Что не так с экономикой ИИ?
На основе последних ответов бигтехов, на основе анализа интервью и подкастов ведущих спикеров среди топ менеджеров и инженеров ИИ компаний, анализа отраслевых изданий можно сделать некоторые выводы.
Прямых заявлений нет, есть обрывки и вот из разрозненной информации собираю относительно целостную картину экономики ИИ через собственные аналитические инструменты и расчеты.
▪️Операционные расходы на обслуживание, интеграцию и амортизацию ИИ фабрики/ ЦОД с учетом инфраструктуры составляют около $10 млрд в год в расчете на 1 ГВт мощности (в доверительном диапазон от 8 до 12 млрд в зависимости от места возведения ЦОД, скорости амортизации, типа чипов и сотен других нюансов).
▪️Вместе с этим у ИИ компаний есть расходы на исследования и разработки непосредственно ИИ моделей, расходы на обучение LLMs (сейчас это часто покупка лицензий и данных для обучения на основе качественных источников с учетом расходов на разметку), маркетинговые, административные, коммерческие расходы и прочие расходы, необходимые для функционирования бизнеса.
Если расходы на возведение и обслуживание ЦОД растут линейно на траектории наращивания мощностей, доля расходов на R&D и обслуживание ИИ бизнеса снижается по мере масштабирования ИИ бизнеса.
Что не так с экономикой ИИ?
🔘 Предел генерации доходов для ведущих и самых успешных ИИ компаний, вероятно, лежит в диапазоне $7-11 млрд на 1 ГВт мощностей.
Этот показатель я получил после фиксации текущих мощностей у OpenAI на уровне 2 ГВт при текущей выручке в $13 млрд за 12м, около $15 млрд за весь 2025 и примерно $18-20 млрд в ноябре-декабре в годовом выражении, что составляет по верхней границе как раз $10 млрд на 1 ГВт.
Примерно также было в 2023. Тогда мощностей было 0.2 ГВт, а выручка была $1.5 млрд и до $2 млрд в конце года по методу AR.
Выручка OpenAI растет линейно в соответствии с наращиванием вычислительных мощностей. Да, корректно рассматривать в флопсах, а в ваттах – это идиотизм, но учитывая короткий инвестцикл и отсутствие масштабной ротации поколений ИИ чипов, расчеты плюс-минус справедливы.
Пример OpenAI – это скорее пример с наивысшей конверсией, учитывая клиентский охват и меру интеграции во все средства разработки и во все ИИ сервисы. Это означает, что у других ИИ компаний меньше отдачи на вычислительные мощности – ближе к 3-6 млрд на 1 ГВт (у ОpenAI сейчас по факту около 7 млрд).
Что такое $10 млрд на ГВт по выручке по верхней границе? Это как раз стоимость обслуживания и развёртывания ЦОД, т.е. R&D, маркетинг, административные и коммерческие расходы сразу идут в минус.
Высокие убытки OpenAI (свыше 30 млрд в 2025) связаны с тем, что выручка догоняет инвестиции в ИИ с лагом примерно 12м и значительная часть инвестиций сделана с опережением, т.е. инвестиций еще не были переданы в обслуживание (закладка мощностей ИИ без ввода в эксплуатацию).
На траектории экспансии нормально быть убыточным, особенно в инновационных отраслях, и тем более, если это крайне капиталоемкая отрасль.
Но не нормально работать в условиях запредельно высоких инвестиционных расходов с критически быстрой амортизацией в условиях, когда конверсия выручки не может быть постоянной величиной.
Вот, как например, в весной 2025 OpenAI обделались с GPT Orion 4.5 и еще хорошо, что в резерве был GPT-5 спустя несколько месяцев и когда конкуренты «застыли», а если нет?
🔘 В условиях выравнивания конкуренции очень сложно добиться лояльности клиентов (в этой сфере интенсивная миграция клиентов от одной LLMs к другой) при быстром развитии Китая.
🔘 Эта схема предполагает 100% загрузку мощностей и высокую конверсию, но не учитывает сезонность, миграцию клиентов, регулирование ИИ и фактор «пресыщения» особенно в розничном сегменте.
🔘 Эта схема не учитывает неоднозначную траекторию насаждения ИИ в корпоративном сегменте.
🔘 Все их выкладки вообще не учитывают фактор Китая, считая свое доминирование исключительным и непоколебимым, но это не так. Китай уже активно наступает и разрыв будет сокращаться.
Я вообще не вижу сценария выхода в прибыль гиперскейлеров.
Подсмотрено
На основе последних ответов бигтехов, на основе анализа интервью и подкастов ведущих спикеров среди топ менеджеров и инженеров ИИ компаний, анализа отраслевых изданий можно сделать некоторые выводы.
