Есть ли признаки замедления инфляции в России?
Рост цен на товары и услуги в России составил 0.47% в апреле с устранением сезонного эффекта (5.8% SAAR). С начала года среднемесячный рост цен – 0.46%.
С чем это можно сравнить и где точки роста цен в России?
В 2017-2021 годах среднемесячный рост цен составлял 0.38%, в 1П23 – 0.4% и 0.37% в янв-апр.23, а во 2П23 – 0.8%. Присутствует неоспоримое замедление цен по сравнению с 2П23 (пиковый рост за 3м был в июл-сен.23 на уровне 1% в месяц) и не так далеко от исторической нормы.
Официальная статистика свидетельствует о том, что сейчас инфляция буквально в 1.2 раза выше нормы – это не так критично.
Структурно все стало неоднородным. В период неуправляемого коллапса рубля с июня по сентябрь 2023, инфляционный импульс был сконцентрирован в товарном сегменте, а теперь в услугах и вот, как это было:
• Продовольственные товары: в янв-апр.24 среднемесячные темпы составили 0.28% vs исторической нормы в 2017-2021 на уровне 0.42%, роста цен на 0.21% в 1П23 и 1.1% во 2П23.
• Непродовольственные товары: 0.36% vs 0.38%, 0.23% и 0.74% соответственно по выше указанным периодам сравнения.
• Услуги: 0.84% vs 0.32%, 0.9% и 0.59% соответственно.
Таким образом, цены на продукты в начале 2024 растут ниже исторической нормы примерно в 1.5 раза, цены на непродовольственные товары соответствует норме, цены на услуги растут в 2.6 раза быстрее нормы.
В России услуги формируют не более 30% от потребительских расходов, тогда как в США около 65%, поэтому значительное отклонение ценового импульса в услугах не так отразилось на общем росте цен.
Товары преимущественно зависят от курса рубля, т.к. почти все - это импорт или квази-импорт, а услуги на 95% локализованы внутри РФ, за исключением ограниченного набора ИТ услуги и туризма.
Стабилизировать цены на услуги крайне сложно, доминируют внутренние факторы и особенного дисбалансы на рынке труда. Внешняя изоляция перераспределили доходы и сбережения населения на внутренний рынок – туризм в РФ, общепит, культура, спорт и развлечения.
Рост цен на товары и услуги в России составил 0.47% в апреле с устранением сезонного эффекта (5.8% SAAR). С начала года среднемесячный рост цен – 0.46%.
С чем это можно сравнить и где точки роста цен в России?
В 2017-2021 годах среднемесячный рост цен составлял 0.38%, в 1П23 – 0.4% и 0.37% в янв-апр.23, а во 2П23 – 0.8%. Присутствует неоспоримое замедление цен по сравнению с 2П23 (пиковый рост за 3м был в июл-сен.23 на уровне 1% в месяц) и не так далеко от исторической нормы.
Официальная статистика свидетельствует о том, что сейчас инфляция буквально в 1.2 раза выше нормы – это не так критично.
Структурно все стало неоднородным. В период неуправляемого коллапса рубля с июня по сентябрь 2023, инфляционный импульс был сконцентрирован в товарном сегменте, а теперь в услугах и вот, как это было:
• Продовольственные товары: в янв-апр.24 среднемесячные темпы составили 0.28% vs исторической нормы в 2017-2021 на уровне 0.42%, роста цен на 0.21% в 1П23 и 1.1% во 2П23.
• Непродовольственные товары: 0.36% vs 0.38%, 0.23% и 0.74% соответственно по выше указанным периодам сравнения.
• Услуги: 0.84% vs 0.32%, 0.9% и 0.59% соответственно.
Таким образом, цены на продукты в начале 2024 растут ниже исторической нормы примерно в 1.5 раза, цены на непродовольственные товары соответствует норме, цены на услуги растут в 2.6 раза быстрее нормы.
В России услуги формируют не более 30% от потребительских расходов, тогда как в США около 65%, поэтому значительное отклонение ценового импульса в услугах не так отразилось на общем росте цен.
Товары преимущественно зависят от курса рубля, т.к. почти все - это импорт или квази-импорт, а услуги на 95% локализованы внутри РФ, за исключением ограниченного набора ИТ услуги и туризма.
Стабилизировать цены на услуги крайне сложно, доминируют внутренние факторы и особенного дисбалансы на рынке труда. Внешняя изоляция перераспределили доходы и сбережения населения на внутренний рынок – туризм в РФ, общепит, культура, спорт и развлечения.
Расширение легитимизации криптовалюты в США.
После запуска пула ETF на Bitcoin в начале января 2024 всего спустя 4 месяца в особо изощренной форме форсировали принятие ETF на Ethereum.
SEC на протяжении многих месяцев откладывала расширение присутствия крипты в зоне своей ответственности, но в понедельник глава SEC Гэри Генслер инициировал один из сильнейших шорт сквизов на рынке крипты с марта 2024 и самый мощный шортсквиз в истории торгов Ethereum.
Суть заявления заключалась в том, что SEC готова к одобрению спотового Ethereum в пределах нескольких дней и вынудил ведущие инвестфонды США срочно переупаковывать заявки на интеграцию ETF.
22 мая законодатели Палаты представителей в экстренном режиме и с первой попытки одобрили HR 4763, или Закон о финансовых инновациях и технологиях (FIT21), 279 (71 демократ и 208 республиканцев) голосами против 136.
Спустя сутки SEC в нарушении стандартных протоколов аудита и одобрения заявок (подача - > публикация -> рассмотрение -> одобрение -> вступление в силу) буквально за пару дней приняли директиву 19b-4 по регистрации Ethereum, тогда как раньше возня идет минимум несколько недель.
Это еще не доступ к торгам, там еще технические процедуры необходимо пройти, но это в пределах 1-2 недель.
Конгресс, Сенат, Белый Дом и SEC были либо нейтрально, либо преимущественно против и буквально за несколько дней разворот на 180 градусов и высоко интенсивная интеграция ETF на Ethereum.
Одна из версий – отчаянная попытка администрации Белого дома заручиться поддержкой крипто энтузиастов на выборах в противовес лояльной политики Трампа в этом направлении.
Интеграция ETF на Ethereum не гарантирует устойчивых денежных потоков. В Bitcoin пришло $13.4 млрд с начала января, причем $10.5 млрд распределили с 7 февраля по 15 марта в период ожесточенного пампа ИИ и мем-стоков.
Сейчас баланс ликвидности резко ухудшается, пузырь на грани коллапса, Ethereum лишь треть от капитализации Bitcoin и не такой хайповый. Приход $3-4 млрд за 4 месяца будет успехом, но это мало повлияет на рынок.
После запуска пула ETF на Bitcoin в начале января 2024 всего спустя 4 месяца в особо изощренной форме форсировали принятие ETF на Ethereum.
SEC на протяжении многих месяцев откладывала расширение присутствия крипты в зоне своей ответственности, но в понедельник глава SEC Гэри Генслер инициировал один из сильнейших шорт сквизов на рынке крипты с марта 2024 и самый мощный шортсквиз в истории торгов Ethereum.
Суть заявления заключалась в том, что SEC готова к одобрению спотового Ethereum в пределах нескольких дней и вынудил ведущие инвестфонды США срочно переупаковывать заявки на интеграцию ETF.
22 мая законодатели Палаты представителей в экстренном режиме и с первой попытки одобрили HR 4763, или Закон о финансовых инновациях и технологиях (FIT21), 279 (71 демократ и 208 республиканцев) голосами против 136.
Спустя сутки SEC в нарушении стандартных протоколов аудита и одобрения заявок (подача - > публикация -> рассмотрение -> одобрение -> вступление в силу) буквально за пару дней приняли директиву 19b-4 по регистрации Ethereum, тогда как раньше возня идет минимум несколько недель.
Это еще не доступ к торгам, там еще технические процедуры необходимо пройти, но это в пределах 1-2 недель.
Конгресс, Сенат, Белый Дом и SEC были либо нейтрально, либо преимущественно против и буквально за несколько дней разворот на 180 градусов и высоко интенсивная интеграция ETF на Ethereum.
Одна из версий – отчаянная попытка администрации Белого дома заручиться поддержкой крипто энтузиастов на выборах в противовес лояльной политики Трампа в этом направлении.
Интеграция ETF на Ethereum не гарантирует устойчивых денежных потоков. В Bitcoin пришло $13.4 млрд с начала января, причем $10.5 млрд распределили с 7 февраля по 15 марта в период ожесточенного пампа ИИ и мем-стоков.
Сейчас баланс ликвидности резко ухудшается, пузырь на грани коллапса, Ethereum лишь треть от капитализации Bitcoin и не такой хайповый. Приход $3-4 млрд за 4 месяца будет успехом, но это мало повлияет на рынок.
Почти два года прошло с момента начала программы сокращения баланса ФРС (QT).
Перед началом QT ценные бумаги были в объеме 8.48 трлн, сейчас – 6.86 трлн (это уровень февраля 2021), реализовано 1.62 трлн при плане QT к 22 маю на уровне 2.14 трлн (выполнено 75%).
Объем QE (мар.20-мар.22) составил в совокупности 4.64 трлн, соответственно сжатие баланса составило 35% от масштаба приращения в эпоху монетарного бешенства.
• Объем трежерис до QT был 5.77 трлн, теперь – 4.49 трлн, реализовано – 1.28 трлн при плане 1.35 трлн (выполнено 95%).
• MBS в мае 2022 были в объеме 2.71 трлн, а к текучему моменту – 2.37 трлн, сброшено 339 млрд при плане 787 млрд (выполнено 43%).
Текущий норматив QT составляет 95 млрд (60 млрд трежерис и 35 млрд MBS), с 1 июня 2024 будет 60 млрд (25 млрд трежерис + 35 млрд MBS). Фактические объемы продаж были около 75 млрд, будет около 40 млрд.
Кредитные программы составляют 116 млрд, среди которых BTFP – 109 млрд, введенная в марте 2023 и просуществовавшая до марта 2024, и дисконтное окно – 6.7 млрд. После отмены пролонгации новых кредитов в рамках BTFP в марте 2024, общий объем задолженности снизился почти на 50 млрд, вернувшись к уровню ноя-дек.23. Пиковый объем по всем кредитным программам был в конце марта 2023 – около 400 млрд.
