Закрытая презентация Sequoia Capital: от «поставки ПО» к «поставке результатов» — новая логика коммерциализации ИИ и ценообразования капитала

Глобальный партнер Sequoia Capital глубоко анализирует революцию в базовой вычислительной архитектуре ИИ, внедрение в отрасли в начальный период эры AGI и расхождение логики ценообразования капитала, раскрывая многомиллиардные бизнес-возможности в разрыве технологического распространения.

Источник: видео презентации Pat Grady «AI for BC IC»

Компиляция: AGI 2050

[Примечание редактора]

На стыке технологических циклов внутренние оценки ведущих венчурных фирм часто служат ключевым срезом для наблюдения за тенденциями отрасли.

Данный материал основан на закрытой презентации, которую глобальный партнер Sequoia Capital Пэт Грейди (Pat Grady) недавно провел для инвестиционного комитета Бостонского колледжа. В этом анализе Грейди рассматривает ситуацию с точки зрения осени 2026 года, систематически пересматривая структурные изменения в глобальной базовой технологической эволюции, темпах внедрения в отрасли и логике ценообразования капитала с момента взрыва больших моделей.

В отличие от общих публичных заявлений, этот отчет для ключевых инвесторов (LP) сосредоточен на ряде конкретных и острых вопросов коммерческой сущности:

• Изменение базовой логики: суть этой волны — не революция в распространении информации, а перестройка базовой вычислительной архитектуры; ее потенциальный объем рынка (TAM) существенно проникает из чисто программного сегмента с оборотом в триллионы долларов в рынок профессиональных услуг, который на один-два порядка больше по размеру;

• Скачок в парадигме исследований и разработок: по мере созревания технологий логического рассуждения и агентов для длительных процессов (Long-horizon Agents) фокус исследований передовых лабораторий смещается с общего искусственного интеллекта (AGI) на сверхинтеллект (ASI) и рекурсивное самоулучшение (RSI);

• Коммерческое расхождение и разрыв распространения: между нативными возможностями моделей и их реальным применением на предприятиях существует явный «разрыв технологического распространения»; высокоценная интеллектуальная работа (программирование, медицина, налоговое и нормативное соответствие и т. д.) порождает новое поколение системных компаний, но частые изменения базового технологического фундамента вынуждают компании прикладного уровня перестраивать организационные формы;

• Новая форма пузыря капитала: в условиях перегретого рыночного настроения на первичном рынке возникла двухэтапная модель финансирования, разделяющая партнеров по совместному строительству и финансовых партнеров; рычаги оценки и темпы премий на первичном и вторичном рынках проходят беспрецедентное испытание.

Ниже представлен полный текст скомпилированной презентации:

1. Это не революция распространения информации, а реконструкция вычислений

Данный набор материалов в основном предназначен для ответа на вопрос, поставленный инвестиционным комитетом Бостонского колледжа: «В каком состоянии сейчас находится индустрия ИИ?»

Здесь я фиксирую эти наблюдения как временной срез на сентябрь 2026 года.

В венчурной индустрии часто используют диаграмму, показывающую наложение и эволюцию технологических волн за десятилетия: от эволюции чипов на нижнем уровне к вычислительным системам, затем через сети к публичному интернету; далее к мобильным устройствам, породившим сложную экосистему приложений; и наконец, сегодня ИИ наделяет эти приложения беспрецедентной вычислительной мощностью.

Такова общая траектория технологической эволюции. Однако эта волна, в центре которой находится ИИ, имеет три характеристики, принципиально отличающие ее от предыдущих циклов:

Во-первых, потенциальный объем рынка (TAM) беспрецедентно огромен.

В циклах последних десятилетий основной целью отраслей был «размер рынка программного обеспечения» (Software TAM); ИИ же напрямую вторгается в «размер рынка профессиональных услуг» (Services TAM) — последний на один-два порядка больше, чем чистое программное обеспечение.

Во-вторых, скорость технологической диффузии намного выше, чем раньше.

Такая высокая скорость проникновения не является уникальной для технологии ИИ, а представляет собой неизбежный результат готовности инфраструктуры. На начальном этапе облачных вычислений число людей, подключенных к интернету во всем мире, составляло менее ста миллионов; при запуске мобильного интернета пользователям приходилось по одному приобретать интеллектуальные устройства. Сегодня глобальная сетевая инфраструктура и интеллектуальное оборудование широко распространены, и как только технология преодолевает порог практической применимости, сопротивление ее масштабному распространению упало до исторического минимума.

