Партнер a16z в диалоге: большие модели не имеют сетевого эффекта, в конечном итоге могут зарабатывать только как операторы, получая "плату за канал"

Оригинальное название: Экономика использования ИИ и что дальше для SaaS | Бенедикт Эванс на a16z

Оригинальная компиляция: Янлин Ханг, Z Finance

В июне 2026 года, Силиконовая долина. Годовой доход Anthropic за последние 12 месяцев увеличился более чем в пять раз, достигнув 47 миллиардов долларов. Совокупные прогнозы капитальных затрат четырех крупнейших технологических компаний на ИИ в этом году превышают 700 миллиардов долларов, что близко к двум третям от общего объема инвестиций в глобальную телекоммуникационную отрасль.

Когда вся отрасль самоуспокаивается, утверждая, что "риск недостаточных инвестиций больше, чем риск чрезмерных инвестиций", Бенедикт Эванс в подкасте a16z вспоминает кризис мобильных данных 2008 года.

Это были смутные годы после выхода iPhone. AT&T запустила тарифный план с неограниченным трафиком, пользователи начали безумно смотреть YouTube, и сеть мгновенно вышла из строя, операторы потратили сотни миллиардов долларов на расширение. В конечном итоге все классные приложения были созданы другими, а операторы заработали только "тарифы за трафик".

Эванс каждый год публикует речь под названием "ИИ поглощает мир", которую Силиконовая долина считает важной вехой для наблюдения за технологическими циклами. В отличие от большинства оптимистов, он привык искать плохие новости в истории. По его мнению, разрыв между подпиской на ChatGPT за 20 долларов в месяц и стоимостью токенов в десятки тысяч долларов аналогичен тому, как в свое время 500 миллиардов долларов за данные возникли из той же иллюзии. Цены и затраты находятся в серьезном разрыве, и все делают вид, что этого не замечают.

"Все ставки все еще открыты." Он признает, что не может предсказать финал. Но когда эффективность моделей увеличивается на 100-200 раз в год, а в эту область вливается почти триллион долларов капитала, он считает, что по крайней мере одно можно утверждать: такая "ценообразование по ROI" не продлится долго.

Вот шесть суждений Эванса о ключевых противоречиях в экономике ИИ:

1. Базовые модели не являются продуктом, и ценность в конечном итоге будет перемещаться вверх по цепочке. Компании, занимающиеся моделями, могут стать просто продавцами воды, повторив судьбу производителей чипов, интернет-провайдеров и мобильных операторов. Они построили потрясающую инфраструктуру, но не смогли захватить наибольшую прибыль.

2. Программирование в настоящее время является единственной областью, где действительно найден PMF. Agentic Coding перешел от "немного полезного" к "меняющему все", но за пределами этого большинство сценариев все еще находятся на уровне "открыть ChatGPT раз в неделю и попробовать".

3. Ценовая система рушится. Когда эффективность моделей увеличивается на 100-200 раз в год, а капитальные затраты достигают триллионов, такая роскошь, как ценообразование по ROI, не продлится. Токены в конечном итоге будут подвержены ценовым войнам, как мобильные данные.

4. ИИ не завершит SaaS, но переопределит границы программного обеспечения. Где должны находиться вероятностные LLM: на вершине или внизу технологического стека? Корпоративное программное обеспечение столкнется с новой волной хаоса "Excel против специализированного программного обеспечения", больше программного обеспечения, больше конкуренции, более неопределенные маржи прибыли.

5. История может объяснять, но не предсказывать. Аналогии с мобильным интернетом, облачными вычислениями и эпохой ПК полезны, но ни одна из них не может сказать, станет ли OpenAI следующим Windows или следующим Netscape.

6. Настоящие вопросы покидают технологический круг. Что означает ИИ для юридических фирм, инвестиционных банков, консалтинговых компаний и Голливуда? Эти ответы не находятся в Сан-Франциско, а у тех, кто знает, "что на самом деле делают младшие сотрудники".

01 Стратегическая дифференциация OpenAI и Anthropic

Эрик Торенберг: Бенедикт, рад видеть тебя снова в подкасте a16z. В прошлый раз, когда ты был здесь, мы обсуждали первую версию твоей речи "ИИ поглощает мир". С тех пор прошло почти полтора года. Ты всегда начинаешь свои выступления с вопроса: "Какие большие проблемы?" Но на этот раз я хотел бы сначала спросить: что мы узнали с тех пор, как ты впервые представил эту речь? Какие прогнозы сбылись? Давай вспомним.

Бенедикт Эванс: Давай поговорим о том, что произошло за последний год. Я думаю, мы более четко увидели дифференциацию продуктовых стратегий и конкурентное напряжение — это уже не просто "сделать модель больше, быстрее, вложить больше вычислительных мощностей".

Стратегия OpenAI претерпела несколько поворотов — от "вчера ставить на все направления" до "возможно, нам стоит удвоить ставку на программирование". Очевидно, что Agentic Coding действительно начал работать. Поэтому все внимание технологического мира сосредоточено на этой области, она обладает абсолютной продуктовой рыночной совместимостью, а растущий спрос клиентов почти не оставляет времени на отдых. Конечно, это также привело к проблеме нехватки предложения, вокруг которой возникают противоречия, касающиеся емкости, цен, дисбаланса спроса и предложения, а также ценообразования капитальных затрат, что мы сейчас и наблюдаем. Это тот момент, в котором мы находимся — когда-то мы думали, что это довольно интересно и захватывающе, но не были уверены, что можно это использовать. А теперь это действительно можно использовать для программирования, что касается других областей, ответ почти наверняка положительный, но программирование — это то место, где это действительно работает.

Теперь фокус стал намного уже. Кроме того, данные продолжают расти: модели становятся все больше, капитальные затраты продолжают расти, а использование увеличивается, люди используют их все больше. Но те фундаментальные вопросы, которые ты поднимал два-три года назад, в большинстве своем до сих пор не имеют ответов. Например, мы не знаем, появится ли абсолютный победитель в области моделей, можем ли мы получить ценность на верхних уровнях цепочки создания стоимости, не знаем, где находятся границы возможностей моделей, и не знаем, когда потребители перейдут от использования раз в неделю к ежедневному использованию с текущими технологиями. Так что все эти вопросы остаются открытыми.

Эрик Торенберг: Говоря о программировании, могли ли мы предсказать, что это станет первым настоящим взрывным сценарием применения?

Бенедикт Эванс: Если смотреть с точки зрения определенности, можно рассуждать так: кто больше всего любит возиться с этими вещами? Разработчики программного обеспечения. А что разработчики программного обеспечения хотят попробовать сделать с этими вещами? Конечно, это само программирование. Так что с этой очень простой точки зрения приоритет программирования самый высокий. Я часто сравниваю этот момент с интернетом 1997-1998 годов или с эпохой персональных компьютеров в конце 70-х и начале 80-х годов — тогда все было очень захватывающе, но не было ясно, для чего это все нужно, потому что это еще не стало действительно зрелым. В начале люди использовали персональные компьютеры в основном для создания большего количества компьютеров, а сейчас первое, что люди делают с LLM (и более крупными LLM), — это создание большего количества вычислительных мощностей. Так что это не удивительно.

Но в начале этого года произошел очевидный поворот: Agentic Coding перешел от "вполне полезного" к "действительно меняющему все". Я не уверен, что кто-то мог точно предсказать, когда это произойдет, и не знаю, что это будет первым приложением, которое выйдет на рынок. Некоторые люди потом скажут, что они это предвидели, но я не думаю, что кто-то мог с уверенностью предсказать, когда все это произойдет, и что именно программирование станет первым прорывом.

Эрик Торенберг: А на организационном уровне, что мы узнали? Что это значит для младших инженеров, старших инженеров, а также для структуры должностей и форм организации команд?