Объем долларового обратного РЕПО в ФРС с мар.24 остается стабильным в диапазоне 0.4-0.5 трлн, что связано с началом погашения векселей Минфина США в апреле-июне 2024 в объеме до 300 млрд, где уже погашено более 210 млрд.
С июля по сентябрь 2024 вновь начнут занимать векселя до 0.3 трлн, поэтому к концу августа избыточная ликвидность просядет до 0.1 трлн с учетом операций QT, поэтому к осени резервов почти не останется.
Минфин США начал агрессивно сбрасывать кэш – 250 млрд за месяц, что связано, как с финансированием дефицита, так и с погашениями векселей, при этом депозиты банков в ФРС выросли всего на 100 млрд.
Весь накопленный кэш в апреле, сформированный в основном за счет профицита бюджета, уже утилизировали, а май еще не закончился.
Перед началом QT ценные бумаги были в объеме 8.48 трлн, сейчас – 6.86 трлн (это уровень февраля 2021), реализовано 1.62 трлн при плане QT к 22 маю на уровне 2.14 трлн (выполнено 75%).
Объем QE (мар.20-мар.22) составил в совокупности 4.64 трлн, соответственно сжатие баланса составило 35% от масштаба приращения в эпоху монетарного бешенства.
• Объем трежерис до QT был 5.77 трлн, теперь – 4.49 трлн, реализовано – 1.28 трлн при плане 1.35 трлн (выполнено 95%).
• MBS в мае 2022 были в объеме 2.71 трлн, а к текучему моменту – 2.37 трлн, сброшено 339 млрд при плане 787 млрд (выполнено 43%).
Текущий норматив QT составляет 95 млрд (60 млрд трежерис и 35 млрд MBS), с 1 июня 2024 будет 60 млрд (25 млрд трежерис + 35 млрд MBS). Фактические объемы продаж были около 75 млрд, будет около 40 млрд.
Кредитные программы составляют 116 млрд, среди которых BTFP – 109 млрд, введенная в марте 2023 и просуществовавшая до марта 2024, и дисконтное окно – 6.7 млрд. После отмены пролонгации новых кредитов в рамках BTFP в марте 2024, общий объем задолженности снизился почти на 50 млрд, вернувшись к уровню ноя-дек.23. Пиковый объем по всем кредитным программам был в конце марта 2023 – около 400 млрд.
Объем долларового обратного РЕПО в ФРС с мар.24 остается стабильным в диапазоне 0.4-0.5 трлн, что связано с началом погашения векселей Минфина США в апреле-июне 2024 в объеме до 300 млрд, где уже погашено более 210 млрд.
С июля по сентябрь 2024 вновь начнут занимать векселя до 0.3 трлн, поэтому к концу августа избыточная ликвидность просядет до 0.1 трлн с учетом операций QT, поэтому к осени резервов почти не останется.
Минфин США начал агрессивно сбрасывать кэш – 250 млрд за месяц, что связано, как с финансированием дефицита, так и с погашениями векселей, при этом депозиты банков в ФРС выросли всего на 100 млрд.
Весь накопленный кэш в апреле, сформированный в основном за счет профицита бюджета, уже утилизировали, а май еще не закончился.
Где красная черта и какой объем ресурсов необходим до бесперебойной работы федерального правительства США?
Запасы кэша Минфина США снизились до $710 млрд по сравнению с $962 млрд на начало месяца.
Красная черта – это тот запас кэша, который позволяет балансировать разрывы ликвидности в пределах, хотя бы одного месяца.
Объем годовых расходов Минфина США на уровне 6.7 трлн, среднемесячный дефицит плюс-минус около 170 млрд при тенденции на рост.
Сейчас основной вклад в прирост годовых расходов вносят процентные расходы, оборонный бюджет и расходы на поддержку банковской системы.
Это означает потенциал увеличения дефицита бюджета очень значительный при условии расширения программы поддержки населения и антикризисных программ так, как это было в 2009-2011 и 2020-2021.
Минимальный объем кэша, необходимый для бесперебойного функционирования правительства в пределах одного месяца составляет минимум 250 млрд.
Доходы поступают неравномерно, а расходы цикличны, отклонения в пределах месяца до 250 млрд являются типичными. При этом долговой рынок не всегда может быть доступен в полном объеме.
Сейчас лимит по долгу приостановлен, однако, политическая конъюнктура может измениться и Минфин упрется в ограничения так, как это было в начале 2023.
Комфортный объем кэша, учитывая текущие потребности Казначейства, составляет около 750 млрд (3-4 месяца на балансировку).
С мая по сентябрь 2024 Казначейству США необходимо минимум 1.1 трлн на финансирование дефицита (ближе к 1.3 трлн - реалистичный сценарий)
План по чистым заимствованиям на 1.1 трлн был взят не из воздуха, а в соответствии с потенциальным дефицитом и необходимостью держать кэш выше 750 млрд.
В чем интрига? Разместиться на 1 трлн за 4.5 месяца в среднесрочных и долгосрочных облигациях сейчас практически невозможно без экстраординарных мер (экстренно пылесосить мировой капитал через шоковый сценарий, либо глушить пузырь на фондовом рынке, перераспределяя капитал в трежерис).
Не разместят столько, а значит напряжение в конце 2024 будет на пределе.
Запасы кэша Минфина США снизились до $710 млрд по сравнению с $962 млрд на начало месяца.
Красная черта – это тот запас кэша, который позволяет балансировать разрывы ликвидности в пределах, хотя бы одного месяца.
Объем годовых расходов Минфина США на уровне 6.7 трлн, среднемесячный дефицит плюс-минус около 170 млрд при тенденции на рост.
Сейчас основной вклад в прирост годовых расходов вносят процентные расходы, оборонный бюджет и расходы на поддержку банковской системы.
Это означает потенциал увеличения дефицита бюджета очень значительный при условии расширения программы поддержки населения и антикризисных программ так, как это было в 2009-2011 и 2020-2021.
Минимальный объем кэша, необходимый для бесперебойного функционирования правительства в пределах одного месяца составляет минимум 250 млрд.
Доходы поступают неравномерно, а расходы цикличны, отклонения в пределах месяца до 250 млрд являются типичными. При этом долговой рынок не всегда может быть доступен в полном объеме.
Сейчас лимит по долгу приостановлен, однако, политическая конъюнктура может измениться и Минфин упрется в ограничения так, как это было в начале 2023.
Комфортный объем кэша, учитывая текущие потребности Казначейства, составляет около 750 млрд (3-4 месяца на балансировку).
С мая по сентябрь 2024 Казначейству США необходимо минимум 1.1 трлн на финансирование дефицита (ближе к 1.3 трлн - реалистичный сценарий)
План по чистым заимствованиям на 1.1 трлн был взят не из воздуха, а в соответствии с потенциальным дефицитом и необходимостью держать кэш выше 750 млрд.
В чем интрига? Разместиться на 1 трлн за 4.5 месяца в среднесрочных и долгосрочных облигациях сейчас практически невозможно без экстраординарных мер (экстренно пылесосить мировой капитал через шоковый сценарий, либо глушить пузырь на фондовом рынке, перераспределяя капитал в трежерис).
Не разместят столько, а значит напряжение в конце 2024 будет на пределе.
Очередная волна неистового ИИ хайпа последний месяц.
Рост рынка последний месяц связан прежде всего с анонсами ИИ моделей и ИИ-продуктов от ведущих ИТ компаний США.
Почти 1.5 года работы с различными ГИИ (ChatGPT, Gemini, Llama, Claude), есть ли в них польза и что они могут делать? Я не пишу сейчас полноценный обзор – это серия лонгридов, на которые сейчас нет времени, но попытаюсь выделить главное.
По сути, главное и самое основное предназначение ГИИ – это компрессия и декомпрессия информация, собственно, и все, а из этого уже «расщепляются» различные производные направления.
Компрессия информации - конспектирование, резюмирование, обобщение, «суммаризация» и так далее огромных массивов текстовой, аудио или видео информации по особым алгоритмам. Например, кратко пересказ YouTube ролик, книгу, инструкцию пользования или какие-либо события.
Декомпрессия информации – из ранее сжатой информации на основе логических цепочек и по заданным сценарным векторам генерировать аудио, видео или текстовый контент. Например, на основе краткой рецензии книги, сгенерированной ранее ИИ, написать похожие отзывы/рецензии или дать рекомендации по схожим литературным произведениям.
Основные сценарии использования ГИИ:
• Обобщение и интерпретация контента.
• Переводчик.
• Экспертная система / ответы на вопросы (что это означает, как это сделать, как это работает, как это исправить и т.д).
• Анализ, аналитика данных (пока самое слабое звено и хуже всего развито).
• Рерайт готовых текстов по заданным направлениям, стилям и тональности.
• Копирайтинг, написание резюме, отзывов, эссе, простых статей по заданным темам.
• Более эффективное распознавание цифрового контента (OCR документов, видео, аудио). Например, автоматическая стенограмма презентации с аудио в текст, автоматический таймкоды в видео, распознавание и структуризация документов.
• Более умный семантический поиск. Например, поиск в фото или видео определенных объектов, сюжетов и так далее. Пока все это не работает, но Google обещает интеграцию до конца года.
• Создание фото и видео с заданными условиями.
В перспективе года ГИИ модели позволяет сделать умный органайзер, структурировав документы, письма, фото и видео с заданными маркерами. Например, 30 тыс фото в библиотеке, нужно разбить по типам и сюжетам (люди, природа, города, культурные объекты и т.д.). Аналогично с документами, т.е. умная группировка и поиск по критериям. Структуризация и систематизация контента – это то, что способен делать ГИИ.
Потенциально может быть полезен, как персональный репетитор, создатель гида, проводника в различных неизведанных вопросах и направлениях, в том числе как туристический гид, неплохое пространство для роли консультанта по многим вопросам. Некая улучшенная комбинация Google + Wiki / онлайн библиотеки.
ГИИ может применяться для создания спектра идей для контента, применяться для автоматизации создания отчетов и шаблонных проектов, первичной аналитики данных.
В перспективе нескольких лет многие профессии под угрозой: переводчики, редакторы и корректоры, копирайтеры и контентмейкеры, секретари, маркетологи, работники службы поддержки и консультанты, дизайнеры, художники, аниматоры, программисты и аналитики начального уровня.
