Мы сотрудничали с Epoch AI, чтобы проанализировать юнит-экономику GPT-5 и попытаться понять, могут ли передовые модели стать прибыльными. Полный разбор исследования опубликован отдельно. На прошлой неделе мы провели живую дискуссию, в которой участвовали Azeem Azhar, Hannah Petrovic и Jaime Sevilla, модератором выступил Matt Robinson. В беседе коллективно обсудили выводы анализа и их значение для всей отрасли. В разговоре рассмотрели основные результаты исследования, возможные пути к прибыльности и сопоставление стратегий OpenAI и Anthropic. Также обсуждались способы завоевания корпоративного рынка, причины усиления скепсиса у некоторых инвесторов и типичные рыночные заблуждения. Запись дискуссии и аудиоверсия доступны отдельно, а к публикации прилагаются заметки с ключевыми выводами. Эти материалы отражают как методологию исследования, так и практические обсуждения участников. Авторы отметили, что для анализа им пришлось собрать все публично доступные финансовые данные о OpenAI и сопоставить их. Это потребовало внимательного сбора точек данных и построения ограничений, позволяющих оценить реалистичность каждой статьи расходов и доходов. Два главных вывода исследования таковы. Во-первых, в прошедший год, особенно в период работы над GPT-5, выручка OpenAI, вероятно, покрывала затраты на вычисления — ключевой компонент расходов, но после учёта прочих операционных издержек и доли дохода, передаваемой Microsoft, маржа выглядела очень тонкой или даже отрицательной. Во-вторых, расходы на научно‑исследовательскую работу за четыре месяца перед выпуском GPT-5, по оценкам авторов, могли превысить совокупную валовую прибыль, которую компания получила за весь период использования GPT-5 и GPT-5.2. Это показывает, насколько значительны вложения в разработку новой модели. Методология основывалась на исторических данных с последующим проектированием на остаток 2025 года. В качестве примера авторы приводят оценки расходов на продажи и маркетинг: около 1 миллиарда долларов в 2024 году и порядка 2 миллиардов долларов за первую половину 2025 года, что служило одним из ограничений при построении модели. В дискуссии также поднимали проблему короткого жизненного цикла моделей. Предприятия обычно не меняют API сразу после выхода новой модели — процесс миграции занимает время, тогда как потребители быстрее переходят на доступные версии, что влияет на скорость получения экономической отдачи от новых релизов. От этого вытекают два эффекта: наличие высококачественной модели поддерживает рыночный импульс компании, даже если модель действует недолго, и само обучение — операционное и исследовательское — которое происходит при запуске такой модели, может давать долгосренные преимущества. Однако оценить вклад второго эффекта по стоимости непросто. В дискуссии проводилась аналогия с аппаратными ресурсами, например с GPU H100: ценность таких компонентов со временем меняется, и так же меняется ценность устаревших версий моделей, как это произошло с GPT-4. Это усложняет прогнозирование долгосрочной отдачи от текущих инвестиций. Существуют и другие стратегические вопросы: является ли подход OpenAI единственным жизнеспособным вариантом — Anthropic действует иначе — и существует ли устойчивый путь к положительной юнит-экономике. Важно понять, производят ли лаборатории продукт за X, который можно продать за 1,3X, или за X, который приходится продавать дешевле, повторяя некоторые ошибки дотком-эры. Авторы пришли к частичному ответу: хотя операционная модель дорога, грубая валовая прибыль, по оценкам, существует. При этом уровень рентабельности, вероятно, ниже, чем у традиционных софтверных компаний, и лаборатории фундаментальных моделей могут иметь финансовую структуру, отличную от привычного софтверного бизнеса. С точки зрения стратегии, OpenAI, по мнению участников обсуждения, ориентируется не на мгновенную прибыль, а на убеждение инвесторов в необходимости масштабирования бизнеса и исследований. Аргумент компании заключается в том, что масштаб позволит открыть новые возможности и рынки за счёт появления новых возможностей моделей.
Комментариев