Затраты на вычисления для корпоративного ИИ остаются без учета

В 170 предприятиях инфраструктура искусственного интеллекта уверенно перешла в стадию промышленной эксплуатации — две трети организаций теперь запускают рабочие нагрузки ИИ «вживую», а три из десяти используют их в масштабируемом режиме — в то время как способность учитывать стоимость этой инфраструктуры отстает от темпов ее развития. Предприятия незаметно отодвинули стоимость на второй план при принятии решений о покупке: производительность и доступность графических процессоров (GPU) теперь превосходят совокупную стоимость владения (TCO), а надежность опережает цену в качестве критерия успеха. Такая перестановка приоритетов вполне рациональна для команд, работающих под давлением производственных задач, но она сталкивается с неприятным фактом: менее половины из них способны с точностью отслеживать затраты на ИИ-вычисления, большинство GPU по-прежнему работают на половине мощности или ниже, а следующие инвестиции направляются на специализированные облака, которыми фактически пользуется менее чем один из двадцати.

Этот выпуск исследования VentureBeat Pulse Research посвящен инфраструктуре корпоративного ИИ и вычислениям: на каком этапе развертывания находятся организации, на чем они запускают ИИ сегодня, как они приобретают и оценивают ресурсы, куда направлены их следующие инвестиции и — что самое показательное — насколько хорошо они видят экономику скрытых за всем этим вычислений.

Перед нами операционная когорта. Две трети предприятий (66%) уже задействовали рабочие нагрузки ИИ в рабочей среде, а 29% описывают использование ИИ в производственном масштабе; и лишь 4% пока вовсе не запускают ИИ-нагрузки. Такая зрелость отражена в стеке: в среднем на одно предприятие приходится три инфраструктурные платформы, причем OpenAI (49%), Google Gemini (48%), Microsoft Azure (47%) и Google Cloud (42%) представлены примерно в половине из них. На вопрос о выборе одной основной платформы лидирует Azure с показателем 26%.

Наиболее существенный сдвиг произошел в том, как предприятия принимают решения. Интеграция с существующим облаком и стеком данных остается главным фактором выбора (40%), однако производительность — задержка (latency) и пропускная способность — поднялась на второе место (35%), а доступность графических процессоров — на третье (24%), опережая общую стоимость владения (22%). Тот же порядок определяет и оценку результатов: время безотказной работы и надежность являются основным критерием успеха для 51% предприятий, а производительность разработчиков — для 39%, опережая стоимость за миллион токенов (31%). Предприятия, находящиеся под давлением производственных задач, покупают и оценивают решения, ориентируясь на скорость и доступность, сместив стоимость вниз по списку.

Это выглядело бы незначительным, если бы экономика находилась под контролем, но это не так. Среди 155 предприятий, эксплуатирующих собственные GPU, 69% сообщают об утилизации на уровне 50% или ниже, и лишь 23% преодолевают этот рубеж; 12% вообще не измеряют показатель утилизации. Менее половины (47%) тщательно отслеживают затраты и окупаемость своих ИИ-вычислений, и даже среди предприятий, использующих ИИ в производственном масштабе, этот показатель достигает лишь 56%. Соотношение цены и качества оказалось самым низким среди трех показателей удовлетворенности — 3,87 против 4,14 общей удовлетворенности. При этом провал в оценках приходится ровно на тот параметр, который труднее всего оценить без измерений.

Следующий раунд расходов указывает на отход от текущего стека. Специализированные под ИИ облака являются главной областью планируемой оценки для 44% респондентов и обладают самым высоким чистым потенциалом роста среди всех инфраструктурных подходов (+36), однако CoreWeave и Lambda фиксируют лишь по 3,5% текущего использования, а остальные представители неооблачного сегмента остаются ниже отметки в 3%. Не-Nvidia ускорители привлекают 39% внимания. Кроме того, 62% предприятий намерены сменить провайдера или добавить нового в течение 12 месяцев — хотя набор рассматриваемых вариантов по-прежнему возглавляют те же самые старожилы рынка, которыми они уже пользуются.