Тянет ли справочное бюро, переводчик, обобщение контента и умная группировка на 25 трлн долларов (кумулятивный ИИ хайп с начала 2023 по США и развитым странам) с пафосной претензией на «изменение мира ДО чатботов и ПОСЛЕ чатботов»? Крайне сомнительно.
Как это все работает на практике, удалось ли ГИИ интегрировать в проекты Spydell Technologies, есть ли в ГИИ достаточная глубина рынка и пространство для монетизации, чтобы оправдать приращение капитализации на триллионы долларов? Об этом позже.
Рост рынка последний месяц связан прежде всего с анонсами ИИ моделей и ИИ-продуктов от ведущих ИТ компаний США.
Почти 1.5 года работы с различными ГИИ (ChatGPT, Gemini, Llama, Claude), есть ли в них польза и что они могут делать? Я не пишу сейчас полноценный обзор – это серия лонгридов, на которые сейчас нет времени, но попытаюсь выделить главное.
По сути, главное и самое основное предназначение ГИИ – это компрессия и декомпрессия информация, собственно, и все, а из этого уже «расщепляются» различные производные направления.
Компрессия информации - конспектирование, резюмирование, обобщение, «суммаризация» и так далее огромных массивов текстовой, аудио или видео информации по особым алгоритмам. Например, кратко пересказ YouTube ролик, книгу, инструкцию пользования или какие-либо события.
Декомпрессия информации – из ранее сжатой информации на основе логических цепочек и по заданным сценарным векторам генерировать аудио, видео или текстовый контент. Например, на основе краткой рецензии книги, сгенерированной ранее ИИ, написать похожие отзывы/рецензии или дать рекомендации по схожим литературным произведениям.
Основные сценарии использования ГИИ:
• Обобщение и интерпретация контента.
• Переводчик.
• Экспертная система / ответы на вопросы (что это означает, как это сделать, как это работает, как это исправить и т.д).
• Анализ, аналитика данных (пока самое слабое звено и хуже всего развито).
• Рерайт готовых текстов по заданным направлениям, стилям и тональности.
• Копирайтинг, написание резюме, отзывов, эссе, простых статей по заданным темам.
• Более эффективное распознавание цифрового контента (OCR документов, видео, аудио). Например, автоматическая стенограмма презентации с аудио в текст, автоматический таймкоды в видео, распознавание и структуризация документов.
• Более умный семантический поиск. Например, поиск в фото или видео определенных объектов, сюжетов и так далее. Пока все это не работает, но Google обещает интеграцию до конца года.
• Создание фото и видео с заданными условиями.
В перспективе года ГИИ модели позволяет сделать умный органайзер, структурировав документы, письма, фото и видео с заданными маркерами. Например, 30 тыс фото в библиотеке, нужно разбить по типам и сюжетам (люди, природа, города, культурные объекты и т.д.). Аналогично с документами, т.е. умная группировка и поиск по критериям. Структуризация и систематизация контента – это то, что способен делать ГИИ.
Потенциально может быть полезен, как персональный репетитор, создатель гида, проводника в различных неизведанных вопросах и направлениях, в том числе как туристический гид, неплохое пространство для роли консультанта по многим вопросам. Некая улучшенная комбинация Google + Wiki / онлайн библиотеки.
ГИИ может применяться для создания спектра идей для контента, применяться для автоматизации создания отчетов и шаблонных проектов, первичной аналитики данных.
В перспективе нескольких лет многие профессии под угрозой: переводчики, редакторы и корректоры, копирайтеры и контентмейкеры, секретари, маркетологи, работники службы поддержки и консультанты, дизайнеры, художники, аниматоры, программисты и аналитики начального уровня.
Тянет ли справочное бюро, переводчик, обобщение контента и умная группировка на 25 трлн долларов (кумулятивный ИИ хайп с начала 2023 по США и развитым странам) с пафосной претензией на «изменение мира ДО чатботов и ПОСЛЕ чатботов»? Крайне сомнительно.
Как это все работает на практике, удалось ли ГИИ интегрировать в проекты Spydell Technologies, есть ли в ГИИ достаточная глубина рынка и пространство для монетизации, чтобы оправдать приращение капитализации на триллионы долларов? Об этом позже.
О прикладном использовании больших языковых моделей…
Сразу к делу – есть ли положительный опыт интеграции в научно-исследовательские проекты в области экономики и финансов? Нет, ни одна модель не функциональна, ничего не работает.
Есть две критические и пока неразрешимые проблемы на архитектурном уровне самих моделей ГИИ.
Первое – нет вшитого контроля верификации выходных данных и корректности интерпретации. Другими словами, ГИИ не способен оценивать корректности и адекватность сгенерированного контента, нет встроенного критерия истинности.
Современные модели ГИИ не обладают критическим мышлением и верификатором результатов, что в контексте работы LLM означает: выявление логических связей и противоречий, оценка аргументов и доказательств, анализ данных и источников, адаптация выходного результата в контекст условий.
Доступные на сегодняшний день LLM:
• Не проверяют достоверность источников информации и не различают надежные данные от ненадежных.
• Не способны самостоятельно выявлять логические ошибки или противоречия в своих ответах.
• Не могут критически оценивать представленные аргументы и доказательства.
• Не могут адекватно адаптировать свои ответы к специфическим условиям или контексту задачи.
LLM обучаются на сверх больших массивах данных, изначальная достоверность которых под сомнением, и в этом наборе информационного мусора происходит компрессия данных и определение весов.
Те данные, на которых были обучены LLM изначально могут содержать ошибки, предвзятость и недостоверную информацию, а следовательно обучение часто строиться на ложных сведениях.
В некотором смысле веса в больших языковых моделях (LLM) определяют иерархию интерпретации информации, позволяя модели распознавать иерархические и контекстуальные зависимости в данных. Иначе говоря, веса определяют меру связанности информационных блоков, как одна часть информации влияет на другую часть информации.
Что это означает на практике? LLM крайне неэффективны в разработке инновационных смысловых конструкций и интерпретации изначально противоречивой информации, производя сложные многоуровневые оценки факторов, обстоятельств и зависимостей.
ГИИ могут быть эффективны в интерпретации общепризнанных наиболее популярных фактов регулярного характера, но не способы выстраивать иерархию приоритетов и многоуровневую композицию факторов риска в неоднозначном и неструктурированном наборе данных, вектор распределения которых не прогнозируем.
Следовательно, сложная аналитика процессов и событий не подвластна ГИИ, поэтому в ГИИ нет интеллекта в широком понимании. Это высоко эрудированная система, которая достаточно тупа в понимании связей и зависимостей сложных систем, а социология, психология, политология, экономика – это как раз те области, где нет жесткой структуризации данных и нет однозначности в интерпретации.
Можно формализовать математику или физику (здесь ГИИ в перспективе 3-5 лет может добиться успехов), но нельзя формализовать мотивы и действия социума, поэтому ГИИ не может управлять бизнес-процессами, не может прогнозировать и оценивать все те области, где задействован человек (финансы, экономика, социология, политика и т.д.).
К чему это приводит? ГИИ генерируют огромное количество контента, который на прикладных задачах практически невозможно применять из-за отсутствия достоверности.
В идеале система должна работать, как низко уровневая программа в процессоре, где повторение опытов всегда дает один и тот же результат – есть однозначность и прогнозируемость. В ГИИ слишком широкий диапазон допусков.
В итоге время и ресурсы на проверку результатов работы ГИИ превосходят любую потенциальную выгоду. Проще говоря, ГИИ слишком завораживающе фейкометят, чтобы использовать их в серьезных исследованиях и бизнес-процессах.
Низкая достоверность выходного контента вшита на уровне архитектуры LLM, поэтому проблема неисправима ни сейчас, ни в ближайшем будущем.
Вторая проблема – необучаемость и ограниченная длина контекстного окна. Эта тема требует отдельного обзора.
Сразу к делу – есть ли положительный опыт интеграции в научно-исследовательские проекты в области экономики и финансов? Нет, ни одна модель не функциональна, ничего не работает.
Есть две критические и пока неразрешимые проблемы на архитектурном уровне самих моделей ГИИ.
Первое – нет вшитого контроля верификации выходных данных и корректности интерпретации. Другими словами, ГИИ не способен оценивать корректности и адекватность сгенерированного контента, нет встроенного критерия истинности.
Современные модели ГИИ не обладают критическим мышлением и верификатором результатов, что в контексте работы LLM означает: выявление логических связей и противоречий, оценка аргументов и доказательств, анализ данных и источников, адаптация выходного результата в контекст условий.
Доступные на сегодняшний день LLM:
• Не проверяют достоверность источников информации и не различают надежные данные от ненадежных.
• Не способны самостоятельно выявлять логические ошибки или противоречия в своих ответах.
• Не могут критически оценивать представленные аргументы и доказательства.
• Не могут адекватно адаптировать свои ответы к специфическим условиям или контексту задачи.
LLM обучаются на сверх больших массивах данных, изначальная достоверность которых под сомнением, и в этом наборе информационного мусора происходит компрессия данных и определение весов.
Те данные, на которых были обучены LLM изначально могут содержать ошибки, предвзятость и недостоверную информацию, а следовательно обучение часто строиться на ложных сведениях.
В некотором смысле веса в больших языковых моделях (LLM) определяют иерархию интерпретации информации, позволяя модели распознавать иерархические и контекстуальные зависимости в данных. Иначе говоря, веса определяют меру связанности информационных блоков, как одна часть информации влияет на другую часть информации.
Что это означает на практике? LLM крайне неэффективны в разработке инновационных смысловых конструкций и интерпретации изначально противоречивой информации, производя сложные многоуровневые оценки факторов, обстоятельств и зависимостей.
ГИИ могут быть эффективны в интерпретации общепризнанных наиболее популярных фактов регулярного характера, но не способы выстраивать иерархию приоритетов и многоуровневую композицию факторов риска в неоднозначном и неструктурированном наборе данных, вектор распределения которых не прогнозируем.
Следовательно, сложная аналитика процессов и событий не подвластна ГИИ, поэтому в ГИИ нет интеллекта в широком понимании. Это высоко эрудированная система, которая достаточно тупа в понимании связей и зависимостей сложных систем, а социология, психология, политология, экономика – это как раз те области, где нет жесткой структуризации данных и нет однозначности в интерпретации.
