AI Product | Igor Akimov

Cвежий обзор Бенедикта Эванса - AI eats the world Основное: - В 2026 году Microsoft, Alphabet, Amazon и Meta вместе вложат в инфраструктуру $700 млрд. Это больше, чем весь мировой телеком ($300 млрд), и сравнимо с нефтегазом ($1 трлн). Раньше эти компании мало вкладывались в стройку/покупки и финансировали стройку из свободного кэша – теперь capex доходит до половины выручки. В США строительство дата-центров впервые обогнало строительство офисов. OpenAI отдельно замахивается на 30 ГВт мощностей за $1,4 трлн и хочет строить по гигаватту в неделю. По сути – огромные риски и вероятности, что все это не будет нужно… - При этом сейчас огромный дефицит GPU и памяти, многолетние очереди за электричеством (кроме Китая), сопротивление местных сообществ. Рост сильно замедляется именно из-за недостатка предложения. - Пока ИИ скорее необязательная игрушка. ChatGPT 900 млн+ weekly active users, но платят только 5%. Даже у топ-5% самых активных юзеров меньше 5000 запросов за год – значит для 80% людей это пока не ежедневная привычка, а эксперимент. - Конкуренция дикая, никакой защиты нет. Frontier-модели по бенчмаркам почти неотличимы, network effects нет. Эванс проводит параллель с мобильными сетями 2010 года: биты = токены, маржинальная стоимость, плохо выровненная с ценностью для пользователя. Телеком – индустрия на триллион, но всю ценность сверху захватили другие. - Чат как UX никуда не годится, для массового использования нужны приложения. Лабы не смогут построить их все сами. Модели превращаются в commodity и в итоге станут просто инфраструктурой, а инновации уйдут на уровень выше, именно в слой приложений с ИИ. Короче, ИИ-Лабы в итоге могут потратить огромные деньги, а выручку получат интеграторы и разработчики ПО. - Что реально работает. По данным a16z на март 2026, среди enterprise-расходов на AI с большим отрывом лидирует coding – около $4 млрд в год. Дальше с разрывом идут legal, support, медицина, поиск. То есть пока кроме кодинга все эксперименты. - Раньше можно было автоматизировать всё, что описывается логическими шагами. Теперь – всё, где есть достаточно данных и масштабируемая верификация. Эванс показывает два сценария на исторических примерах. Лифтёры после появления Otis Autotronic в 1950 году исчезли как класс – профессия оказалась просто кнопкой. Бухгалтеры – наоборот: с приходом компьютеров их доля сначала выросла, потом изменился сам характер работы. Ну и например количество таксистов с убером упало, а отелей с AirBNB выросло. И самый интересный эффект – когда задача становится бесплатной и открывает новое: штрих-коды в 1974 году позволили супермаркетам держать в пять раз больше SKU. Сейчас можно легко кодить или сделать легко анализ миллионов звонков или 1000 изменений, с ИИ обсуждать и проверять разные варианты решений. Здесь пока все только начинается и как раз может быть огромный рост. В общем, он советует не думать, как AI изменит текущие процессы, а думать, на какие вопросы мы можем получить сейчас ответы и как это изменит мир вокруг нас.