ИИ-компании не приносят прибыли — им стоит взять опыт у метрополитена Гонконга

Автор: Майкл Веньи Ли

Подготовка текста: TechFlow

TechFlow: Лаборатории искусственного интеллекта потратили десятки миллиардов долларов, но точно неизвестно, когда эти вложения окупятся. Стоимость API падает в 10 раз каждый год, решения с открытым исходным кодом догоняют проприетарные, а затраты на обучение постоянно растут. Эта статья выходит за рамки технологической отрасли и предлагает вдохновляющий ответ, основанный на 45-летней бизнес-модели Гонконгской сети MTR: не пытайтесь зарабатывать на билетах, инвестируйте в недвижимость над станциями.

Они не зарабатывают деньги, и сам вопрос поставлен неверно

Представьте себе бизнес с такой моделью: на начальном этапе вкладываются миллиарды капитала при полном отсутствии доходов. Цена на ключевой сервис приближается к предельным издержкам. Сервис создает огромную ценность для пользователей, но его создатели почти ничего не удерживают. При этом требуется непрерывное инвестирование в инфраструктуру следующего поколения.

Речь идет не о лабораториях ИИ, а о крупных железнодорожных системах.

Многие проводят аналогию между железными дорогами и отраслью ИИ, делая вывод: сквозные технологии обладают характеристиками общественного блага, а их коммерческая жизнеспособность невозможна без государственного субсидирования.

Я предлагаю поколебать этот вывод. Потому что Гонконгская сеть MTR фактически решила эту проблему. Это одна из немногих в мире систем метрополитена, способных к полной самоокупаемости, публичная компания, выплачивающая дивиденды и не получающая государственных субсидий на операционную деятельность.

Финансовая структура идентична

Основной железнодорожный бизнес MTR никогда не мог самостоятельно финансировать свое расширение. 2018 год стал лучшим перед пандемией: операционная прибыль (EBIT) транспортного подразделения составила 2 млрд долларов Гонконга. Ожидаемые капитальные расходы на 2024–2026 годы оцениваются в 87,9 млрд долларов Гонконга, почти все из которых пойдут на железные дороги. Пиковой прибыли железнодорожного бизнеса за три года хватило бы лишь на покрытие 8% капитальных расходов. Доходов от билетов всегда недостаточно для постройки следующей линии, и это изначально не было заложено в концепцию системы.

Тарифы MTR поддерживаются на доступном уровне благодаря правительственному механизму корректировки стоимости проезда. Невозможно установить цену, которая полностью окупала бы строительные затраты: таким поездом никто не сможет воспользоваться, что противоречит самой сути общественного транспорта. Каждая линия, возможно, покрывает свои собственные операционные расходы, но доходов от билетов никогда не хватит на строительство новой линии.

Ценообразование на API в сфере ИИ сталкивается с зеркальной версией той же проблемы. Дистилляция моделей и альтернативы с открытым исходным кодом снижают стоимость API примерно в 10 раз ежегодно. Любая лаборатория, устанавливающая цену выше предельных издержек, потеряет объем рынка в пользу конкурентов. Каждая модель может достичь операционной прибыли на этапе инференса, но ее рентабельность никогда не покроет расходы на следующий цикл обучения.

Глобальным решением традиционно становятся субсидии. Лондонское метро существует за счет финансирования Transport for London (TfL), китайская скоростная железная дорога несет триллионный долг США, и 94% маршрутов убыточны. ИИ движется по тому же пути: закон CHIPS, проект Stargate, инвестиции суверенных фондов, контракты Пентагона. Изначальный финальный сценарий — зависимость от субсидий как квазигосударственная инфраструктура.

MTR нашла иной путь.

Железная дорога + Недвижимость

Еще в 1979 году, в начале строительства, разработчики проекта понимали, что доходы от билетов никогда не окупят капитальные затраты. Поэтому они выстроили бизнес-модель компании вокруг совершенно иного предположения: железная дорога повысит стоимость прилегающих земель, поэтому эти земли нужно закрепиться за собой.

MTR строит жилые дома, офисные здания и торговые центры над станциями и в прилегающих зонах, направляя доходы от роста стоимости активов, созданных инфраструктурой, в собственный карман. Прибыль от недвижимости реинвестируется в операционную деятельность железной дороги и финансирует строительство новых линий. Сегодня MTR управляет 13 торговыми центрами и 47 проектами недвижимости непосредственно над или вокруг станций, которые обеспечивают основную часть фактической прибыли.

Логика очевидна: не пытайтесь извлекать ценность напрямую из услуг железнодорожного транспорта, инвестируйте в активы, которые дорожают благодаря развитию инфраструктуры.