Можно формализовать математику или физику (здесь ГИИ в перспективе 3-5 лет может добиться успехов), но нельзя формализовать мотивы и действия социума, поэтому ГИИ не может управлять бизнес-процессами, не может прогнозировать и оценивать все те области, где задействован человек (финансы, экономика, социология, политика и т.д.).
К чему это приводит? ГИИ генерируют огромное количество контента, который на прикладных задачах практически невозможно применять из-за отсутствия достоверности.
В идеале система должна работать, как низко уровневая программа в процессоре, где повторение опытов всегда дает один и тот же результат – есть однозначность и прогнозируемость. В ГИИ слишком широкий диапазон допусков.
В итоге время и ресурсы на проверку результатов работы ГИИ превосходят любую потенциальную выгоду. Проще говоря, ГИИ слишком завораживающе фейкометят, чтобы использовать их в серьезных исследованиях и бизнес-процессах.
Низкая достоверность выходного контента вшита на уровне архитектуры LLM, поэтому проблема неисправима ни сейчас, ни в ближайшем будущем.
Вторая проблема – необучаемость и ограниченная длина контекстного окна. Эта тема требует отдельного обзора.
О прикладном использовании больших языковых моделей (часть 2).
Отсутствие встроенного контроля верификации выходных данных не позволяет использовать ГИИ для серьёзных научно-исследовательских работ и в рамках бизнес-операций. По умолчанию, любой сгенерированный контент от ГИИ рассматривается как фейковый, а следовательно, нет доверия к системе.
Время и ресурсы, затраченные на принудительную проверку фактов, превышают потенциальную выгоду от использования ГИИ в серьёзных задачах, которые оказывают влияние на систему принятия решений.
Вторая проблема — необучаемость и ограниченная длина контекстного окна*. Как это проявляется на практике в моих проектах?
*Контекстное окно обозначает максимальное количество токенов, которые модель может учитывать одновременно при обработке текста; грубо говоря, это глубина памяти ГИИ в рамках открытой сессии.
Не слишком сложная база данных с иерархической структурой данных требует примерно 6-7 страниц технического задания с описанием структуры данных, параметров, связей и постановки задач для анализа данных. Написание 6-7 страниц строго формализованного текста — большая работа на три часа.
Изначально ГИИ никогда не генерирует корректного результата, если постановка задачи предполагает глубину аналитики с множеством связанных переменных.
Соответственно, требуется доводка и калибровка способности ГИИ корректно интерпретировать базу данных и понимать поставленную задачу. Это ещё работа на три часа.
В итоге 6-7 часов уходит просто на то, чтобы попытаться обучить ГИИ адекватно интерпретировать структуру данных и понимать цель анализа. К этому моменту ширина контекстного окна заканчивается, но даже если удастся уложиться, происходит баг системы, который я назвал «ментальный сквиз».
В чём проявляется «ментальный сквиз»? Чем сложнее задача и чем больше количество правок вносится в интерпретатор ГИИ, тем быстрее наступает момент «глубоких галлюцинаций», когда модель полностью теряет способность к пониманию и начинает путаться в показаниях.
По мере правок качество выходного контента растёт, а потом наступает «ментальный сквиз», и качество резко обрушается, что означает — модель сломалась, несите новую, т.е. требуется новая открытая сессия и всё начинать сначала.
Я не связывался с OpenAI по данному багу и не могу сказать, связана ли эта проблема с программной составляющей или это внутренние архитектурные недостатки, однако правда в том, что разработка сложных проектов исключена полностью.
Те функции аналитики и анализа данных, которые демонстрируются в рекламных роликах ГИИ, показывают простейшие функции, которые реализуются штатным функционалом Excel за несколько секунд, тогда как написание запросов в ГИИ требует минут. Т.е. даже здесь эффективность под вопросом. Более сложные расчёты крайне неэффективны в рамках реализации через ГИИ — здесь сразу мимо.
Какая комбинация работает? То, что работало раньше: Excel + SQL + Python и теперь ГИИ, но не в рамках аналитики, а с точки зрения справочного бюро по документации/инструкциям + помощь в написании кода и формул. Причём процесс написания кода также не так однозначен.
В практическом применении ГИИ (использовал все, но остановился в итоге на ChatGPT-4 как наиболее сбалансированном) абсолютно не тянет работу с данными. Data Science, data mining, data analytics — это не про ГИИ. Текущая оценка — около 2 из 10, т.е. совсем плохо, по крайней мере, в той публичной версии, как это всё представлено.
Все надстройки в Excel на базе ChatGPT, в том числе официальная от Microsoft — полная туфта. Выглядят многообещающе, но на практике с большим набором данных и многоуровневыми зависимостями не работают так, как должны.
Сводные таблицы и автоматический структурный анализ можно делать и имеющимися ресурсами без использования ГИИ.
ГИИ не улучшает работу в рамках дата аналитики, а скорее ухудшает с точки зрения качества данных и скорости работы. В рамках анализа данных Excel + SQL + Python решают задачи на порядки быстрее, чем хвалёный ГИИ. На данном этапе ГИИ в контексте научно-исследовательской базы близок к пустому месту.
Отсутствие встроенного контроля верификации выходных данных не позволяет использовать ГИИ для серьёзных научно-исследовательских работ и в рамках бизнес-операций. По умолчанию, любой сгенерированный контент от ГИИ рассматривается как фейковый, а следовательно, нет доверия к системе.
Время и ресурсы, затраченные на принудительную проверку фактов, превышают потенциальную выгоду от использования ГИИ в серьёзных задачах, которые оказывают влияние на систему принятия решений.
Вторая проблема — необучаемость и ограниченная длина контекстного окна*. Как это проявляется на практике в моих проектах?
*Контекстное окно обозначает максимальное количество токенов, которые модель может учитывать одновременно при обработке текста; грубо говоря, это глубина памяти ГИИ в рамках открытой сессии.
Не слишком сложная база данных с иерархической структурой данных требует примерно 6-7 страниц технического задания с описанием структуры данных, параметров, связей и постановки задач для анализа данных. Написание 6-7 страниц строго формализованного текста — большая работа на три часа.
Изначально ГИИ никогда не генерирует корректного результата, если постановка задачи предполагает глубину аналитики с множеством связанных переменных.
Соответственно, требуется доводка и калибровка способности ГИИ корректно интерпретировать базу данных и понимать поставленную задачу. Это ещё работа на три часа.
В итоге 6-7 часов уходит просто на то, чтобы попытаться обучить ГИИ адекватно интерпретировать структуру данных и понимать цель анализа. К этому моменту ширина контекстного окна заканчивается, но даже если удастся уложиться, происходит баг системы, который я назвал «ментальный сквиз».
В чём проявляется «ментальный сквиз»? Чем сложнее задача и чем больше количество правок вносится в интерпретатор ГИИ, тем быстрее наступает момент «глубоких галлюцинаций», когда модель полностью теряет способность к пониманию и начинает путаться в показаниях.
По мере правок качество выходного контента растёт, а потом наступает «ментальный сквиз», и качество резко обрушается, что означает — модель сломалась, несите новую, т.е. требуется новая открытая сессия и всё начинать сначала.
Я не связывался с OpenAI по данному багу и не могу сказать, связана ли эта проблема с программной составляющей или это внутренние архитектурные недостатки, однако правда в том, что разработка сложных проектов исключена полностью.
Те функции аналитики и анализа данных, которые демонстрируются в рекламных роликах ГИИ, показывают простейшие функции, которые реализуются штатным функционалом Excel за несколько секунд, тогда как написание запросов в ГИИ требует минут. Т.е. даже здесь эффективность под вопросом. Более сложные расчёты крайне неэффективны в рамках реализации через ГИИ — здесь сразу мимо.
Какая комбинация работает? То, что работало раньше: Excel + SQL + Python и теперь ГИИ, но не в рамках аналитики, а с точки зрения справочного бюро по документации/инструкциям + помощь в написании кода и формул. Причём процесс написания кода также не так однозначен.
В практическом применении ГИИ (использовал все, но остановился в итоге на ChatGPT-4 как наиболее сбалансированном) абсолютно не тянет работу с данными. Data Science, data mining, data analytics — это не про ГИИ. Текущая оценка — около 2 из 10, т.е. совсем плохо, по крайней мере, в той публичной версии, как это всё представлено.
Все надстройки в Excel на базе ChatGPT, в том числе официальная от Microsoft — полная туфта. Выглядят многообещающе, но на практике с большим набором данных и многоуровневыми зависимостями не работают так, как должны.
Сводные таблицы и автоматический структурный анализ можно делать и имеющимися ресурсами без использования ГИИ.
ГИИ не улучшает работу в рамках дата аналитики, а скорее ухудшает с точки зрения качества данных и скорости работы. В рамках анализа данных Excel + SQL + Python решают задачи на порядки быстрее, чем хвалёный ГИИ. На данном этапе ГИИ в контексте научно-исследовательской базы близок к пустому месту.
Общее впечатление от работы с большими языковыми моделями
Есть ли от них польза? Да, конечно, в рамках ограниченных задач.
Что работает хорошо (не в абстрактном измерении, а в контексте научно-исследовательских проектов в области экономики и финансов)? На самом деле, идеально сейчас не работает ничего, и везде есть ошибки, нерегулярные отклонения, неравномерное качество генерации и так далее.
Что работает достаточно хорошо, но с допущениями?
• Переводчик – понимание контекста стало лучше, технические термины переводятся лучше, но до профессиональных переводчиков все еще далеко.
• Транскрибация/расшифровка аудио/видео контента в текст и автоматические метки тайм-кодов. В последние пару месяцев начала внедряться технология разделения спикеров и более качественная интерпретация тональности.
• Корректор/редактор текста.
• Справочное бюро по технической документации / экспертная система – если локализовать фокус ГИИ на конкретном документе, - согласованность повышается.
• Написание кода и формул - не идеально, но, если разбить программу на мини модули - определенная польза будет, хотя ошибок изначально будет много. Однако, основная польза скорее в инструменте динамических подсказок и поиске ошибок в компиляции – подходит для опытных программистов.
• Обобщение/конспектирование документов – основе предназначение ГИИ пригодится для фильтрации и группировке мусорного контента по направлениям и темам, но не подходит для компрессии важных документов, т.к. практически всегда упускает важные нюансы.
