AI-вычисления как сырьевой товар: новая экономика искусственного интеллекта

Представьте, что электричество вдруг стало продаваться на бирже — с фьючерсами, спотовыми ценами и брокерами. Именно это происходит сегодня с вычислительной мощностью для ИИ. Рынок GPU-аренды, ещё недавно напоминавший дикий запад с непрозрачными ценами и закрытыми контрактами, превращается в полноценный финансовый рынок. Задаётся закономерный вопрос: становятся ли AI-вычисления обычным сырьевым товаром — как нефть, газ или пшеница?

Ответ меняет всё: стратегию закупок, бизнес-модели AI-стартапов и даже конкурентные преимущества крупных корпораций.

Масштаб рынка: от $360 млрд к $2,3 трлн

По прогнозам BCG, рынок AI-вычислений вырастет с $360 млрд в 2025 году до примерно $2,3 трлн к 2030-му. Это не просто большие цифры — это структурный сдвиг в том, как человечество потребляет интеллектуальные ресурсы.

Но сопоставимый по масштабу рост сопровождается серьёзными структурными проблемами. Рынок AI-вычислений развивается стремительно: по мере роста его ликвидности и прозрачности он может разблокировать до $140 млрд ежегодной «тёмной стоимости».

ℹ Что такое 'тёмная стоимость'?
Под «тёмной стоимостью» BCG понимает потенциальную экономическую ценность, которая теряется из-за неэффективности рынка: избыточные мощности простаивают у одних игроков, пока другие переплачивают за дефицитные ресурсы.

Более эффективный рынок может принести до $100 млрд дополнительной ежегодной стоимости за счёт оптимизации цен и торговли, а также более $40 млрд в виде снижения стоимости заимствований для дата-центров.

Обвал цен на инференс: 1000x за три года

Главный аргумент в пользу коммодитизации — драматическое падение стоимости вычислений.

Стоимость инференса класса GPT-4 упала с $30 до менее $0,50 за миллион токенов — снижение примерно на 95% за два года и около 1000x за три.

Согласно Stanford HAI 2025 AI Index Report, стоимость инференса для системы уровня GPT-3.5 снизилась более чем в 280 раз между ноябрём 2022 и октябрём 2024 года. На уровне железа затраты снижаются на 30% ежегодно, а энергоэффективность растёт примерно на 40% в год.

«Вчерашний передний край возможностей сегодня почти бесплатен» — именно так описывают этот феномен аналитики a16z, называя его «LLMflation».

Например, цена достижения производительности GPT-4 на наборе вопросов уровня PhD по точным наукам падала в 40 раз в год. Темп снижения существенно варьируется в зависимости от задачи — от 9x до 900x в год.

Три силы, которые двигают цены вниз

Квантизация (FP8/INT4), спекулятивное декодирование и маршрутизация mixture-of-experts снижают вычисления на токен в 5–20 раз без потери качества. Переход с NVIDIA H100 на H200 и далее Blackwell B200 увеличил соотношение производительность/доллар для инференса примерно в 25 раз за три года.

Меньшие, специализированные модели стали ещё дешевле. Маршрутизация задачи классификации или структурированного извлечения данных через лёгкую модель может стоить в сотню раз меньше, чем у фронтирной модели за те же токены. Разрыв в возможностях сократился настолько, что для чётко определённых задач меньшая модель зачастую не просто дешевле, но быстрее и предсказуемее.


graph TD
    A[🔽 Падение цен на инференс] --> B[Алгоритмическая эффективность]
    A --> C[Новое железо: H100→B200]
    A --> D[Конкуренция open-weight моделей]
    B --> E[Квантизация FP8/INT4]
    B --> F[Mixture-of-Experts]
    C --> G[+25x throughput/dollar за 3 года]
    D --> H[DeepSeek, Llama, Mistral]
    E --> I[95% снижение за 2 года]
    F --> I
    G --> I
    H --> I

GPU как биржевой актив: рождение нового рынка

Если цены падают, но спрос растёт, возникает парадокс: вычисления дешевеют, но рынок дороже, чем когда-либо. Ответ — в волатильности и непрозрачности.

Согласно Silicon Data H100 Rental Index, цена аренды GPU H100 выросла примерно на 2,2% в месяц с января 2025 года. За тот же период цены однажды упали почти на 11%, а в другой момент поднялись примерно на 25% выше стартового уровня.

Такая волатильность — прямой признак незрелого рынка. И именно это открывает пространство для финансовых инструментов.

Нарастающая борьба за AI-инфраструктуру превращает вычислительную мощность в торгуемый актив. BGC Group запустила подразделение BGC Compute Infrastructure Markets для брокеража на этих рынках. Подразделение войдёт в состав бизнеса по энергетике, сырьевым товарам и судоходству и поначалу сосредоточится на внебиржевых сделках.

Компания утверждает, что вычислительные мощности и память разделяют черты с традиционными сырьевыми товарами, включая волатильность цен и потребность в форвардных контрактах.

На товарных рынках фьючерсы позволяют компаниям управлять ценовыми рисками, фиксируя будущие цены без физических закупок таких товаров, как нефть, газ или пшеница. Теперь та же логика применяется к GPU-времени.

💡 Для руководителей по закупкам
Уже сейчас стоит изучить появляющиеся бенчмарки цен на GPU и первые фьючерсные контракты на вычислительную мощность. Компании, освоившие хеджирование AI-затрат раньше других, получат устойчивое конкурентное преимущество при масштабировании.

