Сколько сможет получить компания по производству оптических модулей из подписки, которую вы платите Claude?

TL;DR

· Картограмма разбивки стоимости подписки Claude 20 долларов США, разбивающая ежемесячную плату за AI на модели, облачные вычисления, GPU, электроэнергию и цепочку поставок.

· Подписка на AI связана с постоянными затратами на вывод, поэтому нельзя напрямую применять высокую маржу традиционного SaaS.

· Связанные активы: OpenAI, Anthropic, Microsoft, Amazon, Google, Nvidia (NVDA), TSMC, SK Hynix, Samsung, Micron, дата-центры и цепочка электропитания.

Диаграмма, которая разбивает примерно 20 долларов США ежемесячной оплаты Claude Pro в США между модельной компанией, облачными вычислениями, амортизацией GPU, электроэнергией и цепочкой поставок, заставляет инвесторов заново обсуждать, как именно следует оценивать доходы от AI-приложений.

Эта диаграмма не является официальными данными о распределении доходов Anthropic, Amazon Cloud или Nvidia, и не может служить точной бухгалтерией любой из компаний. Ее ценность в том, что она поднимает более фундаментальный вопрос: сколько из подписных платежей пользователи платят за AI-приложения, могут ли они как в традиционном SaaS превращаться в чистую прибыль от программного обеспечения?

Оценка SaaS очень ясна. После разработки программного обеспечения, продажа еще одного аккаунта обычно не требует больших дополнительных затрат, а зрелые чисто программные компании часто имеют маржу в 70% или даже 80%. Инвесторы готовы платить высокие мультипликаторы, потому что при росте доходов прибыльность может продолжать расти.

Проблема с AI-приложениями в том, что каждый вопрос пользователя, написание кода, анализ файла или вызов агента требуют затрат GPU времени, электроэнергии, памяти и облачных ресурсов. Внешне это фиксированная ежемесячная плата, но в основе — цепочка затрат, меняющаяся в зависимости от использования. Легкие пользователи могут иметь высокую маржу, а тяжелые — при использовании лимитов или пакетов инструментов — быстро увеличивать издержки.

Поэтому, диаграмма разбивки на 20 долларов ставит под вопрос не то, сколько компания зарабатывает, а то, является ли доход от AI по сути равным доходам SaaS. Чтобы доказать свою ценность и высокие мультипликаторы, AI-компании должны не только показывать рост выручки, но и демонстрировать, что взвешенная по использованию валовая прибыльность может постоянно улучшаться.

За подпиской стоит цепочка затрат на вывод

Главное отличие подписки на AI от обычного SaaS — это то, что «постоянные» переменные издержки на один раз использования больше не близки к нулю.

В традиционном SaaS, добавление еще одного аккаунта в команду влечет за собой серверные, поддержку и пропускную способность, но эти издержки обычно не растут линейно с каждым кликом. Самые дорогие — это начальные разработки, продажи и привлечение клиентов. После масштабирования продукта, значительная часть новых доходов остается в компании.

В случае крупных моделей всё иначе. Пользователь вводит вопрос, модель генерирует ответ — это называется выводом, то есть реальными вычислениями, которые происходят при вызове модели. Token — это базовая единица измерения текста, которую модель читает и пишет. Чем больше вопросов, длиннее контекст, сложнее генерируемый контент, тем больше токенов и вычислительных ресурсов расходуется.

Это создает противоречие между фиксированной подпиской и переменными затратами. В США, примерно за 20 долларов в месяц за Claude Pro, цена зависит от региона, налогов и настроек Anthropic. Пользователь видит фиксированную цену, а модельная компания сталкивается с очень разными сценариями использования: кто-то просто пишет письма и ищет информацию, а кто-то обрабатывает длинные документы, запускает кодовые задачи или использует более сложные автоматизированные процессы.

Распространенная в рынке диаграмма разбивки пытается визуализировать это: из 20 долларов часть идет модели, часть — облачным и вычислительным провайдерам. В затраты на вычисления входит электроэнергия, обслуживание, амортизация GPU. Далее закупки GPU идут к Nvidia, TSMC, поставщикам HBM (высокопроизводительной памяти), оптическим модулям, ODM и компаниям, связанным с электроснабжением.

Здесь «амортизация GPU» понимается как то, что дорогие GPU — не разовая покупка, а распределенная по времени и интенсивности эксплуатации. Реальное распределение зависит от лимитов пакета, доли тяжелых пользователей, внутренних цен на облачные услуги, скидок на резервированные ресурсы, уровня загрузки GPU и срока амортизации. Средняя себестоимость не равна предельной стоимости.

Инвесторы должны сосредоточиться на направлении: AI-компании не могут просто раскрывать рост доходов, им нужно отвечать, растут ли затраты на вычислительные ресурсы синхронно с доходами. Если использование расширяется быстрее, чем эффективность модели, то при росте подписных доходов давление на маржу увеличивается. Только при достаточно быстром повышении эффективности у моделей появляется шанс приблизиться к прибыльной структуре SaaS.

