Лишний мозг

Капекс крупнейших AI-инфраструктурных игроков (Microsoft, Alphabet, Amazon, Meta + Oracle):
- 2022: $162 млрд
- 2023: $156 млрд (минус 4%)
- 2024: $256 млрд (+64%)
- 2025: $443 млрд (+73%)
- 2026 прогноз: **$725 млрд** (+64%)

Из этих $725 млрд около 75% — AI-related. То есть на одну AI-инфраструктуру в одном году тратится примерно $540 миллиардов. Это около 0,45% мирового ВВП. На один технологический слой — масштаб, сравнимый с крупнейшими инфраструктурными волнами в истории.

Один data point для калибровки. Текущий капекс уже потребляет около 94% операционного денежного потока этих компаний после дивидендов и байбэков. В 2025 году пятёрка гиперскейлеров допвыпустила облигаций на $121 миллиард (BofA Securities) — в четыре с лишним раза больше среднего за 2020–2024. JP Morgan прогнозирует совокупно до $1,5 трлн tech-долга в ближайшие годы. Это инвестиционная программа, которая уже не помещается в собственный cash flow.

Для сравнения: пик капекса telecoms во время dot-com 1999-2000 — около $200 миллиардов в год при глобальном ВВП в $30 трлн. По доле ВВП это было даже больше — около 0,7%. Но по абсолюту нынешняя волна в три-четыре раза крупнее. Концентрация капекса такого масштаба в одной технологической ставке — беспрецедентна.

А теперь — другая сторона.

Раскрытая и оценочная AI run-rate выручка крупнейших гиперскейлеров — примерно $25–60 миллиардов в год. Это 4–12% от капекса. Это аналитическая реконструкция: Microsoft единственный раскрывает AI revenue annual run rate отдельно ($37 миллиардов на FY26 Q3, +123% год к году). Alphabet, Amazon и Meta не раскрывают вообще. Остальное — оценки аналитиков.

Чтобы окупить капекс 2025-2026 в стандартном пятилетнем горизонте амортизации с разумной доходностью, AI-инфраструктура должна сгенерировать $750 миллиардов — $1,1 триллион кумулятивной AI-выручки к 2030-2032 годам. OpenAI собственным планом обещает $280 миллиардов выручки к 2030 году (утечка Bloomberg, февраль 2026). И это план одной компании. Чтобы математика сошлась, такие же планы должны выполнить ещё несколько.

Пока OpenAI Q1 2026, судя по утечкам WSJ и Bloomberg, не дотянула до собственных целей. 28 апреля 2026 года оба издания одновременно вышли с материалом: компания недобрала по users и sales. CFO Сара Фрайар предупредила коллег, что без ускорения выручки финансировать compute commitments не получится. Утечка прогноза: убыток $14 миллиардов в 2026 году, кумулятивный убыток 2023-2028 — $44 миллиарда. Прибыль — не раньше 2029.

Это самый главный знаменатель в любом разговоре про AI. Не «когда AGI». Не «кто победит — OpenAI или Anthropic». А — кто и за что будет платить столько, чтобы это окупилось.

У AI-экономики два способа оправдать капекс: забрать часть существующих зарплат или создать новые рынки, которых раньше не было. Первое — substitution. Второе — expansion. Дальше разбираем оба, по очереди.

Простая ставка индустрии: AI заменит белых воротничков, заберёт их зарплаты, разделит между провайдерами. Substitution play. Считаем.

Глобальный фонд оплаты белых воротничков — $14-16 триллионов в год. Это потолок. Дальше начинается декомпозиция, и тут вся история ломается.

Если разложить рабочий день типичного офисного человека по задачам — на основе данных Acemoglu, ILO, MIT NANDA — получается:

- 25-35% времени — координация: встречи, согласования, политика
- 10-15% — регуляторные процедуры, compliance
- 10-15% — отношения с клиентами, продажи, переговоры
- 5-10% — физическое присутствие
- 5-10% — творческие задачи с высокой нагрузкой
- 15-20% — поиск, обработка и синтез информации
- 10-15% — кодирование и стандартные документы

Самое прямое применение LLM сегодня — в последних двух категориях. Это не означает, что остальные задачи AI вовсе недоступны. Просто именно здесь cognition ближе всего к реальному bottleneck. Координация ломается там, где у людей нет полномочий. Когнитивная нагрузка тут вторична. Регуляторика держится на том, что под подписью стоит человек, и юридическая ответственность не передаётся в API. Продажи и переговоры — социальная функция, доверие между людьми, мы тысячи лет так живём.

