Отличная экономическая работа, которая моделирует
«структурный парадокс Джевонса», происходящий прямо сейчас в индустрии ИИ.
Стоимость запуска LLM падает.
Но общее потребление вычислений и энергии взрывается.
Исследователи показывают: когда стоимость единицы цифрового интеллекта снижается, компании не начинают тратить меньше.
Они начинают строить более сложных AI-агентов, более длинные пайплайны и более тяжелую инфраструктуру.
В результате спрос на вычисления растет экспоненциально.
То есть дешевый ИИ приводит к большему потреблению вычислений, а не к экономии.
В работе выделяют несколько жестких экономических эффектов.
1. Структурный парадокс Джевонса
Чем дешевле inference, тем выгоднее запускать больше AI-систем и агентов.
Итог – взрывной рост потребности в compute.
2. Ловушка wrapper-стартапов
Небольшие компании, которые строят простые приложения поверх LLM, со временем теряют ценность.
По мере развития базовых моделей эти функции встраиваются прямо в core-модель.
3. Эффект Красной Королевы
Даже идеально работающая модель может стать экономически бесполезной в момент, когда конкурент выпускает более умную версию.
Нужно постоянно бежать вперед, просто чтобы оставаться на месте.
4. Маховик данных
Компании с большим числом пользователей собирают больше данных.
Больше данных – лучше модели – больше пользователей.
Этот цикл постепенно толкает индустрию к winner-takes-all динамике.
Главный вывод исследования:
Дешевый ИИ не делает индустрию дешевле.
Он стимулирует создание более сложных систем, больше инфраструктуры и еще большего потребления вычислений.
Поэтому рынок ИИ естественно движется к концентрации силы у компаний с самыми большими данными, вычислительными мощностями и скоростью развития моделей.
https://arxiv.org/pdf/2601.12339v1