Прямых заявлений нет, есть обрывки и вот из разрозненной информации собираю относительно целостную картину экономики ИИ через собственные аналитические инструменты и расчеты.
▪️Операционные расходы на обслуживание, интеграцию и амортизацию ИИ фабрики/ ЦОД с учетом инфраструктуры составляют около $10 млрд в год в расчете на 1 ГВт мощности (в доверительном диапазон от 8 до 12 млрд в зависимости от места возведения ЦОД, скорости амортизации, типа чипов и сотен других нюансов).
▪️Вместе с этим у ИИ компаний есть расходы на исследования и разработки непосредственно ИИ моделей, расходы на обучение LLMs (сейчас это часто покупка лицензий и данных для обучения на основе качественных источников с учетом расходов на разметку), маркетинговые, административные, коммерческие расходы и прочие расходы, необходимые для функционирования бизнеса.
Если расходы на возведение и обслуживание ЦОД растут линейно на траектории наращивания мощностей, доля расходов на R&D и обслуживание ИИ бизнеса снижается по мере масштабирования ИИ бизнеса.
Что не так с экономикой ИИ?
Этот показатель я получил после фиксации текущих мощностей у OpenAI на уровне 2 ГВт при текущей выручке в $13 млрд за 12м, около $15 млрд за весь 2025 и примерно $18-20 млрд в ноябре-декабре в годовом выражении, что составляет по верхней границе как раз $10 млрд на 1 ГВт.
Примерно также было в 2023. Тогда мощностей было 0.2 ГВт, а выручка была $1.5 млрд и до $2 млрд в конце года по методу AR.
Выручка OpenAI растет линейно в соответствии с наращиванием вычислительных мощностей. Да, корректно рассматривать в флопсах, а в ваттах – это идиотизм, но учитывая короткий инвестцикл и отсутствие масштабной ротации поколений ИИ чипов, расчеты плюс-минус справедливы.
Пример OpenAI – это скорее пример с наивысшей конверсией, учитывая клиентский охват и меру интеграции во все средства разработки и во все ИИ сервисы. Это означает, что у других ИИ компаний меньше отдачи на вычислительные мощности – ближе к 3-6 млрд на 1 ГВт (у ОpenAI сейчас по факту около 7 млрд).
Что такое $10 млрд на ГВт по выручке по верхней границе? Это как раз стоимость обслуживания и развёртывания ЦОД, т.е. R&D, маркетинг, административные и коммерческие расходы сразу идут в минус.
Высокие убытки OpenAI (свыше 30 млрд в 2025) связаны с тем, что выручка догоняет инвестиции в ИИ с лагом примерно 12м и значительная часть инвестиций сделана с опережением, т.е. инвестиций еще не были переданы в обслуживание (закладка мощностей ИИ без ввода в эксплуатацию).
На траектории экспансии нормально быть убыточным, особенно в инновационных отраслях, и тем более, если это крайне капиталоемкая отрасль.
Но не нормально работать в условиях запредельно высоких инвестиционных расходов с критически быстрой амортизацией в условиях, когда конверсия выручки не может быть постоянной величиной.
Вот, как например, в весной 2025 OpenAI обделались с GPT Orion 4.5 и еще хорошо, что в резерве был GPT-5 спустя несколько месяцев и когда конкуренты «застыли», а если нет?
Я вообще не вижу сценария выхода в прибыль гиперскейлеров.
Подсмотрено
Please open Telegram to view this post
VIEW IN TELEGRAM
Что не так с экономикой ИИ? Продолжение
Проблема в фундаментальном дисбалансе между линейным ростом капитальных расходов и нелинейной траекторией монетизации в условиях быстрой амортизации активов.
▪️Сильно переоценивается монетизируемая часть корпоративного спроса, как основной долгосрочный источник стабильного денежного потока с высокой конверсией на один токен.
Помимо того, что LLMs по качеству очень далеки от корпоративной интеграции, ни одна крупная организация не будет лить трафик через открытый API. Все использование LLMs будет исключительно через локальное развертывание на основе открытых моделей. Ни одного доллара во внешний контур.
Для компаний с выручкой $30-40 млрд в год и количеством сотрудников 5-10 тыс человек с избытком хватит одного вычислительного кластера (не нужно выстраивать «плантации» вычислительных кластеров в ЦОД) для обслуживания комплекса внутренних LLMs.
Это означает, что сделать сепарацию дешевых токенов (массовые запросы на общие темы) и дорогих токенов (для научно-исследовательских работ и сложных финансовых, юридических задач), как планирует реализовать OpenAI, станет сложным.
ИИ-провайдеры не смогут упаковывать премиальный спрос в отдельные продукты (специализированные ИИ агенты), т.к. этот спрос будет оседать в открытых моделях и в локальных корпоративных сетях.