В-третьих, и это самое главное: форма этой технологической трансформации в физической логике совершенно иная, чем раньше.

Технологические революции последних десятилетий — включая персональные компьютеры, локальные сети, интернет и облачные вычисления — по сути были «революциями распространения информации», ядром которых была оптимизация эффективности передачи информации в пространстве.

То, что мы переживаем сейчас, — это «революция вычислений». Она решает уже не вопрос о том, как передается информация, а о том, как информация обрабатывается и реорганизуется. Подобная по масштабу реконструкция фундамента не наблюдалась в промышленности с момента появления полупроводниковых интегральных схем в 1960–1970-х годах.

Это различие имеет существенные коммерческие последствия: оно означает, что технологический фундамент, на который опираются предприниматели прикладного уровня, все еще находится в состоянии высокочастотного динамического изменения.

Оглядываясь на траекторию развития последних нескольких лет, отрасль прошла три ключевых поворотных момента:

1. Момент ChatGPT в конце 2022 года утвердил техническую осуществимость и потенциал масштабирования предварительного обучения без учителя (Pre-training);

2. Выпуск OpenAI o1 в конце 2024 года подтвердил путь логического рассуждения (Reasoning), ознаменовав переход от интуитивного быстрого мышления (Система 1) к логическому медленному мышлению (Система 2);

3. Запуск Claude Code и Opus 4.5 подтвердил применимость «агентов для длительных процессов (Long-horizon Agents)» в сложных задачах.

Эти три этапа, казалось бы, находятся в одном технологическом континууме, но к завершению третьего этапа отрасль фактически пересекла критический порог — общий искусственный интеллект (AGI) эволюционировал из технической гипотезы в промышленную реальность.

В начале этого года Sequoia в своей колонке предсказала, что «2026 год станет начальным годом AGI». В то время это утверждение вызывало споры в отрасли; к настоящему моменту оно постепенно становится общепринятым консенсусом в технологических и инвестиционных кругах.

2. От «повозки» к «автомобилю»: реальность коммерческого внедрения и побочные эффекты

Если воспользоваться классическим вопросом основателя Sequoia Дона Валентайна (Don Valentine) — «Ну и что? Какую реальную ценность это создает?» — то текущая технологическая эволюция фактически означает, что средство передвижения перешло от «улучшенной повозки» к «автомобилю».

В предыдущие годы многие продукты, называемые ИИ, по сути оставались постепенными улучшениями традиционного программного обеспечения — просто более удобными цифровыми инструментами; сегодня же технологии коренным образом меняют процессы и формы предоставления производительности.

На уровне реального бизнеса этот переход проявляется во множестве сценариев:

• Программное обеспечение эволюционирует от «ящика с инструментами» к «сотруднику»: продукты, представленные Instinct или Muse, уже превратились из простых инструментов обработки задач в бизнес-партнеров, предоставляющих конечные результаты. Логика их развития аналогична индустрии видеоконференций: до того как Zoom преодолел порог удобства и доверия, технология видеоконференций существовала много лет, но не принималась основным серьезным бизнесом; когда же стабильность технологии превысила определенный порог, онлайн-встречи быстро стали стандартным рабочим процессом. Современный ИИ находится в аналогичном переходном периоде доверия.

• Демократизация высокоуровневых профессиональных знаний: в медицине работники первичных медицинских учреждений и отдаленных районов могут через мобильные терминалы получать доступ к диагностическим знаниям уровня всей отрасли; в образовании инновационные системы обучения, представленные Alpha School, демонстрируют возможные пути перестройки персонализированного обучения с помощью нативных для ИИ образовательных моделей.

• Переток инфраструктуры в реальные отрасли: волна строительства гипермасштабных центров обработки данных создает устойчивый промышленный спрос в сферах гражданского строительства, электромеханического оборудования и энергетической инфраструктуры.

В то же время стремительный технологический скачок вызывает ряд цепных реакций на отраслевом и социальном уровнях:

• Давление капитальных затрат на поставщиков облачной инфраструктуры: объем инвестиций гиперскейлеров (Hyperscalers) в вычислительную инфраструктуру продолжает расти; одного свободного денежного потока уже недостаточно для полного покрытия капитальных затрат, и отрасль все чаще прибегает к долговому финансированию для поддержания гонки вычислений.

• Распространение новых угроз кибербезопасности: повышение возможностей базовых моделей объективно снижает порог разработки продвинутых автоматизированных инструментов атак, и баланс между атакой и защитой в цифровой инфраструктуре подвергается постоянному давлению.

