04 · Что дешевеет, что дорожает

Марисоль ведёт сверку платежей у грузового брокера под Чикаго одиннадцать лет. В то апрельское утро она открыла новый экран — компанию неделю назад пересадили на систему автосопоставления счетов за $2 400 в месяц, ту, что в презентации обещала «80% автоматического матчинга». Цифра была честной. Восемьдесят процентов счетов система действительно закрывала сама. Только оставшиеся двадцать — частичные отгрузки, разница в округлении при мультивалюте, кастомные строки, которые большой клиент вписывает по-своему, — теперь падали на Марисоль и пятерых её коллег. В незнакомом интерфейсе, без привычных горячих клавиш, с лишними кликами на каждое исключение. К пятнице она насчитала пятнадцать лишних часов нудятины в неделю на отдел (SME Research, Кейс 8; первоисточник aiforsmallbusiness.io, 2026) [E].

Через несколько недель контракт расторгли. Взяли инструмент за $400 в месяц, который автоматизировал половину объёма — зато давал один экран и одну кнопку для ручной проверки того, что не закрылось. Окупаемость новой схемы — 90 дней.

Запомните эту арифметику. Не «80 против 50». А то, где жили деньги: в тех двадцати процентах, которые первая система не закрыла и спихнула на людей. Генерация подешевела до центов. Разбор того, что генерация сделать не смогла, остался дорогим — и стал стоить ровно столько, сколько стоит время Марисоль. Вся новая физика ценности — в этом зазоре.

Цена генерации обвалилась. Это измеримо

Сначала якорь, потом теория. За два года стоимость инференса фронтирной модели обвалилась в 280 раз — с $20 до семи центов за миллион токенов (Stanford HAI AI Index, 2025) [E]. Это удешевление быстрее транзистора, которое я разбираю с цифрами в главе 02. А следствие такое: когда базовый ресурс падает в цене так, экономика вокруг него выворачивается наизнанку.

То, что было дефицитным и дорогим — связный текст, рабочий код, черновик отчёта, перевод, краткое содержание стостраничного контракта, — становится почти бесплатным и доступным по требованию. Бенчмарки поддержки показывают это в лоб: обработка экспертного обращения под ручной системой стоит от $25, после кодирования процесса в интерактивную базу падает до $0,70 (SME Research, §9; eCorpIT helpdesk benchmark / Crisp inference cost, 2026) [E*]. Это не экономия на процентах. Это сдвиг на порядок в стоимости одного исхода.

Возьмём один образ и удержим его подольше, чем берёт PowerPoint. Midjourney, генератор изображений, делает $500 млн выручки силами 107 человек, при нуле венчурных денег и нуле классического маркетинга (Epoch AI; companieshistory, 2026) [E]. Это $4,67 млн выручки на сотрудника, в двадцать с лишним раз выше медианы SaaS. Подумайте, что это значит механически. У классической дизайн-студии каждая новая картинка стоит человеко-часа: больше заказов — больше художников. У Midjourney производство картинки переехало в модель, и предельная стоимость следующего изображения упала почти до нуля. Сто семь человек не рисуют. Они держат инфраструктуру, на которой рисуют миллионы пользователей. Производство визуала перестало быть узким местом. Им стало что-то другое, и об этом вся вторая половина главы.

То же случилось с рутинным когнитивом — классификацией, извлечением, сверкой, маршрутизацией, заполнением форм. С той работой, которую раньше делал человек с дипломом просто потому, что её больше некому было поручить. Диагностический агент Google AMIE превзошёл живых врачей по 29 из 32 осей текстовой консультации (Nature Medicine, май 2026) [E]; историю я разбираю в главе 06. Удержите масштаб. Речь не о том, что «ИИ заменит врача». Речь о том, что огромный пласт рутинной диагностической работы перестал требовать дефицитного человека.