▪️Сильно переоценивается порог монетизации. Долгосрочная траектория – дефляционная, т.е. цена за токен будет снижаться или оставаться постойной при росте «упаковки» токенов, т.е. выдачи более сложных и качественных ответов за единый прайс.
Главная причина – высокая конкуренция среди ИИ-провайдеров при выравнивании конкуренции в презентации LLMs. В конце 2025 нет явного лидера (каждая LLMs имеет свои плюсы и минусы), а это значит, что захват доли рынка будет за тем, кто предоставит лучший баланс цены и качества, что предопределяет стратегию на захват рынка через демпинг.
Если один из ИИ провайдеров повысит цену без хотя бы сопоставимого роста качества, клиенты быстро мигрируют к конкурентам. Никто не будет церемониться. Здесь нет «религиозной» фанатской секты верной паствы экосистемы Apple, здесь работает чистый прагматизм и эффективность в каждый конкретный момент времени без рефлексии по прошлым заслугам.
▪️Сильно недооценивается фактор Китая. Среди конкурентноспособных LLMs: Alibaba Qwen3-max, DeepSeek V3.2, Baidu ernie-5.0, Z.ai glm-4.6, Moonshot kimi-k2, ByteDance Seed OSS, Tencent hunyuan-t1, MiniMax M1, StepFun step-3.
Как видно, 9 (девять!) конкурентноспособных китайских производителей.
Разрыв с каждым месяцем сокращается. Передовые китайские LLMs в некоторых задачах вполне соревнуются с американскими флагманами, но им не хватает целостной интегральной сборки, стабильности, гибкости и функционала, но все это наращивается.
Нет никаких причин считать, что Китай замедлит темп сжатия технологического гэпа, скорее наоборот – я ставлю на то, что в 2026 Китай будет вырываться в лидерах в отдельных задачах с закреплением в 2027-2028.
Китайские разработчики демонстрируют кратную эффективность в сравнении с американскими, скоро дифференциал качества схлопнется, а дисбаланс эффективности станет более явным.
▪️Экспоненциальный рост запросов не пропорционален росту денежного потока. Бизнес может нагружать ЦОДы ИИ-провайдеров сложными запросами или паразитным трафиком (генерация ресурсоемких видео), но это не гарантирует пропорциональный прирост выручки, особенно в запросах не через API, а внешнюю оболочку или ИИ агенты (условно, генерация токенов может вырасти в 10 раз, а выручка только в 3 или 5 раз).
▪️Все эти мега проекты на десятки ГВт энергии неосуществимы и невыполнимы ни ресурсно (физические ограничения доступа к сырью, материалам, цепочкам поставок и компетентным кадрам), ни финансово (убыточные ИИ провайдеры могут финансировать свои агрессивные проекции только в долг и за венчурный капитал).
▪️Более эффективные алгоритмы и архитектуры LLMs могут в разы или кратно повысить эффективность, сделав невостребованными все эти фантастические мощности на сотни миллиардов.
Проблема в фундаментальном дисбалансе между линейным ростом капитальных расходов и нелинейной траекторией монетизации в условиях быстрой амортизации активов.
▪️Сильно переоценивается монетизируемая часть корпоративного спроса, как основной долгосрочный источник стабильного денежного потока с высокой конверсией на один токен.
Помимо того, что LLMs по качеству очень далеки от корпоративной интеграции, ни одна крупная организация не будет лить трафик через открытый API. Все использование LLMs будет исключительно через локальное развертывание на основе открытых моделей. Ни одного доллара во внешний контур.
Для компаний с выручкой $30-40 млрд в год и количеством сотрудников 5-10 тыс человек с избытком хватит одного вычислительного кластера (не нужно выстраивать «плантации» вычислительных кластеров в ЦОД) для обслуживания комплекса внутренних LLMs.
Это означает, что сделать сепарацию дешевых токенов (массовые запросы на общие темы) и дорогих токенов (для научно-исследовательских работ и сложных финансовых, юридических задач), как планирует реализовать OpenAI, станет сложным.
ИИ-провайдеры не смогут упаковывать премиальный спрос в отдельные продукты (специализированные ИИ агенты), т.к. этот спрос будет оседать в открытых моделях и в локальных корпоративных сетях.
▪️Сильно переоценивается порог монетизации. Долгосрочная траектория – дефляционная, т.е. цена за токен будет снижаться или оставаться постойной при росте «упаковки» токенов, т.е. выдачи более сложных и качественных ответов за единый прайс.