Бенедикт Эванс: Я думаю, что пока еще рано об этом говорить. Шесть месяцев назад это было совершенно неприемлемо. Сейчас все в панике пытаются понять, что это все значит. Если ты слишком погружаешься в шум и детали, хватает кого-то, кто говорит что-то на каком-то мероприятии, и ты думаешь, что мир рухнет, ты окажешься в хаосе. Все это, по крайней мере, займет два-три года, чтобы стабилизироваться, не говоря уже о том, что существует огромный дисбаланс между спросом и предложением, что приводит к различным неожиданностям. Так что мы совершенно не знаем, как будут выглядеть команды в будущем.

Я думаю, что люди начинают задавать новые вопросы, самый очевидный из которых: ты все еще нанимаешь младших сотрудников? Если да, то что они будут делать? Почему ты раньше нанимал младших сотрудников? Ты нанимал их, чтобы они делали то, что они могут делать, или для чего-то другого? Если ты автоматизировал целый класс работ, которые раньше выполняли люди, что произойдет? Этот вопрос стал более актуальным в области разработки программного обеспечения, потому что ты действительно автоматизируешь множество задач, которые раньше выполняли люди. Так что эти вопросы уже перешли из теоретической плоскости в реальность. Но я думаю, никто не может сказать, как будет выглядеть структура рынка в следующие три-пять лет, и не знает, как изменится карьерный путь инженеров-программистов — если ты думаешь, что знаешь, то это безумие.

Эрик Торенберг: Давай поговорим об OpenAI. Что тебя больше всего удивило? Как ты понимаешь их стратегическую эволюцию и те проблемы, с которыми они сталкиваются в будущем?

Бенедикт Эванс: Это всегда было местом, полным драматических конфликтов. Очевидно, что их CEO находится в отпуске по медицинским причинам, что изменило ситуацию.

Во второй половине прошлого года и в четвертом квартале возникли вопросы: модель сама по себе неплохая, но что дальше? Как вы заставите людей использовать эти вещи для других задач? Это почти как сказать: "Спросите ChatGPT о 15 идеях, как создать ценность на основе инфраструктуры, и просто сделайте все это", OpenAI почти так и делала. Anthropic, с относительно меньшими финансовыми возможностями, заявила: мы сосредоточимся на программировании. И они действительно сделали программирование. Было ли это намеренно или случайно, пусть решают другие. Но очевидно, что этот ход сработал.

Но проблема остается: в настоящее время действительно работают только разработки программного обеспечения и некоторые другие области. Многие люди просто с энтузиазмом пробуют это на краю, некоторые используют это время от времени. Дифференциация внутри Силиконовой долины также довольно очевидна — с одной стороны, те, кто купил кучи Mac Studio и круглосуточно запускает открытые модели, с другой стороны, 40-50% людей, которые считают, что это действительно немного полезно, но использовали это всего раз на прошлой неделе. Проблема в том, как преодолеть этот разрыв? Я не думаю, что на этот вопрос есть простой ответ. Разработка программного обеспечения действительно преодолела этот разрыв, но многие другие области все еще находятся в замешательстве, и используют это лишь поверхностно.

Кроме того, многие компании используют ИИ для автоматизации некоторых конкретных внутренних процессов — в этом случае вы не заставляете пользователей самим исследовать, что может сделать этот новый инструмент, а просто говорите им: вот проблема, которую мы можем решить. Я общался с компаниями за пределами США и технологической отрасли, также разговаривал с консультантами и инвесторами, и они все по очереди рассматривают эти точечные решения.

Например, на днях я общался с одной крупной товарной компанией, которая хотела использовать LLM для улучшения прогнозирования денежных потоков, потому что они работают с множеством мелких производителей и не уверены, когда получат оплату, а это бизнес с низкой маржой, поэтому прогнозирование денежных потоков для них — это большая проблема. Это совершенно другое, чем просто зайти в ChatGPT или Claude и сказать: "Помоги мне что-то написать".

Эрик Торенберг: Как ты смотришь на ситуацию по сравнению с тем, как это использовали ранние пользователи каждую неделю или каждый день?

Бенедикт Эванс: Я думаю, на это можно ответить с нескольких разных точек зрения. Во-первых, мы всегда движемся вперед на плечах гигантов, и прогресс постоянно ускоряется. Мобильный интернет не ждал появления интернета, он просто ждал, когда будут готовы сотовые сети. Интернет не ждал, пока персональные компьютеры станут распространенными, и персональные компьютеры не ждали, пока потребительская электроника и полупроводники станут зрелыми. Так что скорость принятия всегда увеличивалась. Когда твой босс Марк Андриссен создавал Netscape, в мире было всего несколько десятков миллионов персональных компьютеров. Невозможно было иметь 900 миллионов активных пользователей — потому что просто не было 900 миллионов компьютеров. Так что ускорение всегда присутствовало.

Второй момент заключается в том, что на ранних стадиях этих изменений никто не может понять, как это будет работать, и на самом деле ничего не может использоваться. Я достаточно взрослый, чтобы помнить эти вещи. Не знаю, сколько тебе лет, но людям за 30, возможно, уже не помнят те времена — когда ты работаешь, и вдруг все на экране зависает, и тебе нужно залезть под стол, чтобы вытащить шнур питания, и молиться, чтобы то, что ты делал в течение последнего часа, хотя бы частично восстановилось. Это больше не происходит.

Вернемся к 80-м: ты покупаешь звуковую карту за 300 долларов, а компьютер может даже не воспроизводить звук. Эти 300 долларов уходят, и тебе нужно потратить выходные, чтобы заставить это работать. Я помню те времена. Интернет был таким же. Сначала тебе нужно было получить диск с TCP/IP, скорость была ужасной, и то, что ты хотел сделать, не имело готовых инструментов. Мобильные устройства тоже были такими. Мы сейчас находимся на этом этапе. Конечно, ключевой вопрос: что из этого в конечном итоге сработает? Сейчас тоже самое: сможет ли браузер сработать? Сможет ли это устоять? Как все это соединится? Существует разрыв между теми крайне захватывающими вещами и небольшой группой людей, готовых вложить усилия, чтобы это заработало, и наша задача — сделать это простым делом.

02 Кризис ценообразования и уроки истории платформ

Бенедикт Эванс: Третий момент заключается в том, что экономические единицы становятся более очевидными. Я заметил, что текущее сжатие цен, о котором мы говорим, очень похоже на то, что произошло в области мобильных данных в 2009-2010 годах. С одной стороны, люди внезапно получали счета за данные на сумму до 5000 или даже 10000 долларов; с другой стороны, если у вас был тариф с неограниченным трафиком — как тот, который AT&T запустила при эксклюзивном запуске iPhone в США — все купили iPhone и начали использовать его, как только 3G-сеть заработала, и вся сеть вышла из строя, потому что не было достаточно емкости для поддержки. Интересно, что до сих пор в технологическом круге есть люди, которые не понимают, что у сотовых сетей есть предельные затраты. Они должны были расширять емкость, а расширение стоит денег. Операторы были вынуждены спешно корректировать кривую затрат, чтобы она соответствовала системе ценообразования инфраструктуры, соответствовала базовым затратам и воспринимаемой ценности пользователями — они в основном достигли этого через многоуровневые тарифные планы, разумные условия использования, ограничения скорости и т.д.

Но с другой стороны, это как раз то, что мы сейчас наблюдаем: вы платите 20 долларов в месяц, но используете токены на сумму более 10000 долларов; наоборот, если вы поиграли пару дней и внезапно получили счет на 10000 долларов, вы, конечно, воскликнете: "Что за черт?". Сейчас вы можете увидеть такие же новостные истории, как это происходило в 2008-2010 годах, и это также похоже на то, что происходило в области GPU с 2001 по 2003 год.