Acemoglu в работе 2024 года для NBER даёт прогноз: при честных расчётах через диффузию и реальные frictions, AI поднимет совокупную производительность США на 0,53-0,66% за десять лет. Не в год — за десять лет. Goldman Sachs в 2023-м обещал 1,5 процентных пункта в год. Двадцатикратное расхождение между двумя серьёзными источниками — разница в теоретических рамках. Goldman считает технологический потенциал. Acemoglu считает реализуемый эффект после трения: внедрения, перестройки процессов, ответственности, incentives, диффузии. Разница между ними — это расстояние между demo и P&L.

Если Acemoglu прав, реализуемая экономия от substitution к 2030 году — $1,5-3 триллиона в год. Из них AI-провайдер захватит 10-20%, остальное уйдёт клиенту, SaaS-интегратору и облачному хостеру. Получается $150-500 миллиардов в год для всей фронтир-индустрии вместе взятой. Это и есть тот размер, который OpenAI закладывает в свой план 2030 года.

Теперь — историческая аналогия. Salesforce, ServiceNow, Workday — три самые успешные SaaS-волны последних двадцати лет. Salesforce захватил 1,4% от глобального фонда оплаты продаж и сервиса. ServiceNow — 1,4% от глобальных ИТ-операций. Workday — 0,7% от HR и финансов. Это потолок проникновения SaaS, не отправная точка. За двадцать с лишним лет.

Если AI повторит этот паттерн (что является оптимистичным сценарием, не пессимистичным), стационарный TAM AI-провайдеров — где-то $150-300 миллиардов в год по всему миру. Этого хватает, чтобы оправдать оценку лидера в $300-500 миллиардов на 7-10× выручки. Но*не хватает на тот совокупный капекс, который уже залит в землю.

Вторая ставка индустрии звучит так: интеллект так дешевеет, что появятся новые рынки, которые до AI были экономически невозможны. Парадокс Джевонса для cognition. Удешевили хранение — родился облачный сторадж. Удешевили bandwidth — родился стриминг. Удешевили токены — родится что-то такое же.

Это тестируемый тезис. Цена инференса GPT-4-уровня упала примерно в тысячу раз за три года. По данным Epoch AI — 50× в год до 2024-го, 200× в год после. Корпоративные расходы на gen-AI выросли с $11,5 миллиардов (2024) до $37 миллиардов (2025). Это +220% за год.

Звучит как Джевонс. Считаем дальше.

Цена упала в 1000 раз. Использование (в долларах) выросло в 3,2 раза. В физических токенах потребление выросло примерно в 20-50 раз. Полноценный Джевонс работает иначе: падение цены вызывает такой взрыв использования, что выручка отрасли растёт. Здесь — цена упала на порядки сильнее, чем поднялся спрос.

Где же тогда новые рынки? Я взял все сегменты, которые претендуют на статус «не существовали до LLM».

Шесть кандидатов на новые рынки. Один доказал взрывную коммерческую динамику — AI coding. Остальные либо замещают старые рынки, либо ещё слишком рано, либо остаются крошечными.

- AI coding — Cursor, Anthropic Claude Code, GitHub Copilot, Cognition Devin, Windsurf. Совокупно $12-15 миллиардов ARR на начало 2026. Удваивается каждые 2-4 месяца. Это реальный новый рынок. Cursor показал $2 миллиарда ARR в феврале 2026, рост в 20× за 13 месяцев. Не наблюдалось ни в одной SaaS-волне.

- Customer support automation — $5-7 миллиардов. Но это эволюция чат-ботов 2010-х (Intercom, Drift). Замена + улучшение, не новый рынок.

- Marketing и content — $4 миллиарда. Это замена копирайтеров и стоковых иллюстраторов. Чисто старый рынок, новые исполнители.