• Дайджест новостей – на практике работает плохо, т.к. все ведущие информационные агентства запретили индексацию новостного контента со стороны ГИИ.
Я не занимаюсь фото и видео, хотя знаю, что основной прогресс был достигнут именно здесь — полезно для дизайнеров, маркетологов и художников. Помимо генерации изображений по запросам, можно модифицировать старые, разрушенные чёрно-белые фото в высоком качестве в цветном исполнении.
Что работает на практике?
Транскрибация аудио и видео контента производится очень редко в работе, дайджест новостей и анализ инфо-повестки не работают корректно из-за ограниченного набора СМИ, индексация по которым разрешена.
Обобщение видео практически никогда не использовал, конспектирование документов делаю редко. Например, в важном выступлении Пауэлла на пресс-конференции ФРС в начале мая все чатботы произвели неадекватную интерпретацию тональности выступления, сделав неверные акценты, предполагая жёсткость выступления, тогда как на самом деле оно было самым «мягким» за два года.
Чтобы правильно расставлять акценты, выстраивая адекватную иерархию приоритетов, необходим опыт в комбинации множества противоречивых факторов. Алгоритмы ГИИ это не могут делать, поэтому конспектирование текста лишь даёт общее представление о тематике, но практически всегда упускает важные нюансы.
По сути, на практике, казалось бы, безграничное пространство возможностей упирается лишь в переводчик, корректор текста, справочное бюро и помощник в написании кода.
Тянет ли это на революцию? Едва ли. Это некая более умная комбинация Google + Wiki с пониманием, что количество ошибок может быть неприемлемо высоким.
По работе с данными качество ГИИ ниже плинтуса, это же касается аналитики, причём на всех уровнях. В плане качественного и решительного усиления научно-исследовательского потенциала не тянет — возможно, даже больше вреда, чем пользы, если слишком сильно полагаться на ГИИ.
ГИИ — это пока некая надстройка/плагин в существующие ИТ-решения, которая не даёт решительного преимущества, но способна принести пользу при грамотном использовании. Ждать, что ГИИ по запросу «создай мне вундервафлю» начнёт творить чудеса — это верх наивности.
На бытовом уровне ГИИ очень неплох — можно попросить составить и проанализировать список фильмов, разобрать известные литературные произведения, сделать какие-нибудь рецепты или спросить, как починить что-то, и много других вариаций.
На уровне бизнес-решений и в науке публичные версии ГИИ пока очень слабы.
Есть ли от них польза? Да, конечно, в рамках ограниченных задач.
Что работает хорошо (не в абстрактном измерении, а в контексте научно-исследовательских проектов в области экономики и финансов)? На самом деле, идеально сейчас не работает ничего, и везде есть ошибки, нерегулярные отклонения, неравномерное качество генерации и так далее.
Что работает достаточно хорошо, но с допущениями?
• Переводчик – понимание контекста стало лучше, технические термины переводятся лучше, но до профессиональных переводчиков все еще далеко.
• Транскрибация/расшифровка аудио/видео контента в текст и автоматические метки тайм-кодов. В последние пару месяцев начала внедряться технология разделения спикеров и более качественная интерпретация тональности.
• Корректор/редактор текста.
• Справочное бюро по технической документации / экспертная система – если локализовать фокус ГИИ на конкретном документе, - согласованность повышается.
• Написание кода и формул - не идеально, но, если разбить программу на мини модули - определенная польза будет, хотя ошибок изначально будет много. Однако, основная польза скорее в инструменте динамических подсказок и поиске ошибок в компиляции – подходит для опытных программистов.
• Обобщение/конспектирование документов – основе предназначение ГИИ пригодится для фильтрации и группировке мусорного контента по направлениям и темам, но не подходит для компрессии важных документов, т.к. практически всегда упускает важные нюансы.
• Дайджест новостей – на практике работает плохо, т.к. все ведущие информационные агентства запретили индексацию новостного контента со стороны ГИИ.
Я не занимаюсь фото и видео, хотя знаю, что основной прогресс был достигнут именно здесь — полезно для дизайнеров, маркетологов и художников. Помимо генерации изображений по запросам, можно модифицировать старые, разрушенные чёрно-белые фото в высоком качестве в цветном исполнении.
Что работает на практике?
Транскрибация аудио и видео контента производится очень редко в работе, дайджест новостей и анализ инфо-повестки не работают корректно из-за ограниченного набора СМИ, индексация по которым разрешена.
Обобщение видео практически никогда не использовал, конспектирование документов делаю редко. Например, в важном выступлении Пауэлла на пресс-конференции ФРС в начале мая все чатботы произвели неадекватную интерпретацию тональности выступления, сделав неверные акценты, предполагая жёсткость выступления, тогда как на самом деле оно было самым «мягким» за два года.
Чтобы правильно расставлять акценты, выстраивая адекватную иерархию приоритетов, необходим опыт в комбинации множества противоречивых факторов. Алгоритмы ГИИ это не могут делать, поэтому конспектирование текста лишь даёт общее представление о тематике, но практически всегда упускает важные нюансы.
По сути, на практике, казалось бы, безграничное пространство возможностей упирается лишь в переводчик, корректор текста, справочное бюро и помощник в написании кода.
Тянет ли это на революцию? Едва ли. Это некая более умная комбинация Google + Wiki с пониманием, что количество ошибок может быть неприемлемо высоким.
По работе с данными качество ГИИ ниже плинтуса, это же касается аналитики, причём на всех уровнях. В плане качественного и решительного усиления научно-исследовательского потенциала не тянет — возможно, даже больше вреда, чем пользы, если слишком сильно полагаться на ГИИ.
ГИИ — это пока некая надстройка/плагин в существующие ИТ-решения, которая не даёт решительного преимущества, но способна принести пользу при грамотном использовании. Ждать, что ГИИ по запросу «создай мне вундервафлю» начнёт творить чудеса — это верх наивности.
На бытовом уровне ГИИ очень неплох — можно попросить составить и проанализировать список фильмов, разобрать известные литературные произведения, сделать какие-нибудь рецепты или спросить, как починить что-то, и много других вариаций.
На уровне бизнес-решений и в науке публичные версии ГИИ пока очень слабы.
Экономика больших языковых моделей
Пока не существует достоверных исследовательских работ по рентабельности, потенциалу экспансии и по воздействию на экономику ГИИ.
Темпы развития настолько высоки, что любая аналитика устаревает в момент выхода и ни у кого, в том числе у разработчиков ГИИ, нет понимания, куда все это зайдет.
Тема очень интересная, но пока можно лишь выдвигать гипотезы.
Финансовое сообщество в США трещит от восторга, воображая «квантовый скачок» в новую ИИ-вселенную, где трансформация мира будет настолько фундаментальной, что изменит «правила игры» на всех уровнях.
Заявка неслабая – сразу на технологическую революцию, которая изменит мир и одна из важнейшей технологий из когда-либо созданных человечеством.
Достаточно посмотреть на капитализацию ведущих технологических компаний США, которые перебивают все возможные рекорды.
▪️Первое – на экономику влияет прежде всего способность к повышению производительности труда и способность к ускорению технологического прогресса, инноваций и научно-исследовательских проектов.
Способны ли публичные версии ускорять создание технологий и повышать качество существующих технологий? Исключено.
Однако, сама технология ГИИ способна влиять на технологический прогресс при условии доступа к архитектуре и весам LLM, позволяя реализовывать глубокую модернизацию моделей под специфические научные задачи. Эта привилегия доступна лишь избранным компаниям, которые разрабатывают ГИИ.
▪️Второе – все существующие LLM сильно убыточны, т.к. затраты на инфраструктуру и техническое обеспечение ГИИ настолько высоки, что практически лишают разработчиков шансов на окупаемость инвестиций в краткосрочной перспективе 1-3 лет. Что будет через три года не знает никто.
Порог входа в клуб разработчиков ГИИ начинается от 3 млрд долларов (ИТ инфраструктура с крайне дорогим оборудованием; исследования и разработки, где разработчиков в этом направлении очень мало, а стоят очень дорого; лицензирование в рамках доступа к данным).
Специфика функционирования ГИИ заключается в том, что для адекватной и конкурентной модели необходима разработка LLM и обучении минимум на 1 трлн токенов, а это как раз около 3 млрд долл.
▪️Третье – положительный экономический эффект сильно переоценен. Да, многие профессии под угрозой, но примерно это же говорили в начале 90-х, когда появились электронные таблицы, что по теории должно было снизить количество бухгалтеров на порядок, но в реальности спрос на бухгалтеров только вырос и ещё много примеров...
Нет никаких сомнений в том, что ГИИ – одно из самых важных технологических открытий в 21 веке, это очень интересная технология, которая принесет пользу, особенно на бытовом уровне.
При этом важность и значимость ГИИ с точки зрения воздействия на экономику пока сильно переоценена.
То, что представлено и может быть представлено в ближайшее время - не особо впечатляет и тянет лишь на уровень надстроек/плагинов в существующие ИТ решения, не меняя радикальным образом паттерны и механизмы взаимодействия общества с окружающим пространством.
Пока не существует достоверных исследовательских работ по рентабельности, потенциалу экспансии и по воздействию на экономику ГИИ.
Темпы развития настолько высоки, что любая аналитика устаревает в момент выхода и ни у кого, в том числе у разработчиков ГИИ, нет понимания, куда все это зайдет.
Тема очень интересная, но пока можно лишь выдвигать гипотезы.
Финансовое сообщество в США трещит от восторга, воображая «квантовый скачок» в новую ИИ-вселенную, где трансформация мира будет настолько фундаментальной, что изменит «правила игры» на всех уровнях.
Заявка неслабая – сразу на технологическую революцию, которая изменит мир и одна из важнейшей технологий из когда-либо созданных человечеством.
Достаточно посмотреть на капитализацию ведущих технологических компаний США, которые перебивают все возможные рекорды.
▪️Первое – на экономику влияет прежде всего способность к повышению производительности труда и способность к ускорению технологического прогресса, инноваций и научно-исследовательских проектов.
Способны ли публичные версии ускорять создание технологий и повышать качество существующих технологий? Исключено.
