Знаете, что самое интересное в отчете MIT? Проблема не в моделях. GPT и конкуренты давно умеют писать, считать и обобщать лучше среднего junior-аналитика. Проблема в том, что авторы называют «learning gap» - системы не запоминают контекст компании, не адаптируются к ее процессам, не вырастают из демо в рабочий инструмент. Еще одна деталь из того же отчета: внутренние разработки на базе LLM дают результат примерно в двух случаях из десяти, а покупки у специализированных вендоров - в двух из трех. То есть позиция «построим собственное AI-решение» статистически оплачивается втрое хуже, чем «возьмем у тех, кто этим занимается всерьез». А крупнейшие предприятия, где больше всего бюджетов и людей под AI, показывают наихудшее соотношение пилот-в-масштаб. Оказывается, серебряная пуля требует методичной и долгой работы с процессами - потому что технология не встраивается сама, ее встраивают. А методичной работы не любят ровно те, кто на серебряную пулю ставил.
Параллели напрашиваются неприятные. В 1974-м DARPA пришла считать расходы на общий ИИ и тихо закрыла финансирование - так случилась первая AI-зима. В 1988-м специализированные LISP-машины обнулились в цене, когда обычные рабочие станции догнали их по производительности за четверть стоимости - вторая зима. В 2000-м инвесторы перестали верить, что кликам можно присвоить любую оценку - лопнул дот-ком. Во всех трех случаях ломалась не технология. Интернет остался, ИИ остался, вычисления остались. На самом деле ломалось конкретное убеждение инвесторов, что технология в ближайшие два года решит все, что их волновало. Сегодня это убеждение дороже примерно в тридцать раз - и держится на точно такой же конструкции.
А теперь про экономику. Потребители в США платят за AI-сервисы около 12 миллиардов долларов в год. Capex в эти же сервисы планируется на уровне 500+ миллиардов в 2026-м. Разрыв сорокакратный, и его предлагается закрыть за пять-семь лет, причем все чаще в долг - потому что собственного свободного кэша у гиперскейлеров уже перестает хватать. Аналитики Morgan Stanley и Bank of America пишут, что половина AI-капекса до 2030 года может быть заемной. Десять крупнейших компаний США - почти все с AI-историей в презентациях - составляют больше 40% капитализации S&P 500, исторический рекорд. Apollo закладывает 30% вероятность рецессии США в 2026-м и прямо называет AI-инвестиции единственным живым мотором этого роста. Даже Сэм Альтман, человек с самой очевидной мотивацией молчать, признал в прошлом году, что пузырь существует. Просто, по его мнению, пузырь хороший.
Мой прогноз звучит спокойно. В 2026-2027 году произойдет заметная коррекция оценок AI-компаний, часть заявленной инфраструктуры окажется недостроенной, часть сделок - пересмотренной, а B2B-рынок наконец поймет, что LLM - это хороший инструмент для скучных задач, а не серебряная пуля для корпоративной трансформации. Технология останется, компании выживут, выручка будет расти умеренно. Но десятки процентов капитализации уйдут в ноль, а пара крупных сделок развалится публично. И теперь вопрос, ради которого я все это написал. Где в этом прогнозе дыра? Чего я не увидел, что знают люди, продолжающие сегодня ставить на триллионные капексы и серебряную пулю одновременно?