И третье — горизонт автономной задачи: насколько длинную работу модель доводит до конца сама, без того чтобы человек подхватил на середине. Кривая METR, которую я разбираю в главе 02, удваивается на фронтире примерно каждые 131 день. Сегодня агент закрывает задачу, которая заняла бы у человека около двенадцати часов (p50, METR 2026) [E]. Если удвоение держится, через год это будет порядка суток непрерывной работы. То, на что человеку ушло бы дня три с перерывами. Экстраполяция за пределы данных — это уже [H], и честный фальсификатор главы стоит прямо на этой кривой (см. ниже). Но направление эмпирично: автономно закрываемый кусок работы растёт, и растёт быстро.

Цена суждения выросла. Это та же физика, с другого конца

Теперь переверните. Если генерация почти бесплатна, то всё, что генерацию ограничивает, проверяет и берёт за неё ответственность, дорожает относительно. Не потому что выросло в абсолюте. Потому что обвалилось всё вокруг.

Вернёмся к Марисоль. Её час не подешевел — он стал единственным, что в этой системе стоило денег. Автономно закрытая сверка — центы. Разбор исключения человеком — десятки долларов (SME Research, §7) [E]. Когда дешёвая часть стремится к нулю, итог двигает одна переменная: доля потока, которую система не закрыла и спихнула на человека. Я буду звать её долей эскалаций. Не процент автоматизации из презентации — а доля, которая дошла до того, кто умеет усомниться.

Подорожали три вещи, и это зеркало трёх подешевевших.

Первое — суждение. Решить, какую из пяти сгенерированных версий брать. Понять, что модель уверенно врёт. Увидеть, что вот это исключение — не шум, а сигнал о сломанном процессе. У Марисоль на это уходит опыт одиннадцати лет: она с одного взгляда отличает кривой матчинг от законной частичной отгрузки. Генерация дала пять черновиков за секунду; выбор между ними остался человеческим и подорожал — потому что цена ошибки прежняя, а скорость, с которой ошибки производятся, выросла.

Второе — верификация. Тут у меня под рукой неудобный для оптимистов эксперимент: рандомизированный тест METR на опытных разработчиках, где люди были уверены, что ускорились, а по секундомеру замедлились (его я разбираю как центральный фальсификатор в главе 10). Узкое место сместилось от генерации к проверке: отладить чужой сгенерированный вывод часто дороже, чем написать с нуля. Верификация — новый дефицит. И мы пока не умеем её ни мерить, ни оплачивать как следует.

Третье — ответственность. Кто отвечает, когда агент уверенно ошибся? Это не философия, это бухгалтерия. У контракта старого типа («отработаю 160 часов») ответственность встроена в присутствие. У артефакта присутствия нет — есть только тот, кто экономически отвечает за исход. Платить за артефакт бессмысленно, пока не прописано, кто несёт ответственность за то, что артефакт работает. Усомниться, взять управление, ответить — это и есть то, что дорожает быстрее всего: предложение такого человека не растёт, а спрос на него растёт с каждой автономной транзакцией.

Где это видно глазами: расцепление

Самое сильное эмпирическое свидетельство новой физики — расцепление объёма от численности. Раньше вдвое больше заявок означало вдвое больше людей. Теперь нет.

Возьмём немецкий Digital Institut des Mittelstands. За полгода он удвоил выручку и нарастил зачисления с нуля до 24 студентов в месяц — при том же штате (Dibicon Consulting, 2025; SME Research, Кейс 2) [E]. Не наняли отдел продаж. Процесс зачисления закодировали в воркфлоу CRM и автопоследовательности писем — артефакт, который продавал, не требуя линейного роста людей. Объём пошёл вверх, кривая найма осталась плоской. Вот эти две линии, разошедшиеся на одном графике, и есть тезис книги в денежном выражении.

