04 · Что дешевеет, что дорожает

Марисоль ведёт сверку платежей у грузового брокера под Чикаго уже одиннадцать лет. В то апрельское утро она открыла незнакомый экран — компанию неделю назад пересадили на систему автоматического сопоставления счетов за $2 400 в месяц. В презентации говорилось: «80% автоматических совпадений». Цифра оказалась честной. Восемьдесят процентов счетов система закрывала сама. Только оставшиеся двадцать — частичные отгрузки, копеечные расхождения в долларах и евро, нестандартные строки, которые крупный клиент заполняет на свой лад, — теперь падали на Марисоль и пятерых коллег. В интерфейсе, где нет привычных горячих клавиш, с лишними кликами на каждое исключение. К пятнице она насчитала пятнадцать лишних часов нудятины в неделю на весь отдел (SME Research, Кейс 8; первоисточник aiforsmallbusiness.io, 2026) [E].

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

Запомните эту арифметику. Деньги жили в тех двадцати процентах, которые первая система не потянула и спихнула на людей. Машинная генерация подешевела до центов. Разбор того, что машина сделать не смогла, остался дорогим — и стоит ровно столько, сколько стоит час Марисоль. Вся новая экономика ценности живёт в этом зазоре.

Цена машинной работы обвалилась. Это измеримо

Сначала цифры, потом теория. За два года стоимость работы передовой языковой модели упала в 280 раз — с $20 до семи центов за миллион единиц текста (Stanford HAI AI Index, 2025) [E]. Для сравнения: транзисторы дешевеют примерно вдвое каждые два года по закону Мура — у языковых моделей скорость удешевления многократно выше; об этом с цифрами — в главе 02. Когда базовый ресурс так падает в цене, экономика вокруг него выворачивается наизнанку.

То, что ещё недавно было дефицитным — связный текст, рабочий код, черновик отчёта, перевод, краткое содержание стостраничного контракта — стало почти бесплатным и доступным по требованию. Поддержка клиентов показывает это в лоб: обработка сложного обращения при ручной системе стоит от $25, а после того как процесс закодирован в интерактивную базу знаний — $0,70 (SME Research, §9; eCorpIT helpdesk benchmark / Crisp inference cost, 2026) [E*]. Разница тут в порядок величины.

Хороший пример — Midjourney, сервис для генерации изображений. $500 млн выручки в год, 107 сотрудников, ни копейки от сторонних инвесторов, ноль классической рекламы (Epoch AI; companieshistory, 2026) [E]. Это $4,67 млн выручки на человека — в двадцать с лишним раз выше среднего у компаний-разработчиков программного обеспечения [E]. Механика простая. У классической дизайн-студии каждая новая картинка стоит человеко-часа: больше заказов — нанимай художников. У Midjourney производство картинки переехало в модель, и цена следующего изображения упала почти до нуля. Сто семь человек держат всю инфраструктуру, на которой рисуют миллионы пользователей. Производство визуала перестало быть узким местом — узким местом стало что-то другое, и об этом вторая половина главы.

То же произошло с рутинной умственной работой: сортировкой данных, поиском нужного, сверкой, перекладыванием задач между отделами, 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 параметров текстовой консультации (Nature Medicine, май 2026) [E] — эту историю я разбираю в главе 06. Масштаб важен: не «ИИ заменит врача», а огромный пласт рутинной диагностики перестал требовать дефицитного специалиста.

Есть и третья перемена — насколько длинную работу цифровой агент, то есть программа, которая сама планирует шаги и доводит задачу до конца без подсказок, закрывает без участия человека. Измерительная шкала METR — международная независимая организация, которая замеряет возможности агентов на реальных задачах, — показывает, что эта граница удваивается примерно каждые 131 день. Сегодня агент закрывает задачу, на которую у человека ушло бы 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. Это прогноз на основе нынешнего тренда, его ещё предстоит проверить, поэтому честно помечаю его как [H]. Но направление эмпирически подтверждено: автономно закрываемый кусок работы растёт быстро.