Методология

VentureBeat провела этот опрос в рамках своей постоянной серии исследований Pulse Research, сфокусированной на корпоративной ИИ-инфраструктуре, вычислениях и экономике инференса. Ответы отфильтрованы по организациям с числом сотрудников более 100 человек (n=170; наименьшая категория опроса с 1–100 сотрудниками исключена), полученным в ходе единственной волны в июле 2026 года. Поскольку это единичная волна, а не объединенная многомесячная выборка, отчет носит кросс-секционный характер и не предполагает выявления месячных трендов; все показатели взяты исключительно из июльского опроса. Некоторые вопросы предполагали выбор нескольких вариантов ответа, поэтому их суммы могут превышать 100%.

По размеру организаций эта волна охватывает более крупные компании по сравнению с сегментом среднего бизнеса, который обычно преобладает в этой серии: лидируют компании с численностью сотрудников 251–1000 (28%) и 1001–5000 (25%), а категории 10 000+ (19%), 101–250 (15%) и 5001–10 000 (12%) заполняют остальную часть. Это означает, что 57% респондентов представляют компании с штатом более 1000 человек. По ролям респонденты распределяются следующим образом: менеджеры (48%), индивидуальные контрибьюторы (27%), топ-менеджмент C-уровня (12%), а также вице-президенты и директоры (9%). С точки зрения покупательной способности аудитория обладает высоким авторитетом: 39% являются лицами, принимающими окончательные решения, а еще 43% — советниками или лицами, влияющими на выбор ИИ-решений. Технологии/Программное обеспечение — крупнейшая отрасль (35%), за ней следуют производство (14%), финансовые услуги (12%) и здравоохранение/науки о жизни (9%).

При размере выборки в 170 респондентов она достаточно велика для уверенного чтения в направлении основных трендов, но ее все же следует воспринимать как ориентир, а не точное измерение; это самовыбранная, а не вероятностная выборка. Данный материал лучше всего рассматривать как взгляд организаций, которые активно строят и эксплуатируют ИИ-инфраструктуру, а не крупнейших гиперскейлеров.

Результат 1: Две трети прошли стадию пилотного проекта

Трое из десяти теперь используют ИИ в продакшене в масштабе всей организации

Мы спросили, на каком этапе внедрения ИИ находятся организации. Эта когорта в основном уже переросла этап экспериментов.

Две трети предприятий (66%) уже используют рабочие нагрузки ИИ в рабочей среде, а 29% заявляют о масштабируемом внедрении ИИ в продакшене. Лишь 30% остаются на стадии проверки концепции (PoC), и только 4% еще ничего не начинали. Это существенно более операционная выборка, чем обычно удавалось собрать в рамках данной серии, что согласуется с ее укрупненным составом — 57% респондентов представляют компании с численностью персонала более 1000 человек.

Эта зрелость задает контекст для всего последующего. Решения об инфраструктуре, описанные в этом отчете, принимаются в основном организациями с рабочими нагрузками в продакшене и реальными счетами, а не командами, которые все еще оценивают пилотный проект. Это объясняет перестановку критериев покупки в Результате 5, где производительность и доступность вытесняют стоимость — это приоритеты команд, запускающих «живые» системы. Это также повышает ставки в Результатах 6 и 7: предприятие, которое не может измерить утилизацию или стоимость во время экспериментов, сталкивается с проблемой планирования, в то время как организация, не способная измерить их в условиях масштабного продакшена, сталкивается с операционной проблемой.

Результат 2: Стек состоит из гиперскейлеров и API и охватывает три платформы

Специализированные облака с GPU по-прежнему едва заметны

Мы спросили, каких провайдеров и какие платформы предприятия используют в настоящее время для работы с ИИ и какую из них они считают основной. Ответ остается прежним — это привычные гиганты, причем сразу несколько.

