Почему цены на API для ИИ сегодня почти в 10 раз ниже себестоимости: правда о 90% субсидировании

DeFi

Цены на API для больших языковых моделей (LLM), используемых в области искусственного интеллекта, сегодня находятся на уровне, который нельзя объяснить только реальными операционными затратами. В то время как компании вкладывают миллиарды в создание и обслуживание инфраструктуры для запуска сложных моделей, конечным пользователям предлагаются услуги с ценами, которые в среднем составляют лишь около 10% от фактических затрат на вычисления. Данный феномен можно охарактеризовать как массовое субсидирование, направленное на захват рынка и привлечение разработчиков и корпоративных клиентов. Раскрытие сути этого механизма помогает понять, почему нынешние цены вряд ли являются устойчивыми и как будет развиваться индустрия в ближайшие годы. Операционные издержки серверов, необходимых для поддержки API больших языковых моделей, чрезвычайно высоки.

Современные серверы с видеокартами NVIDIA серии H200, реализующие обучение и инференс языковых моделей на уровне 70 миллиардов параметров, стоят от 400 до 500 тысяч долларов только за аппаратное обеспечение. Помимо GPU, требуются мощные центральные процессоры, огромные объемы оперативной памяти и специализированные решения для охлаждения и электроснабжения, которые добавляют значительные затраты. Энергопотребление одного GPU в среднем достигает 700 ватт, а дополнительно к этому нужно предусмотреть затраты на охлаждение и дата-центры. С учётом всего этого, использование мощного сервера обходится облачным провайдерам примерно в 42 доллара в час после скидок, при условии эффективного параллельного распараллеливания запросов. Производительность таких серверов позволяет обрабатывать порядка 1,8 тысячи токенов в секунду с учетом некоторой неоптимальной эффективности, что увеличивает итоговое количество токенов в час до примерно 6,6 миллиона.

Оценка себестоимости одного миллиона токенов возвращается к цифре порядка 6,37 долларов. Для сравнения, самая доступная версия API, например GPT-4o-mini, продается всего за 0,60 доллара за миллион токенов — что составляет примерно 10% от реального вычислительного расхода. Это наглядно доказывает, что более 90% затрат покрываются напрямую провайдерами без переноса в цену на конечного пользователя. Причины такого значительного субсидирования лежат в агрессивной конкурентной борьбе между ведущими поставщиками услуг: OpenAI, Anthropic и Google. Цены на их API имеют существенные колебания, что указывает на то, что стратегия ценообразования ориентирована не столько на покрытие издержек, сколько на контроль рынка и удержание клиентов.

Подобная ситуация напоминает ранние дни таких компаний, как Uber, где услуги намеренно продавались с убытком ради захвата доли и расширения пользовательской базы. Но ситуация с субсидированием не может длиться вечно. Уже сейчас наблюдаются факторы, указывающие на приближение неизбежного повышения цен. Во-первых, сужение конкуренции и консолидация рынка уменьшат давление на ценообразование. Во-вторых, инвесторы всё чаще требуют прибыли и коэффициента окупаемости, что заставляет компании пересматривать текущие бизнес-модели.

В-третьих, существующие ограничения по поставкам GPU и рост энергетической составляющей вынудят прибегать к прайс-менеджменту для урегулирования спроса и контроля затрат. Наконец, растущая зависимость клиентов от конкретных экосистем и сервисов повышает барьеры для переключения, позволяя поставщикам увеличивать цены без значительных потерь пользователей. Для бизнеса и разработчиков важно понимать, что текущее положение дел — это временный феномен, а планировать лучше на реалистичные базовые сценарии с постепенным увеличением расходной части на AI-инфраструктуру. В перспективе стоит рассматривать гибридные архитектуры, позволяющие использовать одновременно разные провайдеры и частные вычислительные ресурсы, что повысит устойчивость к рыночным изменениям. Оптимизация потребления токенов и разработка решений с балансировкой нагрузки между простыми и сложными задачами помогут значительно уменьшить затраты и повысить рентабельность.

Отдельно актуальна тема перехода на локальные решения и он-премис стратегии, особенно в условиях масштабных и предсказуемых рабочих нагрузок. Сравнительный анализ затрат показывает, что при определённых объемах и прозрачной инфраструктуре собственное содержание серверов становится экономически оправданным. При этом сохраняется возможность использовать облачные сервисы для пиковых или экспериментальных задач, что даст дополнительную гибкость и контроль затрат. Исторически подобные субсидии и снижение цен на новые технологии служили катализаторами значительного роста и расширения рынка. Примеры с Amazon S3, где снижение стоимости хранения в десятки раз не привело к падению выручки, а наоборот — к колоссальному ее росту, подтверждают этот тренд.

Аналогично на рынке услуг такси Uber достиг первые значительные успехи именно благодаря временным ценовым субсидиям, а затем постепенно перешел к ценовой модели с прибылью. Следует ожидать, что рынок API для AI перейдет к модели нормализации цен, где будет учитываться не только производительность, но и качество обслуживания, надежность и масштабируемость платформы. Возможны также комбинированные модели, сочетающие использование облачных сервисов с локальной инфраструктурой и лицензированием, что позволит пользователям самостоятельно оптимизировать расходы и снижать зависимость от рыночных колебаний. Понимание текущей ситуации дает уникальную возможность не только воспользоваться всеми преимуществами дешевых и мощных API сегодня, но и подготовиться к будущим изменениям. Важна адаптивность бизнес-систем и IT-стратегий, где предусмотрена возможность гибкого переключения провайдеров, автоматическое распределение задач и постоянный аудит эффективности расходования вычислительных ресурсов.

В конечном счете период глубокой субсидии — это временный этап в развитии рынка искусственного интеллекта. Именно сейчас компании и разработчики могут наилучшим образом произвести оценку, подготовиться к ожидаемым изменениям и внедрить механизмы оптимизации для долгосрочной стабильности. Знание того, что цены на API сегодня примерно в десять раз ниже реальной себестоимости, позволяет формировать реалистичные бюджеты и принимать стратегические решения с минимальными рисками. Несмотря на то, что будущее рынка AI API пока еще не кристально ясно, очевидно, что период существования «субсидированного рая» скоро спадет. Те игроки, кто скоро усвоит уроки оптимизации, гибкости и экономической устойчивости, окажутся в более выигрышном положении.

Разумное управление потреблением и подготовка к новым условиям позволит не только сохранить конкурентоспособность, но и добиться существенного преимущества в быстро развивающейся индустрии искусственного интеллекта.