За последние месяцы крупные ИИ-компании начали говорить о необходимости замедления разработок. OpenAI запустила рекомендации по ответственной масштабизации, Anthropic подчёркивает важность безопасности перед скоростью, а DeepSeek демонстрирует, что можно добиться заметных результатов при гораздо меньших затратах. Это выглядит как синхронный сдвиг риторики — и это вызывает закономерный скепсис: действительно ли компании встревожены рисками, или здесь речь идёт о чём-то более прозаичном?

Дело в том, что гонка за вычислительными мощностями и обучающими данными давно вышла из строя обычной экономики. Расходы на обучение больших моделей растут экспоненциально: требуются миллиарды долларов, специализированные чипы в критическом дефиците, а окупаемость инвестиций остаётся спекулятивной. Появление DeepSeek с её относительно эффективной моделью ещё больше обострило ситуацию, показав, что технологический лидер не обязательно совпадает с финансовым победителем. Когда компании говорят о замедлении, они фактически обсуждают, не идём ли мы в стену, где каждый следующий скачок в перформансе требует инвестиций, которые никогда не окупятся.

Риск и безопасность здесь — не дымовая завеса, но и не главное. Проблемы типа галлюцинаций, залипания на предвзятости, непредсказуемого поведения при масштабировании — всё это реально и требует внимания. Но компании могли бы озвучивать это последние три года; срочность появилась именно сейчас, когда стало понятно, что финансовый потолок касается земли.

Практический смысл для отрасли вот в чём: если лидеры действительно начнут замедляться, это может переломить ситуацию, когда все гнались за SOTA (state-of-the-art) моделями, а практического применения для обычного бизнеса было очень мало. Более стабильные, эффективные и понятные инструменты куда полезнее, чем очередная модель с условным улучшением на 2–3% на бенчмарках, требующая серьёзных вычислительных ресурсов.

В России этот сдвиг может создать окно возможности. Если транснациональная гонка замедлится, отечественные компании получат шанс собрать собственные практически полезные решения без необходимости конкурировать в суперкомпьютерных мощностях. Уже сегодня растёт спрос на специализированные ИИ-модели для конкретных задач — автоматизацию аналитики, обработку документов, генерацию контента под локальные требования. Системы вроде AI Studio, ориентированные на автоматизацию и адаптацию под российские реалии, как раз лучше работают, когда индустрия перестаёт гнаться за чистой производительностью и начинает считать нужность.

Главное, что нужно понимать: призывы к замедлению — это не мораль, а экономический расчёт. И это даже хорошо. Потому что когда гонка становится убыточной, остаётся только строить полезное.