Текущий стек построен на базе гиперскейлеров и API, причем он множественный: в среднем предприятия называют три платформы. Облака общего назначения и основные API моделей составляют практически весь текущий пул развертывания, причем четыре платформы — OpenAI, Gemini, Azure и Google Cloud — присутствуют более чем в четырех из каждые 10 предприятий. На просьбу выбрать одну основную платформу лидирует Microsoft Azure с 26%, а Google Cloud занимает второе место с 19%; провайдеры моделей в совокупности получают 35% статуса основных платформ, если объединить OpenAI (14%), Gemini (14%) и Anthropic (8%).

Специализированные «неооблачные» GPU-провайдеры, которые доминируют в заголовках новостей об ИИ-инфраструктуре, на практике остаются маргинальными. CoreWeave и Lambda фигурируют в 3,5% стеков, Baseten — в 3%, а Crusoe, Nebius, Fireworks, Together и Anyscale — на уровне 2% или ниже. В совокупности их называют основной платформой лишь 1% предприятий. Между тем, 13% используют кастомный стек с открытым исходным кодом, а 9% управляют собственными кластерами GPU — оба показателя превосходят всю категорию специализированных облаков вместе взятую. Именно этот контракт делает намерения по оценке из Результата 3 столь важными для внимательного изучения.

Примечание к чтению этих долей: как описано в разделе методологии, данная выборка сформирована методом самоотбора, и в этом вопросе учитывался каждый провайдер, используемый респондентом (в среднем по 3,0 выбора на каждого), поэтому цифры отражают присутствие в стеке, а не объем затрат или статус основной платформы. Отдельный вопрос об основной платформе служит лучшим ориентиром для определения центра тяжести. Выборка, собтая таким образом, покажет иной набор провайдеров, чем перепись более широкого рынка, взвешенная по затратам; воспринимайте эти доли как портрет того, что эта активная в сфере ИИ когорта запускает сегодня, а расхождения с отраслевыми оценками рыночной доли рассматривайте как свойство самой выборки, а не как противоречие.

Результат 3: Следующий доллар направляется на инфраструктуру, которую они еще не используют

Специализированные под ИИ облака возглавляют список оцениваемых решений и обладают сильнейшим импульсом роста

Мы спросили, какие направления ИИ-инфраструктуры предприятия планируют оценивать в течение следующих 12 месяцев и планируют ли они увеличивать или сокращать объемы работы с каждой категорией инфраструктуры. Оба ответа указывают на отход от стека, который они используют сегодня.

Здесь кроется самое острое противоречие отчета, и это то же самое противоречие, которое данное исследование фиксировало на протяжении нескольких волн подряд. Единственная наиболее часто упоминаемая область планируемой оценки — специализированные под ИИ облака (44%) — это категория, которую реально используют лишь 3,5% этих предприятий (Результат 2). Почти четыре из 10 респондентов (39%) намерены оценить ускорители не от Nvidia, четверть — кремний Nvidia нового поколения, а децентрализованные вычислительные сети привлекают 18% внимания.

Вопрос о направлении движения скорее подтверждает это, чем просто повторяет. На вопрос о том, ожидают ли они увеличения, сокращения или сохранения объемов работы с каждым подходом, предприятия поставили специализированные облака для ИИ на первое место по чистому импульсу роста (+36, причем 42% увеличивают объемы против 6% сокращающих), опередив инференс-API (+34) и гиперскейлеров (+30). Инфраструктура on-prem (на собственных серверах) и в дата-центрах отстает с показателем +5 — это единственная категория, где значительная доля респондентов (22%) сообщает о сворачивании использования. Каждый внеофисный подход демонстрирует чистый рост; специализированные облака растут быстрее всех с наименьшей базы.

Если сопоставить это с текущим использованием, речь идет не о поэтапной корректировке. Это передний край реорганизации стека, о которой предприятия сигнализируют уже несколько волн, но еще не воплотили ее в жизнь. Разрыв между 44% уровня оценки и 3,5% уровня использования является самым большим разбросом между намерением и действием в этом наборе данных, и то, как он разрешится — превратят ли неооблака оценку в реальное развертывание или гиперскейлеры поглотят спрос собственными ИИ-мощностями — остается главным открытым вопросом для этой сферы.

