Кризис доступности ИИ: OpenAI и Anthropic тратят $8–$14, чтобы заработать $1

Статья Дэвида Кана от сентября 2023 года «Вопрос на $200 млрд к ИИ» указала на разрыв между доходами от ИИ и затратами на инфраструктуру. Девять месяцев спустя разрыв утроился до $600 млрд. Эд Зитрон и DSHR теперь подтверждают масштаб: платформы ИИ тратят от $8 до $14 на каждый доллар дохода, поддерживая модель ценообразования «как у наркодилера» до тех пор, пока IPO не заставят реальные цены.
Субсидии на токены: в 40–70 раз
SemiAnalysis провела тесты, максимально загружая лимиты подписок OpenAI и Anthropic долгосрочными задачами по программированию. Результаты: подписка Anthropic за $200/мес позволяет сжечь токены на $8 000; план OpenAI за $200 — на $14 000. Это субсидии в 40 и 70 раз соответственно. При разумных предположениях о валовой марже (цена токена в 4 раза выше себестоимости) использование всего 25% лимита дает отрицательную валовую маржу в 25%.
Финансовые показатели OpenAI за 2025 год
Зитрон опубликовал финансовые показатели OpenAI за 2025 год: доход $13,07 млрд, затраты и расходы $34 млрд (включая $41,55 млрд нерегулярных затрат на конвертацию в коммерческую организацию, чистый убыток $38,5 млрд). Примечательно, что $5,73 млрд ушло на продажи и маркетинг — 44% дохода. Несмотря на это, внедрение в бизнесе осталось на прежнем уровне. На конец года у OpenAI было активов на $50 млрд, половина из которых — денежные средства.
Что это значит для разработчиков
По мере приближения компаний ИИ к IPO (SpaceX, Anthropic, OpenAI) они будут вынуждены повышать цены для получения прибыли. Первые шаги: Microsoft перевела GitHub Copilot на токенную систему оплаты и ужесточила лимиты (отчет апреля 2026 года). Если вы полагаетесь на субсидированные токены, ожидайте роста затрат в 40–70 раз после прекращения субсидий. Планируйте бюджет соответственно и следите за изменениями цен на платформах.
📖 Читать полный источник: HN AI Agents
👀 Смотрите также

约束衰减:为什么LLM代理在后端结构化代码中失败
Новое исследование вводит понятие «ограничительного затухания»: по мере накопления структурных требований производительность LLM-агентов резко падает — способные агенты теряют 30 пунктов в проценте прохождения утверждений, слабые приближаются к нулю. Практические выводы для всех, кто использует AI-агентов для написания кода.

Qwen 3.6-35B-A3B KV Cache тестирование: f16 vs q8_0 vs Turbo3 vs Turbo4 на M5 Max до 1M контекста
Тесты TheTom's TurboQuant Metal на M5 Max показывают, что f16 и q8_0 выходят за пределы памяти после 256K, тогда как turbo3 достигает 1M при 6.5 ток/с декодирования. Префилл и декодирование разделяются: turbo3 лучше для префилла, turbo4 — для декодирования на длинных контекстах.

Настройка субагентов в OpenClaw: ключевые моменты
Пользователи, экспериментирующие с OpenClaw, сталкиваются с проблемами при настройке субагентов, особенно при модификации JSON-файлов.

OpenClaw 2026.4.29 已损坏 – 降级至 2026.2.6
Версия OpenClaw 2026.4.29 сломана: случайные ошибки, медленный CLI, двойные ответы. Откатитесь до версии 2026.2.6, чтобы исправить.