Цена суждения выросла. Та же физика, другой конец

Теперь переверните картину. Если машинная генерация почти бесплатна, то всё, что её ограничивает, проверяет и несёт за неё ответственность, дорожает. Дорожает относительно: в абсолюте оно стоит прежнего, просто обвалилось всё вокруг.

Вернёмся к Марисоль. Её час остался прежним — и стал единственным, что в этой системе реально 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: какой процент потока система не закрыла и спихнула на человека. Я зову её долей передач — это та часть потока, которая дошла до живого сотрудника, умеющего усомниться. Экономику решает именно эта доля, а красивый процент автоматизации из презентации к делу не подшивается.

Подорожали три вещи. Это зеркало трёх подешевевших.

Первое — суждение. Решить, какую из пяти сгенерированных версий брать. Понять, что модель уверенно врёт. Распознать в исключении сигнал о сломанном процессе там, где машина видит случайный шум. У Марисоль на это уходит одиннадцать лет опыта: она с одного взгляда отличает кривой матчинг от законной частичной отгрузки. Машина 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 — проверка. Здесь есть неудобный для оптимистов эксперимент: рандомизированный тест на опытных разработчиках, где люди были уверены, что ускорились, а по секундомеру замедлились. Его я разбираю как главное доказательство от противного в главе 10. Узкое место сместилось от написания к проверке: разобраться в чужом сгенерированном выводе часто дороже, чем написать самому с нуля. Проверка — новый дефицит. И мы пока не умеем её ни измерить, ни оплатить как следует.

Третье — ответственность. Кто отвечает, когда агент уверенно ошибся? Звучит философски, но это чистая бухгалтерия. У старого трудового договора («отработаю 160 часов») ответственность встроена в присутствие. У артефакта — записанного навыка, который работает сам, без живого человека внутри — присутствия нет. Есть только тот, кто экономически отвечает за исход. Усомниться, взять управление, ответить — это и есть то, что дорожает быстрее всего: такие люди — в дефиците, а спрос на них растёт с каждым новым действием, которое программа совершила без человека внутри.

Где это видно глазами: когда объём растёт, а люди — нет

Самое сильное свидетельство новой физики — разрыв между ростом объёма и неизменностью штата. Раньше вдвое больше заявок означало вдвое больше людей. Теперь нет.

Немецкий Digital Institut des Mittelstands за полгода удвоил выручку и нарастил зачисления с нуля до 24 студентов в месяц при том же числе сотрудников (Dibicon Consulting, 2025; SME Research, Кейс 2) [E]. Вместо найма продажников процесс зачисления закодировали в цепочку шагов CRM и автоматические письма: артефакт, который продавал сам. Объём пошёл вверх, кривая найма осталась плоской. Эти две линии на одном графике — и есть тезис книги в денежном выражении.

Французский агрокооператив на том же принципе сократил обучение новых водителей с десяти дней до двух (OECD, 2025; SME Research, Кейс 12) [E]. Раньше новичок десять дней ездил рядом со старожилом, перенимая чутьё на локальные маршруты — где разъезд узкий, где мост не держит фуру, у кого из фермеров злая собака. Это чутьё ушло бы с ветераном на пенсию. Теперь оно стало нормализованной базой данных плюс системой, которая предсказывает, что пойдёт не так. Компетенция «знать маршруты» переехала в артефакт — в записанный навык, доступный любому новичку. 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 бегут фирмы и почему

Нужна честность, которая выходит за стены отдельной компании. Есть объяснение проще и циничнее, чем «они повышают производительность» — и оно лучше бьётся с данными.

Якорь — деньги. Пятёрка крупнейших технологических компаний в 2026 году заявляет порядка $635 млрд расходов на оборудование и инфраструктуру — против примерно $260 млрд по всей отрасли тремя годами раньше (отраслевой агрегат: Dell'Oro; верхняя проекция в $527 млрд по сектору: оценка Goldman Sachs) [I]. Крупнейший капитальный цикл в истории корпораций. За те же годы те же компании и десятки за ними сокращали фонд оплаты труда. Самое твёрдое, что есть по числам: кадровый исследовательский центр Challenger насчитал ИИ причиной 21 490 сокращений в апреле 2026 — это 26% от всех сокращений месяца по всем отраслям сразу, включая нетехнологические (Challenger, Gray & Christmas, 2026) [E]. Отдельные волны, вроде осенних сокращений Amazon 2025 года и реорганизации Meta под «AI-first» в 2026-м, идут тем же вектором; держу их как иллюстрацию, а сведённой цифрой считать рано [I].

