Де наступний великий сценарій для AI, подібний до Coding? Обговоримо чотири часові розриви в розвитку AI

Автор: qinbafrank

Протягом останніх двох років найуспішнішим застосуванням AI безумовно стало Coding.

Від початкового автозавершення коду до автоматичного генерування тестів, виправлення помилок, міграції кодових баз, а сьогодні здатності читати цілі проекти, викликати термінали, виконувати тести, постійно змінювати та здавати код – Coding Agent вперше довів, що AI не просто інструмент для спілкування чи генерації контенту, а може увійти в реальні виробничі середовища, виконуючи роботи, за які компанії готові платити, результати яких можна перевірити, а цінність – кількісно оцінити.

Але проблема полягає в тому, що Coding Agent вже з "очікувань" перетворився на ринкову консенсус. Ринок більше не сперечається про те, чи може AI писати код, а про те, скільки розробників він зрештою може охопити, скільки робочих місць програмного забезпечення може замінити та який обсяг доходу може сформувати.

Це означає, що хоча базові показники Coding залишаються великими, лише історії про "AI, який пише код" стає все важче підтримувати постійне розширення оцінок всього ланцюга AI.

Ринок далі справді цікавить два питання:

1. Чи є інші достатньо великі сценарії застосування AI, окрім Coding?

2. І ще більш гостре питання: якщо нові сценарії не з'являться, то як будуть підтримуватись сьогоднішні зростаючі інвестиції в центри обробки даних, GPU, мережі та електрику, а також зростаючі корпоративні борги? Чи може AI заробляти гроші, чи можна повернути величезні капітальні витрати, чи буде ROIC виправданим?

Друге питання вже має початкову модель для ROIC постачальників хмарних послуг у сезоні звітності за 2 квартал. Основне питання все ще залишається першим.

Це питання не ставить під сумнів, чи корисний AI.

Справжня суперечність полягає в тому, що перший двигун зростання швидко став консенсусом, тоді як другий двигун зростання може потребувати більше часу, щоб перейти до доходів, прибутків та грошових потоків. Це найважливіший "часовий розрив" у поточному застосуванні AI.

Наступний етап ціноутворення має довести, що AI може не лише змінити розробку програмного забезпечення, але й взяти на себе більш широкі економічні активності.

1. Чому Coding став першим вбивцею AI

Coding не став першим великим сценарієм AI лише тому, що програмісти більше люблять пробувати нові інструменти.

Він зміг з'явитися першим, оскільки завдання коду майже одночасно відповідали всім умовам, необхідним для комерціалізації AI.

По-перше, код, журнали, API, документи та повідомлення про помилки вже повністю цифровізовані. AI не потрібно розуміти складний фізичний світ і не потрібно чекати, поки компанії завершать десятирічну організацію паперових даних.

По-друге, результати коду легко перевірити.

Чи може код компілюватися, чи проходять тести, чи правильно повертаються інтерфейси, чи працює сторінка, чи знижуються показники продуктивності – зазвичай це можна швидко перевірити. Навіть якщо AI помилиться з першого разу, він може виконати, спостерігати, виправити, а потім знову виконати, формуючи замкнуте коло.

Іншими словами, Coding природно має те, чого часто не вистачає в інших галузях – "модульне тестування".

По-третє, процес розробки програмного забезпечення можна розділити на відносно чіткі етапи:

Читання кодової бази, розуміння вимог, зміна файлів, виконання тестів, аналіз помилок, продовження змін, генерування записів про коміти. Цей процес природно підходить для постійного виконання Agent.

По-четверте, витрати на працю програмістів високі. AI, якщо зможе заощадити 10-20% часу розробки, компанії легко можуть розрахувати ROI.

По-п'яте, часткова правильність також може створювати цінність. AI не потрібно повністю замінювати інженерів з самого початку, достатньо виконати часткові завдання, такі як генерування тестів, написання SQL, пояснення коду, зміна фронтенду, міграція API – це вже варте оплати.

Нарешті, інструменти Coding можуть поширюватися знизу вгору. Інженери можуть підписуватися, встановлювати та використовувати їх без необхідності проходити тривалі процедури закупівлі, відповідності, інтеграції даних та організаційних змін.

Таким чином, Coding став першим AI-застосуванням, яке одночасно досягло зрілості продукту, чітко визначеного бюджету, перевірюваних результатів, частого використання та комерційного замикання.

Витрати на застосування в корпоративному секторі також показують, що Coding вже є найбільшим окремим AI-застосуванням на рівні відділу, але загальний обсяг Copilot, універсальних помічників, вертикальних AI та споживчого AI все ще перевищує Coding. Тому можна стверджувати, що Coding є найбільш зрілим з комерційної точки зору, з найвищою інтенсивністю використання та найбільш легкою для кількісної оцінки цінності одиничним навантаженням AI. Але слід зазначити, що coding не є сумою всіх потреб AI.

2. Ринок шукає "наступний Coding", можливо, з самого початку ставить неправильні питання

Багато людей уявляють собі наступний сценарій як продукт, подібний до Coding Agent, з чіткими межами, швидким зростанням, величезними обсягами доходу, який може бути швидко визнаний ринком капіталу.

Але структура світу поза Coding зовсім інша, ніж у розробці програмного забезпечення.

Кодові бази, IDE, системи контролю версій, тестування та способи розгортання, які використовують програмісти по всьому світу, мають дуже сильну спільність, тому Coding можна визначити як відносно єдиний великий ринок.

Однак неCoding робота є надзвичайно фрагментованою.

