Стоит ли давать Anthropic 1,4 триллиона долларов?

chaincatcherchaincatcher

Автор: Ху Юн, профессор Школы журналистики и коммуникаций Пекинского университета

Редактор: Су Ян, Tencent Technology

 

Индустрия искусственного интеллекта переживает знаменательный момент.

В ноябре 2026 года компания Anthropic, основанная чуть более пяти лет назад, запускает первичное публичное размещение акций (IPO), пытаясь выйти на рынок капитала с оценкой более триллиона долларов.

Согласно проспекту эмиссии, базовое количество акций в обращении после IPO составит около 13,07 млрд. При ценовом диапазоне от 70 до 78 долларов за акцию базовая рыночная капитализация составит примерно от 916 млрд до 1,02 трлн долларов. С учётом потенциальных акций по опционам для сотрудников (около 4,92 млрд) полностью разводнённая оценка достигнет примерно от 1,26 до 1,4 трлн долларов.

Компания, чей основной продукт — большие языковые модели, за столь короткое время достигла столь огромной рыночной оценки, что является редкостью в истории технологической индустрии.

Однако IPO Anthropic не только символизирует признание рынком капитала перспектив ИИ, но и высвечивает проблему, долгое время скрывавшуюся за технологическими прорывами и бумом финансирования, которая теперь должна пройти публичную проверку: ИИ создал огромный рыночный спрос, но сможет ли он генерировать прибыль, соответствующую оценке?

В этой статье мы рассмотрим несколько тем:

Выручка в годовом исчислении 70 млрд долларов, скорректированная операционная прибыль 4,1 млрд долларов и чистый убыток 104 млрд долларов одновременно фигурируют в проспекте — на чём основывать суждение о бизнес-модели?

Каждый вывод модели потребляет вычислительные ресурсы, и самые активные пользователи не обязательно приносят наибольшую выручку.

Модельные компании организуют капитал по образцу энергетики, телекоммуникаций и инфраструктуры; логика оценки смещается от «насколько сильна модель» к стоимости капитала, срокам окупаемости и рентабельности капитала.

Компании, контролирующие отношения с пользователями, рабочие процессы и экосистемы, возможно, смогут легче превращать интеллект в выручку, чем модельные компании.

Ценообразование на основе «выполненной работы» уже получило признание, но кто понесёт экономические потери при провале задачи или ошибке — консенсуса пока нет.

Ценность, создаваемая ИИ, не равна выручке и прибыли разработчиков моделей.

После вычета затрат на чипы, электроэнергию, исследования и финансирование — сколько реально смогут удержать «золотоискатели»? Именно это и предстоит проверить IPO Anthropic.

01. 70 млрд против 13 млрд: чудо выручки и сомнения в прибыли

В предыдущей золотой лихорадке ИИ самыми надёжными победителями казались продавцы «лопат». NVIDIA поставляет GPU, TSMC отвечает за передовое производство чипов, облачные компании строят дата-центры, а энергетические компании обеспечивают базовые условия для всё более масштабных вычислительных мощностей.

Кто бы из крупных модельных компаний ни победил в итоге, эти поставщики инфраструктуры выигрывают от расширения всей отрасли.

В отличие от них, компании, непосредственно разрабатывающие большие модели, такие как OpenAI и Anthropic, демонстрируют поразительный рост пользователей и выручки, но сталкиваются с более сложными экономическими вопросами: могут ли стоимость разработки интеллекта, цена его продажи и капитальные вложения, необходимые для поддержания технологического лидерства, образовать устойчивый коммерческий цикл?

Проспект Anthropic даёт важные подсказки для понимания этой проблемы.

Согласно обновлённым в ноябре 2026 года документам, выручка компании в 2025 году составила около 4,585 млрд долларов, а за первые девять месяцев 2026 года достигла 33,242 млрд долларов, из которых только третий квартал принёс около 17 млрд долларов. Это означает, что выручка одного квартала превысила суммарную выручку всего первого полугодия. Если просто пересчитать выручку третьего квартала в годовом выражении, годовой темп выручки Anthropic приближается к 68–70 млрд долларов.

