ChatGPT и Claude — это уже не игроки на одном треке.

В последнее время компании OpenAI и Anthropic последовательно опубликовали основные пользовательские отчеты о ChatGPT и Claude. Эти документы являются не просто демонстрацией финансовых результатов, а раскрывают важнейшую тенденцию в индустрии искусственного интеллекта на сегодняшний день: две ведущие модели развиваются по совершенно разным траекториям, причем их рыночное позиционирование, ключевые сценарии применения и модели взаимодействия с пользователями претерпели существенную дивергенцию.

В связи с этим редакция TechFlow, опираясь на консультации с командой экспертов из Кремниевой долины, провела сравнительный анализ этих двух отчетов, выделила скрытые отраслевые сигналы и исследовала глубокие выводы для будущих технологических направлений, бизнес-моделей и связанных инвестиционных стратегий.

Данные обоих отчетов четко демонстрируют различные акценты ChatGPT и Claude в отношении базы пользователей и ключевых функций, что служит отправной точкой для понимания их долгосрочного стратегического расхождения.

ChatGPT: проникновение на рынок в сфере универсальных приложений

Отчет OpenAI подтверждает статус ChatGPT как приложения феноменального масштаба. По состоянию на июль 2025 года число еженедельных активных пользователей превысило 700 миллионов. Структура аудитории демонстрирует две ключевые особенности:

Во-первых, аудитория успешно расширилась до более широкого круга лиц: портрет раннего пользователя, ранее состоявшего преимущественно из технических специалистов, трансформировался в высокообразованную группу офисных работников различных профессий;

Во-вторых, гендерный баланс приблизился к равновесию: доля пользователей женского пола возросла до 52%.

Что касается сценариев применения, ключевые функции ChatGPT сосредоточены в трех областях: практическое руководство, информационные запросы и написание текстов, которые вместе занимают почти 80% от общего объема диалогов.

Пользователи в основном применяют его для поддержки повседневной жизни и решения рутинных офисных задач. Примечательно, что в отчете прямо указано: доля использования для технической помощи, такой как программирование, значительно снизилась с 12% до 5%.

В совокупности стратегический путь ChatGPT заключается в превращении его в универсального AI-ассистента, обслуживающего массовую аудиторию. Его ключевым конкурентным барьером является огромная база пользователей и формирующая сетевая эффективность, а также высокая степень проникновения в ежедневные процессы обработки информации пользователями.

Claude: фокус на корпоративном уровне и профессиональных сценариях автоматизации

Отчет Anthropic рисует совершенно иную картину. Распределение пользователей Claude имеет сильную прямую корреляцию с уровнем экономического развития региона (ВВП на душу населения), что указывает на то, что основная целевая аудитория — это работники умственного труда и специалисты в развитых экономиках.

Ее ключевые сценарии применения крайне сфокусированы. Согласно данным отчета, разработка программного обеспечения является основной областью применения практически во всех регионах, где доля соответствующих задач стабильно держится на уровне 36–40%, что резко контрастирует с трендами применения ChatGPT в данной сфере.

Наиболее впечатляющие данные отчета касаются доли «автоматизированных» задач. За последние 8 месяцев объем задач автоматизации в режиме «по прямой инструкции», когда пользователь отдельно отдает задачу, а ИИ самостоятельно выполняет основную работу, существенно вырос с 27% до 39%.

Среди корпоративных пользователей, оплачивающих доступ к API, этот тренд проявляется еще ярче: до 77% взаимодействий через API имеют форму автоматизированного режима, причем абсолютное большинство из них представляет собой автоматизацию по инструкции с минимальным вмешательством человека.

Таким образом, стратегическое позиционирование Claude предельно ясно: стать профессиональным инструментом повышения продуктивности и автоматизации, глубоко интегрированным в ядро корпоративных рабочих процессов. Ее конкурентное преимущество заключается в глубокой оптимизации под специфические профессиональные области (особенно разработку ПО) и стремлении к максимальной эффективности выполнения задач.

Опираясь на указанное стратегическое расхождение, редакция TechFlow совместно с командой экспертов из Кремниевой долины провела перекрестный анализ данных обоих отчетов, чтобы выделить три перспективных отраслевых инсайта для инвесторов.

1. Расхождение в применении для программирования предрекает рост рынка специализированных AI-инструментов

Это взаимное усиление и ослабление позиций ChatGPT и Claude в задачах программирования отражает не колебания рыночного спроса, а эволюцию потребностей пользователей в сторону «специализации» и «интеграции».

Универсальные диалоговые интерфейсы больше не способны удовлетворять глубокие потребности профессиональных разработчиков в сложных рабочих процессах. Им требуются AI-функции, способные бесшовно интегрироваться с интегрированными средами разработки (IDE), системами контроля версий кода и программными комплексами управления проектами.

Этот тренд предрекает появление важной рыночной возможности: создание «AI-нативных инструментальных цепочек», предназначенных специально для конкретных отраслей (например, разработка ПО, финансовый анализ, юридические услуги) и тесно связанных с существующими рабочими процессами.

Это требует от ИИ не только модельных возможностей, но и глубокого понимания отрасли. Для инвестиций в соответствующие сектора ключевым критерием оценки станет способность целевой компании создавать подобную «глубокую интеграцию».

2. «77% уровень автоматизации»: количественная оценка ускорения процессов автоматизации корпоративных задач

Показатель «77%-й уровень автоматизации корпоративного API» из отчета Anthropic является мощным сигналом, свидетельствующим о том, что на переднем крае коммерческого применения роль ИИ стремительно меняется от «поддержки человека» к «выполнению задач».