Банкам потрібні агенти для кредитування, KYC та боротьби з відмиванням грошей; страхові компанії потребують агентів для підрахунку, врегулювання та боротьби з шахрайством; лікарні потребують агентів для ведення медичних карток, кодування, попереднього авторизації та розподілу пацієнтів; виробничі підприємства потребують агентів для контролю якості, закупівлі, планування виробництва та обслуговування обладнання; роздрібні підприємства потребують агентів для обслуговування клієнтів, управління запасами та поповнення; фінансові відділи потребують агентів для обробки рахунків, звірки, закриття та стягнення.

Якщо дивитися окремо, кожен сценарій може бути менш зосередженим, ніж Coding.

Але якщо їх об'єднати, це відповідає всій сфері послуг, системі знань, системі внутрішніх операцій та професійних послуг, чий бюджет на працю, бюджет на аутсорсинг та бюджет на транзакції значно перевищує бюджет на розробку програмного забезпечення.

Отже, другий двигун зростання AI, ймовірно, не проявиться у вигляді одного продукту, який раптово стане "другим Coding". Швидше за все, це буде проявлятися в тому, що десятки галузей, сотні бізнес-процесів одночасно переходять до агентної моделі, в результаті чого загальний обсяг перевищить Coding.

Наступний етап революції AI, ймовірно, буде революцією процесів, що відбувається в розпорошеному вигляді, а не єдиним суперзастосуванням;

3. Які сценарії найближчі до "наступного Coding"

Щоб оцінити, чи може сценарій швидко бути перетворений AI, можна використовувати просту модель:

Комерційна цінність AI ≈ частота завдань × витрати на працю × частка автоматизації × перевірюваність × здатність системи виконувати – витрати на помилки, інтеграцію та управління.

Відповідно до цього стандарту, найближчими до структури Coding є не стратегічні, креативні або управлінські завдання, а ті, які мають високу цифровізацію, чіткі SOP, кількісні показники, дозволяють ручну перевірку та в яких AI може дійсно викликати системи для виконання дій.

1. Агенти обслуговування клієнтів та голосові агенти: найбільш схожий на другий Coding окремий сценарій

Обслуговування клієнтів має базу знань, процеси обслуговування, автентифікацію особи, систему заявок та чіткі критерії успіху.

Чи створює агент обслуговування клієнтів цінність, можна безпосередньо оцінити за показниками першого вирішення, частки передачі до людини, середнього часу обробки, частоти повторних дзвінків та задоволеності клієнтів.

З розвитком голосових моделей AI вже може не лише відповідати на запитання в чаті, але й входити в телефонні дзвінки для запису, повернення, зміни, стягнення, відбору продажів, обслуговування готелів, медичних прийомів та консультацій з страхування.

Але голос сам по собі не є бізнес-моделлю.

Справжня цінність полягає не в тому, чи може AI говорити, як людина, а в тому, чи може він перевіряти замовлення, підтверджувати особу, змінювати системи, ініціювати повернення, оновлювати CRM та закривати заявки.

Тільки виконуючи ці дії, AI може перейти від голосового помічника до бізнес-агента.

2. IT-операції та кібербезпека: друга основна лінія в технічному відділі

IT-операції та безпека, як і Coding, мають велику кількість даних, які можна читати машинами:

Журнали, сповіщення, конфігураційні файли, мережеві топології, інформація про вразливості, системи доступу та експлуатаційні посібники.

AI може почати з пояснення сповіщень, поступово переходячи до локалізації несправностей, виклику діагностичних інструментів, виконання Runbook, перевірки відновлення послуг, генерування звітів про інциденти та передачі високих ризиків на затвердження людині.

Його найбільша перешкода не в здатності моделі, а в готовності компанії надати достатньо високі системні права агенту.

3. Фінанси, бухгалтерія та закупівлі: найбільший ринок, який найчастіше недооцінюється

Фінансові процеси зазвичай є документно-інтенсивними, багатими на правила, з високою повторюваністю та природними механізмами перевірки.

Чи можуть суми відповідати, чи збалансовані позики, чи правильні права на затвердження, чи узгоджуються три документи, чи завершено закриття – все це можна перевірити.

Отже, обробка рахунків, кредиторська заборгованість, дебіторська заборгованість, перевірка витрат, банківські звірки, пошук постачальників, закриття місяця, прогнозування грошових потоків та аудиторські документи – все це дуже підходить для агентної моделі.

Ці застосування можуть не створити відомий додаток, з яким знайомі споживачі, але можуть поглинути велику кількість центрів спільних послуг, аутсорсингу фінансів та роботи з внутрішніми операціями.

4. Медична адміністрація, право, страхування та відповідність

Ці сфери мають високі витрати на працю, є документно-інтенсивними, а їх процеси відносно стандартизовані.

Найбільш зрілі медичні AI часто не є прямими діагнозами, а обробкою медичних документів, кодуванням зборів, попередньою авторизацією, записом, розподілом пацієнтів та обробкою матеріалів для врегулювання.

Юридичний AI спочатку входить у пошук, перегляд контрактів, дю ділідженс, організацію судових матеріалів та звітів про регулювання.

Страхування природно підходить для читання матеріалів, підрахунку, врегулювання, боротьби з шахрайством та стягнення.

Їх спільним обмеженням є високі витрати на помилки, тому протягом тривалого часу буде зберігатися перевірка професіоналами та остаточне підписання.

5. Ланцюг постачання та виробництво: довгострокова цінність велика, але темп реалізації повільніший

Прогнозування попиту, поповнення запасів, закупівлі, планування виробництва, контроль якості, обслуговування обладнання та логістичне управління можуть мати економічну цінність, що значно перевищує звичайну офісну допомогу.

Але ці процеси охоплюють кілька відділів та старі системи, частина результатів відбувається у фізичному світі, а цикл зворотного зв'язку може тривати тижні або місяці.