Но более интересная часть этого сравнения или аналогии заключается в том, что с тех пор объем мобильных данных увеличился примерно в 1500-2000 раз. Общий доход глобальной мобильной интернет-сети составляет около 1 триллиона долларов, ежегодные капитальные затраты составляют около 200 миллиардов долларов, а ARPU не росло уже 20 лет. Все эти классные новые вещи были созданы другими. Операторы думали, что все хорошие вещи будут построены ими — я работал в телекоммуникационной компании с банковской лицензией, потому что они думали, что сами создадут мобильный банкинг — это сейчас кажется совершенно безумным. Но ключ в том, что они построили эту потрясающую глобальную, крайне сложную и крайне дорогую инфраструктуру, использование которой постоянно растет, изменяя жизнь всех нас, и мы все за это платим — но они сами не заработали на этом много, потому что вся ценность переместилась вверх по цепочке.

И это как раз то, с чем сталкиваются LLM: может ли модель сама сделать все, или нужно построить 300 приложений на ее основе? Можете ли вы просто сказать модели "помоги мне заполнить налоговую декларацию", или вам нужно программное обеспечение для заполнения налоговой декларации, которое использует 10 различных AI-методов для обработки? Если ответ — последнее, то какова ваша позиция как поставщика базовой модели?

Станет ли это товарной инфраструктурой, продаваемой по предельной стоимости? На данный момент это кажется концепцией, которую трудно принять. Поскольку вы можете продать все токены, которые можете создать, вы можете устанавливать цены по ROI. Но в следующие несколько лет будет вложено около 1-2 триллионов долларов капитальных затрат, эффективность моделей будет увеличиваться на 100-200 раз в год. Появятся новые модели. Модели будут потреблять больше или меньше токенов? Мы достигнем другой точки равновесия. И когда производительность моделей будет примерно одинаковой, выполняя одни и те же задачи, используя одни и те же чипы, на каком основании компании, занимающиеся моделями, будут иметь право на ценообразование?

Оглядываясь на историю: производители чипов не захватили ценность, интернет-провайдеры не захватили ценность, мобильные операторы тоже не захватили ценность. Windows и iOS захватили, но то, что они делают, совершенно другое: у них есть различные рычаги, чтобы перемещаться вверх по цепочке, а также сетевые эффекты, а у моделей этого нет. Так что вопрос в том, будут ли компании, занимающиеся моделями, завершать свою деятельность как на уровне инфраструктуры, или будут захватывать ценность на уровне операционных систем и определять, что могут делать другие? Ирония заключается в том, что история Netscape как раз это иллюстрирует — Марк Андриссен когда-то знаменитым образом заявил, что хочет превратить Windows в кучу плохо отлаженных драйверов устройств, а затем Microsoft жестко вошла на рынок. Но в конечном итоге оказалось, что веб-браузер сам по себе не является ключевым — ценность находится в другом месте. Так что эти большие вопросы, как водовороты, остаются открытыми, и в конечном итоге возвращаются к тому, что я говорил ранее: некоторые вещи вы можете знать, но вы не знаете, как это все закончится.

Эрик Торенберг: Да, сейчас неясно, будет ли это больше похоже на интернет (большая часть ценности и лучшая прибыльность на уровне приложений происходит на уровне приложений), или больше похоже на облако (ценность, похоже, находится на уровне аппаратного обеспечения, и сейчас Nvidia, похоже, зарабатывает больше всего, с более высокой маржой). Но будет ли это всегда так? Или это станет более похоже на интернет? Как начать предсказывать этот ответ?

Бенедикт Эванс: У меня есть два ответа на это. Существует множество известных высказываний о том, как работает история — одно из моих любимых: история учит нас только одному: всегда что-то происходит, и вы всегда можете объяснить, почему это было неизбежно, но в то время это не было очевидно. Особенно я помню, что около 15 лет назад многие очень умные люди в области технологий получили iPhone и Android и сказали: это еще один раунд борьбы между открытым и закрытым, мы собираемся уничтожить iPhone, но этого, конечно, не произошло. Я могу объяснить причины, но все эти аналогии полезны, но ни одна из них не является предсказательной. История всегда становится очевидной только задним числом.

Интересно, что я недавно сделал несколько подкастов и выпустил эту речь, и тогда появилась категория комментариев: Бенедикт, ты не справился со своей работой, ты должен сказать нам, что произойдет в будущем, твоя обязанность — делать прогнозы. Но ты, похоже, только говоришь: "Мы не знаем". Здесь есть два вопроса. Один из них заключается в том, что в некоторых местах я действительно говорю, что, по моему мнению, не сработает, а что сработает — например, я считаю, что базовые модели не являются продуктами, чат-боты тоже не являются продуктами, ценность будет перемещаться вверх по цепочке. Но с другой стороны, на этом этапе цикла существует слишком много переменных, и вы не знаете, какой из них в конечном итоге сработает. Если вы настаиваете на том, что "я думаю, это именно так", вы можете быть правы, но вы должны осознавать, насколько велика неопределенность и сколько различных путей может быть. Это суть этого этапа цикла: все ставки все еще открыты.

Когда S-образная кривая начинает подниматься, она сужается. Когда-то казалось, что Windows Phone тоже может добиться успеха — задним числом, конечно, это было маловероятно. Когда-то было неясно, как будет развиваться мобильный рынок, а затем стало ясно — это то, что происходит, и затем мы переходим к следующему вопросу.

Особенность технологий заключается в том, что когда вы действительно понимаете, как работает вещь, знаете, как она будет работать в будущем, именно тогда вам следует перейти к следующей вещи. Вы всегда должны искать те тихие уголки, на которые у нас еще нет ответов. Мой Apple Spreadsheet я не обновлял уже пять лет — потому что мы уже знаем результат. Мне не важно, как будет выглядеть следующее поколение iPhone, и я не интересуюсь их долей на рынке в Китае. Результат уже определен, следующий вопрос.

03 Базовые модели не являются продуктом, ценность находится вверх по цепочке

Эрик Торенберг: Ты только что сказал, что не считаешь базовые модели продуктами, и считаешь, что ценность будет перемещаться вверх по цепочке. Пожалуйста, объясни свою логику и как это может выглядеть.

Бенедикт Эванс: Я думаю, можно выделить три или четыре строительных блока для обсуждения.

Первый: на данный момент очень трудно создать модель, которая будет по сути лучше всех остальных и сможет поддерживать дифференцированное преимущество. У нее нет сетевых эффектов, нет рычагов, которые вы можете использовать, или стратегической позиции, как у Instagram, YouTube или Google Search. У LLM нет соответствующего. Конечно, разные модели имеют свои акценты — возможно, эта немного лучше, возможно, вам больше нравится эта, но между ними нет принципиальных различий, единственное отличие — это то, сколько вы готовы заплатить.

Второй вопрос: чат-боты сами по себе являются странным, ограниченным V1 интерфейсом. В некоторых сценариях, для некоторых людей и некоторых задач они действительно полезны, но в большинстве случаев вам нужно много других вещей. Вам нужны инструменты, правильные настройки, подходящие данные, нужно настроить различные контроли и пользовательские интерфейсы. Нужно, чтобы кто-то серьезно подумал о том, как этот инструмент должен работать, потому что те, кто умеет использовать инструменты для выполнения работы, и те, кто умеет решать, как должен выглядеть инструмент, обычно — это две разные группы людей.

Те, кто умеет проектировать печатные издания, не должны заниматься InDesign, это совершенно другой набор навыков. Те, кто умеет консультировать по финансам, также не являются подходящими кандидатами для проектирования финансовых роботов — это требует других навыков, других людей. Сейчас мы находимся на промежуточной стадии: Claude имеет это, Claude имеет то, а также Skills и так далее. На мой взгляд, это похоже на то, кто должен делать Skill? Другой вопрос: это похоже на шаблоны, которые вы видите, когда выбираете "Создать файл" в Excel — они могут дойти до определенного момента, но в какой-то момент вы выходите за пределы шаблона. В моей презентации есть слайд, на котором цитируется то, что кто-то сказал мне в Twitter много лет назад: он сказал, что работает консультантом, и половина его работы заключается в том, чтобы учить других использовать Excel как базу данных, а другая половина — учить других использовать базы данных как Excel.