Эти данные заставляют нас переосмыслить темпы влияния ИИ на производительность труда, организационную структуру и финансовые модели предприятий. Если ранее рынок в основном концентрировался на «эффектоусиливающей» ценности ИИ, то теперь необходимо включать в базовую аналитическую рамку его «замещающую» ценность.

Инвестиционная логика должна расшириться от оценки того, «как ИИ помогает человеческим сотрудникам», до определения того, «в каких областях умственного труда ИИ способен самостоятельно выполнять стандартизированные задачи с большей эффективностью и при меньших затратах».

Такие высокозатратные на человеческий труд и процессно-ориентированные сферы, как формирование финансовой отчетности, первичный анализ контрактов и анализ рыночных данных, станут направлениями, где технологии автоматизации на базе ИИ принесут наиболее значимый экономический эффект.

3. Различия в моделях «сотрудничества и автоматизации» раскрывают эволюционный путь бизнес-моделей ИИ

Противоречащий интуиции факт в отчете заключается в следующем: чем выше уровень использования Claude на душу населения в регионе, тем больше пользователи склонны к модели «сотрудничества»; напротив, в регионах с низкой проникающей способностью наблюдается больший уклон в сторону модели «автоматизации».

Это может указывать на взаимосвязь между развитием бизнес-моделей ИИ и зрелостью пользователей. На ранних этапах проникновения на рынок пользователи скорее рассматривают ИИ как простой инструмент эффективности для замещения самостоятельного выполнения задач (автоматизация).

Однако по мере того как пользователи (особенно профессионалы) глубже понимают границы возможностей ИИ и способы взаимодействия с ним, они начинают осваивать сложные формы совместной работы с ИИ для достижения более творческих задач, которые ранее были трудноосуществимы (сотрудничество).

Это ставит новые вопросы относительно долгосрочных бизнес-моделей ИИ. Помимо сокращения затрат за счет автоматической замены (модель SaaS), создание совершенно новой стоимости и повышение качества решений через человеко-машинное сотрудничество может породить более продвинутые бизнес-модели, такие как оплата по результату или подписка на поддержку принятия решений. Оценивая AI-проекты, инвесторам следует одновременно рассматривать потенциал развития в обеих парадигмах: «автоматизации» и «совместного творчества».

Вышеизложенный анализ на основе открытых отчетов служит лишь отправной точкой процесса принятия решений. Для полноценного решения необходимо ответить на более глубокие ключевые вопросы о том, «как достичь цели» и «кто будет это реализовывать», например:

Каковы техническая архитектура, состав команды и результаты рыночной проверки наиболее перспективных стартапов в области «AI-нативных инструментальных цепочек»?

Каковы реальные технологические пути внедрения высокого уровня автоматизации задач внутри ведущих технологических компаний, какова стоимость их развертывания и какие конкретные данные показывают возвращение инвестиций (ROI)?

Как выглядит стратегия ИИ экосистемы закрытого типа у таких компаний, как Apple, особенно нижележащая логика архитектуры собственных больших языковых моделей и путь их коммерциализации?

Эта информация недоступна из открытых отчетов, она базируется на практическом опыте работы на переднем крае индустрии. Чтобы по-настоящему понять текущую динамику индустрии ИИ, необходимо вести прямой диалог с ключевыми фигурами, которые определяют эти технологии и продукты.

Например, для углубленного изучения ситуации на переднем крае отрасли наши клиенты из финансового сектора недавно провели серию глубоких дискуссий со следующими двумя экспертами:

Ученый-исследователь ML/DL/NLP и технический руководитель отдела машинного обучения компании Apple. Являясь ключевым членом команды, обучавшей собственную большую языковую модель (LLM) Apple с нуля, он способен напрямую раскрыть технические вызовы, с которыми сталкиваются технологические гиганты при формировании собственных фундаментальных AI-компетенций, реальные затраты на обучение и стратегические соображения, напрямую транслируемые высшему руководству.

Технический руководитель (Engineer Lead) организации по генеративному ИИ компании Meta. Будучи инженером-основателем, он не только глубоко вовлечен в исследования и разработку LLM, но, что еще важнее, возглавил процесс интеграции технологий GenAI с такими ключевыми коммерческими движками, как ранжирование рекламы и системы рекомендаций. Беседа с ним позволяет четко очертить путь трансформации возможностей моделей в коммерческий ROI, а также дает представление о его инвестиционных наблюдениях за передовыми AI-стартапами в Северной Америке.

Экспертные взгляды такого рода переводят макротренды из открытых отчетов в высокоточную тактическую информацию, пригодную для руководства конкретными решениями. В условиях отрасли, где информация быстро обновляется, получение глубоких инсайтов, выходящих за рамки публично доступных данных, является фундаментом для формирования когнитивного преимущества и принятия точных решений. Если вас интересует дальнейшее обсуждение указанных тем, мы приглашаем вас связаться с нами для организации консультаций с соответствующими специалистами.

Когда ваша команда бесплодно спорит о технологической дорожной карте, когда инвестиционное решение остается нерешенным, когда продуктовая стратегия погружена в туман… Помните: трудности, перед которыми вы стоите, возможно, уже стали пройденным этапом для определенного эксперта. Наша редакция TechFlow убеждена: единственный источник достоверного первоисточника опыта всегда исходит от людей, которые непосредственно двигают отрасль вперед.