По оценке Epoch AI, стоимость работы с ИИ падает почти на 50 % за квартал и в 13 раз за год — быстрее, чем дешевела любая другая прорывная технология прошлого века.
Пример: модель OpenAI o3 (январь 2025) набрала 75 % в GPQA Diamond при цене $0,30 за вопрос. Через полтора года GPT-5.6 Luna показала тот же результат за $0,0004.
Для сравнения: литиевые аккумуляторы с 1991 по 2024 год подешевели в 100 раз, вычислительное оборудование за 60 лет — в сотни миллиардов раз. ИИ за пять лет подешевел в сотни тысяч раз.
Ближе всех секвенирование ДНК: оно подешевело сильнее, но за чуть более 20 лет. Темпы удешевления ИИ в 4 раза выше, чем у секвенирования ДНК, и в 18 раз выше, чем у литиевых аккумуляторов.
Падение неравномерно: в GPQA Diamond резкие спады сменялись плато, в математическом тесте AIME OTIS и шахматных задачах динамика стабильнее. В передовой математике в 2025–2026 годах прогресс был слабым, затраты упали лишь в середине года.
Темпы замедляются: по пяти бенчмаркам цены сначала падали на 66 % за квартал, через два года — на 32 %. Либо прогресс замедляется, либо экономить труднее, особенно в 2026 году на фоне роста цен на электроэнергию и оборудование.
Для рынка это проблема: зачем внедрять сервис сейчас, если через месяцы он подешевеет, и зачем оставаться с поставщиком, если конкурент лучше? Лидерам вроде OpenAI и Anthropic сложно получать прибыль от краткосрочного преимущества.
Разработчики тратят сотни миллиардов долларов на инфраструктуру и опасаются сомнений в оправданности высоких тарифов. Модели класса Anthropic Mythos и Fable дороже аналогов, но цена токенов снижается.
Лидеры конкурируют на границе Парето — балансе цены и «интеллекта». Если другие модели дают 90 % возможностей за малую долю цены, переплата сомнительна, особенно при открытых весах, где поставщики конкурируют между собой.
Клиентов удерживают привычка, интерфейс, рабочие процессы, экосистема ПО и доверие. Переход требует проверки заявленной производительности, уверенности в стабильности цен и безопасности данных. Подписка не теряет смысла, но обосновать её сложнее.
У данных есть оговорки. Оборудование охвачено до 2001 года, электроэнергия — до 1973-го, без учёта роста солнечной энергетики. Отслеживание ИИ началось в 2023 году, ранние данные — по краткосрочному тренду и сторонним исследованиям.
Анализ Epoch AI основан на совокупности моделей с результатом не менее 81,25 % в GPQA Diamond (вопросы с тремя вариантами ответа). Это не охватывает весь спектр способностей ИИ.
Главная проблема — «бенчмаксинг», то есть обучение моделей под тесты. Epoch AI добавляла случайность не везде, и там, где её не было, затраты падали быстрее — возможно, из-за оптимизации под бенчмарки. Выводы стоит читать со скепсисом.