Главная причина – высокая конкуренция среди ИИ-провайдеров при выравнивании конкуренции в презентации LLMs. В конце 2025 нет явного лидера (каждая LLMs имеет свои плюсы и минусы), а это значит, что захват доли рынка будет за тем, кто предоставит лучший баланс цены и качества, что предопределяет стратегию на захват рынка через демпинг.
Если один из ИИ провайдеров повысит цену без хотя бы сопоставимого роста качества, клиенты быстро мигрируют к конкурентам. Никто не будет церемониться. Здесь нет «религиозной» фанатской секты верной паствы экосистемы Apple, здесь работает чистый прагматизм и эффективность в каждый конкретный момент времени без рефлексии по прошлым заслугам.
▪️Сильно недооценивается фактор Китая. Среди конкурентноспособных LLMs: Alibaba Qwen3-max, DeepSeek V3.2, Baidu ernie-5.0, Z.ai glm-4.6, Moonshot kimi-k2, ByteDance Seed OSS, Tencent hunyuan-t1, MiniMax M1, StepFun step-3.
Как видно, 9 (девять!) конкурентноспособных китайских производителей.
Разрыв с каждым месяцем сокращается. Передовые китайские LLMs в некоторых задачах вполне соревнуются с американскими флагманами, но им не хватает целостной интегральной сборки, стабильности, гибкости и функционала, но все это наращивается.
Нет никаких причин считать, что Китай замедлит темп сжатия технологического гэпа, скорее наоборот – я ставлю на то, что в 2026 Китай будет вырываться в лидерах в отдельных задачах с закреплением в 2027-2028.
Китайские разработчики демонстрируют кратную эффективность в сравнении с американскими, скоро дифференциал качества схлопнется, а дисбаланс эффективности станет более явным.
▪️Экспоненциальный рост запросов не пропорционален росту денежного потока. Бизнес может нагружать ЦОДы ИИ-провайдеров сложными запросами или паразитным трафиком (генерация ресурсоемких видео), но это не гарантирует пропорциональный прирост выручки, особенно в запросах не через API, а внешнюю оболочку или ИИ агенты (условно, генерация токенов может вырасти в 10 раз, а выручка только в 3 или 5 раз).
▪️Все эти мега проекты на десятки ГВт энергии неосуществимы и невыполнимы ни ресурсно (физические ограничения доступа к сырью, материалам, цепочкам поставок и компетентным кадрам), ни финансово (убыточные ИИ провайдеры могут финансировать свои агрессивные проекции только в долг и за венчурный капитал).
▪️Более эффективные алгоритмы и архитектуры LLMs могут в разы или кратно повысить эффективность, сделав невостребованными все эти фантастические мощности на сотни миллиардов.
👍2
Кладбище пилотов
Вчера McKinsey опубликовал отчет про искусственный интеллект. Одна цитата объясняет весь рынок:
Пока корпорации играют в «давайте попробуем нейросети», настоящая трансформация не началась. Они пилотят, согласовывают, боятся рисков (55% уже огребли от неточности ИИ), учат 200 человек промптить.
Для стартапов это окно на 2-3 года. Крупных конкурентов нет. Продавать решение гигантам можно. Но не ИИ-игрушки, а реальную перестройку процессов.
Ключевой момент: руководители, которые владеют ИИ, внедряют его в 3 раза чаще. Пока в компании не появится на уровне C-level тот, кто понимает технологию — пилоты так и будут гнить в беклоге.
Вывод прост: делай продукт для перестройки процессов, а не ускорения. Ищи компании, где СЕО сам юзает ИИ. Передел рынка начнется, когда эти 67% либо проснутся, либо сдохнут. Ставлю на второе.
Подсмотрел
Вчера McKinsey опубликовал отчет про искусственный интеллект. Одна цитата объясняет весь рынок:
90% компаний заявляют «мы используем ИИ» 67% из них застряли в пилотном режиме 6% реально перестраивают процессы
Пока корпорации играют в «давайте попробуем нейросети», настоящая трансформация не началась. Они пилотят, согласовывают, боятся рисков (55% уже огребли от неточности ИИ), учат 200 человек промптить.
Для стартапов это окно на 2-3 года. Крупных конкурентов нет. Продавать решение гигантам можно. Но не ИИ-игрушки, а реальную перестройку процессов.
Ключевой момент: руководители, которые владеют ИИ, внедряют его в 3 раза чаще. Пока в компании не появится на уровне C-level тот, кто понимает технологию — пилоты так и будут гнить в беклоге.
Вывод прост: делай продукт для перестройки процессов, а не ускорения. Ищи компании, где СЕО сам юзает ИИ. Передел рынка начнется, когда эти 67% либо проснутся, либо сдохнут. Ставлю на второе.
Подсмотрел
❤2👍1
Media is too big
VIEW IN TELEGRAM
Сегодня ДАШЕ исполнилось 23!