- Drug discovery — Isomorphic Labs (контракты с Eli Lilly $1,75 млрд, Novartis), Recursion. Контрактной выручки $5+ миллиардов, реальной — $0,5-1 миллиард. К 2026 году ни одного одобренного FDA препарата чисто от AI-discovery. Слишком рано.

- Legal и financial document processing — $1-2 миллиарда. Сегмент e-discovery до AI был $4 миллиарда. LLM расширил его на 20-30%, не создал.

- AI agents — Devin, Manus, Salesforce Agentforce. $2-3 миллиарда. Новый класс продуктов, но крошечная база.

- Education и tutoring — Khanmigo и аналоги. Меньше $0,5 миллиарда платной выручки. В основном замена частных репетиторов.

Сложил всё. $20-25 миллиардов ARR — на все сегменты, где есть хоть какой-то аргумент в пользу «нового рынка». Это меньше 5% от капекса 2026 года и меньше 1% от пятилетнего совокупного капекса 2024-2028.

AI coding — первый настоящий кандидат на рынок Джевонса для cognition. Здесь появились workflows, которых до LLM не существовало: vibe coding, agentic PR, autonomous task fleets, code review loops. Это другая постановка задачи разработки. Программист отвечает за описание намерения, машина — за реализацию.

Если эта траектория сохранится до 2027 года и AI coding достигнет $50-80 миллиардов ARR — это будет первое сильное эмпирическое доказательство Джевонса для интеллекта. И первый доказанный новый рынок дешёвого интеллекта в истории.

Шесть остальных сегментов — пока не подтверждают.

Боб Солоу в 1987 году сказал: «Computers are everywhere except in the productivity statistics». Эту формулу позже назвали Solow Productivity Paradox — компьютеризация шла полной волной, а статистика производительности на это не реагировала. Понадобилось 10–15 лет, прежде чем эффект проявился. В 2026 году Торстен Слок, главный экономист Apollo, повторил её один в один: «AI is everywhere except in the incoming macroeconomic data». Это диагноз, не цитата для красоты.

Что говорит BLS по данным мая 2026 года:

- Total factor productivity США: 1,5% (2024) → 0,8% (2025)
- Q1 2026 nonfarm labor productivity: +0,8% SAAR, YoY +2,9%
- Еврозона labour productivity: −0,9% в 2024 году. Самое крутое падение с 2009-го.

Это происходит на фоне массового deployment LLM в когнитивно-интенсивных секторах. Если бы интеллект действительно был бутылочным горлом экономики, мы должны были бы видеть ускорение производительности там, где AI применяется. Видим обратное.

MIT NANDA сделал в июле 2025-го самое серьёзное независимое исследование. 52 интервью с executives, 153 опроса leaders, разбор 300 публичных deployments. Главный вывод: 95% корпоративных AI-pilot-программ не дают измеримого ROI на P&L. Только 5% доходят до production. Из $30-40 миллиардов корпоративных расходов на gen-AI в 2024-25 — только $1,5-2 миллиарда генерируют реальный эффект на прибыль.

При этом 90% сотрудников этих же компаний ежедневно используют AI через личные подписки. NANDA назвали это «shadow AI economy» — теневая AI-экономика. Личная продуктивность растёт. Институциональная — нет. У меня есть для этого имя: я называю это [разрывом между Individual AI и Institutional AI]. Компания купила Copilot — это Individual AI. Сотрудники быстрее пишут письма. Workflow не изменился. Метрики прежние. Решения принимаются как раньше. Локальная скорость есть. Системного эффекта — нет.

Самый болезненный data point — METR study, июль 2025. Случайный контролируемый эксперимент с 16 опытными open-source разработчиками на знакомом коде. С AI они работали на 19% медленнее. При этом сами оценивали, что работают на 20% быстрее. Разрыв между восприятием и реальностью — 39 процентных пунктов.

В феврале 2026 METR попытались обновить исследование на большей выборке. Не смогли. Часть разработчиков отказалась идти в контрольную группу — без AI они уже не работали. Теневая экономика дошла до того, что контрольной группы не осталось. Сама METR это признала и отозвала точечные оценки. Бывает редкий момент, когда отсутствие данных — само по себе данные. Индустрия настолько вросла в tooling, что её нельзя честно измерить. Это и есть «AI is everywhere» — кроме того места, где это можно посчитать.