Аналитики Challenger, к слову, сами предупреждают: «ИИ-эффективность» удобно вешать ярлыком на обычные циклические сокращения, чтобы понравиться инвесторам. Чистоту атрибуции не переоценивайте. Но направление бюджета не спрятать: с труда — на капитал, с зарплат — на дата-центры и видеокарты.

Когда компетенцию покупают по цене завода

Второе доказательство того, что компетенция уже ведёт себя как капитал — с рынка слияний и поглощений.

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 везде одинаковая. В марте 2024-го Microsoft заплатила Inflection AI около $650 млн «за неисключительную лицензию на модели», забрала сооснователя Мустафу Сулеймана и инженерное ядро — и оставила позади пустую оболочку с новым CEO и горсткой людей. Зомби-компанию. Google в августе 2024-го провела сделку с Character.AI на $2,7 млрд и вернула разработчика Ноама Шазира в свою лабораторию DeepMind; в июле 2025-го — Windsurf на $2,4 млрд, после чего скелет продали компании Cognition за $250 млн (Georgetown KGI, 2026) [E].

Лицензионный платёж здесь — способ обойти антимонопольную проверку. Но посмотрите, за что платят. Выручка? Нет. Патенты? Нет. Клиенты? Нет — оболочку как раз выбрасывают. Платят за людей и за обученные ими модели — то есть за интеллект, упакованный в работающий код, в чистом виде. Рынок оценил его в двадцать миллиардов долларов и проголосовал структурой сделки. Вся ценность сидит в закодированной компетенции, которую можно вынуть и перенести; юридическая оболочка идёт в утиль.

Маржа выросла раньше производительности

Вот загвоздка, от которой нельзя уйти. Весь 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 [E]. Шутка пережила сорок лет, потому что описывает упрямый факт: технология, очевидная глазу, годами не проявляется в цифрах. Общая эффективность экономики США в 2024–2025 годах держится в диапазоне 0,5–1,0% (доклад политэкономии 2025–2035) [E] — никакого скачка в макростатистике, при всех дата-центрах.

Дарон Аджемоглу — нобелевский лауреат по экономике 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%. Это десятые доли процентного пункта в год. Он называет такую технологию «so-so technology» — хорошая, но не прорывная (Acemoglu, MIT/NBER, 2024) [E]. Его модель считает реализованную, то есть фактически измеренную производительность по всей экономике, — и упирается в то, что нынешний ИИ хорош на легко формализуемых кусках и плох на сложном, физическом, контекстном. В 2026-м, по пересказам его публичных выступлений, он формулирует парадокс ещё прямее: маржа компаний растёт, производительность экономики — нет (Acemoglu, MIT SMR, февраль 2026) [E]. Его модель меряет то, что страна реально произвела, — а список задач, которые компьютер теоретически может выполнить, к делу не подшивается.

Сложите три числа: маржа растёт, производительность экономики — нет, капитал замещает труд. Самое прямое объяснение, зачем фирмы бегут в артефакт-модель, звучит так: расход перенесли с переменного труда — увольняющегося, болеющего, требующего прибавки — на капитальный актив, который сидит на балансе. Производить больше на каждого человека тут вторично. Артефакт привлекают за его роль капитала на балансе — эффективность и экономия на зарплате идут довеском.