Такие темпы роста намного опережают традиционную индустрию программного обеспечения и показывают, что генеративный ИИ уже не является экспериментальной технологией, поддерживающей пользовательскую базу в основном за счёт капитальных субсидий, а формирует коммерциализированный рынок с реальной платёжеспособностью.

Примечательно, что выручка Anthropic поступает в основном от корпоративных клиентов и услуг с оплатой по объёму использования интеллекта, а не только от фиксированных ежемесячных подписок частных потребителей. Это свидетельствует о смещении фокуса коммерциализации больших моделей с продажи доступа к чат-инструментам на продажу интеллектуальных возможностей, способных участвовать в производственной деятельности.

Большие модели не просто нашли золотую жилу — они добывают её тоннами. Однако взрывной рост выручки не решил автоматически проблему прибыльности.

За первые девять месяцев 2026 года расходы Anthropic на вычислительные мощности и инфраструктуру составили около 18,8 млрд долларов, что составляет примерно 57% от общей выручки в 33,242 млрд долларов.

В операционном плане компания остаётся убыточной: операционный убыток по GAAP (общепринятым принципам бухгалтерского учёта) за девять месяцев составил около 1,26–1,3 млрд долларов. Чистый убыток за девять месяцев достиг 104 млрд долларов, но значительная его часть связана с переоценкой справедливой стоимости конвертируемых финансовых инструментов и связанных обязательств, а не с оттоком денежных средств от текущей деятельности. В то же время компания раскрыла, что скорректированная операционная прибыль стала положительной и составила около 4,1 млрд долларов (маржа скорректированной операционной прибыли около 12%), что свидетельствует о значительном улучшении эффективности выручки относительно затрат на вычисления.

Поэтому утверждать, что бизнес-модель Anthropic несостоятельна, основываясь лишь на огромном чистом убытке, было бы явным упрощением; но и делать вывод, что большие модели решили проблему прибыльности, лишь на основании положительной скорректированной операционной прибыли, также недостаточно обоснованно.

Ключевой вопрос в том, сможет ли компания в долгосрочной перспективе генерировать достаточный свободный денежный поток (FCF) после покрытия постоянных расходов на исследования и разработки, закупку вычислительных мощностей, строительство инфраструктуры и затрат на финансирование.

Всё больше компаний начинают подчёркивать измеримый рост производительности благодаря ИИ, включая ускорение рабочих процессов, автоматизацию рутинных задач, расширение сервисных возможностей и улучшение контроля затрат. Очевидно, спрос на ИИ высок; однако Уолл-стрит всё меньше готова мириться с затратами, необходимыми для удовлетворения этого спроса.

Наиболее яркий пример — Meta. Её отчёт за третий квартал показал, что, хотя ИИ способствовал росту рекламной выручки Meta на 26%, свободный денежный поток компании за квартал стал отрицательным — впервые за более чем десять лет произошёл чистый отток денежных средств. Одновременно Meta повысила прогноз капитальных затрат для поддержки агрессивной программы расширения ИИ-инфраструктуры.

Тревога Уолл-стрит по поводу ROI (рентабельности инвестиций) в ИИ-инфраструктуру обострилась.

В течение последних двух лет рынок слепо давал премию, как только слышал о «повышении возможностей ИИ и росте вовлечённости пользователей»; однако на нынешнем этапе, когда капитальные затраты всей отрасли приближаются к сотням миллиардов или даже триллионам, Уолл-стрит начинает считать, как актуарий: когда эти инвестиции в вычислительные мощности действительно превратятся в реальный чистый прирост свободного денежного потока?

Если срок окупаемости окажется слишком длинным или прирост выручки от ИИ не сможет компенсировать ежегодные сотни миллиардов амортизации и расходов на электроэнергию, рынок накажет компанию снижением оценки.

По прогнозам исследовательской компании Gartner, если предприятия сохранят текущие темпы расходов, к концу 2030 года более 3,5 трлн долларов инвестиций в ИИ-инфраструктуру могут подвергнуться риску обесценения активов. Ожидается, что поставщики ИИ-услуг вложат почти 1 трлн долларов в ИИ-инфраструктуру в 2026 году и ещё 6 трлн долларов в 2027–2030 годах.

