Проведено актуальное исследование, посвященное экономической эффективности рынка генеративного искусственного интеллекта (GenAI).

В последние годы эта сфера стала фокусом масштабных технологических инвестиций, однако вопрос о том, насколько текущие финансовые вложения трансформируются в реальные доходы, остается открытым.

Научный руководитель НИУ ВШЭ Ярослав Кузьминов и доцент факультета социальных наук Екатерина Кручинская провели комплексный анализ, чтобы оценить, насколько эффективно мировой рынок GenAI конвертирует инвестиции в прибыль.

Их вывод, опубликованный в новом номере журнала «Форсайт» (издается Институтом статистических исследований и экономики знаний НИУ ВШЭ с 2007 года), звучит отрезвляюще: сегодня искусственный интеллект развивается быстрее, чем окупается.

Справочно о журнале: «Форсайт» (англоязычная версия — Foresight and STI Governance) — ведущий российский журнал, публикующий результаты передовых исследований в области стратегического прогнозирования, науки, технологий и инновационной политики. Журнал неизменно входит в топ российских и международных рейтингов (первый уровень Белого списка, Q1 в Scopus).

Методология исследования: Авторы использовали метод анализа среды функционирования (DEA), позволяющий оценить эффективность сложных систем по множеству параметров. В рамках модели:
·       «Вход» — доходы производителей аппаратного обеспечения для ИИ (NVIDIA, Intel, AMD и др.).
·       «Выход» — выручка компаний, разрабатывающих и монетизирующих ИИ-решения (OpenAI, Google, Apple, Amazon и др.).
Такой подход создает «имитацию» рынка GenAI, где ключевую роль играют эти две группы игроков. Анализ проводился за период с 2016 по 2024 год с ежегодной оценкой общей эффективности рынка, а не отдельных компаний. Для надежности выводов расчеты были выполнены как в абсолютных цифрах, так и с поправкой на мировой ВВП.

Ключевые выводы исследования:
1.     Нелинейность и спад эффективности. Развитие рынка GenAI носит волнообразный характер. После периода роста эффективности в 2016–2021 годах, с 2021 года тренд развернулся. Несмотря на экспоненциальный рост инвестиций, показатели эффективности стали снижаться. Краткосрочный всплеск в 2023 году сменился новым падением до уровня 2022 года.
2.     Догоняющая модель рынка. Результаты указывают на структурный дисбаланс: доходы от программных ИИ-решений пока не компенсируют колоссальных вложений в аппаратную инфраструктуру.
«Повышенный спрос на чипы и вычислительные мощности стимулируется развитием больших языковых моделей, но их коммерческая отдача остается ограниченной и не перекрывает стоимости “железа” и дальнейших инвестиций в него», — комментирует Екатерина Кручинская.
3.     Риски «пузыря» и необходимость прикладного плана. Текущая модель укрепляет позиции производителей оборудования, но не дает адекватной отдачи для экономики в целом, так как вычислительные мощности зачастую становятся самоцелью. Рынок социально-значимых ИИ-приложений (например, для роста производительности труда) сталкивается с высокими барьерами и пока не является рентабельным.
«Многие говорят о пузыре на рынке ИИ. Наша модель открывает инструментальную дискуссию в этом направлении. Без роста эффективности прикладных решений, их внедрения и более взвешенного инвестиционного планирования мы не сдвинемся в позитивном направлении», — подчеркивает Ярослав Кузьминов.

Это исследование имеет важное значение не только для академического сообщества, но и для бизнеса, инвесторов и регуляторов, формирующих научно-технологическую политику в сфере ИИ. Более подробные результаты представлены по ссылке: https://foresight-journal.hse.ru/article/view/29079

ВЫВОДЫ на основе этих и других исследований
Перспективы огромны, но рынок эволюционирует. Ранняя фаза "гонки за моделями" (инфраструктура и базовые модели) уже сформировала лидеров и требует гигантских капиталов. Основные возможности сейчас смещаются в сторону:

1. Практического внедрения в конкретных отраслях.
2. Инструментов, повышающих эффективность самой ИИ-цепочки создания стоимости.
3. Новых пользовательских интерфейсов и платформ.

Детальный анализ по направлениям инвестиций:

1. Инфраструктура и "Кирки и лопаты" (Наиболее зрелое и капиталоемкое направление)

• Перспективы: Без этого ничего не работает. Спрос будет только расти.
• Что входит:
• Полупроводники и оборудование: NVIDIA (чипы, системы), производители GPU (AMD), компании в цепочке поставок (TSMC). Это "нефтяные вышки" эпохи ИИ.
• Облачные платформы: AWS, Microsoft Azure, Google Cloud. Они предоставляют вычислительную мощность и сервисы для развертывания моделей.
• Специализированное ПО: Платформы для обучения и обслуживания моделей (MLOps), инструменты для управления векторными базами данных, фреймворки оптимизации.
• Риски: Высокая конкуренция, зависимость от технологических циклов, огромные капиталовложения. Многие игроки уже являются гигантами.

2. Фундаментальные модели (Large Language Models и др.)

