Стоимость производительности ИИ падает стремительно: как это изменит рынок ПО

Подробности изложены в материале первоисточника. Снижение затрат на искусственный интеллект происходит настолько быстро, что это может кардинально перекроить весь рынок передового программного обеспечения. Согласно исследованию аналитиков компании Epoch AI, расходы на достижение фиксированного уровня возможностей ИИ сокращаются примерно на 50% каждый квартал. В пересчете на год это дает колоссальное 13-кратное удешевление, опережающее исторические технологические тренды.

Подобная динамика делает передовые нейросети доступными для повседневных задач, но одновременно лишает создателей моделей былой ценовой монополии. Я проанализировал ключевые выводы этого отчета, чтобы разобраться, как именно меняется экономика искусственного интеллекта.

Как измеряют падение стоимости ИИ

Анализ Epoch AI фокусируется не на усредненной стоимости каждого отдельного ИИ-продукта, а на затратах для поддержания определенного стандарта производительности на сложных бенчмарках. В качестве главного ориентира исследователи использовали тест GPQA Diamond, состоящий из вопросов академического уровня сложности по различным научным дисциплинам. Отслеживались те модели, которые набирали на нем не менее 81.25% правильных ответов.

Такой подход позволяет оценить не просто рост возможностей систем, а экономическую эффективность получения качественного результата. Новые нейросети могут действовать точнее, расходуя при этом меньше вычислительных мощностей или токенов на выполнение аналогичной задачи. Кроме того, провайдеры постоянно оптимизируют свои рабочие процессы, снижая цены для конечных пользователей.

Примеры удешевления на практике

Ярким подтверждением этого тренда служит эволюция моделей компании OpenAI. Выпущенная в январе 2025 года нейросеть GPT-o3 справлялась с тестом GPQA Diamond на 75% при затратах около 0.30 доллара за один вопрос. Спустя полтора года модель GPT-5.6 Luna демонстрировала аналогичный результат всего за 0.0004 доллара за запрос.

Подобный разрыв доказывает, что чистая производительность важна для программирования, научных изысканий и сложных автономных агентов, но цена предоставления этого качества выходит на первый план. Бизнес и разработчики все сильнее смотрят на экономическую составляющую внедрения.

Сравнение с другими технологическими прорывами

Исследователи сопоставили падение цен на искусственный интеллект с историческими изменениями в других технологических секторах. Например, стоимость литий-ионных аккумуляторов уменьшилась примерно в 100 раз за период с 1991 по 2024 год. Затраты на вычисления падали на сотни миллиардов раз на протяжении шестидесяти лет начиная с 1940-х.

Секвенирование ДНК также существенно подешевело, хотя для формирования стабильной кривой снижения цен потребовалось более двух десятилетий. По расчетам Epoch AI, возможности искусственного интеллекта дешевеют примерно в четыре раза быстрее секвенирования ДНК и в восемьдесят раз быстрее литиевых батарей, если брать их ранние темпы развития.

Ограничения и нюансы исторических параллелей

К подобным сравнениям стоит относиться с осторожностью. Данные по искусственному интеллекту берут начало с 2023 года, в то время как более ранние показатели рассчитывались на основе оценок и экстраполяции трендов. Статистика по вычислительной технике в исследовании завершается 2001 годом, а по электроэнергии — 1973-м.

Из-за этого общая картина не учитывает абсолютно все прорывы в сфере энергетики и железа за последние два десятка лет. Тем не менее, общая скорость удешевления алгоритмов остается беспрецедентной для современной технологической индустрии.

Неравномерность прогресса и разные кривые затрат

Снижение цен происходит далеко не одинаково во всех сферах применения ИИ. Изучая другие бенчмарки, связанные с математическими задачами и шахматными головоломками, аналитики зафиксировали сильный разброс результатов. Некоторые направления демонстрировали постоянное улучшение финансовых показателей, тогда как другие годами оставались на месте перед резким обвалом цен.

Наглядным примером служат тесты Frontier Math, где показатели почти не менялись на протяжении 2025 и 2026 годов, пока в середине 2026-го стоимость резко не упала. Это говорит об отсутствии единой универсальной кривой затрат для всех типов логических операций.

Замедление темпов удешевления

Отчет также указывает на возможное замедление скорости падения цен. Если в самом начале по пяти отслеживаемым бенчмаркам стоимость падала на 66% за квартал, то спустя два года этот показатель снизился до 32% за квартал.

Такие темпы все еще остаются экстремально высокими, однако они отражают нарастающую сложность снижения инференс-затрат. По мере удорожания энергии, дата-центров и специализированного «железа» провайдеры физически не могут обнулить базовые издержки на содержание инфраструктуры.

Влияние на разработчиков и реальный рынок

Специалисты Epoch AI предупреждают о феномене «бенчмаксинга», когда разработчики целенаправленно тренируют модели ради высоких баллов в тестах, не добиваясь аналогичного прироста полезности в реальных рабочих сценариях. Использование рандомизированных элементов в тестах частично усложняет подобную подгонку, но результаты на незащищенных бенчмарках по-прежнему демонстрируют более агрессивное падение цен.

Для конечных потребителей снижение стоимости открывает огромный выбор. Компаниям больше не обязательно переплачивать за самые новые и дорогие флагманские модели, если более дешевые альтернативы успешно справляются с их повседневной нагрузкой. Это создает колоссальное давление на вендоров, вкладывающих миллиарды в разработку передовых систем.

Тем не менее, чистая цена — далеко не единственный фактор при выборе поставщика услуг. Существующие интеграции, политики безопасности, укоренившиеся пользовательские привычки и общий уровень доверия играют ключевую роль. Переход на другую модель требует тестирования, доработки программного кода и повторного аудита конфиденциальности.

В сложившихся реалиях искусственный интеллект дешевеет быстрее, чем многие компании успевают адаптировать свои стратегические планы. Главным вызовом для разработчиков становится создание продуктов, которые сохраняют свою полезность и маржинальность даже в условиях стремительного удешевления базовых нейросетей.