Однако, сама технология ГИИ способна влиять на технологический прогресс при условии доступа к архитектуре и весам LLM, позволяя реализовывать глубокую модернизацию моделей под специфические научные задачи. Эта привилегия доступна лишь избранным компаниям, которые разрабатывают ГИИ.
▪️Второе – все существующие LLM сильно убыточны, т.к. затраты на инфраструктуру и техническое обеспечение ГИИ настолько высоки, что практически лишают разработчиков шансов на окупаемость инвестиций в краткосрочной перспективе 1-3 лет. Что будет через три года не знает никто.
Порог входа в клуб разработчиков ГИИ начинается от 3 млрд долларов (ИТ инфраструктура с крайне дорогим оборудованием; исследования и разработки, где разработчиков в этом направлении очень мало, а стоят очень дорого; лицензирование в рамках доступа к данным).
Специфика функционирования ГИИ заключается в том, что для адекватной и конкурентной модели необходима разработка LLM и обучении минимум на 1 трлн токенов, а это как раз около 3 млрд долл.
▪️Третье – положительный экономический эффект сильно переоценен. Да, многие профессии под угрозой, но примерно это же говорили в начале 90-х, когда появились электронные таблицы, что по теории должно было снизить количество бухгалтеров на порядок, но в реальности спрос на бухгалтеров только вырос и ещё много примеров...
Нет никаких сомнений в том, что ГИИ – одно из самых важных технологических открытий в 21 веке, это очень интересная технология, которая принесет пользу, особенно на бытовом уровне.
При этом важность и значимость ГИИ с точки зрения воздействия на экономику пока сильно переоценена.
То, что представлено и может быть представлено в ближайшее время - не особо впечатляет и тянет лишь на уровень надстроек/плагинов в существующие ИТ решения, не меняя радикальным образом паттерны и механизмы взаимодействия общества с окружающим пространством.
Глобальное перераспределение капитала
Страны с профицитом счета текущих операций (СТО) финансируют страны с дефицитом СТО, но что это за страны?
2/3 от глобального чистого перераспределения капитала за последние три года сжирает только одна страна – это США, дефицит СТО у которых превышает $2.6 трлн за три года, на втором месте Великобритания – $226 млрд (более, чем на порядок меньше, чем в США), далее Индия – $145 млрд, Бразилия – $125 млрд, Турция – 97 млрд, Франция – $70 млрд и … Чили – $61 млрд.
Дефицит СТО предполагает, что для покрытия разрывов по платежному балансу страна должна привлекать прямые, портфельные, прочие инвестиции или финансировать дефицит через сокращение ЗВР.
Практически все развитые страны не использует для балансировки ЗВР, а управляют разрывами, как правило, через потоки капитала частного сектора.
Если нет емкого рынка капитала так, как это реализовано в США или Великобритании, дефицит СТО обычно покрывается через прочие инвестиции в виде кредитов от международных организаций (МВФ, Всемирный банк) или от коммерческих финансовых структур (банки, инвестфонды).
Для привлечения капитала через портфельные и прямые инвестиции необходимо выполнять ряд условий: конкурентное преимущество финсистемы и экономики через более высокие темпы прироста доходности относительно других валютных зон приложения капитала, положительный дифференциал процентных ставок, уровень развития финансовой системы, глубина, ликвидность и емкость финансового рынка. Это рыночные механизмы, но и есть и нерыночные механизмы.
Создание точек напряжения в геополитике и геоэкономике является одним из наиболее эффективных приемов быстрой концентрации международного капитала прежде всего в США и Великобританию, как главных бенефициаров хаоса на глобальном рынке капитала.
Чем шире дефицит СТО – тем ниже устойчивость системы, т.к. в любых обстоятельствах необходимо концентрировать капитал нерезидентов, а предельная способность расширения дефицита СТО напрямую упирается в возможность кредиторов аккумулировать профицит СТО.
Страны с профицитом счета текущих операций (СТО) финансируют страны с дефицитом СТО, но что это за страны?
2/3 от глобального чистого перераспределения капитала за последние три года сжирает только одна страна – это США, дефицит СТО у которых превышает $2.6 трлн за три года, на втором месте Великобритания – $226 млрд (более, чем на порядок меньше, чем в США), далее Индия – $145 млрд, Бразилия – $125 млрд, Турция – 97 млрд, Франция – $70 млрд и … Чили – $61 млрд.
Дефицит СТО предполагает, что для покрытия разрывов по платежному балансу страна должна привлекать прямые, портфельные, прочие инвестиции или финансировать дефицит через сокращение ЗВР.
Практически все развитые страны не использует для балансировки ЗВР, а управляют разрывами, как правило, через потоки капитала частного сектора.
Если нет емкого рынка капитала так, как это реализовано в США или Великобритании, дефицит СТО обычно покрывается через прочие инвестиции в виде кредитов от международных организаций (МВФ, Всемирный банк) или от коммерческих финансовых структур (банки, инвестфонды).
Для привлечения капитала через портфельные и прямые инвестиции необходимо выполнять ряд условий: конкурентное преимущество финсистемы и экономики через более высокие темпы прироста доходности относительно других валютных зон приложения капитала, положительный дифференциал процентных ставок, уровень развития финансовой системы, глубина, ликвидность и емкость финансового рынка. Это рыночные механизмы, но и есть и нерыночные механизмы.
Создание точек напряжения в геополитике и геоэкономике является одним из наиболее эффективных приемов быстрой концентрации международного капитала прежде всего в США и Великобританию, как главных бенефициаров хаоса на глобальном рынке капитала.
Чем шире дефицит СТО – тем ниже устойчивость системы, т.к. в любых обстоятельствах необходимо концентрировать капитал нерезидентов, а предельная способность расширения дефицита СТО напрямую упирается в возможность кредиторов аккумулировать профицит СТО.
Главным мировым кредитором является Китай, который распределяет на внешних рынках 250-350 млрд в год.
Говоря о мировом кредиторе, я подразумеваю не валовое, а чистое распределение капитала (общее распределение капитала резидентов во внешний мир минус общее привлечение капитала нерезидентов). По валовом потока вне конкуренции США и Европа, тогда как по чистому распределению расклад более разнообразный.
За три года профицит счета текущих операций Китая составил $1049 млрд, на втором месте Германия – $750 млрд, Япония – $438 млрд, Россия – $413 млрд, Нидерланды – $331 млрд, Норвегия – $329 млрд, Сингапур – $275 млрд, Саудовская Аравия – $227 млрд, Швейцария – 201 млрд, Ирландия – $183 млрд, Кувейт – $150 млрд, Южная Корея – $146 млрд, Дания – $134 млрд, Катар – $126 млрд, Швеция – $117 млрд, Гонконг – $116 млрд. По Еврозоне профицит СТО около 580-600 млрд, по всем странам Европы около 1 трлн. Еще Тайвань, но данные по этой стране неполные.
Выше представлен список стран с профицитом СТО свыше 100 млрд за три года. Чем важен этот список?
За последние 10 лет произошли структурные сдвиги в распределении капитала. До 2011-2013 гг США и Великобритания концентрировали капитал со всего мира, но последние 10 лет и особенно с 2018 года фрагментация начала резко возрастать.
Из представленного списка США потеряли частично или полностью нефтеэкспортеров с Ближнего Востока, Китай и Россию.
По нефтеэкспортерам не так все однозначно. До 2010 года нефтеэкспортеры в совокупности распределяли около 75-80% всего профицита в долларовую финансовую систему, сейчас ближе к 35-45% по собственным расчетам. Деньги идут, но уже не так интенсивно.
После начала торговой войны с 2017-2018 гг Китай значительно снизил распределение профицита СТО в доллар, на госуровне сводя к нулю, тогда как частный капитал все еще идет, но преимущественно через оффшоры и теневые шлюзы. Россия последовательно снижала интенсивность распределения капитала с 2014, а с 2022 обнулила.
США сейчас почти полностью полагается на стратегических союзников (Европа, Япония, Корея, Австралия, Тайвань, Сингапур).
Проблема в том, что дефицит СТО у США удвоился за 10 лет, а количество поставщиков капитала в США сузилось до стратегических союзников, экономическая ситуация по которым неоднозначная.
Все это означает, что США придется принудительно снижать дефицит СТО, т.к. в мире просто нет столько денег, чтобы финансировать распухшего монстра.
Говоря о мировом кредиторе, я подразумеваю не валовое, а чистое распределение капитала (общее распределение капитала резидентов во внешний мир минус общее привлечение капитала нерезидентов). По валовом потока вне конкуренции США и Европа, тогда как по чистому распределению расклад более разнообразный.
За три года профицит счета текущих операций Китая составил $1049 млрд, на втором месте Германия – $750 млрд, Япония – $438 млрд, Россия – $413 млрд, Нидерланды – $331 млрд, Норвегия – $329 млрд, Сингапур – $275 млрд, Саудовская Аравия – $227 млрд, Швейцария – 201 млрд, Ирландия – $183 млрд, Кувейт – $150 млрд, Южная Корея – $146 млрд, Дания – $134 млрд, Катар – $126 млрд, Швеция – $117 млрд, Гонконг – $116 млрд. По Еврозоне профицит СТО около 580-600 млрд, по всем странам Европы около 1 трлн. Еще Тайвань, но данные по этой стране неполные.
Выше представлен список стран с профицитом СТО свыше 100 млрд за три года. Чем важен этот список?
За последние 10 лет произошли структурные сдвиги в распределении капитала. До 2011-2013 гг США и Великобритания концентрировали капитал со всего мира, но последние 10 лет и особенно с 2018 года фрагментация начала резко возрастать.
Из представленного списка США потеряли частично или полностью нефтеэкспортеров с Ближнего Востока, Китай и Россию.
По нефтеэкспортерам не так все однозначно. До 2010 года нефтеэкспортеры в совокупности распределяли около 75-80% всего профицита в долларовую финансовую систему, сейчас ближе к 35-45% по собственным расчетам. Деньги идут, но уже не так интенсивно.
После начала торговой войны с 2017-2018 гг Китай значительно снизил распределение профицита СТО в доллар, на госуровне сводя к нулю, тогда как частный капитал все еще идет, но преимущественно через оффшоры и теневые шлюзы. Россия последовательно снижала интенсивность распределения капитала с 2014, а с 2022 обнулила.