Gartner отмечает, что за этот период выручка от ИИ, получаемая от корпоративных клиентов и потребителей, может оказаться недостаточной для обеспечения прибыльной доходности от этих инвестиций.

02. Отрицательный эффект масштаба

Огромный дисбаланс между спросом, предложением и финансами выявляет фундаментальное различие между большими моделями и традиционной индустрией программного обеспечения.

На протяжении десятилетий SaaS (программное обеспечение как услуга) был предпочтительной бизнес-моделью рынков капитала, потому что после завершения разработки программного обеспечения предельные издержки предоставления услуг дополнительным пользователям относительно низки. По мере роста клиентской базы компании обычно могут повышать маржу за счёт эффекта масштаба. Однако большие модели не полностью следуют этой логике.

Каждый инференс модели, генерация кода, анализ длинных текстов, выполнение задач интеллектуальными агентами требуют реальных вычислительных ресурсов. Особенно когда ИИ эволюционирует от ответов на вопросы к автономному выполнению сложных задач, одна задача может требовать многократных вызовов модели, поиска внешней информации, выполнения программ и проверки результатов, что ведёт к росту затрат. Для компаний, предлагающих фиксированную ежемесячную подписку, самые активные пользователи не обязательно являются самыми прибыльными; они, наоборот, могут потреблять больше всего вычислительных ресурсов.

Именно поэтому крупные поставщики моделей вынуждены «фильтровать пользователей» с помощью ограничений длины контекста, лимитов вызовов или дифференцированного тарифицирования.

В ситуации, когда активные пользователи могут превратиться из «актива» в «обузу», оценка зрелости бизнес-модели компании больших моделей не может основываться только на числе платящих пользователей, росте подписочной выручки или активности пользователей; необходимо также анализировать юнит-экономику различных пользовательских групп: сколько выручки приносит каждый пользователь, сколько ресурсов вывода потребляет, как меняется маржа с ростом интенсивности использования и может ли компания улучшить это соотношение за счёт более разумного ценообразования и технологической оптимизации.

Большие модели не обречены на невозможность достижения эффекта масштаба. Сжатие моделей, оптимизация вывода, обновление чипов, технологии кэширования и распределение задач между разными моделями могут постоянно снижать удельные вычислительные затраты. Раскрытое Anthropic улучшение операционной эффективности также показывает, что технологический прогресс может изменить структуру затрат.

Однако ИИ сталкивается с уникальным механизмом расширения спроса: когда интеллектуальные услуги становятся дешевле и мощнее, пользователи не только могут выполнять существующие задачи с меньшими затратами, но и начинают требовать, чтобы машины брали на себя больше работы, которая раньше была невозможной.

Парадокс Джевонса из экономической теории даёт здесь полезную аналогию: повышение эффективности использования ресурсов не обязательно снижает общее потребление ресурсов, а может, наоборот, стимулировать рост спроса. Для компаний больших моделей снижение удельной стоимости вывода не обязательно означает сокращение общих расходов на вычисления. Более дешёвый интеллект может привести к более широкому применению и потенциально большему спросу на вычисления.

Раскрытие в проспекте Anthropic будущих обязательств по закупке вычислительных мощностей подчёркивает это противоречие. Общая сумма подписанных и раскрытых долгосрочных обязательств на вычислительные мощности и инфраструктуру составляет почти 900 млрд долларов, значительная часть которых ожидается до 2030 года.

Эти цифры не означают, что Anthropic уже выплатила соответствующие суммы, и их нельзя просто рассматривать как текущий долг, но они отражают важное изменение: передовые ИИ-компании трансформируются из традиционных компаний с лёгкими активами в капиталоёмкие технологические предприятия, сильно зависящие от производства чипов, мощности электросетей, дата-центров и долгосрочного финансирования. Хотя компании больших моделей по-прежнему делают ставку на алгоритмические инновации и исследовательские таланты, они всё больше зависят от поставок физической инфраструктуры.