Так что здесь есть размытая, хаотичная зона: вам нужно специализированное программное обеспечение? Вам нужно горизонтальное программное обеспечение или вертикальное программное обеспечение? Или вы можете справиться со всем в Excel? Мы все видели примеры, когда целый отдел работает на 10-мегабайтном Excel-файле — мой собственный бизнес также использует Numbers. Но в какой-то момент вы превысите этот предел.

Могут ли компании, занимающиеся моделями, сделать все это? Конечно, нет, как и Microsoft или Apple не могут создать каждое приложение для Windows и iOS. Так что есть ли у компаний, занимающихся моделями, такой рычаг? Они Windows или iOS? Снова вопрос: есть ли сетевые эффекты?

Например, если вы сейчас юридическая фирма и хотите купить программное обеспечение — a16z инвестировала во множество корпоративных программных решений, будет ли эта юридическая фирма или производственная компания или банк спрашивать: "Использует ли это Claude или OpenAI? Потому что мы все используем Claude"? Нет, это не так работает. В эпоху облаков это также не так, вы не скажете: "Наша компания использует AWS", вы даже не знаете, на каком облаке работает тот или иной SaaS продукт. Вот в чем ключ, это было отделено, это не то, о чем вам нужно беспокоиться. Так что в этом смысле базовые модели больше похожи на облачных провайдеров — у них могут быть некоторые конкурентные преимущества, но нет такого рычага, нет сетевых эффектов, нет контроля.

Это также заставляет меня вспомнить другую аналогию: полупроводниковая отрасль — каждое поколение становится все более дорогим, участников становится все меньше. В целом, модели по сути являются другим товаром, чат-боты не являются правильным интерфейсом или продуктом, компании, занимающиеся моделями, не могут создать все. Так что они являются базовой инфраструктурой. Так что у них есть право на ценообразование?

В будущем будет, вероятно, 3-6 компаний, занимающихся передовыми моделями, которые будут инвестировать каждый год — никто не знает точно, вероятно, это 200-2000 миллиардов долларов — плюс группа пограничных моделей и открытых моделей. Так что в конечном итоге будет пять-шесть компаний, конкурирующих на этом рынке, продающих эти продукты. Откуда возьмется ценовая дисциплина? Особенно учитывая, что некоторые из этих компаний имеют совершенно разные бизнес-модели. Например, Google зарабатывает на рекладе, их отношение к ценообразованию отличается от OpenAI.

Я думаю, что проблема заключается в том, что между тем состоянием, в котором мы находимся сейчас, и тем состоянием, к которому мы должны прийти, существует разрыв — это, по сути, тема, которую обсуждают на первом курсе экономического факультета. Мы находимся в периоде крайнего дисбаланса между спросом и предложением, ценообразованием, капитальными затратами и емкостью. Но спрос на токены безграничен, это не означает, что вы не можете достичь другой ценовой точки равновесия — потому что мобильные данные прошли через это. За последние 15 лет спрос на биты данных увеличился в 1500-2000 раз, но вы все равно видите рыночное ценовое равновесие между предложением и спросом, и в большинстве регионов мира все еще существуют жестокие ценовые войны между операторами. В основном вы продаете товар, клиенты могут в любой момент сменить поставщика — разработчики также будут переключаться.

Конечно, я полностью принимаю, что это может быть ошибкой. Возможно, в конечном итоге в мире останется только две компании, которые смогут создать LLM, и у них будет право на ценообразование. Или мы войдем в мир, где почти все будет интегрировано в сами модели, и модели будут иметь рычаги на верхнем уровне. Но моя основная точка зрения заключается в том, что, как и в случае с борьбой iOS и Android — вы, конечно, можете сказать, что так было в последние три раза, но это не доказывает, что так будет и в этот раз. Но, по крайней мере, вы должны задавать эти вопросы и признавать, что текущее состояние временно. Мы находимся в состоянии крайней нехватки, а затем появится система ценообразования, свободный рынок и около 1 триллиона долларов капитальных затрат. Так что эти множители будут меняться.

04 Где будет следующий прорыв после программирования

Эрик Торенберг: Это как раз подводит нас к тому, что ты ранее сказал: "Мы уже знаем, как выглядит Apple". Так что, какой следующий вопрос, который тебя больше всего интересует? Или что мы должны больше всего обсуждать?

Бенедикт Эванс: Мы уже обсудили некоторые вопросы, такие как, насколько далеко может зайти стек возможностей моделей, смогут ли модели достичь дифференциации и так далее. Еще один очевидный вопрос: в какой момент мы увидим, что в все большем количестве категорий случаев использования модели уже достаточно хороши, и нам больше не нужны самые дорогие, быстрые, большие и тяжелые модели в облаке? Мы можем использовать старые модели, открытые модели или модели, работающие на устройствах. Это именно то, о чем будет говорить Apple — сколько вещей можно перенести на устройства, где вычислительная мощность бесплатна (или, по крайней мере, бесплатна для вас, а для разработчиков не имеет предельных затрат).

Другой классический вопрос: сам вопрос уже начинает выходить за пределы технологической области. Например, если вы посмотрите на юридическую фирму, консалтинговую компанию, инвестиционный банк — в основном все традиционные профессиональные сервисные организации с пирамидальной структурой — если вы сможете автоматизировать большую часть работы, выполняемой людьми на нижнем уровне пирамиды, что произойдет? Я могу сказать только одно: если вы не работали в юридической фирме, не работали в Bain, BCG или McKinsey, вы, вероятно, не сможете понять, в чем дело, потому что вы, возможно, не знаете, что именно делают эти младшие сотрудники, и не знаете, за что клиенты платят. Как эти роли будут перестраиваться? Что означает ИИ для финансов? Это касается как внутренней структуры найма, так и типов продуктов и структур прибыли, которые вы можете создать. Что это значит для консалтинговой отрасли? Что это значит для "Большой четверки", "Большой тройки", Accenture, крупных юридических фирм и рекламных компаний?

Вы, вероятно, можете понять некоторые из этих вопросов, но если вы не из этой отрасли, вы совершенно не знаете, каковы ответы. Это напоминает мне фразу, которую я часто говорил в a16z: "Контент не является королем". Я также писал, что "Netflix не является технологической компанией" — я хотел сказать, что весь бизнес Netflix поддерживается инфраструктурой, созданной технологической отраслью. Но все проблемы, с которыми сталкивается Netflix, — это проблемы Лос-Анджелеса (проблемы контента): что выбрать, сколько сериалов снимать, какого типа сериалы? Сколько денег потратить на таланты? Стоит ли стремиться к наградам? Делать ли фильмы? Покупать ли спортивные права? Все это вопросы Лос-Анджелеса, а не Сан-Франциско. Сан-Франциско даже не знает, какие вопросы правильные — это вопросы медиаиндустрии. Все действительно важные вопросы Netflix становятся вопросами медиаиндустрии.

Аналогично, является ли Tesla автомобильной компанией или технологической компанией, также остается предметом споров. Я хочу сказать, что: что означает ИИ для юридической отрасли, этот вопрос является вопросом как для технарей, так и для юристов — вам нужно глубоко понять, как на самом деле работает юридическая фирма, за что клиенты платят. То же самое касается генеративного видео: что это значит для Голливуда? Бен Аффлек, вероятно, знает об этом гораздо больше, чем я — он основал компанию и продал ее за несколько сотен миллионов долларов. Так что это второй класс вопросов: вопросы выходят за пределы самого ИИ и становятся полуполем ИИ, полуполем других областей.

