ИИ-пузырь: что происходит на самом деле сегодня. 🚬 Пару дней назад рынки снова дрогнули. Nasdaq упал на 4,6% за три дня – худший результат с апреля. Южная Корея остановила корги торги после падения KOSPI на 8%. Microsoft потерял 18%, Amazon – 10%. А OpenAI рассматривает перенос IPO на следующий год. 🤔 Да че тут блин происходит? Один и тот же вопрос, который мы задаём уже полтора года: "а окупается ли это вообще?" Цифры, которые не вписываются в нарратив масс. Вспомним как MIT опубликовали исследование, где проанализировали 300+ публичных кейсов внедрения ИИ, провели 52 глубинных интервью и опросили 153 руководителя на конференциях. Результат: 95% пилотных программ провалились. Потрачено $30–40 млрд на генеративный ИИ, а окупаемости нет. 🚬 Тут, конечно, стоит понимать простую истину, цена акций зависит не только от реальной стоимости компании, но и от ожиданий от неё инвесторов. 🧠 Не стоит себя обманывать. "Мы создали монстра" Financial Times только выпустили материал с красноречивым заголовком: "We created a monster" – компании сворачивают использование ИИ, потому что затраты разрушают бюджеты. 💸 Вот что внутри: - Средний корпоративный бюджет на ИИ в 2026 году: $7 млн в год – рост почти на 500% с 2024 года - 85% бюджета уходит на inference – просто на запуск моделей, не на разработку - Uber сжёг весь годовой бюджет на ИИ за 4 месяца – CTO компании публично признался. - Microsoft, которая вложила $13 млрд в OpenAI и пишет до 30% кода с помощью ИИ – отменяет лицензии Claude Code для инженеров из-за неподъёмных счетов. Переводит на собственный GitHub Copilot CLI. Одна компания потратила $500 млн за один месяц, тк забыли установить лимиты использования Claude 😐 Че там по потреблению? Мы видим Парадокс Джевонса в действии: чем дешевле и доступнее ИИ, тем больше его используют, и тем выше совокупные затраты. Goldman Sachs прогнозирует потребление токенов вырастет в 24 раза к 2030 году — до 120 квадриллионов в месяц. Даже если цена токена упадёт на 90% (а Gartner это прогнозирует), агентный ИИ потребует на порядок больше токенов на задачу. Итоговый счёт растёт. Источник. Наблюдается возврат к человеку. Уже есть первые сигналы - компании начинают возвращать сотрудников, уволенных "под ИИ". Не потому что ИИ плох, а потому что границы его применимости оказались уже, чем обещали вендоры. Только, вернуть их по старым "ценам" тоже не выйдет. Кстати, такой же тренд ожидаю и у нас в финтехе. Сейчас там идут сокращения, но ожидания от ИИ, особенно местного пошива, очень завышены и ТОПы не видят всей реальной картины, тк миддл менеджмент и эксперты приследуют свои интересы удержания у новой хайповой кормушки (ИИ), а наверх транслируют "аналоговнет" и "100% автоматизация с ИИ". Как бы потом не было больно нанимать людей обратно уже по рыночным ценам. 👍 Что делать-то? Совет от 📦 💅 1. Перестаньте гоняться за хайпом, нанимайте настоящих ИИ-экспертов (в тч AI head), работайте с культурой компании. ИИ эффективен в узких, рутинных задачах – обработка документов, кодинг, первичная поддержка, рутинная аналитика. 2. Считайте ROI на каждом пилоте. Двигайтесь через гипотезы и PoC. Если через 3 месяца нет измеримого эффекта – убивайте проект. 🇨🇩 3. Не заменяйте людей – усиливайте их. ИИ как инструмент, а не как замена. На ФОТ вы не сэкономите, те кто уже нырнул в эту тему, понимает, что токеномика сжирает фин эффект от сокращения фот. Экономия не масштабируется - масштабируется эффективность процессов и скорость принятия решений с ИИ, именно тут вы сможете не терять упущенную прибыль. 4. Матчите модель под задачу. Это моё любимое, не зря я писал выше серию постов про Fusion и Fugu - будьте гибче и умнее оркестрируйте локальные и публичные модели под задачи. А ещё мы делаем распределение задач по уровням для сотрудников, с соответствующей схемой доступа до моделей. Простые задачи – на дешёвые open-source модели. Pro, max и тп крутые и дорогие модели – только для сложной аналитики и кодинга. На этом все, удачи 😐