Если компания вынуждена постоянно вкладывать сотни миллиардов долларов для поддержания технологического лидерства, то даже поразительный рост выручки не гарантирует, что рентабельность капитала будет достаточной для оправдания текущей оценки.

ИИ приобретает уникальную отраслевую форму: он создаёт выручку со скоростью индустрии программного обеспечения, но, возможно, вынужден организовывать капитал по образцу энергетики, телекоммуникаций и промышленной инфраструктуры. Раньше инвесторы обращали внимание только на то, у какой компании самая передовая модель, больше всего пользователей и самый быстрый рост выручки; однако в будущем стоимость капитала, цены на вычислительные мощности, коэффициент использования инфраструктуры и сроки окупаемости могут в равной степени определять долгосрочную конкурентоспособность компании.

03. Возможные пути коммерциализации моделей

По сравнению с Anthropic, коммерческая стратегия OpenAI более широка: компания пытается стать универсальным интеллектуальным ассистентом для индивидуальных пользователей и одновременно базовой платформой для использования ИИ предприятиями и разработчиками. Однако OpenAI сталкивается с аналогичными противоречиями.

Хотя годовая регулярная выручка (ARR) и квартальная выручка OpenAI достигли десятков миллиардов долларов, многочисленные публичные финансовые раскрытия и отраслевые прогнозы показывают, что из-за высокой стоимости обучения моделей следующего поколения, огромных расходов на вывод и соглашений об аренде вычислительных мощностей на сотни миллиардов долларов её накопленные операционные убытки за последние годы и ожидаемый дефицит денежного потока в ближайшие годы по-прежнему составляют сотни миллиардов или даже более триллиона долларов.

Поэтому привлечение пользователей — не главное; самая большая задача — превратить широкий спрос на использование в выручку, достаточную для покрытия постоянных капитальных вложений.

Meta демонстрирует другой путь.

В отличие от OpenAI и Anthropic, Meta не полагается в основном на продажу больших моделей для получения выручки, а интегрирует ИИ в свои существующие системы рекламы, рекомендаций и социальных платформ. Улучшение возможностей моделей может повысить эффективность распространения контента, подбора рекламы и автоматизации маркетинга, что напрямую увеличивает прибыльность её зрелого бизнеса.

Для Meta ИИ — это прежде всего технология повышения эффективности существующих бизнес-систем, а не обязательно новый продукт, требующий отдельной оплаты. Эта модель имеет очевидное преимущество: она может монетизировать существующие отношения с клиентами, масштаб пользователей и рекламные системы, не полагаясь полностью на формирование у потребителей новых платёжных привычек за интеллектуальные услуги.

Однако Meta также сталкивается с проблемой продолжающегося расширения инвестиций в дата-центры; огромные капитальные затраты оказывают давление на свободный денежный поток. Это показывает, что наличие зрелой бизнес-модели не устраняет капиталоёмкость ИИ; оно лишь обеспечивает более стабильную базу выручки для покрытия этих затрат.

Кейс Meta также выявляет более глубокое противоречие в коммерциализации больших моделей: экономическая ценность, создаваемая моделями, не обязательно достаётся поставщикам моделей напрямую.

По мере того как ИИ всё глубже встраивается в различные продукты и услуги, компании, контролирующие отношения с пользователями, сценарии применения и каналы сбыта, возможно, смогут легче реализовать ценность, чем компании, просто предоставляющие модельные возможности. Это подводит к ключевому вопросу: не станут ли базовые модели постепенно товаром? Ответ на него критически важен для понимания перспектив прибыльности компаний больших моделей.

Если модели, разработанные разными компаниями, будут постепенно сближаться по производительности, надёжности и пользовательскому опыту, клиенты будут всё больше обращать внимание на цену и стоимость обслуживания. Даже если поставщики моделей продолжат добиваться технологического прогресса, конкуренция может помешать им долго удерживать высокую маржу.

