Снижение затрат на использование систем искусственного интеллекта происходит темпами, способными существенно изменить рынок передового программного обеспечения. Согласно отчету исследовательской организации Epoch AI, стоимость обеспечения определенного уровня производительности ИИ падает почти на 50% каждый квартал, что эквивалентно 13-кратному снижению в год. Подобная динамика превосходит исторические показатели удешевления литий-ионных аккумуляторов, секвенирования ДНК и вычислительного оборудования.
Динамика ценообразования и методология анализа
Для оценки изменений Epoch AI использовала результаты тестирования моделей на сложных задачах. В частности, ключевым индикатором стал GPQA Diamond — экзаменационный тест университетского уровня по научным дисциплинам. Аналитики отслеживали стоимость достижения порога правильных ответов не менее 81,25%. Такой подход позволяет учитывать не только рост точности моделей, но и их эффективность: новые решения часто требуют меньше вычислительных мощностей или токенов для выполнения идентичного объема работы.
В качестве наглядного примера исследователи приводят разницу в показателях моделей OpenAI. Согласно отчету, выпущенная в январе 2025 года GPT o3 достигла 75% успеха в GPQA Diamond при стоимости 0,30 доллара за вопрос. Спустя полтора года модель GPT-5.6 Luna продемонстрировала аналогичный результат при затратах всего 0,0004 доллара за вопрос. Подобный разрыв подчеркивает, что наряду с качеством модели все более критическим фактором становится стоимость реализации этого качества.
Сравнение с технологическими трендами прошлого
Согласно выводам Epoch AI, текущее удешевление возможностей ИИ происходит примерно в 4 раза быстрее, чем в случае с секвенированием ДНК, и в 18 раз быстрее, чем при развитии литий-ионных батарей. Впрочем, авторы доклада призывают к осторожности при сравнении. Данные по ИИ охватывают период с 2023 года, а более ранние цифры являются экстраполяцией. Кроме того, исторические данные по вычислительной технике и энергетике заканчиваются на рубеже 1973–2001 годов, поэтому не отражают последние два десятилетия развития этих отраслей.
Факторы, влияющие на темпы снижения стоимости
Снижение цен не является равномерным для всех типов задач. Например, по результатам тестов Frontier Math, показатели стоимости практически не менялись на протяжении 2025 года и первой половины 2026 года, после чего последовал резкий спад. Это указывает на отсутствие универсальной кривой затрат для всех видов интеллектуальных задач.
Более того, отчет указывает на возможное замедление темпов удешевления. Если на старте наблюдений стоимость по пяти ключевым бенчмаркам снижалась на 66% за квартал, то спустя два года этот показатель сократился до 32% за квартал. Данная тенденция может отражать объективные сложности оптимизации: расходы на электроэнергию, развитие дата-центров и профильное оборудование остаются высокими, и разработчики не могут полностью избежать этих физических затрат.
Проблема оптимизации под тесты и стратегия бизнеса
Аналитики также предупреждают о риске так называемого «бенчмаркинга», когда ИИ обучают показывать высокие результаты в тестах без реального прироста производительности в прикладных задачах. Несмотря на применение рандомизированных элементов для усложнения проверок, данные показывают, что специфическая оптимизация под бенчмарки вносит вклад в общую статистику снижения затрат.
Для бизнеса доступность более дешевых и эффективных моделей создает новые возможности, позволяя выбирать оптимальные решения без переплаты за самые дорогие продукты. Однако на выбор провайдера влияют не только цены, но и вопросы безопасности, устоявшиеся интеграции и привычки пользователей. Для разработчиков ПО основной задачей становится создание продуктов, которые сохраняют полезность и рентабельность в условиях, когда лежащие в их основе ИИ-модели стремительно дешевеют.
Почему качество модели перестает быть единственным ориентиром
Важно понимать, что подход Epoch AI фокусируется именно на стоимости достижения стандарта, а не на средней цене каждого продукта или отдельной задачи. Это фундаментальное различие: новая модель может не только лучше отвечать на вопросы, но и требовать значительно меньше токенов или вычислительных мощностей для выполнения того же объема работы. Кроме того, провайдеры зачастую снижают цены по мере развертывания более эффективных систем. Таким образом, стоимость доставки качества становится не менее важным параметром для бизнеса, чем точность ответов, особенно в таких критически важных областях, как программирование, научные исследования, работа с корпоративными данными и использование сложных ИИ-агентов.
Особенности сравнения с историческими данными
Сравнение ИИ с другими технологиями требует осторожности, так как методологии сбора данных существенно различаются. Например, стоимость литий-ионных батарей за период с 1991 по 2024 год снизилась примерно в 100 раз. В то же время затраты на вычислительную мощность за 60 лет (начиная с 1940 года) падали в сотни миллиардов раз. Секвенирование ДНК также демонстрировало резкое удешевление, однако для формирования его «кривой стоимости» потребовалось более двух десятилетий. Согласно измерениям Epoch AI, ИИ развивается быстрее, но необходимо учитывать, что данные по вычислительной технике в этом сравнении обрываются на 2001 годе, а данные по энергетике — на 1973-м. Следовательно, текущий анализ не учитывает значимые технологические скачки последних двух десятилетий.
Неравномерность прогресса и барьеры роста
Анализ по различным бенчмаркам — от математики до шахматных задач — показывает отсутствие универсального правила. Некоторые задачи демонстрируют стабильное улучшение, тогда как другие характеризуются «плато» с минимальными изменениями, за которыми внезапно следуют резкие скачки стоимости. Замедление темпов удешевления (с 66% до 32% в квартал) может быть вызвано тем, что провайдеры сталкиваются с «физическим пределом» затрат: необходимостью оплачивать колоссальные объемы электроэнергии, строительством новых дата-центров и приобретением дорогостоящего оборудования. Эти инфраструктурные расходы невозможно полностью оптимизировать.
Риски «бенчмаркинга» и стратегия выбора
Особое внимание исследователи уделили явлению «бенчмаксинга» (benchmaxxing), когда разработчики целенаправленно тренируют модели на специфические тесты ради красивых цифр, которые не конвертируются в реальную пользу. В тестах, где исследователи не применяли методы рандомизации, снижение затрат выглядело более выраженным, что косвенно подтверждает влияние узкоспециализированной оптимизации. Для компаний это означает, что выбор провайдера остается сложным процессом. Помимо цены, на решение влияют существующие протоколы безопасности, уровень доверия, привычки сотрудников и необходимость проведения новых проверок надежности при переходе на другие модели. В конечном счете, рынок движется к ситуации, где производительность ИИ дешевеет настолько стремительно, что корпоративные стратегии просто не успевают адаптироваться к новым экономическим реалиям.