• Переоценка ценности интеллектуальных профессий: должности «белых воротничков», связанные с обработкой чистого текста и базовой информации, испытывают существенное влияние. Специалисты, способные активно использовать модели для увеличения производительности, получают значительное преимущество в эффективности, тогда как работники, не сумевшие создать барьеры на основе инструментальной коллаборации, сталкиваются с постоянным давлением маргинального замещения.

• Трения в социальном распределении и управлении: проблема энергопотребления вычислений постепенно превращается в предмет геополитических и региональных управленческих споров; разница между доходностью капитала и доходностью труда, создаваемая ИИ, в определенной степени усугубляет существующее неравенство в распределении богатства.

3. Смещение фокуса исследований в передовых лабораториях: опережающие исследования и инженерная реальность

Углубляясь в исследовательскую работу ведущих передовых лабораторий, можно обнаружить, что суждения исследователей о траектории технологического развития часто крайне сфокусированы и прямолинейны.

В настоящее время ключевые лаборатории внутренне полностью перенесли акцент исследований с инженерной реализации AGI на области сверхинтеллекта (ASI) и рекурсивного самоулучшения (RSI, Recursive Self-Improvement).

RSI означает способность модели автономно участвовать или даже доминировать в цикле самоподкрепления, включающем написание кода, тестирование и оптимизацию архитектуры моделей следующего поколения. Появление такого технологического замкнутого цикла вызвало у исследовательских групп осторожную оценку «экспоненциального взлета технологий (Takeoff)» и потенциальных рисков потери контроля (p(doom)). Это составляет ключевой технический фон недавних публичных призывов таких лидеров, как соучредитель Anthropic Дарио Амодеи (Dario Amodei), к калибровке темпов передовых исследований во всей отрасли.

На уровне конкретной инженерии и коммерциализации передовые лаборатории демонстрируют следующие определенные тенденции:

1. Выход за границы чистого естественного языка: сценарии обучения и логического вывода моделей ускоренно смещаются в области строгих дедуктивных исследований, такие как сложные научные изыскания и проверка передовых математических гипотез; базовая вычислительная архитектура сталкивается с новым витком требований к оптимизации эффективности;

2. Долгосрочный дисбаланс спроса и предложения вычислительных мощностей: дефицит вычислений остается ключевым инженерным узким местом для ведущих лабораторий и компаний прикладного уровня; тенденция к самостоятельной разработке специализированных кремниевых чипов, таких как ASIC, во всей отрасли продолжает усиливаться;

3. Обострение конкуренции за API логического вывода: коммерческая борьба за объем потребления токенов базовых моделей чрезвычайно интенсивна, котировки API продолжают снижаться. Для эффективного закрепления объемов использования крупными предприятиями из списка Fortune 500 ведущие лаборатории начинают повсеместно создавать собственные команды по корпоративному внедрению, продвигая проникновение в сценарии с помощью высокоинтенсивного кастомизированного консалтинга;

4. Регулярные сделки слияний и поглощений: по мере стабилизации конкурентной ситуации между областями передовые лаборатории постепенно выстраивают регулярные механизмы приобретения талантов, команд и активов, а их коммерческие контуры демонстрируют черты экспансии крупных корпоративных структур.

4. Разрыв технологического распространения и коммерческий взрывной потенциал прикладного уровня

Между взрывом возможностей базовых моделей и фактическим уровнем их поглощения промышленностью существует очевидный временной лаг — этот интервал и есть «разрыв технологического распространения». Для стартапов прикладного уровня этот разрыв как раз и представляет собой основную возможность для коммерциализации.

В этом цикле наиболее коммерчески определенные точки входа сосредоточены в области высокоценной интеллектуальной работы (High-value Knowledge Work): разработка программного обеспечения, кибербезопасность, профессиональные медицинские услуги, финансовые и инвестиционно-банковские операции, аудит и комплаенс. Каждая узкая вертикаль с высоким барьером профессиональных знаний имеет пространство для появления платформенных компаний нового поколения с оценкой в десятки миллиардов долларов.

По аналогии с тем, как в цикле облачных вычислений ServiceNow, Workday и Salesforce заложили позиции ключевых систем записей (Systems of Record), в настоящее время в различных профессиональных вертикальных сценариях формируется новое поколение систем записей, использующих ИИ в качестве центра взаимодействия и логики.