США сейчас почти полностью полагается на стратегических союзников (Европа, Япония, Корея, Австралия, Тайвань, Сингапур).
Проблема в том, что дефицит СТО у США удвоился за 10 лет, а количество поставщиков капитала в США сузилось до стратегических союзников, экономическая ситуация по которым неоднозначная.
Все это означает, что США придется принудительно снижать дефицит СТО, т.к. в мире просто нет столько денег, чтобы финансировать распухшего монстра.
Размышления о резервных валютах...
Резервная валюта все же определяется не объемом золотовалютных резервов, хранимых центральными банками – это далеко не основной критерий. Все намного сложнее.
Если в начале 21 века доля доллара в международных резервах достигала 71-73%, а к 2022-2022 доля снизилась до 58% - действительно, тренд нисходящий.
Среди аллоцированных резервов на доллар приходится около $6.7 трлн – это ничтожный объем (всего 12.3%) в общей задолженности США перед внешними кредиторами, которая составляет 54.3 трлн на начало 2024.
Говоря о долларе, как резервной валюте необходимо оценивать комплексную экспозицию по всем финансовым инструментам и типам задолженности.
В структуре чистого притока иностранного капитала из всех источников и направлений в долларовую финансовую систему, доля центральных банков балансирует от 7 до 16%, т.е. США ориентируется на частный капитал.
Второй важный момент, который многие упускают. США не заинтересованы в поддержке торговых операций в долларах любой ценой, а гораздо критичнее для них операции в финансовых инструментах.
Большинство базовой/фундаментальной литературы по монетарной политике была написана в 1960-1980х годах, когда оборот по внешней торговле имел значения, а доля трансграничных финансовых транзакций была незначительной. Сейчас все изменилось.
По моим оценкам, глобальный экспорт составляет около 30 трлн в год по всем странам мира, соответственно импорт сопоставим, т.е. 82 млрд долл в день. Это дневной оборот Nvidia или Bitcoin в жаркий день.
Объем валовых трансграничных операций по всем финансовым инструментам (акции, облигации, паи, денежно-кредитные инструменту) на два порядка выше, это еще без деривативов.
Снижаются ли торговые расчеты в долларах в пользу юаня и евро? Да, но доля торговых расчетов во всех транзакциях, номинированных в долларах, ничтожна в пределах погрешности.
Для США важны финансовые операции, вот поэтому они так лелеют пузырь на фондовом рынке.
Резервная валюта все же определяется не объемом золотовалютных резервов, хранимых центральными банками – это далеко не основной критерий. Все намного сложнее.
Если в начале 21 века доля доллара в международных резервах достигала 71-73%, а к 2022-2022 доля снизилась до 58% - действительно, тренд нисходящий.
Среди аллоцированных резервов на доллар приходится около $6.7 трлн – это ничтожный объем (всего 12.3%) в общей задолженности США перед внешними кредиторами, которая составляет 54.3 трлн на начало 2024.
Говоря о долларе, как резервной валюте необходимо оценивать комплексную экспозицию по всем финансовым инструментам и типам задолженности.
В структуре чистого притока иностранного капитала из всех источников и направлений в долларовую финансовую систему, доля центральных банков балансирует от 7 до 16%, т.е. США ориентируется на частный капитал.
Второй важный момент, который многие упускают. США не заинтересованы в поддержке торговых операций в долларах любой ценой, а гораздо критичнее для них операции в финансовых инструментах.
Большинство базовой/фундаментальной литературы по монетарной политике была написана в 1960-1980х годах, когда оборот по внешней торговле имел значения, а доля трансграничных финансовых транзакций была незначительной. Сейчас все изменилось.
По моим оценкам, глобальный экспорт составляет около 30 трлн в год по всем странам мира, соответственно импорт сопоставим, т.е. 82 млрд долл в день. Это дневной оборот Nvidia или Bitcoin в жаркий день.
Объем валовых трансграничных операций по всем финансовым инструментам (акции, облигации, паи, денежно-кредитные инструменту) на два порядка выше, это еще без деривативов.
Снижаются ли торговые расчеты в долларах в пользу юаня и евро? Да, но доля торговых расчетов во всех транзакциях, номинированных в долларах, ничтожна в пределах погрешности.
Для США важны финансовые операции, вот поэтому они так лелеют пузырь на фондовом рынке.
США не особо рефлексируют об утрате господства доллара в торговых расчетах, т.к. основой устойчивости финансовой системы США является спрос на инвестиционные продукты и инструменты.
С момента обострения торговой войны с Китаем в 2018 произошла весьма выраженная фрагментация мирового геополитического пространства.
Условный «Глобальный Юг» начал отваливаться под предводительством Китая, как главного поставщика технологий и капитала вне контура США и союзники (Индия пока экономически не тянет конкуренцию с Китаем).
С 2018 года США нарастили внешние обязательства более, чем в 1.5 раза или на $19 трлн с 35 до рекордных 54.3 трлн долл. Для сравнения, с 2011 по 2017 прирост обязательств составил «всего» $9 трлн, а за всю историю существования США до кризиса 2008 – около $22 трлн.
Значительная часть прироста внешних обязательств США на невероятные $19 трлн за последние 6 лет – это переоценка портфельных инвестиций после существенного роста фондового рынка за последнее время, однако, по моим оценкам, минимум $8.3 трлн с 2018 – это приток финансовых потоков нерезидентов, т.е. «живые деньги».
По предварительным оценкам, ближе к 95% чистого притока капитала в США с 2021 генерируют ключевые союзники США, тогда как с 2010 по 2013 доля ключевых союзников была около 75-80% и значительные потоки шли из Китая, нефтеэкспортеров и России. Теперь последние сошли со сцены частично или полностью, а финансовый климат формируют союзники США.
Так ли США необходимо контролировать весь мир? Скорее нет, чем да, хотя до 2021-2013 США действительно пытались контролировать всех и сразу, сейчас допускают фрагментацию мирового пространства.
В таблице отображены внешние обязательства крупнейших стран мира (красным выделены недружественные к России страны).
Если вывести за контур оффшоры, глобальные обязательства оцениваются примерно $165 трлн, треть из которых под США, однако, недружественные страны держат около $142-145 трлн, или 88% емкости мировой финансовой системы, а Китай и Гонконг около 11%.
С момента обострения торговой войны с Китаем в 2018 произошла весьма выраженная фрагментация мирового геополитического пространства.
Условный «Глобальный Юг» начал отваливаться под предводительством Китая, как главного поставщика технологий и капитала вне контура США и союзники (Индия пока экономически не тянет конкуренцию с Китаем).
С 2018 года США нарастили внешние обязательства более, чем в 1.5 раза или на $19 трлн с 35 до рекордных 54.3 трлн долл. Для сравнения, с 2011 по 2017 прирост обязательств составил «всего» $9 трлн, а за всю историю существования США до кризиса 2008 – около $22 трлн.
Значительная часть прироста внешних обязательств США на невероятные $19 трлн за последние 6 лет – это переоценка портфельных инвестиций после существенного роста фондового рынка за последнее время, однако, по моим оценкам, минимум $8.3 трлн с 2018 – это приток финансовых потоков нерезидентов, т.е. «живые деньги».
По предварительным оценкам, ближе к 95% чистого притока капитала в США с 2021 генерируют ключевые союзники США, тогда как с 2010 по 2013 доля ключевых союзников была около 75-80% и значительные потоки шли из Китая, нефтеэкспортеров и России. Теперь последние сошли со сцены частично или полностью, а финансовый климат формируют союзники США.
Так ли США необходимо контролировать весь мир? Скорее нет, чем да, хотя до 2021-2013 США действительно пытались контролировать всех и сразу, сейчас допускают фрагментацию мирового пространства.
В таблице отображены внешние обязательства крупнейших стран мира (красным выделены недружественные к России страны).
Если вывести за контур оффшоры, глобальные обязательства оцениваются примерно $165 трлн, треть из которых под США, однако, недружественные страны держат около $142-145 трлн, или 88% емкости мировой финансовой системы, а Китай и Гонконг около 11%.
Крупнейшая налоговая реформа в современной истории России.
Минфин РФ внес предложения по самой масштабной налоговой трансформации, когда одновременно меняются налоги, как на физлиц, так и на бизнес (НДФЛ, налог на прибыль, УСН, НДПИ и ряд других изменений).
Текущая прогрессия по НДФЛ имеет две ступени – базовая ставка в 13% для доходов до 5 млн и 15% для доходов свыше 5 млн руб. Теперь будет 5 ступеней с нижней отсечкой по начисленным доходам 2.4 млн руб в год, а диапазон ставок от 13 до 22%.
• 13% для доходов ниже 2.4 млн руб в год.
• 15% для доходов от 2.4 до 5 млн руб в год
• 18% для доходов в диапазоне от 5 до 20 млн руб в год
• 20% для доходов в диапазоне от 20 до 50 млн руб в год
• 22% при доходах свыше 50 млн руб.
Для доходов от инвестиций (дивиденды и проценты) ставка будет плоской 15% для доходов свыше 2.4 млн руб в год.
Принцип применения ставок от суммы превышения, т.е. если доход 10 млн, соответственно, 2.4 млн рассчитываются по 13%, следующие 2.6 млн руб до отсечке в 5 млн по ставке 15% и оставшиеся 5 млн по ставке 18%. В этом случае эффективная ставка будет чуть больше 16%, общая сумма налогов 1.6 млн, при текущем налоговом законодательстве эффективная ставка 14% или 1.4 млн, что составляет чуть более 200 тыс руб переплаты.
Какая эффективная ставка и объем переплаты будет в соответствии с инициативой Минфина (нет сомнений в том, что формат будет принят до конца года):
• Доходы 3 млн – 13.4%, сейчас 13%, переплата 12 тыс
• 3.5 млн – 13.62% / 13% / 22 тыс соответственно
• 4 млн – 13.8% / 13% / 32 тыс
• 4.5 млн – 13.93% / 13% / 42 тыс
• 5 млн – 14.04% / 13% / 52 тыс
• 6 млн - 14.7% / 13.33% / 82 тыс
• 7 млн - 15.17% / 13.57% / 112 тыс
• 8.5 млн – 15.67% / 13.82% / 157 тыс
• 15 млн - 16.68% / 14.33% / 352 тыс
• 20 млн – 17.01% / 14.5% / 502 тыс.