Третий уровень — возможно, я должен был сказать это раньше — это то, что все это принципиально отличается от предыдущих трансформаций платформ: в эпохи 3G, iPhone, интернета и так далее, хотя вы не знали, что произойдет дальше, вы знали физические ограничения. Например, в 1995 году вы знали, что телекоммуникационные компании не установят широкополосный доступ по всему миру на следующей неделе; вы знали, что не все люди в мире купят персональный компьютер, потому что один персональный компьютер стоит 3000 долларов. Так что вы знали, где находятся основные границы невозможного.

Но в генеративном ИИ мы не знаем. Возможно, мы запишем этот эпизод, и телефон отправит уведомление о том, что новая модель OpenAI выпущена, и стоит она всего 2% от предыдущей — потому что произошел новый технологический прорыв. Я не думаю, что это очень вероятно, но мы не знаем ответы на такие вопросы. Насколько увеличатся модели? Насколько они улучшатся? Насколько они станут быстрее? Насколько они подешевеют? В каких аспектах? Как будут меняться характеристики моделей? Мы не знаем. Это отличается от всех предыдущих трансформаций платформ — раньше вы знали, где находятся основные ограничения. И это порождает целый ряд новых вопросов.

В некотором смысле, я уже упоминал, что в настоящее время единственной областью с продуктовой рыночной совместимостью является программирование. В других областях пока нет аналогичного уровня PMF. Я с уверенностью могу сказать, что доход Anthropic вырос с 9 миллиардов долларов в прошлом году до 47 миллиардов долларов сейчас — все это пришло из разработки программного обеспечения. Так что, если в других областях кто-то создаст что-то полезное, что произойдет?

Эрик Торенберг: Например, юридические фирмы, банки… если бы ты должен был угадать, какие случаи использования, кроме программирования, могут привести к активному ежедневному использованию?

Бенедикт Эванс: Моя речь, опубликованная несколько недель назад, делится на три части. Первая часть касается капитала, капитальных затрат, инфраструктуры и дифференциации базовых моделей — это то, о чем мы только что говорили. Вторая часть: как вы используете эти вещи для создания программного обеспечения? Что это значит для программной отрасли? Как будет выглядеть программное обеспечение? Как изменятся маржи, структура компаний?

Третья часть, которую я называю "изменениями". Я начал с цитаты Йоги Берры: "Прогнозировать трудно, особенно когда речь идет о будущем". Я думаю, что интересный взгляд на это — это взгляд на обратное тестирование: представьте, что вы задаете подобные вопросы о интернете в 1997 году, что бы вы получили? Что бы не получили? Я думаю, что один из способов взглянуть на это: это автоматизация, которая превращает класс вещей, которые раньше люди делали, но не могли автоматизировать, в автоматизируемые. Что это означает? Я предложил три-четыре кнопки, которые можно нажать.

Во-первых, это ценовая эластичность, что на самом деле делает PowerDNS от Gerber: если стоимость выполнения работы снижается, вы делаете то же самое за меньшие деньги или делаете больше за те же деньги? Или, поскольку вы делаете больше, вы также зарабатываете больше? Есть ли что-то, что раньше было невозможно, теперь стало дешевле? Есть ли что-то, что раньше было очень дорогим, что было барьером для входа — как обладание печатной машинкой для газет — теперь этот барьер исчез? Есть ли что-то, что благодаря снижению затрат открывает новые возможности в бизнес-моделях или конкурентных пространствах?

Последний вопрос: какие вещи раньше были совершенно невозможны, полностью из-за слишком высоких затрат, и теперь стали доступными? Я часто привожу в пример паровую машину, которая сделала возможным создание поезда — вы можете купить сколько угодно лошадей, но не сможете создать поезд, который пересекает страну. Более современный пример — YouTube или Spotify. Spotify говорит: посмотрите на историю музыкальной индустрии за последние 25 лет, первая половина — это "вам не нужно тратить 1,5 доллара на CD ради одной песни", вторая половина — "за 15 долларов в месяц вы можете слушать всю музыку, которую сможете найти", что раньше было совершенно невозможно.

Проблема с такими прогнозами заключается в том, что, с одной стороны, вы можете сказать что-то очевидное, но на самом деле не знаете, что это означает в конкретной отрасли. Например, в конце 90-х мы говорили, что интернет разрушит ценность физического распределения — это означало совершенно разные вещи для газет и киноиндустрии: газеты были разрушены, а киноиндустрия почти не пострадала. Так что все зависит от конкретной ситуации.

Есть еще часть, где я думаю, что можно задать более полезные вопросы. Один из вопросов, который меня интересует: как ИИ изменит рекламу, электронную коммерцию, бренды и наше потребление? Реклама — это рынок в триллионы долларов, розничная торговля — 25 триллионов долларов, это довольно крупный доступный рынок. Я все время думаю: Google, Meta и Amazon на самом деле не знают, что это за товары. Они знают SKU, знают, что издатель ввел в метаданные, знают, что "люди, купившие это, также купили то", но не знают, почему, и не понимают, что это за вещи. Поэтому возникают такие шутки: Amazon, я купил сиденье для унитаза, но я не собираюсь собирать унитаз — потому что Amazon на самом деле не знает, что такое сиденье для унитаза, и не понимает, что нормальный человек не купит два. На самом деле они должны были бы знать это с помощью частотного анализа, но они этого не сделали. А с помощью LLM, в принципе, вы можете узнать, что это за вещи, почему люди их покупают, что еще люди могут купить.

Конечно, слово "знать" трудно определить. Но, по крайней мере, системы ИИ могут предоставить совершенно другой уровень статистической информации — вот почему доходы от рекламы Google и Facebook и коэффициенты конверсии растут каждый квартал — они интегрировали ИИ в свои рекламные системы, рекомендательные движки и алгоритмы прогнозирования. Вы увидите больше вещей, которые вам нравятся, и реклама, которую вы видите, с большей вероятностью будет тем, что вы хотите купить. Так что их доходы от рекламы резко увеличиваются.

В целом, посмотрите на то, как сейчас работают эти системы: они говорят: "люди, купившие это, также купили то". А теперь вы должны быть в состоянии сделать это: вот изображение куртки: что это? Где это можно купить? Десять лет назад это было абсолютно невозможно, пять лет назад, возможно, тоже, а сейчас это должно быть возможно. Затем вы можете сказать: помоги мне порекомендовать 10 похожих курток, разных ценовых категорий, скажи мне, где их можно купить, и перечисли плюсы и минусы каждой из них, это тоже в основном можно получить. Дальше: посмотри на мой Instagram, помоги мне порекомендовать зимнюю куртку, которую мне стоит купить, чтобы изменить мой стиль, но не слишком сильно. Три года назад это было бы полностью научной фантастикой, а сейчас вы можете подумать, что действительно можно создать что-то, что будет более-менее работать.

И эти изменения — что компьютеры могут знать, что могут автоматизировать, какие советы могут давать — возвращаются к самым основным вопросам. Каждый раз, когда появляется новая технология, вы сначала используете новую технологию для выполнения старых задач: больше электронных таблиц, больше PowerPoint, больше писем, лучшие письма. Но важно не лучше выполнять старые задачи, а делать те новые вещи, которые старые технологии вообще не могли сделать. Это довольно банальное наблюдение, но мы часто об этом забываем. Так что какие вещи вы можете делать только с помощью этого нового инструмента, а не просто автоматизировать старые вещи?

Версия для бизнеса может быть такой: вы записали все Zoom-звонки с клиентами, у вас есть все потоки писем в Salesforce, у вас есть все данные и метрики анализа поведения пользователей. Так как же вам следует скорректировать ценообразование, чтобы улучшить уровень оттока? Это то, что LLM может сделать, и это совершенно другое, чем "провести анализ эмоций для колл-центра и сказать мне, какие клиенты сердятся". Вы совершаете множественные изменения на уровне абстракции аналитических возможностей. Конечно, это приведет к созданию новых компаний, разрушению старых компаний, созданию нового бизнеса. Но, возвращаясь к тому, что мы сейчас находимся в 1997 году, и я хочу предсказать Uber и Airbnb. Если бы я действительно мог это предсказать, мы бы жили в параллельной вселенной. Уровень успеха венчурного капитала не был бы один к десяти, а один к десяти.