• Перспективы: Высокий потолок, но также высочайшие барьеры для входа.
• Что входит: OpenAI (ChatGPT), Anthropic (Claude), Google (Gemini), Meta (Llama), а также стартапы, создающие нишевые или более эффективные модели (например, France's Mistral AI).
• Риски: Требуют сотен миллионов долларов на обучение, постоянных инноваций, неясны долгосрочные бизнес-модели (монетизация через API, подписки, партнерства). Возможна консолидация. Юридические риски, связанные с авторскими правами на данные обучения.

3. Прикладной слой (B2B и B2C-приложения) (Наиболее динамичное и перспективное для венчурных инвестиций направление)

• Перспективы: Самый широкий спектр возможностей. Здесь ИИ создает непосредственную ценность и видимую экономию.
• Что входит:
• Вертикальные решения: ИИ для дизайна лекарств, инженерии материалов, юридического анализа, автоматизации написания кода (GitHub Copilot), создания маркетингового контента, дизайна.
• Горизонтальные инструменты: Улучшение продуктивности для офисных работников (Notion AI, Microsoft 365 Copilot), создание изображений/видео (Midjourney, Runway), чат-боты для поддержки клиентов.
• Агенты и автономные системы: Новая волна приложений, где ИИ не просто генерирует контент, а выполняет многошаговые задачи (например, бронирование поездки, проведение исследования).
• Риски: Сильная конкуренция, проблема "устойчивого конкурентного преимущества" (многие приложения могут быть построены поверх одного и того же базового API от OpenAI/Anthropic). Сложность продаж и внедрения в крупный бизнес.

4. Системы данных и "интеллектуальный слой"

• Перспективы: Критически важное направление, так как качество данных определяет качество ИИ.
• Что входит:
• Инструменты для работы с данными: Сбор, очистка, разметка, синтез данных для обучения моделей.
• Retrieval-Augmented Generation (RAG): Системы, которые позволяют моделям работать с актуальными и частными данными компании.
• Векторные базы данных и оркестрация: Промежуточное звено между приложением и моделью.
• Риски: Техническая сложность, но это создает более высокий барьер для входа, чем у многих приложений.

5. Открытые модели и децентрализация

• Перспективы: Попытка создать альтернативу закрытым экосистемам (OpenAI). Сообщество open-source активно развивается (Llama от Meta, Mistral).
• Что входит: Стартапы, развивающие открытые модели, инструменты для их тонкой настройки, децентрализованные вычислительные сети.
• Риски: Сложность монетизации, отставание от лидеров по производительности (хотя разрыв сокращается), зависимость от политики крупных игроков (таких как Meta).

Ключевые драйверы роста:

1. Рост производительности и снижение стоимости вычислений: Появление более эффективных моделей и чипов удешевит создание и использование ИИ.
2. Мультимодальность: Переход от текста к полноценной работе с изображением, видео, звуком и 3D открывает новые рынки (кино, игры, дизайн).
3. Регуляторная среда: Формирование законов (как в ЕС) может замедлить гигантов, но создать ниши для специализированных, "безопасных" и "прозрачных" решений.
4. Проникновение в индустрии: От пилотных проектов к массовому внедрению в здравоохранение, финансы, образование, промышленность.

Главные риски для инвесторов:

• Технологическая неопределенность: Возможны прорывы, меняющие архитектуру рынка (например, новый, более эффективный алгоритм).
• Регуляторные и юридические риски: Судебные иски по авторским правам, законы о приватности, контроль над мощными ИИ-системами.
• Проблема монетизации: Многие приложения могут оказаться "фичей", а не самостоятельным продуктом.
• Перегрев рынка: Завышенные ожидания и оценки могут привести к коррекции.
• Этическая и репутационная составляющая: Риски, связанные с генерацией дезинформации, deepfakes, предвзятостью моделей.

Итог для инвесторов:

• Венчурные инвесторы и фонды: Наибольший потенциал сейчас — в прикладном слое (3) и инструментах для данных (4), особенно в нишевых вертикалях, где есть глубокие экспертные знания и барьеры для входа. Также стоит присматриваться к ранним стадиям в области ИИ-агентов.
• Институциональные инвесторы (акции): Уже есть доступ к "киркам и лопатам" (1) через акции NVIDIA, Microsoft, Google, Amazon, а также к потенциальным лидерам среди разработчиков моделей (2).
• Частные инвесторы: Прямые инвестиции в стартапы сложны. Лучший путь — через ETF, фокусирующиеся на технологиях и ИИ, или через акции публичных компаний из сегментов инфраструктуры и облачных платформ.

В заключение: Генеративный ИИ — это не краткосрочная тенденция, а фундаментальный технологический сдвиг, сравнимый с появлением интернета или смартфонов. Рынок будет переживать циклы завышенных ожиданий и коррекций, но долгосрочный тренд на трансформацию экономики и создание новых многомиллиардных компаний очевиден. Успех инвестора будет зависеть от глубины понимания конкретной ниши, сроков горизонта инвестиций и толерантности к риску.


06.02.2026