А французский агрокооператив на этом же принципе сократил онбординг водителей с десяти дней до двух (OECD, 2025; SME Research, Кейс 12) [E]. Раньше новичок десять дней катался со старожилом, перенимая чутьё на локальные маршруты — где разъезд узкий, где мост не держит фуру, у кого из фермеров собака. Это чутьё ушло бы с ветераном на пенсию. Теперь оно стало нормализованной базой данных плюс предиктивной моделью. Компетенция «знать маршруты» переехала в артефакт и осталась в компании. Дешевеет то, что переехало. Дорожает тот, кто умеет проверить, что артефакт всё ещё прав, — и взять управление, когда он тихо устарел: мост починили, собаку увели, а база об этом не знает.

Деньги: куда на самом деле бегут фирмы

Здесь нужна честность, которая выходит за стены отдельной компании. Потому что есть объяснение проще и циничнее, чем «они повышают продуктивность». И это объяснение лучше бьётся с данными.

Якорь — деньги. Пятёрка гиперскейлеров в 2026 году заявляет порядка $635 млрд капитальных затрат — против дата-центрового базиса отрасли в районе $260 млрд тремя годами раньше (отраслевой агрегат: Dell'Oro; верхняя проекция в $527 млрд по всему сектору: оценка Goldman Sachs) [I]. Это крупнейший капитальный цикл в истории корпораций. За те же годы те же компании и десятки за ними резали фонд оплаты труда. Самое твёрдое, что у нас здесь есть по числам, — Challenger насчитал ИИ причиной 21 490 сокращений в апреле 2026, это 26% от всех сокращений месяца по всем отраслям, а не исключительно в технологическом секторе (Challenger, Gray & Christmas, 2026) [E]. Отдельные раунды вроде осенних сокращений Amazon 2025-го и реорганизации Meta «под AI-first» в 2026-м идут тем же вектором, но их я держу как иллюстрацию, а не как сведённую цифру [I].

Сами аналитики Challenger, к слову, предупреждают: «ИИ-эффективность» удобно вешать ярлыком на обычные циклические сокращения, чтобы понравиться Уолл-стрит. Так что не переоценивайте чистоту атрибуции. Но направление бюджета не спрятать: с труда — на капитал, с зарплат — на дата-центры и GPU.

Когда компетенцию покупают по цене завода

Есть и второе доказательство, что компетенция уже ведёт себя как капитал — не из отчётности отдельной фирмы, а с рынка слияний.

С марта 2024 по январь 2026 Microsoft, Google, Amazon и Meta потратили более $20 млрд на новый тип сделки — и при этом не купили ни одной компании классическим поглощением (Georgetown KGI; Columbia STLR, 2026) [E]. Схема одинаковая. В марте 2024 Microsoft заплатила Inflection AI около $650 млн «за неисключительную лицензию на модели», забрала сооснователя Мустафу Сулеймана и инженерное ядро — и оставила позади оболочку с новым CEO и горсткой сотрудников. Зомби-компанию. Google в августе 2024 провела Character.AI на $2,7 млрд и вернула Ноама Шазира в DeepMind; в июле 2025 — Windsurf на $2,4 млрд, после чего скелет продали Cognition за $250 млн (Georgetown KGI, 2026) [E].

Лицензионный платёж тут — способ обойти антимонопольную проверку Hart-Scott-Rodino. Но смотрите, за что платят. Не за выручку, не за патенты, не за клиентскую базу: оболочку как раз выбрасывают. Платят за людей и за веса обученных ими моделей, то есть за сублимированный когнитивный капитал в чистом виде. Рынок оценил его в двадцать миллиардов и проголосовал структурой сделки. Ценность не в юрлице, а в кодифицированной компетенции, которую можно вынуть и перенести.

Маржа выросла раньше производительности

И вот где загвоздка, от которой мне не уйти. Этот перенос происходит без доказанного роста производительности.

У экономистов для такого есть старое имя — парадокс Солоу. В 1987 году Роберт Солоу пошутил, что компьютерную эпоху видно повсюду, кроме статистики производительности. Шутка пережила сорок лет, потому что описывает упрямый факт: технология, очевидная глазу, десятилетиями не проявлялась в цифрах. Совокупная факторная производительность США в 2024–2025 годах держится в диапазоне 0,5–1,0% (доклад политэкономии 2025–2035) [E] — то есть никакого скачка в макростатистике пока нет, при всех дата-центрах.

