Почему ИИ дешевеет в тысячу раз — но расходы на него только растут

Если коротко: потому что вы задаете не те вопросы и не там, где действительно надо! И именно в этой подмене вопроса прячется ответ на то, кому действительно стоит волноваться за свое рабочее место, а кому — нет.

Самая быстрая дефляция в истории технологий

Начнем с фактов. Стоимость одной и той же "единицы интеллектуальной работы" ИИ-модели (уровня качества GPT-4 образца 2023 года) упала за три года в 40–60 раз. Тогда это стоило около 20–30 долларов за миллион токенов. Сегодня аналогичное качество можно получить менее чем за 50 центов. А если взять более длинное окно и более низкий стартовый уровень качества — уровень GPT-3 образца 2021 года, который тогда стоил 60 долларов за миллион токенов, — то сегодня такое же качество доступно уже менее чем за 6 центов: это и есть падение ровно в тысячу раз. Исследователи из Epoch AI, которые это посчитали, называют диапазон от 9 до 900 раз в год в зависимости от типа задачи. И такое удешевление совсем не похоже на хорошо всем известное постепенное снижение стоимости компьютеров по закону Мура. Это обвал, который не имеет исторического прецедента даже в сравнении с интернет-бумом или микропроцессорной революцией.

И тут должен был бы быть счастливый финал: бизнес и публичный сектор экономят, бюджеты падают, все довольны. Но реальность иная. По данным исследования Menlo, корпоративные расходы на большие языковые и генеративные модели (LLM/LGM) за полгода выросли более чем вдвое — с 3,5 до 8,4 миллиарда долларов! И это именно тогда, когда цена одного токена упала примерно вдесятеро. Google на конференции I/O 2026 сообщил, что объем обработанных токенов вырос за два года в 330 раз. Gartner прогнозирует, что глобальные расходы на ИИ в 2026 году достигнут 2,52 триллиона долларов — на 44% больше, чем годом ранее.

Это не противоречие — это учебниковый парадокс Джевонса: когда ресурс дешевеет, его не начинают потреблять меньше — его начинают потреблять несравненно больше! Более дешевый уголь не привел к сокращению его сжигания в XIX веке — он сделал паровые двигатели повсеместными. Более дешевый токен не уменьшает счет за ИИ — он делает экономически оправданным применять модель там, где раньше это было бы слишком дорого: не для одного ответа на запрос, а для тысячи шагов автономного агента, который проверяет сам себя, обращается к десяткам источников и несколько раз переписывает черновик, прежде чем показать результат человеку. Это же улучшение? Ну да, но есть несколько "но".

Почему "более сложная модель" — это одновременно два разных процесса

Теперь ко второй части вопроса, вынесенного в заголовок: как сложность модели соотносится со стоимостью ее использования. Здесь ключевая ошибка — думать об этом как об одном процессе. На самом деле рынок раскололся на два.

Первый — это общая рутина. Задачи вроде классификации текста, форматирования, извлечения данных из документа — все это уже упало в цене до величин, которые по меркам даже 2023 года казались бы фантастикой. Здесь действительно царит дефляция, и она продолжится в будущем.

Второй — это фронтир, то есть самые сложные задачи: многошаговые рассуждения, работа с двусмысленными или противоречивыми данными, высокие ставки на ошибку. Аналитик Gartner Уилл Соммер сформулировал это на редкость точно: не стоит путать удешевление "коммодитизированных" (общего вида) токенов с демократизацией фронтирного мышления. Вычислительные мощности, нужные для действительно сложных рассуждений, остаются дефицитными — и, судя по тому, что капитальные расходы Alphabet на инфраструктуру ИИ в 2026 году должны вырасти с 75 до 175–185 миллиардов долларов, дефицитными они останутся еще долго.

Другими словами: более сложная модель (новая версия LLM/LGM) не просто "лучше выполняет ту же задачу дешевле". Она открывает новую категорию задач, которые раньше вообще нельзя было поручить машине, — и именно эти новые задачи требуют непропорционально больше энергии, вычислительных ресурсов и, что самое важное, квалифицированного надзора человека. А это приводит к появлению совсем других и более жестких требований к профессиональным компетенциям оператора ИИ-модели.

Так кому действительно стоит "трепетать"?

И вот тут мы подходим к третьему, самому острому вопросу. Нет, бояться стоит не всем одинаково — и совсем не по тем причинам, которые обычно озвучивают. Задача, которую можно полностью формализовать, свести к четкому протоколу "вход — правило — выход", действительно попадает на первую, дефляционную кривую — и там конкуренция с машиной проигрышна по определению: стоимость выполнения такой задачи стремится к нулю независимо от квалификации человека, который раньше ее выполнял. Но работа, которая требует понимания контекста, оценки риска, проверки правдоподобия результата и принятия ответственности за него, — это уже другая история. Исследование GTM Newsletter (Substack) приводит случай, когда одна многоагентная система "зациклилась" на одиннадцать дней и… сожгла 47 тысяч долларов вычислительных ресурсов, прежде чем кто-то это заметил! Дашборды при этом выглядели вполне исправно. Цена одного токена в этой истории не имела никакого значения — значение имело отсутствие квалифицированного оператора, способного вовремя задать системе простой вопрос: "а зачем ты вообще это делаешь?".

И единичным случаем назвать такое нельзя — это закономерность, которая будет усиливаться вместе с масштабом применения ИИ. Чем шире технология проникает в новые сферы — от составления договоров до анализа медицинских снимков, от бухгалтерии до дипломатической переписки, — тем больше становится общий массив решений, принятых с ее участием. Даже если доля ошибочных результатов на каждую отдельную задачу остается постоянной или даже снижается, абсолютное количество ошибок, которые проходят незамеченными, неизбежно растет вместе с объемом применения. Спрос на людей, способных системно и вовремя проверять результаты работы ИИ, поэтому будет расти как раз благодаря тому, что сфера применения расширяется быстрее, чем точность, а совсем не вопреки повышению точности моделей.

Если кому-то интересно: автор колонки знает, как "подвесить" любую современную версию любой LLM/LGM. Нет, не на 11 дней, но где-то на полчаса — час точно.

Именно поэтому тезис о том, что более сложные модели одновременно повышают качество и требуют более высокой квалификации оператора и больше вычислительных ресурсов, — не противоречие, а точное описание того, как на самом деле меняется рынок труда.

Дешевеет не "интеллектуальный труд" в целом, а конкретно та его разновидность, которую можно было свести к простому алгоритму действий по универсальной инструкции. Дорожает — точнее, растет в цене — та разновидность, которая состоит в том, чтобы знать:

• когда именно стоит задействовать дорогую "фронтирную" модель, а когда достаточно дешевой;
• когда доверять результату, а когда проверить его вручную;
• кто будет нести ответственность, если ИИ-агент ошибся.

Для бизнеса и публичного управления из этого следует вполне практический вывод. Вопрос "сколько будет стоить ИИ через пять лет" поставлен неправильно — стоить он будет одновременно дорого и дешево, все зависит от того, какую задачу ему поручают и кто строит промпты. Именно строит или создает — а не просто пишет или задает вопросы, потому что создание промптов — это отдельная профессиональная работа, которая опирается на знания, навыки и опыт оператора. А вопрос "кого заменит ИИ" стоит переформулировать так: как ИИ заменит не профессии, а конкретные задачи внутри профессий — те, что поддаются формализации. Кто не успеет переквалифицироваться с исполнителя формализованных задач на руководителя и контролера автономных систем, тот действительно рискует. Кто успеет — окажется по эту сторону автоматизации, только с гораздо большим рычагом влияния в руках, чем имел до того.