Klarna — лучший single best case substitution. AI-ассистент обрабатывал 2,3 миллиона чатов в месяц, заменил работу 700 FTE, снизил cost per transaction на 40%. Профит-импакт $40 миллионов в 2024-м. Идеальный кейс.

В мае 2025-го CEO Себастьян Сиемяковский публично откатил решение: «Cost was a predominant evaluation factor, resulting in lower quality». Стали возвращать людей. К ноябрю 2025 — гибридная модель: AI делает работу 853 FTE, но больше не один. Даже в самой подходящей задаче (повторяющиеся вопросы, объективные метрики, технически продвинутая команда) substitution в чистом виде не выдержал. Понадобился гибрид. И это самый удачный кейс.

Следим за руками. Проверка простая. Если cognition был главным дефицитом, удешевление LLM должно сдвинуть крупные мировые проблемы — это тест Джевонса для интеллекта в пределе. Большие проблемы, правда, редко устроены как экзаменационная задача. Берём семь самых обсуждаемых:

В шести из семи случаев интеллект — не главное узкое место. Можно сколько угодно удешевлять токены — климат от этого не решится, климат держится на политическом торге и физике энергосетей. Здравоохранение в США дорогое из-за устройства страховой системы — fee-for-service провоцирует overbilling, мышление здесь ни при чём. Жильё в дефиците по самой обыденной причине: земли мало, и зонирование не пускает её под застройку. Архитекторы успевают подумать за всех желающих.

В одной проблеме — научная стагнация и поиск новых материалов — cognition действительно главное узкое место. И там AI уже работает: AlphaFold решил 50-летнюю задачу свёртки белков. Isomorphic, Recursion, Insilico ведут испытания. Это самая перспективная область. Но даже там — за восемь лет работы DeepMind над биологией ни одного одобренного FDA препарата от чистого AI-discovery нет. От подачи заявки до одобрения — 10 лет. Цикл с человеческими экспертами и регуляторными процедурами. AI ускоряет одну фазу из восьми.

Это сильный аргумент против тезиса «новые рынки на триллионы за счёт удешевления интеллекта». Если бы интеллект был дефицитом, мы бы наблюдали breakthrough-кейсы по фронтам. Видим точечно — там, где cognition правда bottleneck. Большая часть мира не cognition-bound. Так устроена экономика.

Топим дальше. Все, кого я процитирую дальше, продают AI. Это маркетинг своих собственных счетов на следующий квартал, упакованный в форму прогноза. Имейте в виду.

Дарио Амодеи, CEO Anthropic, апрель 2026: «Если я как чемпион уже не чувствую, что предпочитаю редактора-человека, работающего со мной 6 месяцев, перед AI, работающим 6 месяцев — в каком году это реальность? Один-три года. 95-99% уверенность за десять лет». Anthropic зарабатывает на токенах. Чем сильнее история про неизбежное замещение программистов и редакторов, тем выше justification сделок с Amazon на $8 миллиардов.

Илон Маск, май 2026: AGI через 1-2 года, экономика вырастет в миллион раз, Universal High Income, всеобщая дефляция, Optimus в каждом доме через десять лет. Маск продаёт Optimus и xAI; чем громче история про autonomous everything, тем дороже Tesla.

Дженсен Хуанг, NVIDIA: «Ни одно узкое место не держится дольше двух-трёх лет. $250 миллиардов capex в год — нижняя граница». NVIDIA в одном FY26 заработала $215 миллиардов выручки и стоит $4,3 триллиона. Хуанг продаёт чипы. Чем дальше масштабирование, тем дольше у NVIDIA маржа 70%.

А вот собственные финансы тех же компаний за тот же квартал:

- OpenAI Q3 2025: убыток $12 миллиардов при выручке примерно $3,3 миллиарда. Из 10-Q Microsoft.
- Anthropic gross margin: в 2025 цель была 60%, к концу 2025 снижена до 40% (The Information). При публичном плане 77% к 2028.
- Сундар Пичаи, январь 2026: «elements of irrationality in the current spending pace». Сам про свой же капекс.
- Сара Фрайар, CFO OpenAI, CNBC: «Most of the money [from Nvidia investment] will go back to Nvidia». Дословно.

