Рынок искусственного интеллекта называют одним из самых быстрорастущих в истории технологий. Аналитики рисуют триллионные оценки, венчурные фонды вливают деньги в десятки стартапов, а крупнейшие корпорации отчитываются о многомиллиардных инвестициях в инфраструктуру. При этом вопрос о том, кто на всём этом реально зарабатывает, остаётся неудобным: ответ устроен совсем не так, как принято думать.
Большинство компаний, которые у всех на слуху, пока тратят больше, чем зарабатывают. Прибыль концентрируется не там, где громче всего звучат имена. Понять, где именно оседают деньги, можно только если разобрать рынок по слоям — от физической инфраструктуры до конечного пользователя.
В этой статье — разбор экономики LLM-рынка: кто на каком уровне стоит, за счёт чего получает доход, и почему структура прибыли выглядит именно так, а не иначе.
Почему рынок LLM выглядит богаче, чем есть на самом деле
Когда говорят об оценке рынка ИИ в сотни миллиардов долларов, важно понимать, что именно считается. В эту цифру входят инвестиции, выручка, прогнозируемые будущие доходы и рыночные капитализации компаний — всё вместе, в зависимости от методологии конкретного отчёта. Это не прибыль отрасли. Это скорее ставки на то, чем рынок может стать.
Большинство компаний, создающих большие языковые модели, убыточны. OpenAI при выручке около 3–4 млрд долларов в год (данные из публичных утечек и медиаотчётов за 2024 год) несёт операционные убытки, которые сами представители компании оценивали в сопоставимые суммы. Anthropic, Mistral, Cohere — картина схожая: деньги приходят от инвесторов и партнёров, а не из операционной прибыли. Это не значит, что компании плохо управляются. Это значит, что рынок пока в фазе захвата позиций, а не монетизации.
Реальная прибыль в этой экосистеме концентрируется на других уровнях — и чтобы их увидеть, нужно посмотреть на всю цепочку создания стоимости.
Инфраструктурный слой: кто продаёт лопаты
Классическая аналогия с золотой лихорадкой здесь работает точнее, чем обычно. Пока добытчики соревнуются за золото, стабильный доход получают те, кто продаёт им инструменты.
В случае LLM-рынка инструмент — это вычислительная мощность. Обучение и инференс больших моделей требуют специализированных чипов, прежде всего GPU. Здесь доминирует Nvidia: по данным самой компании и аналитиков, её доля на рынке ускорителей для ИИ превышает 80%. Финансовые результаты это подтверждают: выручка дата-центрового сегмента Nvidia в финансовом году 2024 составила около 47 млрд долларов, операционная маржа — около 60%. Это реальная, отчётная прибыль, а не оценка будущего.
Следующий уровень — облачная инфраструктура. Amazon Web Services, Microsoft Azure и Google Cloud продают вычисления компаниям, которые строят на них модели и приложения. Все три входят в крупнейшие публичные компании мира, и их облачные сегменты прибыльны. При этом они же являются крупнейшими инвесторами в frontier-лаборатории: Microsoft вложил в OpenAI более 13 млрд долларов, Google — в Anthropic порядка 2 млрд (данные из публичных заявлений компаний). Это не просто инвестиции — это покупка гарантированного потребителя своей инфраструктуры.
Схема работает так: лаборатория получает деньги от облачного провайдера, тратит их на аренду вычислений у того же провайдера. Прибыль возвращается туда, откуда пришла.
Frontier-модели: гонка, которая пока не окупается
OpenAI, Anthropic, Google DeepMind, Meta AI — компании, которые создают самые мощные модели. Именно они у всех на слуху, именно они задают темп гонки. И именно они меньше всего зарабатывают в расчёте на вложенный доллар.
Причина — структура затрат. Обучение одной frontier-модели обходится в сотни миллионов долларов только по прямым вычислительным расходам. К этому добавляются зарплаты исследователей (лучшие специалисты в области ML получают от нескольких сотен тысяч до нескольких миллионов долларов в год), затраты на безопасность, выравнивание и инфраструктуру вывода.
Выручка при этом растёт, но медленнее затрат. OpenAI монетизирует через подписку ChatGPT Plus и API. Anthropic — через Claude API и корпоративные контракты. Обе компании публично сообщали о росте выручки, но не о прибыли. Meta распространяет Llama бесплатно — это стратегическое решение, а не бизнес-модель сама по себе: компания зарабатывает на рекламе, а открытая модель укрепляет её позицию в экосистеме.
Google находится в особом положении: DeepMind создаёт модели, которые встраиваются в продукты Alphabet — поиск, Workspace, Cloud. Прямая монетизация размыта по всему бизнесу компании, что делает сравнение с независимыми лабораториями некорректным.
Прикладной слой: где деньги ближе всего к клиенту
Между frontier-моделями и конечным пользователем стоит прикладной слой: компании, которые берут базовые модели через API и строят на них продукты для конкретных задач. Это юридические ассистенты, инструменты для продаж, платформы для создания контента, корпоративные чат-боты.