Эрик Торенберг: Да. Один из вопросов, который мы сейчас задаем: что было раньше безумно дорогим, а теперь стало возможным? Например, восстановить YouTube с нуля? Или переписать ядро Linux?

Бенедикт Эванс: Интересно, что другой стороной наблюдения является то, что новые компании всегда говорят: "Мы собираемся сделать старые вещи заново с помощью нового". Конечно, мы собираемся заново сделать Office с помощью открытого кода, мы собираемся восстановить его в Интернете". И что в итоге? Посмотрите на Google Docs, доля рынка около 20% — потому что это вовсе не ключевое.

На самом деле, действительно интересно создать что-то совершенно новое, изменить уровень абстракции, чтобы обнаружить те проблемы, которые раньше вообще не существовали. Сидя в венчурной компании и слушая презентации проектов, вы заметите, что некоторые вещи звучат довольно полезно, некоторые вещи кажутся маловероятными. Но некоторые вещи выглядят так, как будто они заполняют пустоту во вселенной — когда кто-то объясняет вам, вы сразу понимаете: вау, почему никто не делал этого раньше? Почему никто не заметил, что эта проблема существует? Это то, что делает наблюдение за стартапами таким увлекательным. И именно это люди будут делать с помощью ИИ — люди вдруг обнаружат способ, осознают, что какая-то проблема всегда существовала, и никто, включая тех, у кого есть эта проблема, не осознавал, что эта проблема существует, и затем они создадут инструмент, чтобы ее решить.

Это также возвращает меня к тому, что я говорил ранее: вот почему я не думаю, что модели могут охватить все. Вспомните все проекты, которые вы видели в a16z, сколько из них были известны людям в отрасли? Ответ обычно отрицательный. На самом деле, никто в отрасли не считает это проблемой, обычно требуется два года, чтобы объяснить, чтобы они поверили, что эта проблема действительно существует, прежде чем это новое решение сможет помочь им. Вот в чем проблема, вы не можете ожидать, что обычный менеджер финансового отдела использует этот инструмент для решения огромной глобальной отраслевой проблемы — потому что никто даже не знает, что эта отраслевая проблема существует, не говоря уже о том, чтобы придумать правильное решение.

05 Будет ли SaaS в эпоху ИИ более децентрализованным или более централизованным?

Эрик Торенберг: Значит ли это, что SaaS-среда в эпоху ИИ будет менее централизованной, чем раньше? Меньше пакетов, меньше таких гигантов, как корпоративный пакет Microsoft?

Бенедикт Эванс: Вернемся к теме SaaS. Давайте сначала расставим некоторые строительные блоки. Очевидно, что создание программного обеспечения станет дешевле и быстрее. Очевидно, появится множество вещей, которые можно сделать с помощью программного обеспечения, которые раньше было совершенно невозможно. Поэтому конкуренция станет более жесткой. Конечно, это также связано с новой структурой прибыли. Но, как мы только что обсуждали, мы на самом деле не знаем, какой будет эта структура прибыли.

Будет ли это приводить к ценообразованию, ориентированному на результаты? Связать каждое нажатие клавиши в корпоративном программном обеспечении с отчетом о прибылях и убытках очень сложно, иногда это можно сделать в Salesforce, но для большинства программного обеспечения трудно сказать: "Работа, которую я сделал сегодня, оказала такое влияние на прибыль на акцию, поэтому мы должны заплатить столько". Я не думаю, что это имеет смысл, по крайней мере, в долгосрочной перспективе. Но как будет развиваться структура ценообразования? Определенно будет больше конкуренции, создание программного обеспечения станет легче и быстрее.

Я рассматриваю этот вопрос через два полезных фрейма. Первый: посмотрите на сегодняшнюю группу корпоративного программного обеспечения, есть три основных класса. Первый класс — это крупные горизонтальные системы — SAP, Workday, CRM, программное обеспечение для управления человеческими ресурсами, программное обеспечение для управления зарплатой и т.д. Второй класс — это вертикальное программное обеспечение — типичная крупная американская компания имеет около 300-400 SaaS приложений, а также тысячи внутренних приложений, которые работают на Teams. Промежуточное пространство представляет собой размытое импровизированное пространство, состоящее из Excel, электронной почты и систем совместного использования файлов, которые будут перемещаться между этими тремя. В принципе, каждое SaaS приложение делает то, что вы также можете сделать в SAP или Excel, например, вы можете управлять набором в Workday.

Но в какой-то момент, например, я обсуждал с кем-то, если вы PwC и каждый год нанимаете несколько тысяч выпускников для обучения их в аудиторах, у вас может быть собственное специализированное программное обеспечение, или вы можете нанять Accenture, чтобы построить его, и вам это может не нравиться. Но если вы компания, которая нанимает всего 5 выпускников в год, вы просто справляетесь с этим через электронную почту и совместные Google Sheets, потому что зачем вам специально покупать программное обеспечение? Промежуточное пространство можно использовать с помощью Workday, Excel или специализированных приложений. Теперь вы добавляете ChatGPT: используете ли вы LLM для этого? Есть ли инструмент LLM, который позволяет вам делать то, что вы раньше не могли сделать в Salesforce? Или в вашем вертикальном программном обеспечении? Вы создаете инструмент с помощью LLM — как если бы какой-то отдел в компании работал на 10-мегабайтном Excel-файле, созданном 15 лет назад, никто не знает, как это работает, но все продолжают его использовать. Так что LLM входит в этот широкий, разрозненный, сложный ландшафт, становясь еще одним вариантом для выполнения задач.

Я думаю, другой фрейм для размышления заключается в том, размещаете ли вы LLM на верхнем или нижнем уровне стека? С одной стороны, размещение на нижнем уровне означает, что это функция внутри Salesforce, вы находитесь в Salesforce, система просматривает историю с этим клиентом, контекст всех других продаж и бизнес-цели, а затем помогает вам создать электронное письмо или предлагает, что сказать клиенту по телефону. Это контролируемая функция, есть инструменты, есть ограничения, она управляется конкретным случаем использования. С другой стороны, это тот пример, который мы обсуждали: просмотреть данные Salesforce, Workday, всю электронную почту и данные Google Analytics, а затем объединить их для анализа, который раньше был невозможен. Так что дилемма заключается в том, где вы размещаете вероятностное, потенциально ошибочное программное обеспечение? Где вы размещаете определенное системное программное обеспечение? Где размещаете базу данных? Где размещаете LLM? На верхнем или нижнем уровне? Возможно, и там, и там, в зависимости от того, что вы конкретно делаете.

В конечном итоге это то, что означает программное обеспечение — больше программного обеспечения, гораздо больше программного обеспечения. Все существование программных компаний заключается в решении проблем, созданных другими программными компаниями. Это классическая шутка: все существование программного обеспечения безопасности заключается в решении проблем, созданных другими программами безопасности. Очевидно, что эпоха SaaS уже заставила нас пережить взрыв программного обеспечения на порядок или даже на два порядка. На этот раз мы должны ожидать, что произойдет то же самое.

Что касается конца SaaS, инвесторы смотрят на все эти компании и говорят, что мы не знаем, какие компании будут уничтожены этим всем. Конечно, некоторые компании потерпят крах, определенно будет определенный процент существующих SaaS компаний, которые будут уничтожены этой волной, но вы не знаете, какие, так что не следует просто обесценивать всю отрасль на 50%. Но вы определенно должны сказать: пока я не разберусь, что на самом деле происходит, я временно не буду делать ставку на SaaS.