Отже, ланцюг постачання та виробництво можуть стати одним з найбільших ринків AI у довгостроковій перспективі, але не зможуть швидко завершити продуктування та масштабування, як Coding.

Отже, якщо потрібно дати відповідь: агенти обслуговування клієнтів та голосові агенти найближчі до "наступного Coding"; але те, що насправді може перевищити Coding в загальному обсязі, не буде лише одним сценарієм обслуговування клієнтів, а буде сумою робочих потоків обслуговування клієнтів, фінансів, IT, медицини, права, страхування, закупівель та ланцюга постачання.

4. Три групи цифр від Microsoft демонструють три етапи розширення поза Coding

Тепер ми повинні подивитися на фінансові звіти, три групи даних, оприлюднені Microsoft у четвертому кварталі FY2026, надають дуже цінну "рентгенівську" картину для розуміння, на якому етапі знаходиться AI в бізнесі:

1. Кількість клієнтів Foundry досягла 100 тисяч, дохід зріс більш ніж удвічі в річному обчисленні;

2. Кількість платних місць Microsoft 365 Copilot перевищила 30 мільйонів;

3. Після запуску Agent 365 було зареєстровано близько 40 мільйонів агентів.

Ці три цифри підтримують ідею, що "AI розширюється з Coding до неCoding", але їхня сила доказу абсолютно різна.

І ці три групи цифр не можуть бути підсумовані.

Одна й та ж велика компанія може бути одночасно клієнтом Foundry, купувати десятки тисяч місць M365 Copilot і реєструвати тисячі агентів в Agent 365. По суті, це одна й та ж компанія, яка спостерігається на трьох рівнях "розробки, використання, управління".

1. Foundry доводить, що компанії "будують"

Компанії переходять від використання загальних чат-ботів до створення власних галузевих застосунків та бізнес-агентів.

Проте Foundry одночасно підтримує як кодувальні, так і некодувальні сценарії, і не розкриває, скільки клієнтів перебуває на стадії експерименту, а скільки вже перейшли до виробництва, не кажучи вже про абсолютний обсяг доходів та структуру сценаріїв.

Отже, це є свідченням розширення лінії будівництва некодувальних застосунків, а не достатнім доказом того, що доходи від некодувальних застосунків вже повністю вибухнули.

2. M365 Copilot доводить, що некодувальні працівники вже "використовують".

30 мільйонів - це не 30 мільйонів компаній, а 30 мільйонів робочих місць у компаніях.

Ці користувачі включають не лише розробників, але й, що більш важливо, фінансистів, продавців, HR, юристів, лікарів, консультантів, банківських працівників, менеджерів виробництв та звичайних адміністративних працівників.

Вони підсумовують електронні листи в Outlook, створюють протоколи засідань у Teams, пишуть документи в Word, створюють презентації в PowerPoint, аналізують дані в Excel, шукають інформацію в корпоративних базах знань.

Це означає, що компанії більше не купують AI лише для програмістів, а купують AI для великої кількості звичайних знань працівників.

Серед трьох наборів даних, 30 мільйонів платних місць M365 Copilot є найпрямішим доказом "поширення AI від кодування до некодування".

Але це спочатку доводить, що прийняття та оплата не означають, що компанії вже завершили реорганізацію процесів.

Працівник, який використовує Copilot для підсумовування засідань, редагування електронних листів та пошуку інформації, свідчить про те, що AI вже увійшов у роботу, але це не означає, що компанія вже скоротила персонал, знизила SG&A або підвищила вільний грошовий потік.

3. Agent 365 доводить, що компанії готуються до "управління".

Agent 365 більше схожий на контрольний рівень ідентичності, прав, безпеки та аудиту агентів компанії.

Він відповідає за виявлення та реєстрацію агентів, управління доступом агентів до даних, викликом інструментів, виконанням дій та відстеженням життєвого циклу агентів і записів про відповідність.

Отже, близько 40 мільйонів зареєстрованих агентів не означає:

• що 40 мільйонів агентів працюють щодня;
• що є 40 мільйонів незалежних платних одиниць;
• що 40 мільйонів агентів постійно споживають токени;
• що 40 мільйонів агентів вже перейшли до виробництва;
• що 40 мільйонів агентів генерують доходи.

Це більше схоже на внутрішній реєстр активів агентів компанії.

Серед них можуть бути тестові агенти, особисті агенти, департаментські агенти, неактивні агенти, автоматизовані агенти та "тіньові агенти", виявлені системою.

Ця цифра насправді свідчить про те, що кількість і джерела агентів всередині компанії стали настільки складними, що потребують єдиного управління ідентичністю, правами, безпекою та аудитом.

Це важливий провідний показник, але не показник доходів, активності та продуктивності.

Отже, найраціональніше пояснення трьох наборів даних: Foundry доводить, що компанії будують, M365 Copilot доводить, що працівники використовують, Agent 365 доводить, що компанії починають управляти.

Серед них M365 Copilot є прямим доказом, Foundry є підтримуваним доходами верхньопотоковим доказом, а Agent 365 є провідним показником структури та управління.

П’ять, на якому етапі зараз знаходиться AI в компаніях

AI застосування можна розділити на п’ять етапів.

Перший етап: Кодувальний агент

AI входить у програмну інженерію, завершує доповнення, тестування, виправлення, рефакторинг та розгортання.

Цей етап вже перейшов від експерименту до масштабного виробництва і є найзрілим навантаженням AI для бізнесу.

Другий етап: Копілот для горизонтальних знань

AI входить у електронну пошту, засідання, документи, таблиці, дослідження, корпоративний пошук та генерацію контенту.

