Корпоративное исследование UBS: расходы на ИИ остаются высокими, становится трендом разработка собственного программного обеспечения, управление данными имеет ключевое значение

Логика инвестиций в корпоративный AI претерпевает структурные изменения, однако этот переход не приводит к сокращению бюджетов.

По данным платформы Chasing Wind Exchange, аналитик UBS Карл Кирстид (Karl Keirstead) в опубликованном 10 августа исследовательском отчёте о корпоративном AI отметил, что многие компании уже перешли от первоначального этапа "максимизации token" к новому этапу, характеризующемуся оптимизацией token: эффективность и возврат инвестиций становятся приоритетом. Ключевое заключается в том, что эти изменения "ещё не привели к сокращению расходов на AI". Это посыл для рынка: компании начинают считать средства, но пока не нажимают на тормоза.

Для передовых провайдеров моделей, таких как OpenAI и Anthropic, а также для облачных компаний за ними, спрос не заметно снизился из-за обеспокоенности затратами. Сильные показатели облачных компаний во втором квартале только подтверждают это. Под наибольшим давлением оказываются традиционные разработчики прикладного ПО, пытающиеся продавать AI-функции компаниям — фирмы всё ещё склоняются к самостоятельному строительству ключевых AI-систем, а точки перелома, на которую рассчитывают классические SaaS-компании, ещё не настало.

С точки зрения разделения труда в отраслевой цепочке, началась дифференциация: уровень облачной инфраструктуры и уровень управления данными сохраняют относительно устойчивые позиции, такие компании, как Databricks, Snowflake и Palantir продолжают занимать ключевые места в корпоративном AI-стеке; наибольшее давление испытывает уровень прикладного ПО — AI-возможности крупных SaaS-компаний мало заметны в списках корпоративных закупок, зато ряд небольших AI-нативных компаний, ориентированных на конкретные боли, успешно внедрились в реальные сценарии развёртывания.

Ключевая забота корпораций сейчас — не "можно ли использовать AI", а "кто использует, сколько использует, и стоит ли это того".

Многие компании уже внедрили системы отслеживания использования: после достижения лимита сотрудником его запросы автоматически переключаются на менее мощные модели и более низкую скорость отклика. Часть фирм начала ограничивать права сотрудников на создание агентов. Также растёт чувствительность к моделям оплаты, привязывающим объём использования AI непосредственно к счету.

Более тонкая оптимизация происходит на этапе вызова модели: предоставление более сжатого контекста модели, а не заполнение всего окна контекста; сокращение повторных обращений модели к RAG-системе; снижение стоимости одной задачи за счёт использования скриптов, маршрутизации и сжатия подсказок. Одна из компаний предложила клиентам фиксированную цену доступа к передовым моделям, но стоимость их использования начала съедать прибыль, и в будущем, вероятно, придётся пересматривать ценовую политику.

Однако в целом сокращения бюджетов не наблюдается. Компании скорее опасаются упустить окно возможностей и предпочитают сначала внедрять решения, а потом вводить дополнительные ограничения. Как подчёркивает Карл Кирстид в отчёте, "расчёт ROI" не равнозначен "остановке инвестиций в AI", по крайней мере среди опрошенных компаний.

Взлёт маршрутизации моделей, китайские open source-модели не вошли в мейнстрим крупных компаний

Одним из естественных способов снижать издержки на вызовы AI является маршрутизация части задач с передовых закрытых моделей на open source-модели. Тем не менее среди этого преимущественно неконечного круга компаний основной выбор всё ещё делают в пользу OpenAI GPT и Anthropic Claude.

Некоторые компании подчёркивают, что продолжают использовать передовые модели, однако технологичные фирмы чаще принимают китайские open source-модели, в то время как крупные традиционные компании более заботятся о безопасности, соблюдении нормативов и управляемости решениями, особенно в секторах госуправления, обороны и смежных цепочек.

Сегодня оптимизация стоимости моделей идёт по трём основным направлениям: распределение разных задач между разными моделями; обработка низкоценовых запросов с помощью малых моделей; оптимизация цепочки вызова для снижения издержек на tokens. Китайские open source-модели — один из вариантов, но пока ещё не приоритет для большинства крупных компаний.

Основатель Salesforce Марк Бениофф (Marc Benioff) не раз высказывал мнение: корпоративный AI self-build в итоге потерпит неудачу, и компании перейдут к покупке зрелых AI-продуктов у SaaS-компаний. Похожей позиции придерживается и ServiceNow. Но исследование UBS показывает: реальность пока не в пользу SaaS-компаний.