Здесь экономика устроена иначе. Компания платит за API по токенам, добавляет собственную логику, интерфейс, интеграции с рабочими процессами клиента — и продаёт результат по подписке. Разница между стоимостью токенов и ценой подписки — это и есть маржа. При грамотном построении продукта она может быть высокой, потому что клиент платит за решение задачи, а не за доступ к модели.
Именно здесь появляются прибыльные компании. Небольшие SaaS-продукты на базе LLM, которые автоматизируют конкретную рабочую операцию для конкретной индустрии, могут выходить на операционную прибыль при относительно скромной выручке. Крупные примеры — Harvey (юридический ИИ), Glean (корпоративный поиск), Jasper (маркетинговый контент). Их оценки высоки, но бизнес-модели более понятны, чем у frontier-лабораторий.
Отдельная категория — Microsoft с Copilot. Это прикладной слой поверх OpenAI, встроенный в Office 365 и продаваемый как надбавка к существующей подписке. Microsoft получает двойную выгоду: как инвестор в OpenAI и как дистрибьютор её технологий через собственные продукты.
Кто реально концентрирует прибыль и почему
Если смотреть на отчётную операционную прибыль, а не на оценки и прогнозы, картина выглядит так.
Nvidia — единственный очевидный победитель с точки зрения маржи прямо сейчас. Спрос на её чипы превышает предложение, конкуренты (AMD, Intel, стартапы вроде Cerebras и Groq) пока не могут предложить сопоставимую экосистему. Это монопольная рента на дефицитный ресурс.
Облачные провайдеры (AWS, Azure, Google Cloud) зарабатывают на вычислениях, хранении и сетевых услугах. Их облачные сегменты прибыльны, и рост ИИ-нагрузок увеличивает эту прибыль. При этом они же финансируют frontier-лаборатории, гарантируя себе поток клиентов.
Прикладные компании с узкой специализацией могут быть прибыльны при правильной модели, но их масштаб несопоставим с инфраструктурным слоем.
Frontier-лаборатории пока в минусе. Их ценность — в стратегических позициях, патентах, данных и таланте, а не в текущей прибыли. Инвесторы финансируют будущую монополию, а не сегодняшний денежный поток.
Концентрация прибыли на инфраструктурном уровне — не случайность. Это классическая экономика платформ: тот, кто контролирует ресурс, без которого невозможно производство, забирает непропорционально большую долю стоимости. В случае LLM этот ресурс — специализированные чипы и вычислительные мощности.
Границы и цена
Эта картина не статична, и у каждого из выводов есть ограничения.
Монополия Nvidia уязвима. Google разрабатывает собственные TPU и использует их для обучения Gemini. Amazon строит чипы Trainium и Inferentia для AWS. Meta инвестирует в собственное железо. Если крупные потребители частично уйдут на собственные чипы, давление на маржу Nvidia вырастет.
Облачные провайдеры рискуют переоценить возврат на инвестиции в лаборатории. Если frontier-модели не выйдут на самоокупаемость, инвестиции окажутся дорогостоящей ставкой, а не стратегическим активом.
Прикладной слой хрупок. Компании, которые строят продукты поверх одной базовой модели, зависят от ценовой политики провайдера. Если OpenAI или Anthropic поднимут цены на API или выпустят конкурирующий продукт в той же нише, маржа прикладной компании схлопнется быстро.
Данные о прибылях frontier-лабораторий непрозрачны. OpenAI и Anthropic — частные компании. Цифры, которые появляются в прессе, основаны на утечках и заявлениях самих компаний. Точная картина недоступна публично.
Регуляторный риск пока не реализован, но присутствует. Антимонопольные расследования в отношении Microsoft и Google в части их позиций на рынке ИИ уже начались в ряде юрисдикций.
Что с этим делать
Разбор структуры рынка полезен не как абстрактное знание, а как инструмент для принятия решений — о том, кому доверять как поставщику, куда смотреть при выборе инструментов, как оценивать устойчивость компаний, с которыми работаешь.
Несколько практических выводов:
- Если вы строите продукт на базе API, диверсификация поставщиков снижает риск. Зависимость от одной модели — это зависимость от ценовой политики одной компании, которая сама убыточна и может менять условия.
- Инфраструктурный слой устойчивее прикладного. Компании вроде Nvidia и облачных провайдеров зарабатывают независимо от того, кто из лабораторий выиграет гонку моделей.
- Frontier-лаборатории оцениваются по будущей монополии, а не по текущим доходам. Это значит, что их устойчивость зависит от способности привлекать финансирование — а это риск, который стоит учитывать при долгосрочных интеграциях.
- Прикладные компании с узкой специализацией — наиболее понятная бизнес-модель, но и наиболее уязвимая к изменениям условий у поставщиков базовых моделей.
- Следить за движением в сторону собственных чипов у крупных игроков — это ранний сигнал о том, как перераспределится прибыль в следующем цикле. Если Google, Amazon и Meta снизят зависимость от Nvidia, структура рынка изменится существеннее, чем от любого нового релиза модели.