Поздравляю тебя, ДАША — с лихим ростом идей, треков и новых границ. Хочу кратко поделиться с подписчиками, как мы сейчас работаем и почему это время — точка перед взрывным ростом релизов.
Пока подготовка новых треков немного затормозилась (у ДАШИ в запасе уже более сотни свежих текстовых идей!), за кулисами идёт увлекательное перестроение процесса — теперь создание музыкальных клипов в проекте ДАША — это коллектив нейро-видеографов, многоуровневый AI, и абсолютный креатив без лишней рутины.
Как мы делаем музыкальные видеоклипы в ДАША v.2026
1. Идея/демо + AI-бриф
Любая новая песня начинается с идеи, демо или атмосферного эскиза: автор или арт-продюсер заполняет специальный бриф (от настроения трека до будущих теглайнов), чтобы AI мог точно угадать вайб.
2. LLM-агент: музыкальный продюсер
Описывает структуру клипа, разбивает трек на сцены, формирует сценарий и визуальные задачи для поиска клипов, референсов и styletags.
3. Поиск и генерация исходников
Команда нейро-видеографов подключает дип-архив проекта: видеоролики, backstage, лайвы, а также вдохновляется 600+ соцсетями артистов со всего мира, косметических и модных брендов, чтобы вытащить свежие стили.
LLM+VLM автоматически заполняют метаданные, а векторный поиск находит “спящие” эпизоды — неочевидные фрагменты, которые вручную было бы сложно раскрыть.
Если чего-то явно не хватает — запускаются генераторы видео: Runway, Kling, VEO, Higgsfield и другие, чтобы создать недостающие эпизоды буквально "под трек".
4. Монтажный outline + references
Агент собирает каркас клипа с таймкодами, рекомендует сцены и переходы — монтажник или подрядчик сразу получает структурированный план для работы.
5. Быстрая нарезка и финализация
Нейро-монтажник собирает ролик за считаные минуты: часть эффектов и стабилизаторов применяет AI, всё структурируется прямо в timeline. Появилась уникальная возможность быстро тестировать свежие комбинации стилей и темповой нарезки.
6. Обратная связь и масштаб
После релиза — телеметрия по реакции: какие фрагменты “выстрелили”, какие связки стали вирусными, на что пошёл отклик. Всё это интегрируется обратно в архив идей и стилей, чтобы ускорить запуск следующих релизов.
Как мы масштабируем ДАШУ:
- Каждый релиз — микротест на короткой нарезке вертикальных снипетов: система автоматически анализирует отклик, помогает выбрать самые удачные видео-связки и стили.
- Вдохновляемся индустрией: лучшие практики автогенерации (как на Amazon Prime) интегрируются в наш продакшн; команда постоянно тестирует новые алгоритмы и визуальные моды.
- Гибкость — наше всё: если клип “не зашёл”, материалы легко идут в новый релиз, дополняются свежими генерациями. Нет лишних повторов и выброшенных ресурсов — только рост и креатив.
Вопрос к Стартобус:
Какие автоматизации или AI-фичи вы бы хотели внедрить в свой продакшн? Что должно работать “само” — чтобы у вас остались исключительно творческие задачи?
Пишите вопросы, идеи и поддерживайте ДАШУ — вас ждёт реально много новых треков и свежих клипов!
Поздравляю тебя, ДАША — с лихим ростом идей, треков и новых границ. Хочу кратко поделиться с подписчиками, как мы сейчас работаем и почему это время — точка перед взрывным ростом релизов.
Пока подготовка новых треков немного затормозилась (у ДАШИ в запасе уже более сотни свежих текстовых идей!), за кулисами идёт увлекательное перестроение процесса — теперь создание музыкальных клипов в проекте ДАША — это коллектив нейро-видеографов, многоуровневый AI, и абсолютный креатив без лишней рутины.
Как мы делаем музыкальные видеоклипы в ДАША v.2026
1. Идея/демо + AI-бриф
Любая новая песня начинается с идеи, демо или атмосферного эскиза: автор или арт-продюсер заполняет специальный бриф (от настроения трека до будущих теглайнов), чтобы AI мог точно угадать вайб.
2. LLM-агент: музыкальный продюсер
Описывает структуру клипа, разбивает трек на сцены, формирует сценарий и визуальные задачи для поиска клипов, референсов и styletags.
3. Поиск и генерация исходников
Команда нейро-видеографов подключает дип-архив проекта: видеоролики, backstage, лайвы, а также вдохновляется 600+ соцсетями артистов со всего мира, косметических и модных брендов, чтобы вытащить свежие стили.