30 мільйонів платних місць M365 Copilot головним чином доводять, що цей етап вже перейшов до масштабних закупівель.

Третій етап: Департаментський агент

AI починає входити в служби підтримки клієнтів, продажів, фінансів, закупівель, HR, юриспруденції, IT та безпеки.

Основна зміна на цьому етапі полягає в тому, що AI не лише генерує контент, а починає викликати корпоративні дані та бізнес-інструменти.

Зростання Foundry, зростання споживання Dynamics та велика кількість галузевих випадків свідчать про те, що цей етап формується.

Четвертий етап: Кінцеві бізнес-процеси

Агент може запитувати дані, викликати системи, виконувати затвердження, ініціювати повернення, генерувати замовлення, оновлювати записи та обробляти винятки.

Наприклад, агент повернення не просто говорить службі підтримки "клієнт відповідає умовам повернення", а завершує перевірку особи, запит замовлення, оцінку політики, здійснює повернення платежу, оновлює CRM та сповіщає клієнта.

На даний момент лише деякі провідні компанії та частина стандартизованих процесів перейшли до цього етапу.

П’ятий етап: Прибуток компанії та макроекономічна продуктивність

Зростання доходів компанії починає постійно перевищувати зростання кількості працівників, знижується коефіцієнт SG&A, зменшуються витрати на одиницю бізнесу, скорочується термін повернення коштів, покращується конверсія готівки.

Врешті-решт, ці зміни потраплять у загальну продуктивність факторів, ВВП та макроекономічні дані.

На даний момент AI в компаніях вже масово перейшов до другого етапу, просуваючись до третього етапу, а деякі провідні клієнти перейшли до четвертого етапу, але п’ятий етап все ще потребує широких, безперервних, перевіряємих доказів.

Деякі випадки, розкриті Microsoft, вже демонструють напрямок: обробка вкладень контрактів скорочена з 30-45 хвилин до приблизно 3 хвилин, процес підтвердження HR скорочено з трьох днів до 120 секунд, середній дохід групи продажів зріс, терміни угод скорочені, а споживання в службі підтримки швидко зросло.

Але ці випадки все ще є вибірковими, і їх не можна безпосередньо розуміти як середній ефект для всіх компаній.

Найважливіше розрізнення все ще полягає в тому, що:

використання AI в бізнес-процесах не означає, що AI вже завершив бізнес-процеси; економія часу працівників також не означає, що компанія вже збільшила прибуток.

Шість, поширення некодування вже відбулося, але все ще перебуває на етапі "широкого, але не глибокого"

Згідно з фактичними даними використання постачальників моделей, AI застосування дійсно поширюється від кодування до інших функцій.

Дані Anthropic показують, що завдання, пов’язані з комп’ютерами та математикою, все ще складають близько 35% діалогу Claude.ai, кодування залишається найбільшою одиничною категорією завдань; але частка десяти найпоширеніших завдань знизилася з 24% у листопаді 2025 року до 19% у лютому 2026 року, що свідчить про розподіл сценаріїв використання.

Дані OpenAI також показують, що написання залишається найпоширенішим використанням ChatGPT; у використанні типу агентів кодування та системні операції складають близько 75%. Тим часом, у наймі, продажах, політиці та корпоративному спілкуванні близько чверті до третини повідомлень агентів вже стосуються системних або агентських операцій.

З лютого 2026 року кількість активних користувачів Codex у юридичних відділах серед клієнтів OpenAI зросла в 108 разів, продажі та найм зросли в 41 раз, маркетинг зріс на 26 разів, а інженерні відділи зросли приблизно в 5 разів. Оскільки початковий рівень неінженерних відділів нижчий, ці множники не можна безпосередньо порівнювати з інженерними відділами, але напрямок дуже чіткий: використання типу агентів виходить за межі технічних відділів.

Проте більш репрезентативні дані Бюро перепису населення США нагадують нам, що підприємницький AI ще далеко не завершив глибоке проникнення.

Наприкінці 2025 року та на початку 2026 року близько 18% американських підприємств використовують AI в принаймні одній бізнес-функції, з урахуванням кількості працівників це становить близько 32%. Серед підприємств, які використовують AI, 57% впроваджують AI лише в трьох або менше функцій, 65% використовують його лише для трьох або менше завдань; 66% підприємств все ще використовують AI лише для підвищення продуктивності працівників, а лише близько 2% підприємств повідомляють про скорочення робочих місць через AI.

Ці кілька наборів даних разом дають дуже точний висновок:

AI вже увійшов у підприємства, але ще не став загальноприйнятим у структурі витрат підприємств.

Він вже перейшов від експерименту до закупівель, а також від технічних відділів до продажів, фінансів, медицини та адміністративних відділів, але більшість підприємств все ще залишаються на етапі особистих помічників та часткових копілотів.

Справжня зміна в звіті про прибутки відбувається лише в деяких провідних підприємствах. Це призводить до того, що загальний простір ринку некодування є дуже великим, але ступінь стандартизації продуктів є низькою, а швидкість розширення також повільніша. Тому в некодувальних сценаріях може виникнути парадоксальна ситуація: загальний ринок значно більший за кодування, але зростання будь-якої компанії не обов’язково буде таким же рівномірним, як у продуктах кодування.

Сім, найбільша можливість для споживачів: особисті агенти дій

Найбільш ймовірним напрямком, що може сформувати платформену цінність для споживачів, є не просто чат, а особисті агенти дій, які можуть дійсно виконувати завдання для користувачів.

Вони можуть читати електронні листи, визначати справи, планувати графік, порівнювати рейси та готелі, записуватися до лікаря, управляти рахунками, обробляти повернення, купувати товари, планувати подорожі, заповнювати форми та координувати час членів родини.