Эрик Торенберг: Ты упоминал в разговоре с Беном Томпсоном, что программное обеспечение — это когда кто-то садится и проектирует рабочий процесс, а затем говорит, что с этого момента это правильный способ делать это. Но ты также сказал, что процессы вырастают из того, как ведется бизнес. Это требует времени? Или нам нужно больше экспериментов и итераций — от тех вертикальных AI стартапов — чтобы найти правильную форму программного обеспечения будущего?

Бенедикт Эванс: В некотором смысле, есть интересное пересечение между тем, что делают стратегические консалтинговые компании и программные компании: они обе наблюдают за тем, что происходит внутри компании, и говорят: "Это слишком плохо, другой способ может помочь вам достичь ваших целей". Программные компании кодируют этот способ в программное обеспечение, а стратегические консалтинговые компании кодируют его в рабочие процессы, должностные обязанности, процессы, обучение и цели, и они также могут предложить им купить программное обеспечение для выполнения этой задачи — или, что все чаще, прямо помочь им построить это программное обеспечение.

Еще один момент, который стоит обсудить: сколько работы внутри организации является скрытой, не задокументированной, не входящей в обучающие данные, которую не может объяснить любой человек в компании, который может сесть и нарисовать диаграмму процесса. Это занимает большую часть ценности BCG и McKinsey. У них есть право входить в компанию, разговаривать со всеми, включая тех, кто находится в разных отделах и не может общаться друг с другом (и не будет уволен за это), чтобы выяснить, "как на самом деле это работает", а не "как это должно работать"; и почему люди не выполняют стратегию, потому что на самом деле их бонусы зависят от того, чтобы не выполнять эту стратегию. Затем они, как внешняя команда, дают вам ответ, и вы можете переложить ответственность на них.

Все это вопросы управления организацией и работы с персоналом — как люди работают, как они объясняют, что делают — это трудно записать, и трудно напрямую внедрить в Skill и сказать: "Вот, может быть, сделай PPT". Так что здесь есть большая проблема: как заставить людей использовать эти технологии? Как заставить пользователей принять новые инструменты? Как помочь людям принять новые инструменты и найти новые вещи, которые можно сделать с их помощью, это также происходило в облаке, в вебе, в мобильных устройствах, в интернете, в ПК и в эпохе электронных таблиц.

Эрик Торенберг: Ты думаешь, будет ли совместная эволюция между нативным программным обеспечением ИИ и новыми интерфейсами? Например, новые платформы AI для обслуживания клиентов могут не требовать стольких интерфейсов, ориентированных на человека, или программное обеспечение для записи может вообще не иметь фронтенда? Потому что его основным пользователем является AI-агент, который запрашивает его напрямую?

Бенедикт Эванс: Это очень интересные идеи, у меня трудно иметь сильное мнение, потому что я не углублялся в детали того, как строится корпоративная инфраструктура. Мне любопытно, насколько новыми являются эти вопросы. Я помню, как примерно 10-15 лет назад Крис Диксон сказал: API — это новые границы, программному обеспечению больше не нужны программные компании, вам просто нужно открыть свой API. Так что старые вещи всегда возвращаются в новой форме: сейчас вам не нужен API, вам нужен просто сервер MCP, и агент будет подключаться напрямую. Я не знаю.

Я думаю, что главная проблема заключается в том, что все решения по сути являются обработкой исключений. Вопрос всегда в том: что вы не можете автоматизировать? Что требует, чтобы кто-то принимал решения, делал суждения, имел свое мнение — потому что эта вещь, возможно, никогда не была записана, никогда не происходила или выглядит иначе, чем раньше.

В своей речи я использую различие между задачами и должностями. Задачи, выполняемые для конкретной должности, могут измениться, но сама должность может не измениться, или то, что эта должность предоставляет клиенту, может не измениться. Подумайте о бухгалтерах 50 лет назад и сегодня — их самые основные задачи почти не совпадают. Но для клиента это почти одно и то же, просто выполняется совершенно другим способом, через совершенно разные задачи.

Я думаю, более глубокий или более абстрактный способ мышления заключается в том: в каких местах вы хотите, чтобы приложение дало "ответ, который все делают"? Это ответ, который хочет каждый, любой может дать, любой младший сотрудник может сделать, любой может дать мне. А в каких местах вы не хотите такого ответа? В каких местах вы хотите ответ на новый вопрос, другой ответ или другую идею? Потому что LLM будет очень хорош в том, что вы можете описать, как люди делают, и то, что вы хотите, чтобы это было то, что делает обычный человек. В тех местах, где он не хорош, это там, где вы не можете объяснить, почему вы это делаете, и то, что вы делаете, отличается от того, что делают другие.

06 Судьба товаризации моделей и исторические уроки

Эрик Торенберг: Многие, включая CEO Google, говорят, что риск недостаточных инвестиций больше, чем риск чрезмерных инвестиций. Существует ли уровень капитальных затрат, при котором это утверждение больше не будет действовать? Мы сейчас приближаемся к этой точке?

Бенедикт Эванс: Во-первых, существует вопрос финансовой притяжения: капитальные затраты Microsoft, Meta и Google в этом году составляют около 50% их доходов. Телекоммуникационная отрасль считается капиталоемкой, но их капитальные затраты составляют всего 15-20% от доходов. Четыре крупнейшие компании в этом году прогнозируют 700 миллиардов долларов. Общая сумма для телекоммуникационной отрасли составляет 300 миллиардов, мобильная — 200 миллиардов. Нефть и газ, в зависимости от того, как считать, составляют примерно от 700 миллиардов до 1 триллиона долларов. Так что 700 миллиардов долларов в год — это не невозможная огромная сумма — это нормальная стоимость крупной глобальной инфраструктуры, просто денег действительно много.

Очевидно, что эти компании не могут потратить 1,5 триллиона долларов в следующем году, если они действительно это сделают, им придется занимать деньги, и они не смогут поддерживать этот уровень расходов в долгосрочной перспективе. Так что в какой-то момент рост обязательно замедлится, потому что больше денег не будет. Конечно, вы можете говорить о ROI, говорить о способности к инвестициям. Финансовые рынки также готовы предоставить средства в определенных пределах. Но просто сказать какую-то цифру — мы не можем тратить 10 триллионов долларов в год на инфраструктуру ИИ — потому что в мире просто нет 10 триллионов долларов, которые можно было бы потратить. Так что существует некий физический предел.

Я пока не готов говорить о чем-то более конкретном. Я почти возвращаюсь к тому, что говорил в начале: у нас сейчас есть множество вопросов о множителях — спрос значительно превышает предложение. Но с другой стороны, эффективность также значительно увеличивается. Мы не знаем, как будет выглядеть следующая модель. Мы не знаем, когда пограничные вычисления и открытые модели вступят в игру. И вы всегда гонитесь за последней моделью. Это основная линия, одна модель остается актуальной всего 3-6 месяцев, 6-9 месяцев, а она стоит десятки миллиардов долларов и сколько инфраструктуры, чтобы ее создать.

Я думаю, что эта ситуация еще не стабилизировалась. Очевидно, что много очень умных аналитиков полупроводников тратят много времени на попытки оценить эти цифры — это немного похоже на оценку пропускной способности интернета в конце 90-х — вы даже не знаете, что строки в электронной таблице означают, не говоря уже о том, сколько они стоят. Вы можете только сказать, что это не может быть бесконечным, существуют физические ограничения.

Другой способ ответа: если вы Google, Meta, Microsoft, Amazon или Apple, это в определенной степени вопрос жизни и смерти. У вас есть проблема FOMO. С одной стороны, ваша текущая доходность инвестиций очень положительна. С другой стороны, вы не можете позволить другим убежать, пока вас нет, иначе ваша компания будет в опасности. Вы не хотите, чтобы Microsoft 2000-х, IBM 90-х или Intel 2010-х годов продолжали терпеть поражения от Apple. Если это будущее вычислительной экосистемы, вы должны быть вовлечены. Но в то же время, CFO сидит там и говорит: хорошо, но насколько мы должны участвовать? Очевидно, что в какой-то момент рост капитальных затрат должен замедлиться, потому что вы не можете получить столько денег.

