Большинство материалов про искусственный интеллект похожи на витрину: яркие кейсы, громкие обещания и графики роста, которые всегда идут вверх. Но за пределами пресс-релизов есть другая картина — менее удобная, зато более честная. Мы собрали 11 графиков, которые показывают, как на самом деле устроена экономика ИИ-индустрии.
Один график показывает то, что индустрия хочет продать. Одиннадцать графиков — то, что она пытается скрыть за шумом.
Мы в маркетинговом агентстве Dragon Farm регулярно разбираем такие данные, чтобы отделять рабочие инструменты роста от дорогих экспериментов. Эти графики важны не только инвесторам и разработчикам, но и предпринимателям, которые планируют встраивать ИИ в маркетинг, продажи и сервис.
1. Десять компаний несут экономику на себе
Формально ИИ-рынок выглядит огромным. Но если убрать инфраструктурных гигантов, облачных провайдеров и производителей чипов, останется заметно более скромная картина. Основная капитализация и операционная прибыль сконцентрированы в узком слое компаний, которые продают «лопаты» для золотой лихорадки, а не добывают само золото.
Для бизнеса это сигнал: рост ИИ-сектора не означает автоматической прибыльности ИИ-продуктов. Прежде чем запускать новое решение, стоит считать юнит-экономику и видеть сквозную картину затрат. Здесь помогает настройка сквозной аналитики и лидгена: она показывает, где заканчиваются обещания и начинаются реальные деньги.
2. Возможности ИИ переоценены
Медийный образ «ИИ заменит всех» плохо совпадает с производственной реальностью. На графиках, которые не попадают в отчеты вендоров, видно: доля задач, где модель стабильно работает без вмешательства человека, остается ниже, чем принято считать. Демо-версии впечатляют, а продакшен требует ограждений, проверок и постоянного контроля.
Разрыв между демо и продакшеном — это главный скрытый график индустрии. Именно он определяет реальную скорость внедрения.
Это не значит, что ИИ бесполезен. Это значит, что ставка должна делаться не на магию модели, а на процесс: декомпозицию задач, качество данных, интерфейсы и контроль результата.
3. Большинство сгенерированных ИИ токенов тратится впустую
Один из самых недооцененных графиков — распределение токенов по конечной ценности. Значительная часть генерации уходит на черновики, повторы, неиспользуемые ответы, отладку и внутренние эксперименты. 70–80% сгенерированных токенов могут не доходить до конечной бизнес-ценности.
Это как завод, где станки работают на полную мощность, но три из четырех деталей выбрасываются до сборки. Оптимизация здесь дает больше, чем переход на более дорогую модель. Поэтому мы часто рекомендуем начинать не с «внедрения ChatGPT», а с грамотной архитектуры процессов. Например, внедрение ИИ-агентов и n8n воркфлоу позволяет сокращать лишние вызовы моделей и четко связывать генерацию с результатом.
4. Деньги уходят в инфраструктуру, а не в приложения
Выручка производителей чипов и облачных платформ растет быстрее, чем выручка конечных ИИ-приложений. Это означает, что индустрия пока финансирует инфраструктуру ожиданиями будущего спроса, а не текущей маржой продуктов.
Для заказчика это важно: покупая «ИИ-решение», вы часто оплачиваете дорогую инфраструктуру, которая продается вам как инновация. Критерий прост: если за красивым интерфейсом нет измеримого сокращения ручного труда или роста конверсии — это не продукт, а дорогая демонстрация.
5. Стоимость обучения опережает доходность
Каждое следующее поколение моделей требует больше вычислительных ресурсов. При этом прирост качества не пропорционален приросту затрат. На графике это выглядит как экспоненциальный рост издержек при линейном улучшении ключевых метрик.
Этот тренд подталкивает рынок к более эффективным архитектурам, дистилляции и узкоспециализированным моделям. Бизнесу же стоит задавать вопрос: «Действительно ли нам нужна самая большая модель, или достаточно быстрой и дешевой?»
6. Открытые модели сокращают разрыв
Еще недавно закрытые модели лидировали с большим отрывом. Теперь разрыв между закрытыми и открытыми моделями сокращается до нескольких месяцев. Это делает рынок более конкурентным и снижает зависимость от одного поставщика.
Для бизнеса это хорошая новость: появляется возможность выбирать модель под задачу, а не платить за бренд. Но одновременно это требует стратегической гибкости — не привязываться к одному стеку и вовремя мигрировать на более выгодные решения.
7. Данные заканчиваются быстрее, чем принято считать
Публичные данные — топливо для обучения моделей — не бесконечны. График доступности качественных текстов, изображений и кода показывает: дефицит данных становится новым узким местом. Это повышает ценность собственных данных компании.
Здесь появляется важный вывод: ваша лидогенерация, CRM, логи звонков, переписки и транзакции — это не просто внутренняя информация, а стратегический актив. Чем раньше вы начнете собирать и структурировать данные, тем дешевле вам обойдется персонализация и автоматизация в будущем.
8. Корпоративное внедрение отстает от хайпа
Пилоты запускаются быстро, но до полномасштабного внедрения доходят немногие. Согласно открытым опросам, только небольшая доля пилотных ИИ-проектов становится частью регулярных бизнес-процессов.
Причина обычно не в моделях, а в людях, регламентах и интерфейсах. Это объясняет, почему выигрывают не те, кто первым попробовал новинку, а те, кто смог встроить ИИ в ежедневные операции без сопротивления команды.
9. Продуктивность распределяется неравномерно
ИИ не повышает продуктивность всех сотрудников одинаково. Графики показывают: основной прирост получают опытные специалисты, которые умеют ставить задачу и проверять результат. Новички часто выигрывают меньше, а иногда и проигрывают в качестве.
Это важный аргумент против наивной автоматизации. Внедрение ИИ должно сопровождаться обучением и пересборкой ролей, иначе компания просто ускоряет неэффективные процессы.
10. Юнит-экономика многих ИИ-стартапов хуже классического SaaS
Классический SaaS имеет предсказуемую маржу. У многих ИИ-продуктов себестоимость запросов и дообучения съедает прибыль. Выручка растет, но маржинальность остается под давлением — этот график редко показывают в питч-деках.
Поэтому при выборе подрядчиков и инструментов стоит смотреть не на количество функций, а на то, как формируется цена. Если стоимость использования растет вместе с вашим объемом, масштабирование может обернуться убытками.
11. Регуляторика становится строкой в P&L
Требования к прозрачности, защите данных и раскрытию использования ИИ перестают быть абстракцией. Комплаенс начинает влиять на стоимость внедрения и сроки запуска. На графике это видно как растущая доля юридических и технических затрат в ИИ-проектах.
Игнорировать этот тренд нельзя: штрафы и репутационные риски могут перевесить выгоду от автоматизации. Поэтому стратегия внедрения должна с самого начала учитывать юридические и этические рамки.
Что с этим делать бизнесу
Главный вывод из этих графиков — не «ИИ переоценен», а «ИИ требует честной аналитики и процессного подхода». Компании, которые смотрят на модели как на готовую замену людей, обычно теряют деньги. Компании, которые встраивают ИИ в конкретные процессы, измеряют результат и оптимизируют затраты, получают преимущество.
Именно такой подход мы используем в маркетинговом агентстве Dragon Farm: сначала ищем узкие места, затем подбираем инструменты, запускаем пилот и только потом масштабируем. Это банально звучит, но на рынке ИИ-хайпа эта банальность — и есть главное конкурентное преимущество.