На даний момент більшість AI все ще перебуває на стадії "сказати вам, як це зробити".

Справжній наступний етап: AI знає ваші уподобання, має авторизовані облікові записи та інструменти і може виконувати справи за вас.

Цей сценарій також має потенційно більш різноманітні бізнес-моделі, ніж звичайна підписка: комісії за угоди, доходи від платежів, реклама, плата за рекомендації, доходи від фінансових послуг та членські внески.

Але особисті агенти дій стикаються з вищими бар'єрами довіри, ніж кодування. Чи готові користувачі дозволити AI читати електронні листи, отримувати доступ до банківських рахунків, використовувати кредитні картки, обробляти медичну інформацію або виконувати угоди від їх імені, визначить швидкість розширення цього ринку.

Отже, особисті агенти дій можуть бути найбільшою довгостроковою можливістю для споживчого сегмента, але не обов’язково є найбільш легким сценарієм для масштабного реалізації в короткостроковій перспективі.

Вісім, важливіші сценарії в майбутньому: наукові відкриття AI

Наукові відкриття AI, ймовірно, стануть одним з найважливіших проривів наступного етапу революції AI, а також матимуть найбільший довгостроковий мультиплікаторний ефект. Кодування вирішує питання "як більш ефективно виробляти програмне забезпечення"; бізнес-агенти вирішують питання "як більш ефективно виконувати існуючі бізнеси"; наукові відкриття AI намагаються вирішити питання: "як більш ефективно виробляти нові знання, нові технології та нові можливості". Це не звичайний AI-застосунок, а вбудовування AI в саму функцію виробництва технологічного прогресу.

Цього тижня з’явився випадок: Moderna спільно з Merck розробила персоналізовану mRNA вакцину від раку intismeran autogene (раніше відома як mRNA-4157 або V940), яка отримала позитивні результати в III фазі клінічних випробувань для ад'ювантної терапії меланоми. AI в цьому процесі продемонстрував значні результати, головним чином у виборі нових антигенів та плануванні виробництва. Moderna в офіційному блозі чітко зазначила, що це "свідчення сили AI", підкресливши, що AI допоміг досягти швидкості та точності в складності "одна людина - одна ліки". Без таких обчислювальних інструментів масштабний, швидкий персоналізований вибір нових антигенів з високою імуногенністю був би практично неможливим, AI тут є основною технологією.

Це доводить, що AI/ML, що керує персоналізованим прогнозуванням нових антигенів + платформою mRNA, може забезпечити значні клінічні вигоди в великих випадкових III фазах випробувань для високого ризику солідних пухлин і вперше перевершити існуючі стандартні лікування (Keytruda в моно-режимі). Це підтверджує життєздатність шляху "обчислювальної біології + точної імунології", особливо в пухлинах з високим навантаженням мутацій.

Наукові відкриття AI використовують інтелект для виробництва нових знань, а нові знання далі перетворюються на: нові ліки, нові матеріали, нові джерела енергії, нові чіпи, нові роботи, нові квантові пристрої, нові способи промислового виробництва, їхній вплив є мультиплікаторним. Найбільш важливим довгостроковим шляхом є:

AI генерує наукові гіпотези

→ Моделювання та обчислювальний відбір

→ Автоматизація лабораторних перевірок

→ Формування нових ліків та нових матеріалів

→ З'являються нові технології, нові роботи та нові галузі

→ Нові галузі генерують більше даних, обчислювальних потужностей та наукових запитів.

Це може підняти ШІ з "інструменту для підвищення ефективності існуючої економіки" до технології, що прискорює загальний темп технологічного прогресу в суспільстві.

Звісно, потрібно розрізняти два питання:

З точки зору цивілізації та довгострокової економічної цінності, наукові відкриття в галузі ШІ можуть бути важливішими, ніж наступний споживчий додаток або навіть корпоративний робочий агент;

Проте з точки зору доходів, вільного грошового потоку та здатності поглинання капітальних витрат ШІ, він може не реалізуватися швидше, ніж агенти обслуговування клієнтів, корпоративні помічники та програмування.

IX. ШІ має чотири абсолютно різні годинники

Часові затримки в застосуванні ШІ виникають через різну швидкість роботи чотирьох годинників.

Перший годинник: годинник капітальних витрат

Цей годинник запускається найшвидше. GPU, дата-центри, електроенергія, мережі, земля та охолоджувальні системи потрібно будувати заздалегідь. Хмарні постачальники, якщо чекатимуть на повне підтвердження попиту, можуть не встигнути отримати потужності та клієнтів. Раніше тут обговорювалося https://x.com/qinbafrank/status/2086749504129372432?s=20

Отже, капітальні витрати, фінансування, відсотки, орендні зобов'язання та амортизація зазвичай відбуваються першими.

Аналізуючи, цей етап можна зрозуміти як відразу до 18 місяців, але конкретні цикли проектів можуть сильно відрізнятися.

Другий годинник: годинник доходів від продуктів

Хмарні обчислення, API моделей, агенти програмування та універсальні помічники можуть швидко почати генерувати доходи, зазвичай через кілька кварталів після капітальних інвестицій. Цей етап може зайняти близько 6 до 24 місяців. Це головним чином різниця в часі між постачальниками моделей та хмарними постачальниками, раніше тут https://x.com/qinbafrank/status/2081226811514753045 обговорювалося: "гроші спочатку витрачаються (капітальні витрати витрачаються першими), потужності запускаються пізніше, замовлення перетворюються на доходи, а прибуток та вільний грошовий потік реалізуються останніми".