Многие компании из списка Fortune 500 по-прежнему склоняются к самостоятельной разработке AI-продуктов по трём причинам: высокая кастомизация внутренних процессов, которая редко стыкуется с SaaS AI-функционалом; собственная разработка оставляет полный контроль над данными, оркестрацией workflow (harness) и системой агентов; отдельно покупаемые внешние продукты могут оказаться дорогими или не соответствовать ожиданиям.

Приведён типичный кейс: одна компания планирует построить свой собственный уровень онтологии на Turtle-файлах, импортировать данные SAP или PTC Windchill в реальном времени в Databricks lake, после многоуровневой очистки отдавать их агентам, формируя action engine, чтобы заменить Palantir, ссылаясь на меньшие расходы, больший кадровый резерв и открытие технологий для клиентов в будущем. Другие компании заявляют, что пока СаaS-компании не предлагают интересных AI-функций, а плагины можно разработать самостоятельно.

Это не означает полного ухода от покупок. В конкретных сценариях — аудит кода, безопасность, наблюдаемость, SIEM, workflow — компании продолжают покупать готовые решения. Ключ для инвесторов: готовы ли клиенты в долгосрочной перспективе платить за такие функции и отказаться от self-build. Пока это не произошло — AI-продукты прикладных ПО-компаний не обеспечивают высокого ROI.

В AI-стеке компаний уровень data management заметно сильнее, чем слой прикладного ПО. Databricks неоднократно фигурирует в отчёте — для real-time data lake, data governance, как основа AI-инструментов; Snowflake применяется для построения агентов, причём участники подчёркивают, что LLM не может полностью заменить Snowflake — LLM отлично работает с языком, но не справляется с математической обработкой и преобразованием миллионов data points, поэтому целесообразнее размещать Claude и др. модели поверх Snowflake для аномалий и мониторинга.

По Palantir обратная связь неоднозначна. В одних компаниях по-прежнему используют Palantir для AI и уровня онтологии; в других клиенты пробуют собственный self-build на AI для замены Palantir. В одном из крупных оборонных подрядчиков уже начали сокращать работу с Palantir и предсказывают новые вызовы компании в ближайшие годы. Однако отчёт UBS отмечает, что такие кейсы пока лишь ранние сигналы и рано считать их трендом.

Уровень СУБД также испытывает давление. Некоторые компании выбирают для AI-нагрузок Redis и Postgres, что усиливает сомнения в способности MongoDB активно участвовать в AI-работах.

Интересный момент: из публичных ПО-компаний в опросе упоминаются Atlassian, CrowdStrike, Salesforce, но нечасто. Зато активнее покупают решения небольших частных AI-нативных компаний: CodeRabbit для проверки кода, Opik для observability LLM, Onyx для безопасности агентов, ArmorPoint для AI SIEM, Workfabric для digital workflow twins, а LiteLLM соединяет Langfuse для роутинга моделей и сжатия prompt-ов.

Эти компании закрывают не абстрактные потребности "AI-платформ для бизнеса", а конкретные задачи. Например, при review кода скорость генерации AI-кода намного опережает возможности ручной проверки, что требует внедрения CodeRabbit для отсечения уязвимостей; в безопасности AI сочетает информацию о настройках firewall, правах пользователей и т.д., чтобы помочь security-командам выявлять по-настоящему критичные угрозы.

В докладе подчеркивается, что AI быстро усиливает атаки, а расходы на кибербезопасность будут расти вслед за этим. В отличие от других AI-направлений, в безопасности бюджетные решения крайне жёсткие, и драйвер — не новые возможности, а ограничение векторов атак.

Инфраструктура корпоративного AI до сих пор в основном строится на AWS, Azure и Google Cloud. У респондентов почти не встречается случаев масштабного расширения локального AI-оборудования или ПО-стека: обработка автоданных, предиктивное обслуживание, агенты, data lake, AI-workflow на Snowflake и Databricks — всё это функционирует вокруг трёх облачных платформ.

Есть компании, планирующие полную миграцию данных из Azure в Google Cloud — мотивируя более конкурентным ценообразованием последнего. Однако сам процесс не из легких: миграция данных занимает минимум год, плюс сложности с Power BI, Excel-скриптами и совместимостью с Google Sheets. В результате расходы на Microsoft сократятся, но не исчезнут. Это говорит о ценовой конкуренции между облаками, но массовых признаков возврата AI с облака на локальный уровень пока нет.

В отчёте UBS подчёркивается: несмотря на то, что некоторые партнёры всё ещё оценивают возможности "AI factory" и возврата моделей на локальное размещение, в текущей выборке клиентов поле битвы за AI по-прежнему в облаке.