Результат 4: Шесть из 10 планируют смену провайдера, в основном среди традиционных игроков

Высокое намерение к оттоку, однако рассматриваемый набор состоит из привычных платформ

Мы спросили, планируют ли предприятия сменить или добавить инфраструктурного провайдера, когда именно и каких именно провайдеров они рассматривают.

Для столь фундаментальной категории, как вычислительные мощности, это значительный объем планируемых перемещений: 62% предприятий намерены сменить или добавить провайдера в течение 12 месяцев, а 29% — только в следующем квартале. Лишь 39% планируют оставаться на прежних позициях.

Куда направлен этот интерес — более полезный сигнал. Провайдеры, привлекающие наибольшее внимание при смене поставщика, — это те, которыми предприятия уже пользуются: OpenAI и Google Cloud (по 29%), Microsoft Azure (28%), Gemini (25%), Anthropic (16%), Oracle Cloud (14%) и AWS (13%). Специализированные облака, возглавляющие список оценки в Результате 3, вызывают гораздо меньше конкретных намерений по переходу: CoreWeave — 4%, Lambda — 3,5%, а остальные — на уровне 2% или ниже. Еще 8% проводят оценку без какого-либо шорт-листа на данный момент.

Эти два результата не противоречат друг другу; они работают в разных временных масштабах. Интерес к неооблакам из Результата 3 — это 12-месячный тезис оценки того, где в конечном итоге должны работать ИИ-вычисления. Переходы в следующем квартале — это в основном перераспределение долей между действующими игроками и консолидация расходов предприятиями у тех провайдеров, с которыми у них уже заключены контракты. Вендоры, воспринимающие показатель оценки в 44% как краткосрочный потенциал продаж, должны сопоставить его с 4% показателем реального рассмотрения.

Результат 5: Производительность превосходит стоимость как при покупке, так и при оценке

Совокупная стоимость владения уступает задержке и доступности графических процессоров

Мы спросили, что имеет наибольшее значение при выборе провайдера ИИ-инфраструктуры и что считается основным критерием успеха после ее запуска. Оба ответа сместились в сторону от цены.

Интеграция с существующим стеком остается главным критерием выбора (40%), что логично для когорты, использующей три платформы и не желающей добавлять четвертую, которая не вписывается в систему. Изменилось все остальное. Производительность находится на втором месте (35%), а доступ к GPU и их наличие — на третьем (24%), причем оба фактора опережают совокупную стоимость владения (22%). Детализированное автомасштабирование набирает 18%, а стоимость за миллион токенов — 16%: этот показатель больше не является исключением, как раньше в этой серии опросов, но все еще остается на последнем месте.

Измерение успехов следует той же логике. Бесперебойная работа и надежность являются основным показателем успеха для 51% предприятий, значительно опережая производительность разработчиков и скорость развертывания (39%), стоимость за миллион токенов (31%), задержку (27%) и пропускную способность (25%). В совокупности операционные метрики с большим отрывом превосходят экономические.

Это последовательная позиция для производственной когорты из Вывода 1: команды, запускающие рабочие нагрузки в реальном времени, в первую очередь заботятся о том, работает ли система и как быстро они могут выпускать обновления. Однако это плохо сочетается с Выводом 7. Совокупная стоимость владения была понижена до четвертого места в качестве критерия покупки ровно в тот момент, когда 53% предприятий по-прежнему не могут точно отслеживать свои расходы на вычисления. Неутешительный вывод заключается в том, что стоимость опустилась в списке отчасти потому, что ее труднее всего отследить в стеке, а критерии, которые невозможно измерить, как правило, проигрывают тем, которые поддаются измерению.

Вывод 6: Графические процессоры нагреваются сильнее, но большинство все еще простаивает

Около семи из десяти операторов GPU сообщают о загрузке на уровне 50% или ниже

Мы спросили, какую часть своих мощностей GPU предприятия используют на самом деле. Эти данные получены от 155 предприятий, которые эксплуатируют собственные GPU; 15 потребляют ресурсы исключительно через API и не используют собственные видеокарты.

