Запланированное на ноябрь 2026 года IPO Anthropic с предварительной оценкой копании в $1,5 трлн подкинуло дров в разгорающийся костер обсуждений экономики искусственного интеллекта (AI), где главным камнем преткновения стало явное несоответствие размера выручки крупнейших разработчиков больших языковых моделей (LLM) их затратам на вычислительную инфраструктуру.

Так, только у Anthropic по состоянию на сентябрь 2026 года объем договорных обязательств по вычислительной инфраструктуре, включая обязательства без фиксации объема потребления, достиг почти триллиона долларов против $105 млрд на 31 декабря 2025 года. То есть рост - почти на порядок менее чем за год, при выручке $17 млрд за III квартал 2026 года. Показатели выручки и обязательств по использованию вычислительной инфраструктуры различаются больше чем на порядок.

В целом анонсированные глобальные затраты AI-провайдеров на инфраструктуру на период до 2030 года превышают $5 трлн, из них $2,6 трлн – в США. На таких масштабах широко применяемое в последнее время кредитование закупок "железа", в том числе самими поставщиками инфраструктуры, уже не спасает. Нужна большая выручка и соответствующий финансовый поток. Предложение Аркадия Воложа (гендиректора Nebius Group) ввести предоплату за доступ к еще не построенной AI-инфраструктуре также не выглядит реалистичным.

Смогут ли LLM-гиганты взрывообразно нарастить выручку или нет – от этого зависит не только судьба всей индустрии AI, но и, ввиду ее размера, глобальной экономики в целом. Списаний на триллионы долларов она может и не пережить, ей и так плохо.

Поиск ответа на этот вопрос требует оценки потенциально достижимого экономического эффекта от использования AI, и такие оценки начинают появляться.

Что касается прогнозов собственно выручки провайдеров LLM, AI-приложений и сервисов, то Gartner оценивает ее в $3,6 трлн накопленным итогом за 2026-2030 гг., отмечая, что для окупаемости заявленных инвестиций в AI-ЦОДы нужно не менее $8,5 трлн.

Если эти расчеты верны, то, очевидно, экономика AI не сходится, и кто-то в нынешней конфигурации индустрии AI окажется лишним. Подозрения падают на независимых провайдеров AI-инфраструктуры, так называемых Neoclouds, не имеющих других источников выручки помимо размещения AI-нагрузок.

Мы в N4A Analytics решили поставить вопрос по-другому: а какой AI нужен для максимизации экономического эффекта, и отсюда – сколько и какой инфраструктуры нужно для такого AI? И взяли для расчетов не глобальную экономику, образованную совершенно разными, непохожими друг на друга странами, а экономику одной страны – США, где сосредоточено более 50% существующих и планируемых к развертыванию ЦОД под AI.

Наш вывод – окупаемость все-таки возможна, но для этого нужен другой AI, и, соответственно, другая инфраструктура. То есть инфраструктурный вопрос лежит не в плоскости больше/меньше гиперскейлов с GPU, а в том, что нужно нечто другое, отличное от строящегося сейчас.

Сначала определимся с источником экономического потенциала. Он в основном лежит в сфере B2B, и это не экономия от сокращений персонала, а кардинальное улучшение качества управления предприятиями и организациями, на всех его уровнях и фазах, включая исполнение.

Мы разделили корпоративный AI на "Office AI" – автоматизируемые с минимальными капитальными затратами бизнес-процессы верхнего уровня, охватывающие фазы прогнозирования, планирования и контроля исполнения, и "Physical AI" – автономное исполнение технологических процессов.

Результат следующий: для капиталоемких отраслей экономики США накопленный за 5 лет эффект от "Office AI" без внедрения "Physical AI" – $2,5 трлн, из которых половина приходится на одну отрасль – транспорт и логистику. Напомним, что инвестиции в гиперскейл-ЦОДы для AI в США запланированы на этот же период в размере $2,6 трлн. А для комбинации "Office AI" + "Physical AI" экономический эффект на порядок больше: почти $25 трлн. То есть экономика AI теоретически может сойтись только для такой комбинации и при условии ее полномасштабного внедрения бизнесом.

Но для "Office AI" + "Physical AI" гиперскейлов с LLM общего назначения недостаточно. Помимо них для "Office AI" нужны специализированные модели, обучаемые на высокочувствительных корпоративных данных, а для "Physical AI" – системы автономного управления реального времени с соответствующими требованиями по доступности и безопасности, выполнение которых невозможно без краевой/распределенной вычислительной инфраструктуры.

Так, по нашим оценкам, в Соединенных Штатах может потребоваться до 5,2 гигаватт мощности краевой инфраструктуры (+10% к существующей мощности дата-центров в США), при этом мощностей AI-гиперскейлов нужно будет меньше, чем запланировано к развертыванию сейчас.

Объем только мобильного M2M-трафика для обеспечения телеметрии и телеуправления между физическими объектами и их цифровыми двойниками может достигнуть 2,4 Эб за 5 лет - плюс 27% к существующему глобальному мобильному M2M-трафику. Широкое применение краевых вычислений позволит локализовать большую часть этого трафика внутри сетей доступа, не нагружая им дорогостоящие магистральные сети.

Экономического эффекта в размере $25 трлн хватит для окупаемости затрат не только на вычислительную инфраструктуру, но и для оплаты услуг поставщиков цифровых двойников и других AI и не AI-приложений. Что, в свою очередь, простимулирует развитие более сложных кооперационных цепочек в AI-индустрии, с участием существенно большего количества специализированных игроков.

Таким образом, если поставить лошадь впереди телеги, то есть начать с реальных экономических потребностей, и уже под них оптимизировать AI-приложения и инфраструктуру, то все может сложиться безо всяких потрясений, а даже наоборот – к всеобщей выгоде. Напомню, что в масштабе экономики США $25 трлн накопленного за пять лет экономического эффекта – это без малого годовой ВВП (по данным МВФ, номинальное значение валового внутреннего продукта в Соединенных Штатах в 2025 году составило $30,86 трлн).