Распространение технологических возможностей выгодно потребителям, но не обязательно выгодно первоначальным разработчикам технологий. Исторически многие важные технологии в конечном итоге становились широко используемой инфраструктурой, но само по себе распространение технологии не гарантирует, что её изобретатели получат наибольшую экономическую выгоду.

Однако коммодитизация моделей не означает, что все ИИ-услуги станут товаром.

Предприятия на самом деле покупают не просто модель, способную отвечать на вопросы, а интеллектуальную систему, которая понимает внутренние бизнес-процессы, имеет доступ к проприетарным данным, выполняет сложные процессы и соответствует требованиям безопасности и комплаенса. Когда ИИ глубоко проникает в финансовые, исследовательские, юридические и клиентские процессы предприятия, смена поставщика перестаёт быть просто заменой чат-интерфейса; она может включать миграцию данных, системную интеграцию, управление рисками и организационное обучение.

Поэтому в будущем более прочный коммерческий ров, возможно, будет заключаться не в самих параметрах модели, а в интеграции модели с рабочими процессами предприятия и формирующейся на этой основе сети разработчиков, среде данных и экосистеме услуг.

С этой точки зрения Anthropic и OpenAI не обязательно навсегда останутся поставщиками базовых моделей. Они также разрабатывают комплексные услуги для потребителей и предприятий, пытаясь создать дифференцированные преимущества за счёт пользовательского опыта, рабочих процессов и отношений с клиентами.

Будь то Anthropic, снижающая порог внедрения интеллектуальных агентов для предприятий с помощью Claude Managed Agents и использующая Claude Code для глубокого проникновения в процессы разработки программного обеспечения, или OpenAI, продвигающая интеграцию ИИ в повседневную деятельность предприятий, обе компании исследуют одно направление: переход от предоставления модельных возможностей и диалоговых инструментов к предоставлению интеллектуальных услуг, встроенных в бизнес-процессы и постоянно выполняющих задачи.

Одновременно развитие интеллектуальных агентов может ещё больше изменить логику ценообразования ИИ. Традиционная подписочная модель продаёт право использования программного обеспечения в течение определённого периода, тарификация на основе токенов продаёт потребление вычислительных ресурсов, а интеллектуальные агенты фактически могут продавать способность выполнить задачу.

Если ИИ-система может самостоятельно выполнить проверку юридических документов, тестирование программного обеспечения или финансовый анализ предприятия, клиента может действительно интересовать не то, сколько токенов она потребила, а то, выполнена ли задача, надёжен ли результат и сколько затрат удалось сэкономить.

Оплата за задачу, объём работы или даже фактический результат может стать важной составляющей будущих бизнес-моделей. Однако такая модель породит новые вопросы ответственности: когда ИИ не справляется с задачей или его ошибка причиняет экономический ущерб, кто должен нести издержки и риски? Чем ближе интеллектуальные услуги к реальному труду, тем труднее полностью применять правила традиционной индустрии программного обеспечения к их бизнес-модели.

04. Кто сможет удержать добытое золото?

С более макроскопической точки зрения, индустрия ИИ переживает реструктуризацию распределения стоимости.

Первыми очевидными бенефициарами стали поставщики чипов, производства и инфраструктуры, поскольку расширение всей отрасли превращается в спрос на вычислительные ресурсы. Однако по мере распространения модельных возможностей прибыль может постепенно смещаться к компаниям, контролирующим рабочие процессы предприятий, пользовательские точки входа и экосистемы приложений.

Если вычислительные мощности останутся дефицитными надолго, поставщики инфраструктуры сохранят сильную переговорную позицию; если предложение моделей станет достаточным, компании-приложения могут получить больше возможностей для присвоения стоимости; если немногие платформы смогут интегрировать модели, данные, платежи и рабочие процессы, может сформироваться новая платформенная экономика.

В конечном счёте, кто получит наибольшую прибыль, зависит от того, какое звено отраслевой цепочки сможет создать устойчивый дефицит.