Симметрия в сфере ИИ

Вопросы «Когда лаборатории ИИ начнут зарабатывать?» и «Когда железная дорога сможет содержать себя исключительно за счет продажи билетов?» являются структурно идентичными. Ответ на оба одинаков: ни на что подобное рассчитывать нельзя, да и сами вопросы поставлены неверно.

Биотехнологический стартап использует передовые модели для скрининга лекарственных соединений, экономя два года клинических испытаний. Логистическая компания оптимизирует маршруты с их помощью, сокращая затраты на топливо на 40 млн долларов США. Независимый разработчик завершает за одни выходные проект, на который ранее уходило три месяца работы команды из пяти человек. В каждом случае провайдер модели получает через оплату API лишь доли процента от созданной ценности. Поднять цены невозможно, так как на рынке есть еще четыре лаборатории и дюжина аналогичных решений с открытым исходным кодом. Оставшаяся ценность переходит к пользователям и экономике в целом.

Так работают сквозные технологии. Паровая машина, электричество и протокол TCP/IP не приносили значительных доходов своим создателям.

Урок MTR: перестаньте пытаться покрыть строительные затраты только ценой проездного билета, найдите свою «недвижимость над станцией».

Четыре потенциальных варианта, упорядоченные по степени защищенности

Эксклюзивные права на развертывание, предоставленные государством, идут первыми. Правительство предоставляет лаборатории эксклюзивный доступ к национальным медицинским базам данных, налоговым системам или логистике Минобороны. Накопленные предметные данные, глубина интеграции систем и регуляторные разрешения требуют несколько лет для повторения конкурентами. Это прямой аналог механизма MTR: государство передает права на развитие территорий исходя из свойств естественной монополии.

Накопленные данные вознаграждений от обучения с подкреплением (RL) занимают второе место. Миллиарды сигналов взаимодействия используются для тренировки моделей следующего поколения. В отличие от весов модели (которые обесцениваются в процессе дистилляции), данные RL практически невозможно скопировать, и они накапливаются сложным процентом от поколения к поколению. Их нельзя монетизировать напрямую, но это земля, которая растет в цене и ждет своей разработки.

Интеграция на этапе предварительного развертывания занимает третье место. Вместо того чтобы продавать API консалтинговым фирмам и отдавать им избыточную производительность, стоит самостоятельно контролировать весь слой доставки услуг от начала до конца. Примером служит Palantir, интегрирующая инженеров прямо в госучреждения вместо продажи лицензий на ПО. Лаборатория не взимает плату за API с юридических фирм, а сама становится сервисом юридического анализа, рассчитывая стоимость по факту выполненной работы, а не по количеству потребленных токенов. Затраты на переход будут постепенно возрастать вместе с накоплением предметных данных и институциональных знаний. Это аналог торговых центров MTR: монетизация пассажиропотока, созданного железной дорогой, а не повышение тарифов.

Хостинг национальных наборов данных располагается на четвертом месте. Правительства множества стран владеют огромными массивами недоиспользуемых данных (медицинские карты, налоговые декларации). Передовой лаборатории, назначенной оператором хранения, предоставляется эксклюзивный доступ для тренировки моделей и создания продуктов. Однако это создаст квазиобщественную монополию на данные, требующую строгой структуры управления: четкие границы использования, возврат части дохода обществу, независимый контроль и работающие механизмы подотчетности.

Переформулирование вопроса

Выживут не те лаборатории, которым удастся сделать API прибыльным, а те, кто уже сейчас нашел свою «недвижимость над станцией» и начал ее возводить. API — это железная дорога, и она никогда не будет приносить достаточной прибыли. Деньги лежат в активах вокруг нее, которые растут в цене.

За этим следует вопрос политического характера: вместо простого субсидирования процессов обучения правительствам следует разрабатывать институциональные механизмы (рамки распределения прав на развертывание, структуры хостинга данных, стандарты оценки производительности), позволяющие лабораториям присваивать добавленную стоимость, генерируемую их собственной инфраструктурой.

Здесь кроется интересная ирония. Дискуссии о политике в области ИИ доминируются рамками противостояния Китая и США: частные лаборатории свободного рынка США против чемпионов предприятий, поддерживаемых государством Китая. Наиболее релевантной институциональной моделью может оказаться вовсе не любая из них. Это может быть гонконгская модель: 45-летний опыт публично-частного партнерства, коммерчески ориентированный и обеспечивающий самофинансирование за счет грамотного институционального дизайна, а не идеологических установок.