LLM+VLM автоматически заполняют метаданные, а векторный поиск находит “спящие” эпизоды — неочевидные фрагменты, которые вручную было бы сложно раскрыть.
Если чего-то явно не хватает — запускаются генераторы видео: Runway, Kling, VEO, Higgsfield и другие, чтобы создать недостающие эпизоды буквально "под трек".
4. Монтажный outline + references
Агент собирает каркас клипа с таймкодами, рекомендует сцены и переходы — монтажник или подрядчик сразу получает структурированный план для работы.
5. Быстрая нарезка и финализация
Нейро-монтажник собирает ролик за считаные минуты: часть эффектов и стабилизаторов применяет AI, всё структурируется прямо в timeline. Появилась уникальная возможность быстро тестировать свежие комбинации стилей и темповой нарезки.
6. Обратная связь и масштаб
После релиза — телеметрия по реакции: какие фрагменты “выстрелили”, какие связки стали вирусными, на что пошёл отклик. Всё это интегрируется обратно в архив идей и стилей, чтобы ускорить запуск следующих релизов.
Как мы масштабируем ДАШУ:
- Каждый релиз — микротест на короткой нарезке вертикальных снипетов: система автоматически анализирует отклик, помогает выбрать самые удачные видео-связки и стили.
- Вдохновляемся индустрией: лучшие практики автогенерации (как на Amazon Prime) интегрируются в наш продакшн; команда постоянно тестирует новые алгоритмы и визуальные моды.
- Гибкость — наше всё: если клип “не зашёл”, материалы легко идут в новый релиз, дополняются свежими генерациями. Нет лишних повторов и выброшенных ресурсов — только рост и креатив.
Вопрос к Стартобус:
Какие автоматизации или AI-фичи вы бы хотели внедрить в свой продакшн? Что должно работать “само” — чтобы у вас остались исключительно творческие задачи?
Пишите вопросы, идеи и поддерживайте ДАШУ — вас ждёт реально много новых треков и свежих клипов!
👍5❤1🔥1
Примеры работы Nano Banana 2. По слухам, релиз уже на этой неделе.
🔥5
Сбер забыл про Алису
Нас часто упрекают, что мы даём мало цифр по отечественному рынку — исправляемся! В дополнение ко вчерашней карте генеративного ИИ наш неискусственный агент сходил на Национальный рекламный форум–2025 и заглянул на презентацию Сбера.
Банк (вернее, его маркетинговая дочка) показал любопытные данные, но о них — позже. А главной находкой стал слайд с подсчётом LLM-моделей в трёх странах. Оказалось, что:
✔️ В Китае — 15 LLM
✔️ В США — 61 LLM
✔️ В России — всего одна (вернее, один — Gigachat)
Вот так мы и поняли, какую мысль Сбер будет продвигать в ближайшее время: есть только один настоящий игрок — Gigachat, а всё остальное — дообученные Qwen'ы.
Теперь к остальному. Основные тренды использования ИИ в разных странах:
▪️ Китай: Поиск смыслов, финансовая свобода
▪️ Россия: Личный помощник
▪️ США: Личный психоаналитик, кодинг и организация жизни.
Доля позитивно настроенных пользователей к технологиям ИИ:
▪️ Китай: 47,8%
▪️ Россия: 43%
▪️ США: 33%
Если в Китае языковые модели ассоциируются с самореализацией и финансами, а в США — с психологической поддержкой и продуктивностью, то в России основная ценность ИИ на данный момент — это функция личного помощника. При этом пользователи в Китае и России демонстрируют более высокий уровень оптимизма в отношении ИИ, чем в США. Ещё больше данных на фотографиях.
@anti_agi
Нас часто упрекают, что мы даём мало цифр по отечественному рынку — исправляемся! В дополнение ко вчерашней карте генеративного ИИ наш неискусственный агент сходил на Национальный рекламный форум–2025 и заглянул на презентацию Сбера.
Банк (вернее, его маркетинговая дочка) показал любопытные данные, но о них — позже. А главной находкой стал слайд с подсчётом LLM-моделей в трёх странах. Оказалось, что:
Вот так мы и поняли, какую мысль Сбер будет продвигать в ближайшее время: есть только один настоящий игрок — Gigachat, а всё остальное — дообученные Qwen'ы.
Теперь к остальному. Основные тренды использования ИИ в разных странах:
Доля позитивно настроенных пользователей к технологиям ИИ:
Если в Китае языковые модели ассоциируются с самореализацией и финансами, а в США — с психологической поддержкой и продуктивностью, то в России основная ценность ИИ на данный момент — это функция личного помощника. При этом пользователи в Китае и России демонстрируют более высокий уровень оптимизма в отношении ИИ, чем в США. Ещё больше данных на фотографиях.