Дальше — цифры, которыми OpenAI меряла свою frontier-позицию. Все commitments на 2025-2026:

- NVIDIA → OpenAI: $100 миллиардов (10 траншей по $10B, привязаны к deployment milestones)
- OpenAI → Oracle: $300 миллиардов за 5 лет на cloud
- OpenAI → AWS: $38 миллиардов за 7 лет
- OpenAI → CoreWeave: $22,4 миллиарда
- OpenAI → AMD: $90 миллиардов + 160 миллионов warrants на акции AMD (~10% компании по $0,01 за акцию)
- OpenAI → Microsoft: $250 миллиардов

Итого по букве — $1,4 триллиона compute commitments. Это уже официальная цифра в письме сенатора Элизабет Уоррен от 28 января 2026 года, направленного Альтману. Уоррен формулирует это короче: «классическая стратегия приватизации прибылей и социализации убытков».

В ноябре 2025 года Колетт Кресс, CFO NVIDIA, признала в 10-Q filing: NVIDIA → OpenAI на $100 миллиардов — letter of intent, не контракт. Не подписан. CNBC: «no definitive agreement». Самый громкий circular deal 2025-го, который полгода держал нарратив «спрос на GPU гарантирован», — оказался необязательным письмом о намерениях. NVIDIA повесила цифру на квартальный отчёт, OpenAI повесила цифру на свой capacity plan, рынок дальше эту цифру обсуждал как будто она реальная.

Аналогия с Lucent в 1999 году. Lucent выдавал кредиты телекомам на покупку собственного оборудования. Когда телекомы не отдавали — Lucent списывал. К 2000-му уже половина выручки Lucent была профинансирована самим Lucent. К 2002-му компания потеряла 99% капитализации. Это вендорное финансирование классического типа. Bloomberg, The Register, Ной Смит, Том Тангуз, Эд Зитрон — все указали на параллель. На этот раз — со стороны Сената.

Это не означает обвал. Это означает: деньги ходят по кругу внутри маленькой группы компаний, и со стороны выглядит как огромный спрос. Со стороны.

Беру горизонт 24-36 месяцев. Что может произойти:

A. Soft landing — 50% вероятность. Капекс замедляется во второй половине 2026 года. 30-40% AI-стартапов закрываются или поглощаются. Три-четыре frontier-лаборатории и три гиперскейлера выживают и доходят до прибыли к 2029-му. AI coding продолжает расти, остальные сегменты — медленно. Substitution даёт реальную, но скромную экономию. Solow Paradox разрешается частично к 2028 году. Никто не умер, никто не разбогател в десять раз. Самый вероятный сценарий.

Что делать архитектору: внедрять AI как операционную эффективность. Не строить бизнес на бесконечном демпинге compute и не закладывать неограниченный рост frontier-моделей.

B. Bull-case Jevons — 20%. AI coding превышает $40 миллиардов ARR. Ещё два новых сегмента (агенты, materials) достигают $10 миллиардов. TFP-ускорение в США становится statistically significant к концу 2027 года. FDA одобряет первое лекарство от AI-discovery. Anthropic и OpenAI выдерживают gross margin выше 60% на frontier-моделях. Доля платящих ChatGPT-юзеров растёт с 5-6% до 10-15%. Тогда — да, мы недооценили, и капекс окупится. Сегодня реализуется один из пяти этих маркеров. Маловероятно, но возможно.

Что делать архитектору: держать опцион на AI coding, агентов, materials. Не покупать оптимизм по широкому фронту.

C. Subprime AI crisis — 30%. Дефолт по одному из крупных частных кредитов под GPU-обеспечение (CoreWeave, Crusoe). Падение оценок AI-стартапов на 50-70%. NVIDIA минус 30-50%. Задержка или отмена нескольких Stargate-сайтов. Не обвал по типу 2000-го, но больной 2027 год.

Что делать архитектору: не завязывать critical workflow на одного дорогого frontier-провайдера. Иметь резерв на альтернативе (open-source модели, второй провайдер). План B на повышение цен на токены в 3–5 раз.