Имеющиеся вычислительные мощности работают вполсилы, хотя и менее масштабно, чем фиксировалось в предыдущих отчетах этой серии. Примерно семь из десяти предприятий, использующих GPU (69%), сообщают об использовании мощностей на уровне половины или ниже, причем на группу с загрузкой 26–50% приходится 46%. Около четверти (26%) работают на уровне 25% или ниже. На этом фоне 23% теперь преодолевают отметку в 50% — это значимое эффективное меньшинство, а не погрешность округления.

Оставшиеся 12%, которые вообще не измеряют загрузку, вызывают наибольшую тревогу, поскольку они невидимы в обе стороны: они не могут заявить об эффективности и не могут обнаружить отходы ресурсов. И загрузка не растет с ростом зрелости так, как можно было бы ожидать: среди предприятий, использующих ИИ в продакшене в промышленных масштабах, 23% преодолевают отметку в 50% — статистически неотличимо от 24% среди всех остальных. Масштаб сам по себе не приводит к более эффективному использованию парка оборудования.

Простаивающие ускорители — это дорогие ускорители, и это остается самым наглядным показателем разрыва в данном отчете: предприятия планируют оценивать специализированные облака и кремний нового поколения (Вывод 3), в то время как уже имеющиеся у них мощности остаются в значительной степени неиспользуемыми. Запас эффективности в текущем парке велик, и для каждого восьмого предприятия он совершенно не измеряется.

Вывод 7: Меньше половины могут отчитаться о своих тратах

Строгий учет затрат характерен только для 56% компаний, даже среди операторов масштабных систем

Мы спросили, могут ли предприятия количественно оценить стоимость и окупаемость своих инвестиций в инфраструктуру ИИ и насколько они довольны тем, чем управляют. Уверенность в финансовых отчетах по-прежнему отстает от расходов.

Измерения отстают от денег. Меньше половины предприятий (47%) строго отслеживают стоимость и отдачу от своих вычислений для ИИ; большинство отслеживает лишь частично (39%), еще не может это измерить (15%) или не сделало это приоритетом (6%). Зрелость помогает, но не решает проблему: среди предприятий, запускающих ИИ в продакшене в больших масштабах, строгий учет достигается в 56% случаев против 43% у всех остальных. Даже в наиболее технологически продвинутом сегменте этой выборки более четырех из десяти не могут точно объяснить, во сколько обходятся их вычисления для ИИ и какой приносят доход.

Удовлетворенность текущей инфраструктурой умеренно позитивна и показательна в своей неравномерности. По пятибалльной шкале общая удовлетворенность в среднем составляет 4,14, простота внедрения — 4,04, в то время как соотношение цены и качества отстает с показателем 3,87 — провал наблюдается именно в том единственном аспекте, который требует измерений для оценки. По сути, предприятия выражают недовольство экономическими отношениями, которые большинство из них пока не может оцифровать.

В сочетании с Выводом 5 картина выглядит скорее самоподкрепляющейся, чем просто противоречивой. Затраты опустились на четвертое место среди критериев покупки, оставаясь при этом наименее заметным свойством стека, а наименее заметное свойство — это то, которое предприятия оценивают ниже всего. Лучший инструментарий не обязательно изменил бы то, что покупают компании, но он позволил бы им понять, является ли компромисс ради производительности и доступности выгодным.

Вывод 8: Граница памяти все еще не освоена

Dell и Nvidia лидируют на разрозненном рынке, а у каждого пятого нет своего мнения

Мы спросили, как предприятия собираются решать возникающее узкое место в крупномасштабном инференсе — переход от вычислений на GPU к памяти, в частности, к емкости KV-кэша. Эта область остается молодой и фрагментированной.

