Когда интеллект на чипе дороже головы: реальная экономика ИИ против людского труда

ИИ действительно может оказаться дороже людей — и дело не в абстрактных «вычислениях будущего», а в очень приземлённой экономике железа, энергии и человеческого контроля.

Начнём с того, что крупные модели стоят дорого уже на стадии рождения. Обучение модели масштаба GPT‑3 оценивалось в 4,6 млн долларов только на вычислительные ресурсы, без учёта зарплат исследователей, экспериментов, неудачных запусков и инфраструктуры вокруг. Для систем уровня GPT‑4 оценки колеблются от десятков до примерно 60–100 млн долларов на один полный цикл обучения, причём реальный бюджет проекта включает несколько итераций и дорогостоящие команды инженеров. Эти затраты затем размазываются по миллионам пользователей, но они никуда не исчезают: каждая «дешёвая» подсказка от модели опирается на многомиллионную инвестицию в вычисления и разработку.

Следующий слой — эксплуатация.

Современные модели работают не на абстрактном «облаке», а на вполне конкретных GPU, таких как NVIDIA A100 и H100. В 2026 году аренда A100 в коммерческих облаках колеблется примерно от 1,5 до 3,5 доллара в час, а сами карты стоят от 7 до 15 тысяч долларов за штуку. H100 ещё дороже и по закупке, и по тарифам. Если сервису для приемлемой скорости ответа и резервирования нужно несколько десятков таких GPU, годовая стоимость инфраструктуры быстро выходит на сотни тысяч долларов — до того, как мы вообще посчитали хранение данных, сетевое оборудование и работу DevOps‑команды.​

К этому добавляется энергопрофиль.

A100 потребляет до 400 Вт, H100 — до 700 Вт на пике. Один такой чип ещё не выглядит катастрофой, но в реальных кластерах счёт идёт на десятки и сотни единиц, что превращается в постоянную нагрузку в десятки киловатт. Стоимость электроэнергии и охлаждения для дата‑центров в итоге становится сопоставимой с затратами на «голое железо». Чем больше модель и чем выше SLA по доступности и задержкам, тем дороже обходится каждый процент пункта надёжности.​

Теперь надо честно сравнить это с человеком.

Прогнозы на 2025 год ставят среднюю зарплату в России в районе 100 тысяч рублей в месяц, то есть примерно 7–8 долларов в час при полной занятости. За эти деньги аналитик, модератор или специалист поддержки способен обрабатывать десятки задач в час, причём с контекстом, ответственностью и возможностью сразу уточнить формулировку. Для небольшой компании, у которой нет миллионов однотипных запросов, финансировать команду из нескольких сотрудников оказывается проще и предсказуемее, чем строить или арендовать ИИ‑инфраструктуру промышленного уровня.​

Есть ещё одна деталь, о которой не любят говорить в идеологических спорах «ИИ против людей»: модели ошибаются специфически. Они не просто допускают неточности, а уверенно «галлюцинируют» — то есть выдают правдоподобный, но ложный результат. Это значит, что во многих критичных сценариях приходится выстраивать гибридную связку: ИИ генерирует черновик, человек проверяет, исправляет и берёт на себя финальную ответственность. Фактически компания платит и за вычисления, и за человеческий контроль качества. Парадокс в том, что часть задач, которые ИИ формально «умеет», экономически выгоднее сразу отдавать людям, минуя дорогой технологический промежуточный слой.

Экономика ИИ начинает работать в свою пользу, когда в игру вступает масштаб. Если система обрабатывает миллионы однотипных запросов в сутки — поиск, реклама, массовая генерация текстов и изображений, — стоимость одного ответа действительно падает до центов. Здесь крупные модели побеждают человека не по качеству, а по предельным издержкам: после того как инфраструктура построена, каждая дополнительная операция стоит очень мало. Но как только мы выходим в нишевые сегменты, где запросов меньше, требования к точности и приватности выше, а сценарии сложнее, тот же набор расходов — обучение, GPU, энергия, инженеры, надзор — начинает сравниваться с фондом оплаты труда небольшой, но компетентной команды.

В этом смысле популярный тезис «ИИ неизбежно дешевле людей» верен только в определённых координатах — при гигантском масштабе, отточенных процессах и высокой степени стандартизации задач. В реальной экономике, где существует множество малых и средних бизнесов, нерегулярный спрос и высокая цена ошибки, ИИ вполне может оказаться дороже, чем нанять и обучить людей. Вопрос уже не в том, способен ли алгоритм выполнять работу, а в том, при каких объёмах и условиях он действительно экономит деньги, а не создаёт красивую, но дорогую иллюзию эффективности.