Agents Over Bubbles

📖 Источник: stratechery.com

Agents Over Bubbles

Введение: Переосмысление пузыря

Автор статьи, Бен Томпсон из Stratechery, традиционно придерживался позиции, что индустрия ИИ находится в пузыре. Однако, написанная в марте 2026 года, перед конференцией Nvidia GTC, статья представляет радикально иной вывод: пузыря нет. Более того, парадоксальным образом именно отсутствие всеобщего беспокойства о пузыре может быть главным доказательством его отсутствия.

Три парадигмы развития LLM

Статья выделяет три ключевых точки перегиба в развитии больших языковых моделей:

ChatGPT (ноябрь 2022) — первая парадигма. Революционный запуск, открывший миру возможности LLM. Однако две фундаментальные проблемы: частые ошибки и галлюцинации, а также необходимость для пользователя понимать, как использовать модель и проверять её выводы.

o1 (сентябрь 2024) — вторая парадигма. Модели научились рассуждать над ответами перед их предоставлением. Ключевое нововведение: самопроверка и итеративный подход к решению задач. Это сделало LLM значительно более надёжными.

Opus 4.5 + Claude Code (декабрь 2025) — третья парадигма. Появление полноценных агентов, которые не просто генерируют код, но и проверяют его работоспособность, перезапускают задачи при неудаче — без участия человека. Агент абстрагирует пользователя от модели и управляет ей.

Рост вычислительных требований

Каждая новая парадигма экспоненциально увеличивала потребность в вычислительных мощностях:

• Первая парадигма: основные затраты — на обучение, инференция относительно эффективна.
• Вторая парадигма: резкий рост инференции из-за генерации «токенов рассуждения» и повышенного использования.
• Третья парадигма: multiply-фактор за счёт множественных вызовов модели агентом, использования CPU для самого агента и инструментов верификации.

Парадокс агентности

Критически важный тезис: для эффективного использования ИИ традиционно требовалась инициатива человека — понимание, как применить инструмент. Это ограничивало массовое распространение.

Однако агенты меняют правила игры:

> «AI still needs agency; it just doesn't need agency from that many people for its impact to be profound.»

Один человек теперь может контролировать множество агентов. Это означает, что для взрывного роста спроса на вычисления не требуется массовое принятие технологии обычными пользователями — достаточно относительно небольшого числа «суверенных индивидов», управляющих армиями агентов.

Экономические императивы enterprise-рынка

Статья подчёркивает, что основной платёжеспособный спрос на ИИ — это корпоративный сектор:

• Компании платят за продуктивность сотрудников
• Агенты заменят «трудноуправляемые человеческие звенья» в организационной структуре
• Парадокс: ИИ не столько устранит рабочие места, сколько существенно сократит необходимую численность персонала для достижения того же результата

Автор прогнозирует волну сокращений, которая частично объясняется коррекцией найма COVID-эпохи, но не только:

> «Companies become bloated because that has long been the only way to scale... AI moves the "rightsize" point significantly towards a much smaller workforce.»

Конкуренты, построенные на ИИ с нуля и имеющие меньшие структурные издержки, будут наступать на пятки традиционным компаниям.

Цепочка создания стоимости и прибыли

Распространённый аргумент о том, что модели становятся commodities и не способны генерировать прибыль, опровергается:

Ключевой вывод: агенты требуют интеграции модели и «harness» (программной обвязки). Это означает, что прибыль концентрируется не в модульных компонентах, а в интегрированных решениях.

Microsoft признала это, выпустив Copilot Cowork — агент, который не является модельно-агностичным (в отличие от предыдущих продуктов Microsoft). Компания фактически отказалась от стратегии абстракции моделей.

Для Apple стратегия лицензирования Gemini за $1 млрд в год и построения собственного harness в новой Siri вызывает вопросы: если Microsoft не смогла сделать конкурентный продукт таким путём, почему это должно получиться у Apple?

Заключение: Почему это не пузырь

Три ключевых аргумента против наличия пузыря:

1. Все слабости LLM устраняются экспоненциальным ростом вычислительных мощностей
2. Количество людей, необходимых для эффективного использования ИИ, резко сокращается благодаря агентам
3. Экономическая отдача для enterprise-сектора убедительна как для bottom line, так и для top line

Все без исключения гиперскейлеры заявляют, что спрос на вычисления превышает предложение, и объявляют CAPEX-планы, значительно превышающие ожидания рынка.

> «If my declaring there is no bubble means there is one, then so be it!»

📢 Информация предоставлена телеграм-каналом: Data&AI Insights

🤖 Data&AI Insights - Ваш источник инсайтов о данных и ИИ