Откуда такая пропорция. Bull case требует совпадения нескольких специфических маркеров одновременно — это редкое событие. Subprime AI crisis требует одного дефолта из десятка кандидатов под GPU-обеспечение — структурно вероятнее. Отсюда 20% против 30%.

Эти проценты — субъективные. Их надо пересматривать каждые полгода по leading indicators. Что я лично слежу:

- GitHub Copilot после 1 июня 2026 (переход на usage-based, GitHub AI Credits) — если heavy users разбегаются, AI coding замедлится
- Anthropic gross margin Q3-Q4 2026
- AI coding ARR — траектория удвоения каждые 2-4 месяца
- BLS TFP в когнитивных секторах
- Одобрения FDA по AI-drug discovery
- Финализируется ли $100B NVIDIA → OpenAI

Я не предсказываю апокалипсис и не говорю «не внедряйте AI». Прямо наоборот. Substitution работает. AI coding делает миллиарды выручки. У клиентов курса я регулярно вижу процессы, которые с AI идут в 3-5 раз быстрее с лучшим качеством. Обычный инжиниринг.

Что отсюда вытекает практически:

Ставь на свою долю в реальной экономии, не на чужой рост. Когда тебе продают AI-инструмент с обещанием «удесятерим выручку» — это expansion play, спекуляция. Когда обещают сократить 40% времени на работу с документами или закрыть саппорт первой линии — это substitution, измеримо. Substitution — игра в конечном пироге, и в этой игре можно выиграть конкретные деньги, не дожидаясь Джевонса.

Когда говорят «AI cognition-bound» — спрашивай, где это видно в P&L. Не в demo. Не в pilot. Не в опросах сотрудников. В отчёте о прибылях и убытках за прошлый квартал. Когда ROI там не видно, инструмент сам по себе может быть хорошим — застряли в зазоре между [Individual AI и Institutional AI]. Лечится пересборкой [процесса в продукт]: evals, метрики, версионность, владелец. Покупка следующего инструмента не лечит.

Когда говорят «капекс окупится» — спрашивай, при каких сценариях, какова вероятность каждого, и что я делаю, если случится C. Спрашивай в операционных категориях. Что мой бизнес делает, если завтра NVIDIA минус 40% и Anthropic перестаёт демпинговать. Если ответ «не знаю» — у тебя не план, у тебя ставка.

И ещё одно. На циклах вроде нынешнего проигрывают чаще всего те, кто верит в нарратив целиком — и те, кто отвергает его целиком. Первые покупают на хайпе и обнуляются. Вторые сидят в стороне и пропускают всю реальную дельту от substitution. Архитектору важнее третья позиция: я строю свою долю в той части пирога, которая уже подтверждена, и не делаю ставок на ту часть, которая ещё спекулятивна. Это скучная позиция. Она же — единственная, которая выдерживает все три сценария.

Чтобы это сработало, важно понимать, какие вопросы ты вообще задаёшь.

> Оператор спрашивает: какой промпт?
> Менеджер спрашивает: какой инструмент?
> Архитектор спрашивает: где bottleneck, кто владелец процесса, какая метрика меняется в P&L.

Все три позиции нужны бизнесу. Но кто-то один должен видеть систему сверху, иначе уровни не складываются и AI-внедрение распадается на покупку подписок и продуктивность отдельных сотрудников. Это и есть «лишний мозг» — много дешёвого интеллекта без подключения к чему-то, что реально двигает выручку.

Мы только в начале цикла. В [следующей статье] разберём, почему даже substitution имеет жёсткий экономический потолок и что это значит для оценок самих фронтир-лабораторий. А потом — единственный честный bull case, который мне попадался: демография.

Курс [AI Architect] — про то, как мыслить системные вопросы про AI без чужих нарративов. Промпты нужны оператору. Архитектору нужна карта: где bottleneck, где процесс, где владелец, где evals, где P&L, где риск зависимости от чужой инфраструктуры.

Когда тебе продают «AI-трансформацию», ты должен уметь спросить: «Какая часть прибыли от этого изменится?» Промптами это не решается.