Третій годинник: годинник прибутку від корпоративних робочих потоків

Щоб ШІ дійсно потрапив до звіту про прибутки, компанії повинні завершити управління даними, відкриття доступу, інтеграцію систем, реорганізацію процесів, навчання персоналу та коригування організації.

Зекономлений час також повинен бути перетворений на менше наймання людей, зменшення аутсорсингу, підвищення обсягу бізнесу, скорочення термінів виконання, збільшення коефіцієнта конверсії або зменшення втрат через помилки.

Цей процес може зайняти від 18 до 48 місяців, а в складних галузях навіть більше.

Четвертий годинник: годинник макроекономічної продуктивності

Тільки коли ШІ пошириться на достатню кількість компаній, робочих процесів та галузей, і завершить реорганізацію організацій та капіталу, його внесок може суттєво відобразитися в загальній продуктивності факторів виробництва та даних ВВП.

У другому кварталі продуктивність праці в ненавчальному бізнес-секторі США зросла на 2,2% в річному обчисленні, а витрати на одиницю праці зросли на 1,4%. Це позитивне явище, але продуктивність праці не дорівнює загальній продуктивності факторів виробництва, і не можна повністю приписувати нинішнє зростання продуктивності ШІ. Цей процес зазвичай триває роками, може зайняти від 3 до 7 років або навіть більше.

Ці часові рамки не є точними прогнозами, а є рамками для розуміння ритму галузі.

Найважливіше: терпіння капітальних ринків, облігаційних ринків та керівництв компаній зазвичай коротше, ніж час, необхідний для реорганізації організацій та реалізації макроекономічної продуктивності.

Це є причиною, чому в циклі капіталу ШІ найчастіше виникають коливання.

X. Справжній ризик полягає в невідповідності між CapEx та термінами грошового потоку

Сьогодні попит на ШІ не є фальшивим: доходи від хмари, виклики моделей, використання програмування та закупівлі помічників зростають. Але зростання попиту та капітальні витрати можуть відбуватися одночасно.

Згідно з даними, наведеними в матеріалі, Google швидко зростає в бізнесі Cloud, але капітальні витрати за один квартал вже перевищили операційний грошовий потік, а вільний грошовий потік став негативним; Amazon AWS продовжує зростати, бізнес ШІ формує реальний дохід, але за останні дванадцять місяців вільний грошовий потік також був суттєво під тиском інвестицій в обладнання ШІ; операційний грошовий потік Microsoft та якість комерційних замовлень відносно сильніші, але квартальні капітальні витрати все ще значно перевищують вільний грошовий потік; Meta продовжує субсидувати ШІ за рахунок рекламного бізнесу, але буфер вільного грошового потоку також значно звужується.

Ці статистичні цикли та дані не зовсім узгоджені, їх не можна механічно порівнювати, але напрямок дуже узгоджений: доходи від ШІ зростають, а капітальна інтенсивність ШІ зростає ще швидше.

Отже, ринок насправді потребує підтвердження не в тому, чи є у ШІ доходи, а в тому, коли:

Зростання валового прибутку від ШІ, збільшення доходів від існуючого бізнесу та заощадження витрат можуть постійно перевищувати амортизацію, енергетичні витрати, відсотки, орендні витрати та витрати на заміну обладнання?

Дивлячись глибше, перший етап фінансового циклу в галузі ШІ головним чином полягає в:

Фінансування компаній моделей

→ Купівля хмарних обчислень та GPU

→ Зростання доходів хмарних постачальників

→ Хмарні постачальники продовжують будувати дата-центри

→ Виробники чіпів, оптичного зв'язку, електроенергії та дата-центрів розширюють виробництво

→ Вся промислова ланцюг продовжує фінансування.

Цей цикл може тривати досить довго, але значна частина доходів все ще походить від витрат, сформованих фінансуванням з капітальних ринків, а не від операційного грошового потоку, створеного традиційними підприємствами та споживачами.

Отже, якість попиту на ШІ можна розділити на три рівні.

Перший рівень - це компанії моделей, постачальники хмарних обчислень та оператори дата-центрів, які розширюються за рахунок акціонерного капіталу, боргових зобов'язань, оренди та проектного фінансування.

Другий рівень - це попит на технології, такі як програмування, API моделей, оптимізація реклами, пошук та рекомендації.

Третій рівень - це банки, страхування, охорона здоров'я, виробництво, роздрібна торгівля, логістика, фінансові послуги та обслуговування клієнтів, які використовують свій операційний грошовий потік для покупки ШІ та отримують прибуток з реальних бізнес-процесів.

Тільки коли третій рівень запуститься в масштабах, цикл капіталу ШІ дійсно перетвориться з "розширення пропозиції, що стимулюється капітальними ринками" на "кінцевий попит, створений виробничою діяльністю всієї галузі".

Ось чому неCoding-сцени є такими важливими.

Це не лише означає, що з'являється більше доходів від ШІ, але й те, що джерела фінансування попиту на ШІ починають поширюватися з фінансування компаній моделей та капітальних витрат технологічних підприємств на операційний бюджет всієї економічної системи.

XI. Відсутність чіткої "другої програмування" не означає, що ШІ не працює

ШІ як технологія загального призначення не обов'язково потребує одного єдиного застосування для комерціалізації.

Персональні комп'ютери не змінили світ завдяки одному програмному забезпеченню, Інтернет не залежав лише від пошуку, а хмарні обчислення не обслуговували лише один бізнес.

Кінцева цінність ШІ, ймовірно, не в тому, щоб створити ізольований супердодаток, а в тому, щоб поступово стати базовим рівнем виконання для всього програмного забезпечення, даних, процесів і транзакцій.

Тут є три зміни, які легко пропустити.