@anti_agi
Please open Telegram to view this post
VIEW IN TELEGRAM
Please open Telegram to view this post
VIEW IN TELEGRAM
👍2💊1
Карта рынка GenAI: как он устроен в России
Мы без конца ругаем отечественных вендоров, и, разумеется, за дело. Но за последние пару лет их стараниями наш рынок всё же смог вырасти из слепых интеграций зарубежных моделей в нечто самобытное.
Вместо того, чтобы покупать подписки на готовые сервисы, российские корпорации начали строить собственные R&D-центры и инфраструктуру. Разработка своих моделей и дообучение open source позволили создать достаточно независимую и, при этом, прогрессивную индустрию.
Российский рынок практического применения AI может стать более продвинутым, чем мировой, уже на горизонте 3-5 лет, считают аналитики red_mad_robot.
Но в многообразии кейсов и доступных инструментов легко запутаться. У кого есть инфраструктура, а кто занял доминирующие позиции в нише интеграторов? Здесь не обойтись без онтологической карты.
Хорошо, что всю работу за нас уже сделали в Центре AI-компетенций red_mad_robot и собрали такую карту с комментариями экспертов из «Билайна» и «Сколково». Мы уже изучили и вам рекомендуем!
@anti_agi
Мы без конца ругаем отечественных вендоров, и, разумеется, за дело. Но за последние пару лет их стараниями наш рынок всё же смог вырасти из слепых интеграций зарубежных моделей в нечто самобытное.
Вместо того, чтобы покупать подписки на готовые сервисы, российские корпорации начали строить собственные R&D-центры и инфраструктуру. Разработка своих моделей и дообучение open source позволили создать достаточно независимую и, при этом, прогрессивную индустрию.
Российский рынок практического применения AI может стать более продвинутым, чем мировой, уже на горизонте 3-5 лет, считают аналитики red_mad_robot.
Но в многообразии кейсов и доступных инструментов легко запутаться. У кого есть инфраструктура, а кто занял доминирующие позиции в нише интеграторов? Здесь не обойтись без онтологической карты.
Хорошо, что всю работу за нас уже сделали в Центре AI-компетенций red_mad_robot и собрали такую карту с комментариями экспертов из «Билайна» и «Сколково». Мы уже изучили и вам рекомендуем!
@anti_agi
Telegram
red_mad_robot
Карта рынка GenAI: как он устроен в России
Центр AI-компетенций red_mad_robot собрал большой отчёт по состоянию российского рынка GenAI в 2025 году. Получилась настоящая онтологическая карта с уровнями экосистемы, распределением ролей и зонами, где формируются…
Центр AI-компетенций red_mad_robot собрал большой отчёт по состоянию российского рынка GenAI в 2025 году. Получилась настоящая онтологическая карта с уровнями экосистемы, распределением ролей и зонами, где формируются…
This media is not supported in your browser
VIEW IN TELEGRAM
ElevenLabs выпустил модель расшифровки речи с задержкой менее 150 мс
Scribe v2 Realtime предназначена для голосовых ассистентов. Модель предсказывает следующее слово собеседника, поэтому работает так быстро. Точность — 93.5% на 30 популярных языках.
Поддерживает более 90 языков, включая русский.
Попробовать можно тут: https://elevenlabs.io/realtime-speech-to-text
Scribe v2 Realtime предназначена для голосовых ассистентов. Модель предсказывает следующее слово собеседника, поэтому работает так быстро. Точность — 93.5% на 30 популярных языках.
Поддерживает более 90 языков, включая русский.
Попробовать можно тут: https://elevenlabs.io/realtime-speech-to-text
❤🔥1👍1
Первые пользователи твоего стартапа должны быть результатом поиска, а не уговоров!
1. Другими словами, твоя задача состоит в том, чтобы найти людей, которым твой продукт окажется нужен безо всяких уговоров. Если ты никак не можешь их найти — значит, твой продукт на самом деле никому по сути не нужен. И никакие уговоры не позволят тебе его масштабировать.
2. Первое следствие из этого принципа — ты должен поставить на первую версию продукта высокую цену. Потому что тех, кому такой продукт реально нужен, высокая цена не отпугнёт. Зато это сразу будет приносить тебе достаточно денег на жизнь и дальнейшее развитие продукта. По мере увеличения количества пользователей ты можешь снижать цены. Но никогда не поступай наоборот, как это делает большинство — раздавая продукт бесплатно или за копейки, надеясь со временем эти цены повысить.
3. Второе следствие — люди, которым позарез нужен твой неизвестный продукт, вряд ли бродят по интернету стадами 😉 Это значит, что массовая реклама для привлечения первых пользователей окажется неоправданно дорогой. Поэтому первых пользователей нужно искать и привлекать исключительно индивидуально — выискивая подходящие профили или заходя в сообщества, где они могут присутствовать.