Сравнение: традиционные рынки сырья vs. рынок AI-вычислений

ПараметрНефть/ГазЭлектричествоAI-вычисления (2026)
Спотовый рынок✅ Развитый✅ Развитый🔄 Формируется
Фьючерсы✅ Зрелые✅ Есть🔄 Первые контракты
Прозрачность цен✅ Высокая✅ Высокая⚠️ Низкая
Вторичный рынок✅ Ликвидный✅ Ликвидный⚠️ Неликвидный
Стандартизация✅ Полная✅ Полная⚠️ Частичная
Волатильность ценСредняяВысокаяОчень высокая

Структурный сдвиг: от обучения к инференсу

Паттерн потребления вычислений меняется кардинально.

Рынок AI-инференса вырастет со $106 млрд в 2025 году до $255 млрд к 2030-му при среднегодовом темпе роста 19,2%. Инференс-нагрузки составят примерно две трети всех AI-вычислений в 2026 году — против одной трети в 2023-м и половины в 2025-м.

По отраслевым данным, инференс может составлять от 80% до 90% совокупных затрат на промышленную AI-систему за весь срок эксплуатации, поскольку работает непрерывно. Обучение — лишь периодические инвестиции при обновлении моделей.

Наиболее трансформирующий и затратный сдвиг в корпоративном AI — переход от AI «по запросу» к AI «всегда включённому». Мониторинговые агенты, сканирующие электронную почту, логи, рыночные данные и операционные системы в реальном времени, потребляют вычисления непрерывно, даже когда ни один человек активно не запрашивает ответ.

⚠ Ловушка инференс-затрат
Большинство команд недооценивают операционные расходы на инференс, потому что планируют бюджет под обучение модели. На практике: у реального production-трафика инференс-расходы превысят затраты на обучение уже через несколько недель после запуска.

Что это означает для бизнеса: практические выводы

Управление ценовыми рисками

По мере того как AI переходит на метрированное и динамическое ценообразование, предприятия должны переосмыслить подходы к затратам, рискам и закупкам. Это изменение уже происходит: бенчмарки и фьючерсные контракты начали появляться.

Более развитый рынок обеспечит два ключевых типа управления рисками. Как и на других рынках, компании смогут использовать долгосрочные двусторонние контракты для базового планирования поставок, тогда как ликвидный краткосрочный рынок позволит гибко наращивать или снижать ёмкость по мере изменения спроса. Вторичный рынок обеспечит эту гибкость в обоих направлениях: компании, которым нужно больше ресурсов, смогут их купить, а те, у кого избыток, — продать излишки.

Make vs. Buy: новая арифметика

С падением цен на токены расчёт «делать самому или покупать» меняется постоянно.

Самостоятельный хостинг окупается приблизительно при объёме 50–100 млн токенов в месяц для большинства моделей класса 70B с учётом инженерных накладных расходов. При объёме ниже 20 млн токенов в месяц управляемые API выигрывают по совокупной стоимости. При объёме выше 100 млн токенов в месяц самостоятельный хостинг почти всегда побеждает по экономике единицы продукции.

Алгоритм выбора стратегии инференса:

< 20M токенов/мес  →  Managed API (OpenAI, Anthropic, Google)
20–100M токенов/мес →  Гибридный подход / оценка self-host
> 100M токенов/мес  →  Self-hosting (H100/B200 pod)

Факторы корректировки:
+ Квантизация FP8 снижает CPM на ~50%
+ Специализированная 7–13B модель дешевле 70B в 10–100x
+ Агентные воркфлоу потребляют в 50–150x больше токенов
  чем простые запросы

Конкурентные последствия коммодитизации

С 2018 по 2025 год рост возможностей AI-моделей опередил рост вычислительной пропускной способности в 500 000 раз. Теперь маятник качнулся: алгоритмическая эффективность нагоняет железо.

Анализ BCG 1000 американских частных компаний в области программного обеспечения и физического AI, вычислительного железа и квантовых вычислений выявил три общих черты лидеров-разрушителей: они проектируют принципиально новые системы вместо улучшения существующей архитектуры и тем самым добиваются значительного снижения затрат, задержки и скорости принятия решений.

📝 Пример: DeepSeek как катализатор
Появление DeepSeek R1 в начале 2025 года стало шоком для рынка: модель сопоставимой мощности обходилась на порядки дешевле. Это ускорило «гонку на дно» по ценам и доказало: алгоритмическая эффективность — не менее мощный рычаг, чем грубая вычислительная сила.

Заключение: сырьё, но не простое

AI-вычисления действительно движутся по пути коммодитизации — и это подтверждается сразу несколькими сигналами одновременно: обвалом цен на инференс, появлением брокерских рынков для GPU, первыми фьючерсными контрактами и ростом прозрачности ценообразования.

Но у этого «сырья» есть принципиальное отличие от нефти или пшеницы: его качественные характеристики меняются каждые несколько месяцев. Сегодняшний передний край — дорог. Но вчерашний передний край — почти бесплатен. Это создаёт уникальную динамику, которой не было ни в одном другом товарном рынке.

Практический вопрос больше не в том, подешевеет ли AI — подешевеет. Лучший вопрос: готова ли ваша архитектура воспользоваться падением стоимости токенов без потери качества, надёжности и управляемости?

Для бизнеса это означает три приоритета прямо сейчас:

  1. Измеряйте стоимость в токенах, а не в GPU-часах — это даёт реальное понимание экономики.
  2. Следите за рынком хеджирования вычислений — через 2–3 года управление AI-рисками станет стандартной практикой CFO.
  3. Переосмысляйте make-vs-buy ежеквартально — ценовой ландшафт меняется слишком быстро для ежегодных пересмотров стратегии.

Рынок, который сегодня формируется вокруг AI-вычислений, будет определять конкурентные позиции компаний так же, как доступ к дешёвой энергии определял индустриальных лидеров XX века.