Перше, бюджетний пул для неCoding є більшим

Програмування в основному стосується програмістів і IT-бюджету, але як тільки неCoding-агенти почнуть виконувати реальний бізнес, вони можуть потрапити в: бюджет корпоративного програмного забезпечення, бюджет витрат на працю, бюджет BPO та аутсорсингу, бюджет консультаційних та професійних послуг, бюджет продажів та маркетингу, бюджет відшкодування та втрат від шахрайства, бюджет транзакцій та комісій.

Це спонукатиме бізнес-моделі переходити від плати за місце до плати за використання, за завдання та за результат.

Логіка плати за місце полягає в тому, щоб надати працівникам інструмент, а логіка плати за результат полягає в тому, що ШІ вже виконав роботу. Обидва ринки мають абсолютно різні масштаби.

Друге, Vibe Coding стає технологією, що прокладає шлях для неCoding робочих процесів

У майбутньому багато не технічних працівників не вважатимуть себе "програмістами", але створюватимуть через природну мову: інструменти для фінансового звіту, панелі продажів, системи попередження запасів, внутрішні сторінки затвердження, програми очищення даних клієнтів, автоматичні звіти, процеси перевірки контрактів, спеціалізовані агенти для відділів.

Раніше ці довгі хвости процесів через малий масштаб та специфічні вимоги не вартували спеціального закупівлі SaaS або очікування розробки IT, і їх доводилося довго покладатися на Excel, електронну пошту та ручні операції.

Агенти програмування знижують витрати на налаштування програмного забезпечення, і тепер багато неCoding процесів вперше мають економічні умови для автоматизації та агентування.

Отже, у майбутньому більш ймовірно, що програмування поступово приховається в усіх неCoding бізнес-процесах.

Третє, відповідь на споживчому рівні може бути особистим агентом дій

У сфері C, споживачі зазвичай не платять за "економію витрат на працю". Справжня можливість на рівні платформи, ймовірно, полягає в особистому агенті дій, який має довготривалу пам'ять, права доступу та можливості транзакцій. Він може читати електронні листи, управляти розкладом, порівнювати рейси та готелі, обробляти повернення, записуватися до лікаря, управляти рахунками, купувати товари, координувати домашні справи.

Наступна конкуренція в споживчому ШІ зосередиться на тому, хто зможе отримати довіру користувачів, права доступу та можливості транзакцій, і дійсно завершити справи. Звісно, з точки зору підтримки поточних інвестицій в інфраструктуру ШІ, агенти робочих процесів B все ще є більш критичними, ніж окремі споживчі застосування, оскільки попит підприємств є більш стабільним, бюджет більший і легше формувати постійні витрати на розуміння.

XII. Часові затримки не є логічною помилкою, але можуть призвести до коливань оцінки та кредитного циклу

Майбутнє можна умовно розділити на три шляхи.

1. Швидка зміна

Обслуговування клієнтів, фінансові послуги, адміністрація охорони здоров'я, IT-обслуговування, страхування та юридична відповідність швидко входять у виробниче середовище протягом наступних одного-двох років. Споживання неCoding-агентів прискорюється, компанії переходять від плати за місце до плати за використання та результати, попит на ШІ ще більше поширюється на традиційні галузі.

Зростання доходів компаній починає перевищувати зростання витрат на працівників, а вільний грошовий потік хмарних постачальників досягає дна, а капітальна віддача від ШІ підтверджується.

У такому сценарії поточні капітальні витрати можуть бути спожиті майбутнім попитом, ринок буде поширюватися від верхніх постачальників обладнання до платформ, програмного забезпечення та користувачів ШІ.

2. Базовий сценарій: правильний напрямок, але з коливаннями

Попит на неCoding продовжує зростати, але впровадження компаній, інтеграція систем та реорганізація організацій потребують від двох до чотирьох років.

Програмування все ще зростає, але поступово сповільнюється; неCoding з низької бази зростає швидко, але поки недостатньо, щоб повністю змінити ситуацію; в той же час капітальні витрати, амортизація та відсотки продовжують зростати. Ринок періодично сумнівається в прибутковості ШІ, що призводить до зниження оцінки напівпровідників, дата-центрів та компаній з високою капітальною інтенсивністю.

Потім, щоразу, коли дані про робочі процеси компаній, використання та продуктивність покращуються, активи ШІ знову зростають. Це може бути найреалістичнішим шляхом: довгострокова логіка не зруйнована, але терпіння капітальних ринків коротше, ніж цикл реорганізації підприємств.

Отже, ринок ШІ може не бути прямою лінією з постійним зростанням, а скоріше постійно переживати:

Розширення капітальних витрат

→ Сумніви в ROI

→ Поліпшення даних про попит

→ Знову розширення

→ Знову очікування реалізації прибутку.

3. Повільна зміна, навіть можливе очищення капіталу

Якщо покращення моделей сповільниться, неCoding завдання тривалий час вимагатим великого нагляду, компанії завжди не захочуть підключати агентів до основних систем, одночасно з посиленням цінової конкуренції моделей та зниженням одиничних доходів, капітальна віддача погіршиться.

Навіть якщо ШІ має величезну цінність у довгостроковій перспективі, певний раунд капітальних витрат може не принести розумної віддачі.

Правильний технологічний напрямок не означає, що кожна інвестиція, кожна компанія та кожна структура фінансування можуть бути успішними.

Я особисто схиляюся до думки, що майбутнє перебуває між базовим сценарієм та швидкою зміною

XIII. Що дійсно слід відстежувати далі: шість показників спостереження та три перехрестя

Щоб оцінити, чи неCoding попит переходить до нової стадії, не можна обмежуватися лише кількістю зареєстрованих агентів, параметрами моделей, зростанням токенів та капітальними витратами.

1. Більш важливо спостерігати за наступними показниками.

