А если генеративный ИИ — это пузырь?

На прошедшей в мае презентации ключевых технологий Google I/O аббревиатура «ИИ» прозвучала 124 раза. Apple тоже сделала генеративный ИИ центром своего летнего анонса, назвав его Apple Intelligence. Из новостей за последние два года складывается впечатление, что искусственный интеллект будет столь же вездесущим и революционным изменением для человечества, как интернет и смартфоны. Но каковы реальные результаты его использования?

За ИИ голосуют долларом не только крупные компании-разработчики, но и инвесторы – ИИ-стартапы получают многомиллиардные оценки, а ключевой поставщик чипов для ИИ-задач, компания Nvidia, в июне опередила Microsoft и стала самой дорогой публичной компанией мира с капитализацией более $3 трлн.

Однако впечатляющие возможности ChatGPT, Midjourney и других сервисов с генеративным ИИ пока не смогли ни радикально трансформировать бизнес-процессы в компаниях, ни принести ожидаемый рост выручки своим разработчикам. Недавно стало известно, что OpenAI ожидает убытки в размере $5 млрд по итогам года и может обанкротиться без дополнительных раундов инвестиций. Это обуславливают большими инвестициями в разработку и повседневное использование технологии, которые делают ее плохо масштабируемой и недостаточно рентабельной. В отличие от многих других компьютерных алгоритмов, генеративные нейросети требуют гигантских объемов данных и длительных вычислений для первичного обучения, а также остаются вычислительно интенсивными в дальнейшем: например, внедрение GPT в поиск Google привело бы к увеличению себестоимости поиска в 10 раз.

Из-за большого разрыва между объемом инвестиций и ожидаемой полезностью генеративного ИИ финансовые аналитики все чаще вспоминают слово «пузырь», и тем, кто уже сейчас активно использует генеративные сети в своей работе, стоит продумать план на случай, если этот пузырь лопнет.

Трудности создания и масштабирования технологий генеративного ИИ детально разобрали аналитики Goldman Sachs, а более короткий анализ есть у Sequoia Capital. Эксперты оценивают суммарные капитальные затраты ИИ-компаний в ближайшие годы — на покупку оборудования, строительство ЦОД и обучение генеративных ИИ-моделей — в сумму от $600 млрд до $1 трлн. Кроме специализированных ИИ-чипов, инвестиций требует сопутствующая инфраструктура, в первую очередь электроснабжение. Уже сегодня спрос на новые электрические мощности значительно опережает предложение: в США очередь на подключение ЦОД к энергосети может достигать 70 месяцев, а в Ирландии, одном из крупнейших в Европе хабов строительства ЦОД, де-факто ввели мораторий на новые подключения до 2028 года. Это не только удорожает ИИ-проекты, но и создает значительный барьер для их масштабирования. Еще один барьер: для тренировки новых моделей нужно больше данных, которые могут быть исчерпаны уже к 2026 году.

При этом суммарная выручка ИИ-компаний по оценкам Уолл-стрит даже в горизонте 2026 года вряд ли превысит $20 млрд. Лидер рынка, OpenAI, значительно опережающий конкурентов по выручке, зарабатывает всего $3,5 млрд. Это создает опасения, что ИИ-стартапы никогда не станут рентабельны, а крупные корпорации будут покрывать убытки от ИИ за счет выручки других подразделений.

Динамика роста выручки от генеративного ИИ не похожа на взрывную, поскольку выгоды от применения технологии клиентами тоже пока скромны. По оценкам аналитиков Goldman Sachs, сейчас ИИ в основном применяют для повышения эффективности, что экономит компаниям деньги, но не влияет на их рыночное положение. Если компания повышает эффективность при помощи «робота», то же самое могут сделать и ее конкуренты, в результате никто не получает преимущества. Свежий пример – квартальная отчетность Salesforce, которая годом ранее сделала крупные инвестиции в обновление продуктовой линейки ИИ-технологиями, но не продемонстрировала в результате значимого роста выручки.

Финансовый результат применения ИИ может быть и отрицательным – Goldman Sachs приводят в пример себя: ИИ обновляет исторические данные в моделях компании быстрее, чем живые люди, но в 6 раз дороже.

ИИ-оптимисты, включая некоторых финансовых аналитиков, указывают, что новые поколения ИИ-чипов смогут многократно снизить стоимость и обучения, и применения генеративного ИИ. А следующие версии генеративных нейросетей будут решать более сложные задачи, и делать это качественнее.

Но эти улучшения не обязательно приведут к радикальной смене экономической модели. Так, новое поколение ИИ-чипов от Nvidia B100 обещает прирост производительности в 2,5 раза при увеличении цены всего на 25%, однако тренировка следующего поколения нейросетей требует увеличивать мощность не в разы, а на порядок. Достаточно сказать, что обучение GPT3 обошлось в $2-4 млн, а GPT4 уже стоил $78-$100 млн. Сегодня тренировка передовых (frontier) моделей доступна только самым крупным компаниям, а для перехода на следующее поколение им, возможно, придется объединять ресурсы. При этом ожидаемый рост качества ответов и решений нейросети не будет многократным, улучшение исчисляется процентами.

Аналитики Goldman Sachs указывают, что улучшение качества и скорости генерации не обязательно приводит к измеримому в деньгах увеличению полезности. Если модель применяется в техподдержке, ее способность лучше понять клиента и быстрее сформулировать ему ответы не оказывает значимого влияния на решение проблем клиента и получаемую с него выручку.

Развитие индустрии генеративного ИИ гарантированно потребует больше ресурсов, но не обязательно приведет к сопоставимому росту экономической полезности и выручки. Поэтому ИИ-компании будут либо проходить банкротства, слияния и поглощения (как уже сейчас происходит со еще недавно культовыми Stability AI и Inflection AI), либо радикально менять бизнес-модель и существенно повышать цены на свои услуги.

Для практического применения ИИ в бизнесе стоит рассмотреть четыре сценария.

1.      Изучить применимость других типов ИИ и машинного обучения

ИИ-системы не сводятся к нейросетям и генеративному ИИ. Другие варианты ИИ-систем могут быть более практичны и применимы в бизнесе: будь то ансамбль решающих деревьев в рекомендательных системах или AdaBoost в системах распознавания лиц.

2.      Запустить генеративные нейросети локально

Если специфика задачи требует применения именно генеративных нейросетей, можно снизить зависимость от внешних поставщиков, лучше управлять стоимостью и снизить риски утечки информации, воспользовавшись одной из общедоступных моделей и запустив её в частном облаке или вообще локально. Модели с открытым кодом несколько уступают лидерам рынка, но оказываются вполне приемлемы для некоторых задач, особенно если выбрать модификацию, доученную и донастроенную в нужной предметной области. При этом модели с пониженной точностью (квантизированные) показывают незначительное падение качества при существенном снижении стоимости вычислений.

3.      Разработать антикризисный план по ИИ-поставщикам

Тем, кто уже интегрировал генеративный ИИ в бизнес-процессы, нужно как минимум проработать сценарии на случай отключения выбранного сервиса или кратного повышения его стоимости. Стоит ожидать, что поставщики с передовыми ИИ-моделями будут повышать цены синхронно, поэтому стоит рассматривать компании, работающие с более дешевыми моделями или оптимизирующие свои услуги как-то еще.

4.      Тщательно оценить экономику применения ИИ

Стоит рассматривать возможность того, что в вашей компании, как и в случае Goldman Sachs, внедрение ИИ может не привести к экономии вообще или в конкретном бизнес-кейсе, и лучшем решением может стать вернуться к человеческому труду.