В исследовании базовых приложений некоторые вертикальные архитектуры демонстрируют значительно более высокую эффективность, чем универсальные большие модели:

• Дизайн молекул-кандидатов в биомедицине: модели, оптимизированные под конкретные научные вычисления, уже способны генерировать молекулы-кандидаты лекарств за чрезвычайно короткие циклы, значительно сокращая время на ранний молекулярный дизайн в традиционной разработке лекарств;

• Точечный взрыв при минималистичной архитектуре: отрасль имеет ограниченный спрос на однородные универсальные базовые модели, но вертикальные модели, способные перестроить отдельные задачи с помощью новой архитектуры, быстро растут. Возьмем недавний типичный пример Jev: по сути это высокопроизводительный «классификатор решений». В реальном производстве большое количество сложных вызовов LLM по сути являются дискретными задачами классификации выбора. Этот продукт за счет предельного сокращения вычислений снизил стоимость одного логического вывода для таких задач примерно в 100 раз и за чрезвычайно короткое время достиг сверхнормативного скачка годового регулярного дохода (ARR).

Такой коммерческий взрывной потенциал показывает, что в узких сценариях с высокой маржой и высоким когнитивным барьером программные продукты, усиленные ИИ, демонстрируют аномальный наклон кривой роста.

Компании, способные устойчиво создавать барьеры на прикладном уровне, обычно обладают следующими организационными и бизнес-характеристиками:

Во-первых, самостоятельный контроль интеллектуального базиса.

Компании начинают активно переносить ключевые рабочие нагрузки с закрытых API больших моделей на глубокое пост-обучение (Post-training) на основе открытых базовых моделей. Основной движущей силой являются стоимость и эффективность: универсальные базовые модели в основном обслуживают ограниченные точки равновесия на универсальном Парето-фронте; для достижения предельного соотношения цены и качества в конкретных бизнес-задачах оптимальным коммерческим решением является владение компанией открытой моделью, специально настроенной под конкретные инженерные задачи.

Во-вторых, организационная структура смещается к «прорыву за счет сильных сторон».

Поскольку базовый технологический стек и возможности моделей обновляются каждые несколько месяцев, выживающие компании прикладного уровня должны поддерживать чрезвычайно короткий цикл самоперестройки продукта. Такие организации постепенно отказываются от традиционной модели сотрудничества, ограниченной слабыми сторонами команды, и вместо этого полагаются на крайне малое число ведущих специалистов для решения технических задач, продвигая бизнес в целом с высокой скоростью.

В-третьих, корпоративное управление эволюционирует в распределенную сеть сотрудничества.

Традиционная иерархическая система командования и контроля начинает уступать место децентрализованной архитектуре с ИИ-агентами в качестве информационного центра, поддерживая эффективность работы организации при минимальной численности персонала за счет высокой плотности автоматизированных процессов и автономного взаимодействия.

5. Дифференциация системы ценообразования капитала и эффект рычага

На рынке капитала за последний год ценообразование активов в сфере ИИ демонстрирует выраженную поляризацию и высокую степень структурированности.

Чтобы сбалансировать риск и доходность в условиях перегрева активов, некоторые проекты на ранней стадии начали применять «двухэтапный» механизм финансирования: структурное разделение промышленного капитала, выполняющего функции стратегического совместного строительства, и чисто финансового капитала, предоставляющего последующие ресурсы для расширения.

В нескольких типичных сделках, в которых Sequoia глубоко участвовала за последний год, проявились следующие тенденции:

• На ранней стадии институты, выступающие партнерами по совместному строительству бизнеса, завершают лидирующий раунд при относительно разумной оценке (например, в диапазоне пост-инвестиционной оценки около 110 миллионов долларов);

• После чрезвычайно короткого периода проверки бизнеса внешний чисто финансовый капитал быстро подключается и через последующие раунды стремительно поднимает оценку объекта в несколько раз и выше (среднее значение по некоторым выборкам достигает более 3 миллиардов долларов).

Такое быстрое переключение высоких мультипликаторов оценки объективно отражает крайнюю жажду капитала первичного рынка к объектам с реальными технологическими и бизнес-барьерами, но также концентрированно демонстрирует высокую премию за ликвидность, накопленную на текущем рынке.

Ни одна организация не может иметь полностью определенную дорожную карту будущей траектории развития отрасли. Однако фундаментальные закономерности, проходящие через циклы технологических инвестиций, остаются в силе:

Когда предельные издержки ключевого фактора производства снижаются на порядок, а совокупная эффективность обработки продолжает экспоненциально расти, структурная перестройка на уровне отрасли становится необратимой объективной реальностью. Технологическая реконструкция глобальной бизнес-системы в настоящее время находится лишь на начальной стадии развертывания.