Исторически долгосрочное конкурентное преимущество Microsoft проистекало не только из лицензионных доходов от операционной системы Windows, но и из сформировавшейся вокруг неё экосистемы разработчиков, совместимости программного обеспечения и сети корпоративных клиентов; Google построил коммерческую империю не за счёт взимания платы с пользователей за поиск, а за счёт превращения пользовательского входа, создаваемого поиском, в рекламную выручку.

Сегодня Anthropic и OpenAI также стоят перед важным выбором: являются ли базовые модели лишь технологическим продуктом, требующим постоянных огромных капитальных вложений для поддержания лидерства, или они могут стать платформенной основой, связывающей разработчиков, корпоративных клиентов и экосистемы приложений.

Если они смогут построить поверх моделей стабильную сеть разработчиков, глубоко интегрированные рабочие процессы предприятий и трудно заменимую систему услуг, они смогут получить конкурентные преимущества и ценовую власть, выходящие за рамки производительности самих моделей. Однако сможет ли такая платформенная трансформация генерировать прибыль, достаточную для покрытия постоянных инвестиций в вычисления, ещё предстоит проверить долгосрочными операционными результатами.

Согласно недавно поданным регуляторным документам Anthropic, вот какого масштаба может достичь предстоящее первичное публичное размещение акций (IPO) в лучшем случае: оценка 1,4 трлн долларов (разводнённая) и привлечение 90 млрд долларов.

Это амбициозное IPO по сути является референдумом инвесторов по индустрии ИИ. Оно даёт возможность более широкому кругу инвесторов выбрать, поддержать ли дальнейшее сжигание денег компанией или избежать её — компании, которая, как ожидается, станет важным барометром индустрии ИИ, — отказавшись давать исторически высокую оценку в 1,4 трлн долларов.

В любом случае, заявка Anthropic на IPO вскрывает серьёзную проблему, которую нельзя игнорировать: для поддержания роста выручки компания вынуждена нести постоянно растущие затраты на вычисления. Это, очевидно, усложняет задачу убеждения инвесторов. Сможет ли рынок выдержать, если обласканная вниманием звезда ИИ после листинга продолжит показывать слабые результаты? Это покажет время.

Есть один вопрос, который легко упустить из виду: экономическая ценность, создаваемая ИИ, не обязательно превращается в выручку и прибыль разработчиков моделей.

Предприятия используют ИИ для повышения производительности, и сэкономленные средства могут остаться у пользователей; потребители могут получать выгоду от бесплатных или недорогих интеллектуальных услуг, что может проявляться как потребительский излишек, а не выручка поставщиков моделей. Даже если ИИ в конечном счёте значительно повысит производительность всего общества, разработчики моделей не обязательно получат экономическую отдачу, соответствующую созданной ими ценности.

Между социальной ценностью технологии и финансовой отдачей для разработчиков нет обязательного соответствия.

ИИ действительно нашел золотую жилу. Но после оплаты всех счетов за чипы, электроэнергию, дата-центры, исследования и финансирование — сколько реально смогут удержать те, кто добывает золото? Это ключевой вопрос, на который бизнес-модель больших моделей ещё не ответила.

IPO Anthropic — не конец этого вопроса, а перевод его в более строгую фазу. Раньше рынок мог воображать будущее на основе технологических прорывов, роста пользователей и оценок финансирования; после листинга компания должна постоянно доказывать свою коммерческую ценность через выручку, прибыль, денежный поток и отдачу на капитал.

Важно, конечно, становится ли модель умнее, но ещё важнее, сможет ли компания производить, распределять и продавать интеллект экономически устойчивым способом.

Данный контент предназначен исключительно для информационных и образовательных целей и не является инвестиционным советом, связанным с BTCC. BTCC прилагает все усилия, но не может гарантировать правдивость, точность или оригинальность вышеприведенного контента.

Рекомендуемые

Стоит ли за слушаниями по Хуану Жэньсюню Anthropic?Переговоры о слиянии SpaceX и Tesla вернули в фокус 30 000 биткоинов«Я кусок дерьма!»: подробности последних часов Дженсена Хуанга перед отставкойКто официально сменит Дженсена Хуанга?Проверка Минюста США в отношении Nvidia охватывает антимонопольные вопросы и экспорт чипов