В компенсацию будет налоговый возврат в 7 п.п из уплаченных 13% для семей с двумя и более детьми, если совокупный доход семьи не превышает 1.5 прожиточных минимума на человека. Участников СВО повышение налогов не касается.
Минфин РФ внес предложения по самой масштабной налоговой трансформации, когда одновременно меняются налоги, как на физлиц, так и на бизнес (НДФЛ, налог на прибыль, УСН, НДПИ и ряд других изменений).
Текущая прогрессия по НДФЛ имеет две ступени – базовая ставка в 13% для доходов до 5 млн и 15% для доходов свыше 5 млн руб. Теперь будет 5 ступеней с нижней отсечкой по начисленным доходам 2.4 млн руб в год, а диапазон ставок от 13 до 22%.
• 13% для доходов ниже 2.4 млн руб в год.
• 15% для доходов от 2.4 до 5 млн руб в год
• 18% для доходов в диапазоне от 5 до 20 млн руб в год
• 20% для доходов в диапазоне от 20 до 50 млн руб в год
• 22% при доходах свыше 50 млн руб.
Для доходов от инвестиций (дивиденды и проценты) ставка будет плоской 15% для доходов свыше 2.4 млн руб в год.
Принцип применения ставок от суммы превышения, т.е. если доход 10 млн, соответственно, 2.4 млн рассчитываются по 13%, следующие 2.6 млн руб до отсечке в 5 млн по ставке 15% и оставшиеся 5 млн по ставке 18%. В этом случае эффективная ставка будет чуть больше 16%, общая сумма налогов 1.6 млн, при текущем налоговом законодательстве эффективная ставка 14% или 1.4 млн, что составляет чуть более 200 тыс руб переплаты.
Какая эффективная ставка и объем переплаты будет в соответствии с инициативой Минфина (нет сомнений в том, что формат будет принят до конца года):
• Доходы 3 млн – 13.4%, сейчас 13%, переплата 12 тыс
• 3.5 млн – 13.62% / 13% / 22 тыс соответственно
• 4 млн – 13.8% / 13% / 32 тыс
• 4.5 млн – 13.93% / 13% / 42 тыс
• 5 млн – 14.04% / 13% / 52 тыс
• 6 млн - 14.7% / 13.33% / 82 тыс
• 7 млн - 15.17% / 13.57% / 112 тыс
• 8.5 млн – 15.67% / 13.82% / 157 тыс
• 15 млн - 16.68% / 14.33% / 352 тыс
• 20 млн – 17.01% / 14.5% / 502 тыс.
В компенсацию будет налоговый возврат в 7 п.п из уплаченных 13% для семей с двумя и более детьми, если совокупный доход семьи не превышает 1.5 прожиточных минимума на человека. Участников СВО повышение налогов не касается.
Минфин РФ выступил с предложением о существенном повышении налогов на бизнес.
• Налог на прибыль будет повышен с 20 до 25%.
• НДПИ горно-металлургического комплекса на добычу железа и руд увеличивается в 1.15 раза.
• НДПИ агрохимии увеличивается в 2.3 раза для калия и в 2 раза для фосфора.
• Производители азотных удобрений получат акциз на приобретение газа для выработки аммиака в объеме 1200 руб за тыс куб.м.
• Наиболее жесткий удар по малому бизнесу. С одной стороны, расширяется диапазон классификации бизнеса на УСН с 265.8 до 450 млн руб, но основной удар идет по обязательствам уплаты НДС с доходов 60 млн руб и выше.
Весь бизнес теперь на УСН будет на ставке 6% от выручки или 15% на операционную рентабельность (доходы минус расходы). Ранее при превышении лимита в 200 млн руб ставка увеличилась до 8% от выручки и 20% от прибыли.
При уплате НДС допускаются вычеты – ставка 20% (10% на льготные категории, как для крупного бизнеса), но с возможностью получать вычеты или ставка 5% НДС для доходов до 250 млн руб в год и 7% для доходов свыше 250 млн руб в год, но без вычетов.
Уровень рентной налоговой нагрузки для производителей удобрений может вырасти до 13-15% от выручки vs 5-7% в настоящий момент.
Минфин компенсирует рост налогов вычетами и возвратами. Предполагается использование налогового вычета для компаний, реализующих крупные инвестпроекты и/или доля инвестиций которых находится на высоком уровне относительно выручки (по крайней мере около 20% капексов к выручке).
Вычет с коэффициентом два может быть применен для инвестиционных расходов на ИТ оборудование российского производства, это же касается расходов на исследования и разработки - > 1 руб расходов на модернизацию и технологии равен 2 руб расходов в рамках уменьшения налоговой базы.
Основная задача Минфина заключается в попытке сохранить инвестиционные расходы и инновационную активность бизнеса с одновременным изъятием «сверхдоходов» у остального бизнеса, где доля капексов или R&D остается низкой. Как это удастся реализовать на практике? Хороший вопрос, детали проекта пока не раскрыты. Частично информация использовалась с РБК и Ведомостей.
Как налоговая инициатива повлияет на бюджет? По оценкам Минфина чистый эффект в 2025 году составит около 2.5-2.6 трлн руб, которые складываются в следующей пропорции:
• Налог на прибыль – 1.6 трлн руб.
• НДФЛ – 533 млрд (за прошлый год сборы составили 159.5 млрд на доходы свыше 5 млн руб по ставке 15%, в 2022 – 149 млрд, а в 2021 – 91 млрд руб.
• УСН – чистыми около 350 млрд, которые формируются из доходов в 473 млрд в федеральный бюджет, 258 млрд в региональный бюджет минус недополученные 324 млрд руб по УСН и еще минус 58 млрд руб по налогу на имущество из-за расширения диапазона доходов по включению бизнеса в УСН. Недополученные доходы компенсируются из федерального бюджета.
Для бизнеса эффект очевидно негативный, в особенности для малого бизнеса – речь идет о чистом изъятии минимум 2 трлн руб в год у бизнеса.
Точный макроэкономический эффект просчитать сложно, т.к. непонятна конфигурация вычетов и льгот – кому и в каком объеме.
Для населения с точки зрения потребительской активности эффекта особого не будет (рост налогов на НДФЛ), т.к. повышение налогов касается около 3-3.5% налогоплательщиков. Изъятие 2-3 п.п. дополнительных доходов у богатых не окажет влияние на потребительские расходы из-за существенной нормы сбережений и накопленного буфера.
Однако, рост налогов может быть переложен с бизнеса на население в рамках компенсации убытков.
Рост налогов может спровоцировать реализацию механизмов ухода от налогов, усиление оттока капитала.
• Налог на прибыль будет повышен с 20 до 25%.
• НДПИ горно-металлургического комплекса на добычу железа и руд увеличивается в 1.15 раза.
• НДПИ агрохимии увеличивается в 2.3 раза для калия и в 2 раза для фосфора.
• Производители азотных удобрений получат акциз на приобретение газа для выработки аммиака в объеме 1200 руб за тыс куб.м.
• Наиболее жесткий удар по малому бизнесу. С одной стороны, расширяется диапазон классификации бизнеса на УСН с 265.8 до 450 млн руб, но основной удар идет по обязательствам уплаты НДС с доходов 60 млн руб и выше.
Весь бизнес теперь на УСН будет на ставке 6% от выручки или 15% на операционную рентабельность (доходы минус расходы). Ранее при превышении лимита в 200 млн руб ставка увеличилась до 8% от выручки и 20% от прибыли.
При уплате НДС допускаются вычеты – ставка 20% (10% на льготные категории, как для крупного бизнеса), но с возможностью получать вычеты или ставка 5% НДС для доходов до 250 млн руб в год и 7% для доходов свыше 250 млн руб в год, но без вычетов.
Уровень рентной налоговой нагрузки для производителей удобрений может вырасти до 13-15% от выручки vs 5-7% в настоящий момент.
Минфин компенсирует рост налогов вычетами и возвратами. Предполагается использование налогового вычета для компаний, реализующих крупные инвестпроекты и/или доля инвестиций которых находится на высоком уровне относительно выручки (по крайней мере около 20% капексов к выручке).
Вычет с коэффициентом два может быть применен для инвестиционных расходов на ИТ оборудование российского производства, это же касается расходов на исследования и разработки - > 1 руб расходов на модернизацию и технологии равен 2 руб расходов в рамках уменьшения налоговой базы.
Основная задача Минфина заключается в попытке сохранить инвестиционные расходы и инновационную активность бизнеса с одновременным изъятием «сверхдоходов» у остального бизнеса, где доля капексов или R&D остается низкой. Как это удастся реализовать на практике? Хороший вопрос, детали проекта пока не раскрыты. Частично информация использовалась с РБК и Ведомостей.
Как налоговая инициатива повлияет на бюджет? По оценкам Минфина чистый эффект в 2025 году составит около 2.5-2.6 трлн руб, которые складываются в следующей пропорции:
• Налог на прибыль – 1.6 трлн руб.
• НДФЛ – 533 млрд (за прошлый год сборы составили 159.5 млрд на доходы свыше 5 млн руб по ставке 15%, в 2022 – 149 млрд, а в 2021 – 91 млрд руб.
• УСН – чистыми около 350 млрд, которые формируются из доходов в 473 млрд в федеральный бюджет, 258 млрд в региональный бюджет минус недополученные 324 млрд руб по УСН и еще минус 58 млрд руб по налогу на имущество из-за расширения диапазона доходов по включению бизнеса в УСН. Недополученные доходы компенсируются из федерального бюджета.
Для бизнеса эффект очевидно негативный, в особенности для малого бизнеса – речь идет о чистом изъятии минимум 2 трлн руб в год у бизнеса.
Точный макроэкономический эффект просчитать сложно, т.к. непонятна конфигурация вычетов и льгот – кому и в каком объеме.
Для населения с точки зрения потребительской активности эффекта особого не будет (рост налогов на НДФЛ), т.к. повышение налогов касается около 3-3.5% налогоплательщиков. Изъятие 2-3 п.п. дополнительных доходов у богатых не окажет влияние на потребительские расходы из-за существенной нормы сбережений и накопленного буфера.
Однако, рост налогов может быть переложен с бизнеса на население в рамках компенсации убытков.
Рост налогов может спровоцировать реализацию механизмов ухода от налогов, усиление оттока капитала.