яка спирається на знання, навички та досвід оператора. А питання "кого замінить ШІ" варто переформулювати так: як ШІ замінить не професії, а конкретні завдання всередині професій — ті, що піддаються формалізації. Хто не встигне перекваліфікуватися з виконавця формалізованих завдань на керівника й контролера автономних систем, той справді ризикує. Хто встигне — опиниться по цей бік автоматизації, тільки з набагато більшим важелем впливу в руках, ніж мав до того.