1. Активні агенти, а не зареєстровані агенти

Потрібно звернути увагу на місячну активність агентів, тривалість їх роботи, кількість автономних завдань та частку в продуктивному середовищі.

Список активів може лише підтвердити, що компанія почала управління, але не може підтвердити, що агенти працюють.

Ключове не в тому, скільки відповідей було згенеровано, а в тому, скільки інструментів було використано, скільки записів було внесено в ERP та CRM, скільки було ініційовано повернень, скільки рахунків було оброблено та скільки заявок було закрито.

3. Рівень самостійного виконання та рівень передачі на людину

Скільки завдань можна завершити без втручання людини? Чи зменшується частка аномальних ситуацій?

Це є ключовим показником того, чи може агент перетворитися з помічника на робочу силу.

4. Перехід від доходу з ліцензій до доходу від споживання та результатів

Розширення ліцензій M365 Copilot все ще важливе, але більш цінним є зростання використання в сферах обслуговування клієнтів, фінансів, постачання та охорони здоров'я, а також доходи, що стягуються за результати обробки.

5. Абсолютний обсяг доходу Foundry та структура клієнтів

Необхідно оцінювати не лише темпи зростання, а й скільки доходу надходить від непрофільних виробничих навантажень, скільки від небагатьох великих клієнтів, скільки клієнтів переходять від PoC до безперервного виробництва.

6. Чи дійсно компанії досягають продуктивності

Необхідно спостерігати: чи зростає дохід швидше, ніж кількість працівників, чи сповільнюється найм адміністративного персоналу, чи зменшуються витрати на аутсорсинг, чи покращується SG&A, чи знижується вартість одиниці бізнесу;

7. Чи може додатковий прибуток AI покрити капітальні витрати

Врешті-решт потрібно відповісти:

Чи може додатковий валовий прибуток AI + зростання існуючого бізнесу + економія витрат клієнтів покрити витрати на інфраструктуру, амортизацію, енергію, відсотки та заміну обладнання?

Це є "тестом на одиницю", який повинен пройти нинішній інвестиційний обсяг у трильйони доларів у інфраструктуру AI.

2. Три перехрестя

Перше перехрестя - це перетин темпів зростання Coding та не-Coding.

Навіть якщо Coding продовжить зростати, якщо темпи зростання поступово сповільняться, не-Coding повинні взяти на себе естафету швидше, щоб підтримувати загальний темп зростання AI.

Друге перехрестя - це перетин доходів AI з амортизацією, енергією та відсотками.

Тільки якщо додатковий валовий прибуток AI продовжує зростати швидше, ніж витрати на інфраструктуру, капітальна віддача може покращитися.

Третє перехрестя - це перетин економії часу підприємств з прибутком підприємств.

Тільки коли AI забезпечує зростання доходів швидше, ніж зростання кількості працівників та витрат, історія продуктивності дійсно потрапляє до фінансових звітів.

Висновок

Ринок шукає не другий додаток, а другий двигун попиту.

Наближається сфера обслуговування клієнтів та голосові агенти, а більша відповідь - це агенти робочих процесів підприємств, що складаються з фінансів, охорони здоров'я, права, страхування, продажів, закупівель, IT-обслуговування та постачання.

Найбільш ймовірно, що на споживчому ринку буде створена платформена цінність, яка має довгострокову пам'ять, права доступу та можливості транзакцій - це особисті агенти дій.

Наука про AI є більш важливою в майбутніх довгострокових сценаріях.

Отже, підсумовуючи висновки:

Другий двигун зростання AI, ймовірно, не буде проявлятися у вигляді акуратного "другого Coding", а буде проявлятися у вигляді сотень бізнес-процесів, які одночасно переходять від ручної роботи до виконання AI.

Отже, відсутність нового супердодатку, який раптово з'являється, не означає, що AI не працює. AI все ще може створювати величезну економічну цінність через широке та поступове покращення продуктивності.

Але для нинішнього капітального ринку недостатньо просто довести, що "багато людей використовують AI". Наступним кроком потрібно довести:

AI може виконувати реальну роботу, підприємства готові платити за використання та результати, не-технологічні галузі можуть формувати стійкий кінцевий попит, покращення продуктивності може перейти в прибутковість та вільний грошовий потік, новий валовий прибуток врешті-решт може покрити амортизацію, енергію, відсотки та оновлення обладнання.

Отже, основна суперечність нинішньої інвестиційної логіки AI не в тому, чи є "майбутнє", а в тому:

Капітальні витрати та борги вже прийшли, Coding став загальноприйнятим, доходи від не-Coding та загальна продуктивність починають зростати.

Coding завершив першу естафету;

Служба підтримки клієнтів, охорона здоров'я, фінанси, продажі, постачання та особисті агенти беруть на себе другу естафету.

Наступний імпульс полягає в тому, чи можуть ці розрізнені сценарії об'єднатися в достатньо великий дохід, грошовий потік та продуктивність до того, як перша естафета помітно сповільниться.

Це є найважливішою часовою різницею на рівні застосування AI.

Цей контент надано лише для загальних інформаційних цілей і не є фінансовою, інвестиційною, юридичною чи податковою консультацією. Події, нагороди, онлайн-акцій або пов’язану інформацію, згадана тут, не слід розглядати як рекомендацію, прохання чи запрошення до купівлі, продажу, торгівлі чи інших операцій з криптоактивами. Криптоактиви є дуже волатильними та можуть призвести до збитків. Доступність послуг, продуктів WEEX та пов’язаних із ними подій може відрізнятися залежно від регіону. Ви несете відповідальність за забезпечення відповідності вашої участі чинному місцевому законодавству та нормативним актам.