Проблема памяти реальна, но ей почти не управляют. Dell лидирует с 24%, за ней следует Nvidia с 21%, а оставшаяся часть распределяется между инструментами с открытым исходным кодом (12%), методами эффективности на уровне моделей, такими как MLA и квантование (11%), и длинным хвостом поставщиков систем хранения данных, каждый из которых набирает лишь несколько процентов. Ни один подход не имеет и близко большинства, а два лидера вместе составляют менее половины рынка.

Самое показательное заключается в том, что примерно одно из пяти предприятий (19%) либо не осознает это ограничение (7%), либо еще не приступило к его решению (12%). Для сдвига, который изменит стоимость и архитектуру инференса, это ранний и нестабильный рынок. Это также согласуется с пробелом в измерениях из Вывода 7: предприятия, которые пока не могут количественно оценить стоимость своих текущих вычислений, находятся в невыгодном положении, пытаясь предугадать, какое ограничение станет следующим драйвером расходов. Узкое место памяти приближается в то время, как большинство представителей этой когорты все еще пытается разобраться с тем, что находится прямо перед ними.

Итог: Покупка ради скорости вслепую к затратам

Организации с штатом более 100 сотрудников перевели ИИ-инфраструктуру в промышленную эксплуатацию (две трети используют рабочие нагрузки в реальном времени, три из десяти — в масштабе), и их покупательское поведение соответственно созрело. В среднем они используют три платформы, выбирают решения на основе интеграции и производительности, а успех измеряют по бесперебойной работе и скорости работы разработчиков. Для команд, управляющих работающими системами, это правильный набор приоритетов.

Что не созрело, так это бухгалтерский учет. Совокупная стоимость владения опустилась на четвертое место среди критериев выбора, а стоимость за миллион токенов оказалась на последнем месте в тот самый момент, когда 53% предприятий не могут строго отслеживать стоимость своих вычислений, 69% операторов GPU работают на половине мощности или ниже, а 12% вообще не измеряют загрузку. Соотношение цены и качества — наименее оцениваемый атрибут используемой инфраструктуры; большинство делает этот вывод, не имея для этого соответствующего инструментария. Затраты не стали неважными, они стали невидимыми, и критерии покупки незаметно перестроились вокруг того, что действительно можно увидеть.

Между тем следующий раунд расходов выходит за рамки текущего стека. Специализированные ИИ-облака являются главной целью оценки (44%) и обладают сильнейшим совокупным импульсом среди всех подходов при текущем уровне использования в 3,5% и 4% рассматривающих переход в ближайшее время — это самый широкий разрыв между намерением и действием в данных. Ускорители не от Nvidia привлекают 39% внимания. А следующее за этим ограничение — переход от вычислений к памяти при крупномасштабном инференсе — не осознается или не решается каждым пятым предприятием.

Имея 170 респондентов в рамках одной июльской волны, охватывающей более высокие сегменты рынка, чем обычно для этой серии, мы получаем лишь ориентировочный срез, но направление движения последовательно. Предприятия стали хорошими операторами ИИ-инфраструктуры, но еще не стали хорошими бухгалтерами для нее. Открытым вопросом для последующих волн остается то, успеет ли инструментарий догнать изменения до того, как начнется реплатформинг, или предприятия купят следующий слой вычислений столь же слепыми к его экономике, как и предыдущий.

Основано на ответах 170 квалифицированных респондентов из числа корпоративных заказчиков (100+ сотрудников), полученных в ходе единой волны в июле 2026 года. Эта выборка является самовыбранной и носит ориентировочный, а не строго измерительный характер; данные рассматриваются в кросс-секционном разрезе без претензий на помесячные тренды. Респонденты включают менеджеров, индивидуальных специалистов, руководителей высшего звена (C-suite) и вице-президентов/директоров, причем покупательская способность смещена в сторону лиц, принимающих решения, и рекомендателей из сферы технологий, производства, финансовых услуг, здравоохранения и других отраслей. Примечание: показатели по вопросам сроков перехода, использования GPU и отслеживания затрат приводятся в процентах от общего числа уникальных респондентов, а не выборов; отдельные категории по этим трем вопросам в сумме могут превышать указанный общий итог.