Получаем ли мы то, за что платим? Как превратить импульс искусственного интеллекта в измеримую ценность
Корпоративный ИИ вступает в новую фазу — этап, когда главный вопрос заключается уже не в том, что можно создать, а в том, как извлечь максимум пользы из инвестиций в искусственный интеллект.
На последней сессии AI Impact Tour, организованной VentureBeat, Брайан Грейсли (Brian Gracely), директор по стратегии портфеля продуктов в Red Hat, описал операционную реальность внутри крупных организаций: разрастание инфраструктуры ИИ, рост затрат на инференс и ограниченная видимость окупаемости этих инвестиций.
Это момент «второго дня» — когда пилотные проекты уступают место полноценному продакшену, а вопросы стоимости, управления и экологичности начинают даваться сложнее, чем само создание системы.
«Мы видим клиентов, которые говорят: „У меня 50 000 лицензий Copilot. Я не до конца понимаю, что люди из этого извлекают. Но я точно знаю, что плачу за самые дорогие вычисления в мире, потому что это GPU“, — рассказал Грейсли. — „Как мне взять это под контроль?“»
Почему затраты на корпоративный ИИ теперь обсуждаются на уровне совета директоров
Почти на протяжении последних двух лет стоимость не была главной заботой для организаций, оценивающих генеративный ИИ. Этап экспериментов позволял командам тратить средства свободно, а перспектива роста производительности оправдывала агрессивные инвестиции. Однако эта динамика меняется по мере того, как компании переходят ко второму и третьему бюджетным циклам с использованием ИИ. Фокус сместился с вопроса «можем ли мы что-то создать?» на «получаем ли мы то, за что заплатили?»
Предприятия, которые сделали крупные ранние ставки на управляемые ИИ-сервисы, проводят жесткий аудит на предмет того, приносят ли эти инвестиции измеримую пользу. Проблема не только в том, что вычисления на GPU обходятся дорого. Дело в том, что у многих организаций отсутствуют инструменты для увязки расходов с результатами, из-за чего продлевать подписки или масштабироваться ответственно становится практически невозможно.
Стратегический переход от потребителя токенов к их генератору
Доминирующая модель приобретения ИИ в последние несколько лет была простой: платить вендору за токен, за рабочее место или за вызов API и позволять кому-то другому управлять инфраструктурой. Такая модель имела смысл в качестве отправной точки, но сегодня ее все чаще подвергают сомнению организации, накопившие достаточно опыта для сравнения альтернатив.
Компании, прошедшие через один цикл внедрения ИИ, начинают переосмыслять этот подход.
«Вместо того чтобы быть исключительно потребителем токенов, как я могу начать генерировать их самостоятельно? — задается вопросом Грейсли. — Существуют ли такие варианты использования и рабочие нагрузки, которыми мне имеет смысл владеть в большей степени? Это может означать самостоятельную эксплуатацию графических процессоров. Или их аренду. И последующий вопрос: „Нужна ли этой рабочей нагрузке самая передовая современная модель? Есть ли более способные открытые или меньшие по размеру модели, которые подойдут?“»
Это решение не является бинарным. Правильный ответ зависит от рабочей нагрузки, организации и допустимого уровня риска, однако математика становится все сложнее по мере роста числа эффективных открытых моделей — от DeepSeek до решений, доступных на облачных маркетплейсах. Теперь у предприятий появились реальные альтернативы тем нескольким провайдерам, которые доминировали на рынке два года назад.
Падение стоимости ИИ и рост его использования создают парадокс для корпоративных бюджетов
Некоторые руководители предприятий утверждают, что фиксация на инвестициях в инфраструктуру сейчас может означать значительную переплату в долгосрочной перспективе, ссылаясь на заявление генерального директора Anthropic Дарио Амодеи о том, что затраты на инференс ИИ снижаются примерно на 60% ежегодно.
Появление таких открытых моделей, как DeepSeek и другие, существенно расширило стратегические возможности компаний, готовых инвестировать в базовую инфраструктуру в последние три года.
Но хотя стоимость за один токен падает, объемы использования растут темпами, которые с лихвой перекрывают прирост эффективности. Это проявление парадокса Джевонса — экономического принципа, согласно которому повышение эффективности использования ресурсов приводит не к сокращению, а к росту их общего потребления, поскольку снижение стоимости делает технологию доступной для более широкого круга лиц.
Для составителей корпоративных бюджетов это означает, что снижение стоимости единицы ресурса не ведет к уменьшению итоговых счетов. Организация, которая утроила использование ИИ при одновременном падении цен вдвое, в итоге тратит больше, чем раньше. Встает вопрос: какие рабочие нагрузки действительно требуют самых мощных и дорогих моделей, а какие успешно справятся с помощью более мелких и дешевых альтернатив.
Обоснованность инвестиций в гибкость ИИ-инфраструктуры
Рецепт заключается не в том, чтобы замедлить инвестиции в ИИ, а в том, чтобы изначально закладывать в них гибкость. Победителями окажутся вовсе не те компании, которые движутся быстрее всех или тратят больше остальных, а те, которые создают инфраструктуру и операционные модели, способные выдержать любые неожиданные изменения.
«Чем больше абстракций вы можете выстроить и чем больше гибкости себе предоставите, тем проще вам будет экспериментировать без раздувания расходов и без угрозы для бизнеса. Это не менее важно, чем вопрос о том, соблюдаете ли вы лучшие практики прямо сейчас», — пояснил Грейсли.
Однако, несмотря на то насколько прочно обсуждение ИИ вошло в циклы планирования предприятий, практический опыт большинства организаций все еще измеряется годами, а не десятилетиями.
«Кажется, будто мы занимаемся этим целую вечность. На самом деле мы делаем это уже три года, — добавил Грейсли. — Все еще находится на ранней стадии и развивается очень быстро. Невозможно предсказать, что будет дальше. Но контуры грядущих изменений — вы должны представлять, как они выглядят».
Для лидеров бизнеса, которые все еще калибруют свои стратегии инвестиций в ИИ, это, пожалуй, самый практический вывод: цель состоит не в том, чтобы оптимизировать структуру затрат под сегодняшний день, а в том, чтобы создать организационную и техническую гибкость для адаптации, когда — а не если — она изменится снова.
