Опитування бізнесу UBS: витрати на AI залишаються сильними, тенденція до створення власного програмного забезпечення, управління даними має вирішальне значення

Логіка інвестування в корпоративний AI зазнає структурних змін, але ця трансформація не призвела до скорочення бюджету.

За даними Швидкісна торгова платформа, аналітик UBS Karl Keirstead у своєму дослідженні корпоративного AI від 10 серпня зазначив, що багато компаній вже перейшли від початкового етапу "максимізації token" до нового етапу з акцентом на оптимізацію token, де пріоритетними стали ефективність та інвестиційна віддача. Головне в тому, що ця зміна "ще не призвела до скорочення витрат на AI". Це є важливим сигналом для ринку: компанії почали рахувати витрати, але ще не натиснули на гальма.

Для OpenAI, Anthropic та інших провідних постачальників моделей і хмарних компаній, попит не скоротився через занепокоєння щодо затрат. Сильні результати хмарних провайдерів у другому кварталі підтверджують це. Справжній тиск відчувають традиційні виробники прикладного ПЗ, які прагнуть продавати AI-функції корпоративному сектору — компанії все ще віддають перевагу самостійним розробкам AI-систем, а переломний момент для традиційних SaaS-постачальників ще не настав.

З точки зору розподілу ролей у ланцюжку виробництва, диференціація вже виявляється: хмарний інфраструктурний рівень та рівень управління даними залишаються стабільними, Databricks, Snowflake, Palantir продовжують відігравати ключову роль у корпоративному AI-стеку; найбільший тиск на рівні прикладного ПЗ — AI-функції великих SaaS-провайдерів мало помітні в списках закупівель компаній, натомість низка малих AI-орієнтованих компаній активніше впроваджують свої рішення в реальні сценарії розгортання.

Найголовніше питання для компаній зараз — це вже не “чи можливо використовувати AI”, а “хто використовує, скільки використали і чи варто це того”.

Багато фірм вже розгорнули системи відстеження використання; коли співробітник досягає певного порогу, запит автоматично перемикається на менш потужну модель з повільнішою відповіддю. Деякі компанії почали обмежувати права працівників на створення агентів. Чутливість до моделі споживання і тарифікації також зростає, адже вона напряму пов’язує використання AI з рахунком на оплату.

Більш деталізована оптимізація відбувається на етапі звернення до моделей: надавати моделі більш стиснутий контекст замість наповнення всієї контекстної області; зменшити кількість звернень до RAG-системи; заощаджувати на вартості окремих задач за допомогою скриптів, маршрутизації та стиснення підказок. Одна компанія відкрила доступ до провідних моделей за фіксованою ціною для клієнтів, проте витрати на використання моделі з’їдають прибуток і в майбутньому вони можуть бути змушені переглянути свою цінову політику.

Однак загальний бюджет не показує значного скорочення. Компанії бояться втратити можливості й схильні спочатку впроваджувати рішення, а вже потім додавати обмеження. Karl Keirstead підкреслив у звіті, що "рахувати ROI" не означає "зупинити інвестиції в AI", принаймні серед вибраних компаній із дослідження.

Роутинг моделей набирає популярність, китайські open-source моделі ще не стали основним вибором великих компаній

Природний шлях скорочення затрат на AI — маршрутизувати частину задач від провідних закритих моделей до open-source рішень. Однак серед опитаних представників великих не технічних компаній OpenAI GPT та Anthropic Claude залишаються основними варіантами.

Деякі компанії чітко заявляють, що досі користуються провідними моделями; технічні фірми краще сприймають китайські open-source моделі, але великі традиційні підприємства більше зважають на безпеку, відповідність стандартам і контроль, особливо це стосується урядових, оборонних та суміжних структур.

Зараз моделі для зниження витрат просуваються паралельно трьома шляхами: розподілити різні задачі на різні моделі, використовувати невеликі моделі для низьковартісних запитів, оптимізувати ланцюжок викликів для уникнення марної витрати token. Китайські open-source моделі — це один із варіантів, але ще не стали пріоритетом для більшості великих компаній.

Засновник Salesforce Marc Benioff не раз наголошував: корпоративна розробка AI зрештою зазнає невдачі, і компанії перейдуть до купівлі зрілих AI-продуктів від SaaS-постачальників. ServiceNow дотримується схожого підходу. Проте дослідження UBS показує, що реальність поки що не на боці SaaS-постачальників.

Багато компаній із Fortune 500 все ж схиляються до самостійної розробки AI-продуктів із трьох основних причин: внутрішні процеси сильно кастомізовані, готові AI-функції SaaS можуть не підходити; самостійна розробка зберігає повний контроль над даними, оркестрацією робочих процесів (harness) і системою агентів; зовнішні продукти можуть бути надто дорогими або не виправдовувати очікувань.