Эрик Торенберг: Будет ли момент расчета по поводу расточительства токенов? Возможно ли, что компании чрезмерно использовали ИИ, и когда они проведут официальное исследование ROI, они сократят расходы?

Бенедикт Эванс: Очевидно, что некоторые люди используют самые дорогие модели для общения в интернете — как в 2010 году с мобильными устройствами, когда вы получаете счет на 10 тысяч долларов и говорите: "Подождите, я думал, что это тариф с неограниченным трафиком". Так что определенно будут некоторые глупые и болезненные моменты. Но я думаю, что более интересный вопрос заключается в том, как я уже говорил несколько раз, мы находимся в серьезно несбалансированном моменте Понци, ценообразование должно быть снова согласовано с затратами, а использование должно быть согласовано с ценообразованием и ROI.

Сложность в том, что на этом раннем этапе трудно знать, что такое ROI. Это немного похоже на конец 90-х, когда вы говорите: "Станьте более эффективными". Если вы посмотрите на исследования Deloitte и Федеральной резервной системы, которые я цитировал в своей речи — вы спрашиваете CFO, видят ли они прибыль, в настоящее время большая часть прибыли — это те вещи, которые трудно количественно оценить: более точный анализ, лучшее обслуживание клиентов, более высокая производительность, вы можете быстрее делать больше слайдов, быстрее делать анализ. Трудно дать этому финансовую оценку. Это имеет финансовую ценность, но это не то же самое, что сказать: "Мы создали новый продукт с помощью ИИ, который принес столько дохода или сэкономил столько". Создать новую линию дохода гораздо сложнее, чем просто сказать всем использовать ИИ для работы с Excel.

Другой ответ, конечно, — это потребительский излишек — как это было с Excel. Если создание модели DCF занимает неделю, вы, возможно, делаете только одну или две. Если создание модели занимает всего 10 секунд, вы можете сделать 50 — но вы не можете за это взимать дополнительную плату. Так что часть результата заключается в том, что это становится необходимостью для конкуренции — каждый должен покупать, каждый должен использовать. Но экономия затрат или повышение производительности, которые вы получаете от этого, будут съедены конкуренцией. Вы не сможете взимать дополнительную плату.

Если вы McKinsey, Bain или BCG, и какой-то анализ раньше занимал неделю, а теперь занимает всего день, вы, возможно, делаете в пять раз больше анализов, но берете с клиентов те же деньги. Ваша структура затрат также не изменилась, это то, что происходило в области инвестиционного банкинга и финансового анализа: вы делаете гораздо больше анализов с меньшим количеством людей, взимая с клиентов ту же плату.

Эрик Торенберг: Один из основных моментов твоей статьи заключается в том, что модели в конечном итоге станут товаром. Однако в настоящее время самые быстро растущие и самые крупные по объему финансирования области как раз и являются этими компаниями, занимающимися базовыми моделями. Что бы ты посоветовал им, как в общем, так и конкретно для какой-то из них?

Бенедикт Эванс: Я не уверен, что они обязательно станут товаром. Моя позиция больше похожа на то, что здесь есть цепочка рассуждений, которая с высокой вероятностью указывает на то, что эти вещи, вероятно, станут товаром — так что объясните мне, почему они не станут. Я просто обещаю на этом уровне. Что касается привлечения такого количества средств, я возвращаюсь к тому, что говорил о мобильной отрасли, хотя это не предсказуемо, но это стоит отметить: мобильная отрасль очень велика, требует много денег, но прибыль не высока, все классные вещи были созданы другими.

Затем вы можете посмотреть на доходность капитала, ответ зависит от того, находитесь ли вы в США, Европе, Индии или Китае. Но в то же время это стоит делать, и действительно приносит прибыль некоторым людям, но в конечном итоге мобильные операторы не контролировали ситуацию, другие получали большую ценность. Какова была чистая прибыль Google в прошлом году? Около 50 миллиардов долларов? Какова чистая прибыль всей телекоммуникационной отрасли? Я должен подписаться на Bloomberg Terminal, чтобы ответить на этот вопрос, но я могу с уверенностью сказать, что совокупная прибыль Google, Meta, Amazon, Microsoft и Apple превышает прибыль всей телекоммуникационной отрасли.

Так что это загадка: вы продвигаете передовые технологии, попадаете в ловушку, вы должны постоянно конкурировать, иначе другие сделают это, и вы отстанете. И еще один момент, о котором мы совершенно не говорили: создаем ли мы AGI? Мы собираемся создать "божественную коробку"? Некоторые люди уже в это верят, хотя это трудно анализировать, но, возможно, это так. Так что в любом случае вы будете продолжать строить.

Но реальная проблема заключается в том: как создать то, что люди хотят использовать, что не является программным обеспечением? Программное обеспечение — это хороший бизнес, но это единственный бизнес? Если потратить сотни миллиардов долларов на повышение эффективности программного обеспечения, это хорошо, это стоит триллион. А что потом? Как вы расширите это на другие части экономики? Расширите это на всех остальных? Так что вы видите эти обсуждения — сотрудничество с частными инвестициями, сотрудничество с консалтинговыми компаниями — как мы только что обсуждали, если вы управляете реальной компанией, действительно трудно понять, что делать с этими вещами. Так что вы будете искать Bain, BCG, McKinsey, Infosys, Cognizant, IBM, Accenture или частных инвесторов. Так что с одной стороны, вы создаете все более крупные модели, вы чувствуете, что должны продолжать это делать. Но с другой стороны, что люди на самом деле делают с этим? Почему большинство людей открывают ChatGPT и все еще не могут придумать, что с этим делать?

Эрик Торенберг: Последний вопрос: есть ли что-то в твоей речи, что ты особенно хотел бы, чтобы аудитория запомнила?

Бенедикт Эванс: Я использовал, и в этом году тоже использовал, рекламу IBM, которая была в начале 50-х, на которой изображена большая группа инженеров, держащих вычислительные линейки, с текстом: "Один электронный вычислитель IBM равен 150 профессиональным инженерам". Сколько таких слайдов вы видели в a16z? Мы помним, что каждый раз, когда происходят эти основные технологические изменения — каждые 10, 15 или 20 лет — они приносят удивительные изменения, полностью меняя все, и совершенно отличаясь от всего, что происходило раньше. Так что ИИ удивителен, трансформирующий, совершенно отличается от всего, что происходило раньше.

Но мобильные технологии тоже были большим изменением, интернет тоже был, ПК тоже, сам компьютер тоже — все это в то время тоже было очень большим делом, и в то время было трудно предсказать, что произойдет дальше. Так что мы должны предположить в качестве базового сценария: хорошо, мы снова проходим через это. Это приведет к множеству вещей, которые разрушат жизни людей, и приведет к потере рабочих мест. Будут некоторые вещи, которые нам не понравятся, но также будут и некоторые вещи, которые мы все будем считать замечательными. Через 20 лет мы забудем, что когда-то был мир, в котором компьютеры не могли делать эти вещи.

Мы сейчас сидим здесь уже час, компьютер не завис, мы продолжаем передавать друг другу видео в высоком разрешении. Конечно, он работает нормально, на самом деле я использую iPhone, чтобы это сделать. Мой iPhone передает видео на мой Mac через Wi-Fi, как будто это магия, и мы больше не считаем это чем-то удивительным. Я думаю, это и есть то, что я считаю конечной точкой: это станет магией, через 20 лет мы скажем: конечно, компьютеры всегда могли это делать.

Эрик Торенберг: Это отличное завершение. Эта речь называется "ИИ поглощает мир", на сайте Бенедикта есть много замечательного контента, и много того, о чем мы не успели поговорить. Бенедикт, этот разговор был замечательным, большое спасибо, что пришел.

Бенедикт Эванс: Спасибо, мне было приятно пообщаться.