Дарон Аджемоглу, нобелевский лауреат 2024 года, в работе «The Simple Macroeconomics of AI» оценивает совокупный прирост ВВП США от ИИ примерно в 1,1–1,6% за десять лет — а в чистой факторной производительности и того меньше, 0,53–0,71%. Порядка десятых долей процентного пункта в год, «so-so technology», посредственная технология (Acemoglu, MIT/NBER, 2024) [E]. Его модель меряет реализованную агрегатную продуктивность по теореме Хультена, а не «экспозицию задач», и упирается в то, что нынешний ИИ хорош на легко формализуемых кусках и плох на сложном, физическом, контекстном. В 2026-м, по доступным мне пересказам его публичных выступлений, он формулирует парадокс ещё прямее: маржа компаний растёт, производительность экономики — нет (Acemoglu, MIT SMR, февраль 2026) [E].

Сложите. Маржа растёт. Производительность — нет. Капитал замещает труд. Самое прямое объяснение того, зачем фирма бежит в артефакт-модель, — не «мы стали выпускать больше на человека», а «мы перенесли расход с переменного, профсоюзного, увольняющегося, болеющего труда на капитальный актив, который сидит на нашем балансе и не просит прибавки». Артефакт привлекателен не только тем, что эффективен. Он привлекателен тем, что он капитал, а не зарплата.

Есть у этого переноса и техническая необратимость, о которой редко говорят вслух. Зарплата — переменное обязательство: её можно пересмотреть к следующему кварталу, штат сократить, нанять обратно. Дата-центр — амортизируемый актив на 20–30 лет, серверы внутри — на 7–10 (H9 / доклад политэкономии) [I]. Когда вы залили центр тяжести бюджета в бетон и кремний с горизонтом амортизации в три десятилетия, откатить назад к труду уже не так просто: актив надо отбивать. Двойная асимметрия амортизации — короткий поводок у зарплат, длинный у инфраструктуры — делает забег в CapEx структурно липким. Фирма, которая один раз туда побежала, привязана к автоматизации сильнее, чем собиралась.

Я не отдаю этот аргумент скептикам — я встраиваю его в тезис. Сублимация компетенции в артефакт остаётся реальным апгрейдом при дисциплине, об этом весь манифест. Но в 2026 году значительная часть забега в эту модель идёт по бухгалтерской логике, а не по производственной. Если вы строите AI-native компанию, спросите себя честно: вы переносите бюджет с труда на капитал ради структурного преимущества — или ради красивого квартала? Первое создаёт долгосрочную ценность артефакта. Второе создаёт долг автоматизации, которому глава 10 предъявит счёт.

Янис Варуфакис называет смежный механизм «техно-феодализмом»: облачный капитал, который собирает ренту вместо прибыли (Varoufakis, Technofeudalism, 2024). Я держу его термин в кавычках и с его именем — наш словарь это «артефакт» и «сублимация». Но карту, которую он рисует — кому принадлежит субстрат, на котором стоят все артефакты, — книга разворачивает на уровне государства в главе 08.

Что это значит для вашего счёта

Соберём в явный расчёт. Возьмём один центр поддержки — тот, что считает SME Research, — и проживём его дважды.

В первой жизни он человеко-центричный, и стоимость в нём линейна. Поток обращений умножается на полную стоимость тикета — выходит порядка $1,1 млн в год (SME Research, §7) [E]. Каждая новая тысяча обращений стоит столько же, сколько предыдущая. Потолок производительности человека — это потолок маржи, и сдвинуть его нечем, кроме найма.

Во второй жизни тот же поток рвётся надвое. Большая часть закрывается автономно, по центам. Меньшая — доля эскалаций — уходит на человека, по десятки долларов за разбор. Сверху ложится фиксированная стоимость владения: лицензии, мониторинг, комплаенс. В сумме около $478 тыс. Чистая экономия — примерно $622 тыс., около 57% (SME Research, §7) [E].