Есть у этого переноса и техническая необратимость, о которой редко говорят вслух. Зарплата — переменное обязательство: к следующему кварталу пересмотрел, штат сократил, нанял обратно. Дата-центр — актив, который списывается на баланс на 20–30 лет, серверы внутри — на 7–10 (H9 / доклад политэкономии) [I]. Когда центр тяжести бюджета залит в бетон и кремний с горизонтом в три десятилетия, откатить назад к живым сотрудникам уже не так просто: актив надо отбивать. Эта разница в сроках списания — зарплату урезаешь в следующем квартале, а дата-центр отбиваешь тридцать лет — делает забег в капитальные вложения структурно липким. Компания, которая один раз туда побежала, привязана к автоматизации крепче, чем собиралась.

Этот аргумент я забираю у скептиков и встраиваю прямо в тезис. Сублимация компетенции в артефакт — перенос живого человеческого умения в работающий код — может сделать компанию сильнее; об этом весь манифест. Но держится это на одном условии: на дисциплине, с которой к артефакту относятся. Соблюли её — и компания быстрее справляется с новым, а люди освобождаются для работы, которую машина пока не тянет. Бросили на самотёк — и под вывеской прогресса остаётся обычная экономия на зарплате. В 2026 году значительная часть этого забега идёт по бухгалтерской логике, а производственная за ней не поспевает. Если вы строите AI-native компанию, честный вопрос: 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) [E]. Держу его термин в кавычках и с его именем — наш словарь это «артефакт» и «сублимация компетенции». Но карту, которую он рисует — кому принадлежит фундамент, 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 затраты в нём линейны. Поток обращений умножается на полную стоимость тикета — выходит около $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 автоматически, по центам. Меньшая — доля передач — уходит на человека, по десятки долларов за разбор. Сверху ложится фиксированная стоимость владения: лицензии, мониторинг, соответствие требованиям. В сумме около $478 тыс. Чистая экономия — примерно $622 тыс., около 57% (SME Research, §7) [E].

Рычаг здесь один — доля передач. Снизили её — экономия масштабируется, потому что дорогая часть уравнения (человек) сжимается, а дешёвая (автогенерация) почти ничего не стоит. Вот ценовая суть всего сдвига: качество системы меряется тем, насколько удалось опустить долю того, что система спихивает человеку без потери точности, — а слайды про процент автоматизации тут ни при чём. Та самая ловушка, в которую попала Марисоль: 80% автоматизации при доле передач, которая сожрала отдел.

Но есть и широкая картина, которая не даёт обольститься. Внедряют ИИ многие — около 72% компаний по обзору McKinsey 2024 года [E]. А реальную ценность 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 подтверждение тезиса от обратного. Дешёвая генерация доступна всем. Дорогое — дисциплина, низкая доля передач, встроенная в процесс проверка — есть у немногих. Разрыв проходит по линии того, что подорожало.

Честный фальсификатор

Вот что эту главу обрушит, если я неправ.

Я утверждаю: генерация дешевеет, проверка дорожает, и это устойчивый сдвиг. А замедление, которое METR фиксирует у пользователей с небольшим опытом, — временный налог на адаптацию, фаза перехода. Проверяемое предсказание: к концу 2027 года в зрелых командах эффект должен перевернуться — операторы, прошедшие 50+ часов в инструменте, должны выйти в плюс по скорости. Сразу скажу честно: твёрдых данных, что это уже произошло, у меня нет. Есть гипотеза, что освоенная работа с агентами даёт прирост, но это пока [H] — цифру из реплицированного эксперимента ещё предстоит получить.

Если 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 полная правота Аджемоглу против меня: его доли процента совокупной производительности 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. Дешёвая генерация у Klarna оказалась настоящей. А вот суждение, проверка и доверие клиента сублимации не поддались: они подорожали именно тогда, когда Klarna решила, что их можно списать.

Вывод

Производство ответа дешевеет. Право решить, что ответ верен, вместе с ответственностью за последствия, если он неверен, — дорожает. Цена машинной генерации обвалилась на порядки; цена суждения выросла относительно всего, что вокруг неё обвалилось.

Технологические гиганты перегоняют сотни миллиардов из зарплатных ведомостей в дата-центры — и маржа выросла раньше производительности. Это объясняет, почему фирмы бегут в артефакт-модель: продуктивность тут лишь иногда главный мотив, чаще решает перенос расхода 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].