4. Третье следствие — развивать свой продукт нужно только по обратной связи людей от тех, кому он уже реально нужен. А не тех, кому он не нужен 😮 Потому что все их слова типа «если бы там было вот это, то я бы это купил» — это просто фантазии.
🚀 Бери неожиданные и своевременные идеи, которые ты можешь опробовать в своих проектах — из моих обзоров на fastfounder.ru/news
Подсмотрено
1. Другими словами, твоя задача состоит в том, чтобы найти людей, которым твой продукт окажется нужен безо всяких уговоров. Если ты никак не можешь их найти — значит, твой продукт на самом деле никому по сути не нужен. И никакие уговоры не позволят тебе его масштабировать.
2. Первое следствие из этого принципа — ты должен поставить на первую версию продукта высокую цену. Потому что тех, кому такой продукт реально нужен, высокая цена не отпугнёт. Зато это сразу будет приносить тебе достаточно денег на жизнь и дальнейшее развитие продукта. По мере увеличения количества пользователей ты можешь снижать цены. Но никогда не поступай наоборот, как это делает большинство — раздавая продукт бесплатно или за копейки, надеясь со временем эти цены повысить.
3. Второе следствие — люди, которым позарез нужен твой неизвестный продукт, вряд ли бродят по интернету стадами 😉 Это значит, что массовая реклама для привлечения первых пользователей окажется неоправданно дорогой. Поэтому первых пользователей нужно искать и привлекать исключительно индивидуально — выискивая подходящие профили или заходя в сообщества, где они могут присутствовать.
4. Третье следствие — развивать свой продукт нужно только по обратной связи людей от тех, кому он уже реально нужен. А не тех, кому он не нужен 😮 Потому что все их слова типа «если бы там было вот это, то я бы это купил» — это просто фантазии.
🚀 Бери неожиданные и своевременные идеи, которые ты можешь опробовать в своих проектах — из моих обзоров на fastfounder.ru/news
Подсмотрено
🔥5❤1
Introduction to Agents.pdf
9 MB
Google на днях выпустил документ из серии «про агентов на человеческом языке» (это я его так назвал, конечно). Но это действительно очень понятное и простое объяснение о том, что такое ИИ-агенты и их инфраструктура, на 54 страницах.
Ранее уже давал ссылку (очень много кто себе сохранил), поэтому дублирую вложенным файлом и еще внизу ссылка на краткий перевод от Силиконового Мешка.
Даже если вы не занимаетесь ИИ-агентами и автоматизацией, но хотите освоить еще один пласт знаний про искусственный интеллект - рекомендую закинуть эту PDF-ку в NotebookLM для изучения.
Краткий перевод на русский - по ссылке ниже: https://teletype.in/@prompt_design/Introduction_to_Agents
Пост подсмотрен
Вы узнаете, что:
- Лучше вместо создания одного «супер-агента» для выполнения сложной задачи делегировать подзадачи специализированным агентам (например: агент-маркетолог, агент-разработчик).
- Можно использовать мощную (и более дорогую) модель (например, Gemini 2.5 Pro) для сложного начального планирования и рассуждений, но перенаправлять простые и высокообъемные задачи (например, классификацию) на более быструю и экономичную модель (например, Gemini 2.5 Flash).
- Нужно использовать системный промпт как основной рычаг управления, задавать четкую персону, правила взаимодействия, требуемую схему вывода и явные инструкции, когда и зачем использовать инструменты.
- Для борьбы с галлюцинациями надо использовать Retrieval-Augmented Generation (RAG) или NL2SQL (естественный язык в SQL) для доступа к актуальным данным компании, чтобы «заземлить» рассуждения агента в фактах и снизить вероятность ошибок.
Даже если вы не занимаетесь ИИ-агентами и автоматизацией, но хотите освоить еще один пласт знаний про искусственный интеллект - рекомендую закинуть эту PDF-ку в NotebookLM для изучения.
Краткий перевод на русский - по ссылке ниже: https://teletype.in/@prompt_design/Introduction_to_Agents
Пост подсмотрен
👍5🔥1
This media is not supported in your browser
VIEW IN TELEGRAM
Ученые создали огромную 3D-карту научных знаний из более 100 тыс. исследований.
На каждую точку можно кликнуть и изучить публикацию, например о вреде работы для психики. Все материалы расставлены в зависимости от совпадения тем — всего собрано 100 кластеров.
Залипаем здесь.
На каждую точку можно кликнуть и изучить публикацию, например о вреде работы для психики. Все материалы расставлены в зависимости от совпадения тем — всего собрано 100 кластеров.
Залипаем здесь.
👍2🔥1