Рычаг здесь один — доля эскалаций. Опустили её — экономия масштабируется, потому что дорогая часть уравнения (человек) сжимается, а дешёвая (генерация) почти ничего не стоит. Вот ценовая суть всего сдвига: качество артефакта меряется не процентом автоматизации из презентации, а тем, насколько низко удалось опустить долю того, что система спихивает человеку, не теряя точности. Та самая ловушка, в которую попала Марисоль с первой системой: 80% автоматизации при доле эскалаций, которая сожрала отдел.

Но есть и широкая картина, которая не даёт обольститься. Внедряют ИИ многие — около 72% фирм по обзору McKinsey 2024 года [E]. А реальную ценность в счёте ловят единицы: в обзоре корпоративных пилотов 95% не дают измеримого эффекта на прибыль (MIT Media Lab / NANDA, The GenAI Divide, 2025; та же оценка разбирается в главе 10) [E]. Это не опровержение тезиса — это его подтверждение от обратного. Дешёвая генерация доступна всем. А дорогое — дисциплина, низкая доля эскалаций, верификатор, встроенный в процесс, — есть у немногих. Разрыв проходит по линии того, что подорожало.

Честный фальсификатор

Вот что эту главу обрушит, если я неправ.

Если узкое место верификации не уйдёт, новая физика ценности — иллюзия. Я утверждаю: генерация дешевеет, верификация дорожает, и это устойчивый сдвиг, а замедление METR — фаза перехода, налог на адаптацию. Проверяемое предсказание: к концу 2027 года в зрелых командах эффект METR должен перевернуться — операторы, прошедшие 50+ часов в инструменте, должны давать ускорение, а не замедление. Сразу скажу честно: твёрдых данных, что это уже произошло, у меня нет. Есть гипотеза, что освоенная оркестрация даёт прирост, но это пока [H], не цифра из реплицированного эксперимента, и я не выдам её за факт.

Если же к концу 2027 года крупная репликация METR на опытных операторах снова покажет замедление, мой тезис «верификация дорожает временно» неверен — и тогда верно жёсткое: ИИ структурно замедляет квалифицированный труд, а весь забег в артефакт-модель есть перенос бюджета на капитал, который не окупится производительностью никогда. Это и есть полная правота Аджемоглу против меня: его доли процента TFP за десятилетие — это и есть «никогда» в макромасштабе.

И одно громкое обещание уже не сбылось. Klarna публично свернула свой ИИ-разворот и вернула людей в поддержку — дугу от хайпа к признанию гендиректора, что «слишком увлеклись затратами», я разбираю с цифрами в главе 06. Здесь важно одно. Дешёвая генерация у Klarna оказалась настоящей. А вот суждение, верификация и доверие клиента, которые компания попыталась тоже сублимировать, не сублимировались. Они подорожали именно тогда, когда Klarna решила, что их можно списать.

Вывод

Новая физика ценности проста и неудобна. Дешевеет производство ответа. Дорожает право решить, что ответ верен, и ответственность за последствия, если он неверен. Цена генерации обвалилась на порядки; цена суждения выросла относительно всего, что вокруг неё обвалилось.

Гиперскейлеры перегоняют сотни миллиардов из фонда оплаты труда в дата-центры — и маржа выросла раньше производительности. Это объясняет, почему фирмы бегут в артефакт-модель: не всегда потому что она продуктивнее, часто потому что она переводит расход из зарплат в капитал, а капитал в бетоне держит крепче. Кто перепутал эти два мотива, построил красивый квартал и долг автоматизации. Кто различил — построил долгосрочную ценность артефакта и оставил у штурвала того, кто умеет усомниться. Как Марисоль над её одним экраном.

Дешевеет всё, что можно сгенерировать. Дорожает несублимируемый 1% — та доля работы, которую пока не удалось переложить на артефакт [I].