Показове дослідження: компанія планує побудувати власний рівень онтології на Turtle-файлах, дані SAP чи PTC Windchill у реальному часі імпортувати в Databricks data lake, багатоетапно очищати й передавати агентам, будуючи engine для дій, і таким чином замінити Palantir — серед аргументів: менші витрати, легше знайти таланти, можна в майбутньому відкрити технологію клієнтам. Інша компанія прямо заявляє, що нині немає AI-функцій SaaS-постачальників, вартих покупки, вони зможуть розробити власні плагіни.

Це не означає повну відмову від закупівлі продуктів. У сферах аудиту коду, безпеки, спостережності, SIEM, робочих процесах компанії все ще купують зрілі рішення. Але сигнал для інвесторів у ПЗ полягає в іншому: чи готова компанія й надалі платити за ці функції й відмовитися від власної розробки. Якщо ця перевага не обернеться, AI-продукти прикладних ПЗ не зможуть досягти високої ROI.

У корпоративному AI-стеку компанії з управління даними помітніші за виробників прикладного ПЗ. Databricks згадується багато разів, типово для сценаріїв real-time data lake, управління даними й AI-інструментів; Snowflake використовується для створення агентів, опитані компанії прямо зазначають, що LLM не може напряму замінити Snowflake — LLM добре працює із мовою, менш ефективний для обробки та перетворення мільйонів числових точок; оптимально розмістити моделі Claude поверх Snowflake для аномального моніторингу.

Відгуки щодо Palantir неоднозначні. З одного боку, воно й надалі має місце в корпоративному AI та онтологічному рівні; з іншого боку, деякі клієнти пробують власний онтологічний рівень замість Palantir. Великий оборонний підрядник згадав, що його команда вже скорочує використання Palantir і прогнозує нові виклики для цієї компанії в наступні роки. Але UBS зазначає, що це ще ранні сигнали і поки недостатньо для визначення основної тенденції.

На рівні баз даних зростає конкуренція. Деякі клієнти обрали Redis і Postgres для AI-навантажень, що підсилює питання щодо участі MongoDB у таких задачах.

З цікавих деталей у дослідженні — мало згадок про публічні прикладні ПЗ-компанії, такі як Atlassian, CrowdStrike, Salesforce, вони зустрічаються, але не часто. Натомість малі приватні AI-орієнтовані компанії більш активні у списках закупівель: CodeRabbit для аудиту коду, Opik для спостережності LLM, Onyx для безпеки AI-агентів, ArmorPoint для AI SIEM, Workfabric для цифрових workflow-близнюків, LiteLLM, що пов’язує Langfuse для роутінгу моделей і стиснення підказок.

Ці компанії не пропонують “корпоративну AI-платформу”, а вирішують дуже специфічні бізнес-проблеми. Наприклад, у сфері аудиту коду швидкість генерації коду AI значно перевищує ручну перевірку, й компанії обирають CodeRabbit, щоб уникнути потрапляння вразливостей у продуктивне середовище; у сфері безпеки AI дозволяє пріоритизувати знайдені вразливості із врахуванням конфігурації firewall, прав користувачів тощо, допомагає команді безпеки ідентифікувати дійсно критичні загрози.

Дослідження також зазначає, що AI швидко підвищує можливості атак, і витрати на корпоративну безпеку очікувано зростатимуть. На відміну від інших сценаріїв застосування AI, бюджетна логіка у сфері безпеки жорсткіша — мотивацією є зменшення атак, а не впровадження нового функціоналу.

Інфраструктура корпоративного AI нині в основному базується на AWS, Azure і Google Cloud. В опитуванні компанії рідко згадують масштабне розширення локальних апаратних і програмних AI-стеків; такі задачі, як автодата, предиктивне обслуговування, застосування агентів, data lake, AI-робочі процеси на Snowflake і Databricks майже завжди обертаються довкола основних хмарних платформ.

Один із кейсів — компанія планує перемістити усі дані з Azure на Google Cloud, мотивуючи це більш конкурентними цінами в останньому. Але сама міграція непроста — триватиме щонайменше рік, включає відповідність Power BI, Excel-скриптів і Google Sheets; витрати Microsoft можуть бути зменшені, але не зникнуть повністю. Це доводить, що між хмарними провайдерами точиться цінова конкуренція, але немає достатнього підтвердження клієнтами тренду повернення AI з хмари на локальну інфраструктуру.

Звіт UBS вказує, що хоча деякі партнери ще оцінюють доцільність “AI-фабрик” і локальних моделей, за нинішньою вибіркою клієнтів основна арена розгортання AI — це хмара.