Почему улучшение ии убивает маржу

Задумывались, почему ChatGPT становится умнее, а подписки не дорожают? Или наоборот — дешевеют? Вот в чём фокус: улучшение моделей не спасает маржу, а убивает её. И GLM 5.2 — яркий пример этой динамики.

Автор статьи Мартин Олдерсон разбирает механику, которая превращает AI-индустрию из золотой жилы в конкурентную давку с мизерными маржами. Разберёмся, как так вышло.

Момент deepseek: рынок не понял суть

Когда вышел DeepSeek R1, рынки запаниковали. Модель якобы обошлась в 6 миллионов долларов — и инвесторы решили, что это конец дорогим GPU-фермам Nvidia, специализированным для вычислений ИИ. Акции упали.

Проблема в том, что все смотрели не туда. Обучение — это фиксированная стоимость. Потратили 500 миллионов, обучили модель — и всё, вы готовы. А вот инференс — это когда модель отвечает на ваши запросы — масштабируется с каждым пользователем. Каждый ответ стоит денег.

СТРУКТУРА ЗАТРАТ В AI
──────────────────────
Обучение (Training)     Инференс (Inference)
┌──────────────────┐    ┌──────────────────┐
│  Фиксировано     │    │  Растёт с        │
│  500M едино-     │    │  использованием  │
│  временно        │    │  0.001/запрос    │
│                  │    │  × 1B запросов   │
│  ◄── one-time ──►│    │  = 1M/день       │
└──────────────────┘    └──────────────────┘
     Маржинальность: 0%        Маржинальность: 90%

Когда Anthropic или OpenAI берут 25 долларов за миллион токенов, их себестоимость — примерно 2.5 доллара. Остальное — маржа. По разным оценкам, это 60–90% валовой прибыли. Вот где настоящие деньги.

Glm 5.2: открытые веса бросают вызов

Автор статьи несколько недель тестировал GLM 5.2 от Z.ai — и пришёл к выводу: это первая open-weight модель, которая дотягивает до уровня Claude Opus и GPT.

Качество сопоставимое. Но вот цена — 4.40 доллара за миллион токенов против 15–30 долларов у закрытых моделей. Это в 3–7 раз дешевле.

Правда, есть нюансы:

• Медленнее — модель много думает перед ответом, генерирует лишние токены
• Нет видения — не умеет работать со скриншотами и PDF-изображениями
• Слабый веб-поиск — критично для агентных задач

Но даже с этими минусами, для многих сценариев — например, автоматический review кода или фоновые задачи — это рабочий вариант. И главное — перейти на него можно за минуты.

Drop-in replacement: миграция без боли

Вот что по-настоящему пугает закрытые лаборатории. Z.ai и Fireworks предоставляют API, совместимые с OpenAI и Anthropic. Меняете URL, прописываете API-ключ — и Claude Code начинает работать с GLM вместо Claude Opus.

Никаких миграций на годы, никакого vendor lock-in. Переключиться — вопрос настройки.

БАРЬЕРЫ МИГРАЦИИ
─────────────────
Закрытые модели (OpenAI/Anthropic)    Open-weight модели
┌─────────────────────────────┐       ┌─────────────────────────────┐
│  "Ваш контракт истекает     │       │  OpenAI-compatible endpoint │
│   в марте. Новые условия:   │       │  Сменить base_url → готово  │
│   +40% к цене"              │       │                             │
│                             │       │  API key + 1 строка кода   │
│  Юристы, переговоры,        │       │  ◄── вот и вся миграция ──►│
│  планирование на год        │       │                             │
└─────────────────────────────┘       └─────────────────────────────┘
     Месяцы/годы                          Минуты

Для enterprise есть вопрос приватности. Z.ai — китайская компания, условия использования слабые. Но open-weight означает, что можно развернуть модель у себя или уйти к другому провайдеру с нормальными контрактами. Гибкость — это уже не привилегия, а стандарт.

Грядущее сжатие маржи

Вот к чему всё идёт. Автор называет это AI margin collapse — обвал маржинальности.

Логика простая:

• Open-weight модели догоняют по качеству
• Стоят в 3–7 раз дешевле
• Переключиться — элементарно
• Закрытые лаборатории вынуждены снижать цены

DeepSeek уже показал: рынок не прощает высоких марж, когда появляется дешёвый конкурент. И это только начало.

Автор упоминает интересный факт: на AMD-железе инференс GLM обходится в 2.75 раза дешевле, чем на Nvidia Blackwell. Конкуренция на уровне инфраструктуры добавит давления ещё больше.

• Кто выигрывает: клиенты, провайдеры инфраструктуры, компании с гибкой архитектурой
• Кто проигрывает: закрытые лаборатории с высокими фиксированными затратами, те, кто строил бизнес на марже, а не на масштабе

Что это значит для нас

Вспомним знаменитую фразу Джеффа Безоса: Your margin is my opportunity — твоя маржа — моя возможность.

В AI это работает как часы. Чем выше маржа у лидеров, тем больше стимул для конкурентов её отобрать. GLM 5.2 — не последний такой пример. Следующие модели будут ещё дешевле и качественнее.

Для бизнеса вывод простой: не привязывайтесь к одному провайдеру. Архитектура, которая позволяет переключаться между моделями, станет таким же базовым требованием, как резервное копирование.

Улучшение ИИ — это, казалось бы, хорошая новость. Но в контексте экономики это палка о двух концах. Лучшие модели сегодня — это демпинг завтра.

Меня зацепила мысль о том, что обучение и инференс — это два разных бизнеса с разной экономикой. Многие думают про AI как про облако, но забывают, что самое важное происходит не при создании модели, а при каждом запросе пользователя.

Ссылки

• Оригинальная статья: GLM 5.2 and the coming AI margin collapse — Martin Alderson
• GLM 5.2 от Z.ai — open-weight модель, конкурирующая с Claude Opus
• Fireworks AI — провайдер инференса с OpenAI-совместимым API
• Claude Code — агентный инструмент для программирования