Инфраструктура получает более предсказуемый доход

На текущем этапе рост использования AI более напрямую влияет на инфраструктуру, чем на доходы на уровне приложений.

Независимо от того, используют ли пользователи Claude, ChatGPT, Gemini или внутренние агенты, все вычисления в конце концов сводятся к затратам на вычислительные ресурсы, электроэнергию, память и сеть. В то время как продуктовые решения могут меняться, базовые ресурсы — более жесткие. Пока использование AI продолжает расти, расходы на облака, закупки GPU, HBM и электропитание будут увеличиваться.

Это объясняет, почему такие компании, как Nvidia, TSMC, SK Hynix, продолжают переоцениваться рынком. В последние годы Nvidia демонстрирует высокие показатели валовой прибыли: по GAAP и не-GAAP за FY2026 ожидается около 71%, а последующие квартальные прогнозы остаются на высоком уровне. Хотя отдельные кварталы могут быть подвержены влиянию специальных расходов, публичные отчеты редко позволяют точно выделить прибыльность AI-центров данных, но дефицит инфраструктуры с ценовым рычагом уже отражается в результатах.

HBM — один из ключевых элементов цепочки. Это не обычная память, а важнейший компонент для AI-ускорителей, обеспечивающий высокую пропускную способность. Рост требований к длине контекста, масштабам моделей и параллельным выводам усиливает зависимость AI-чипов от высокопроизводительной памяти. Анализ цепочки показывает, что доля HBM в стоимости новых AI-чипов растет, что объясняет переоценку SK Hynix, Samsung и Micron в цикле AI.

Электроэнергия и дата-центры также превращаются из фона в ключевые инвестиционные направления. Энергопотребление при обычных текстовых запросах не кажется чрезмерным, но сложные агенты, длинные контексты, генерация кода и многопроходные задачи увеличивают вычислительные нагрузки. Для облачных провайдеров и операторов дата-центров важно не только, сколько энергии расходуется на один запрос, а как при постоянных нагрузках используются кластеры, какова цена электроэнергии, системы охлаждения, вместимость серверных залов и подключение к электросетям.

Преимущество инфраструктурных компаний в том, что их показатели быстрее подтверждаются в отчетах. Инвестиции облачных компаний в AI уже происходят, доходы и маржа Nvidia отражаются в финансовых отчетах, заказы и цены на HBM быстро влияют на прибыль. Большая часть сделок по моделям — это ожидания будущего: конверсия подписок, проникновение в бизнес, доходы от API и снижение будущих издержек.

Эффективность остается ключевым фактором для быстрой оценки

Инвесторы в программное обеспечение и AI не лишены возражений. Основная идея сторонников эффективности — сегодня высокие затраты на вывод — это временное явление, связанное с ранней стадией. Улучшения в моделях, кэшировании, малых моделях, собственных чипах и повышении загрузки кластеров будут постоянно снижать единичные издержки. Если снижение затрат достаточно быстро, AI-приложения могут вернуться к высокой марже SaaS.

Это обоснованное возражение. Некоторые ведущие модели уже при одинаковых или даже более высоких возможностях показывают значительное снижение стоимости. OpenAI, например, сообщила, что у GPT-4o mini стоимость токена снизилась на 99% по сравнению с ранним text-davinci-003. Различия в темпах у разных компаний, Anthropic недавно демонстрирует повышение уровня модели при сохранении цены, но в целом индустрия движется к более дешевым и мощным решениям.

Модельные компании используют разные подходы для повышения экономической эффективности. Простые задачи поручают малым моделям, часто используют кэширование для повторного использования запросов, а сложные — более мощным моделям. Облачные провайдеры разрабатывают собственные чипы и оптимизируют кластерное управление для снижения стоимости. Google — TPU, Microsoft — Maia для вывода, Amazon — Trainium и Inferentia.

Если смотреть только на технологический прогресс, прибыльность AI-приложений действительно может улучшаться. Более дешевые выводы, лучшее маршрутизирование моделей, сжатие и оптимизация позволяют при той же подписке в 20 долларов увеличить объем использования. Легкие пользователи, корпоративные пакеты по высокой цене, многоуровневое ценообразование API и более строгие лимиты также улучшают общую экономику.

Трудность в том, что снижение затрат — не единственный фактор. AI-приложения переходят от простого диалога к более сложным задачам. Раньше пользователи просто задавали вопросы и переписывали тексты, а теперь растет спрос на кодовые агенты, обработку длинных документов, видео и мультимодальные генерации, автоматизацию предприятий. Эти сценарии ценнее и требуют больше ресурсов. Чем полезнее модель, тем больше вероятность, что пользователь доверит ей более сложные и длительные задачи.

Разногласия становятся более конкретными: сможет ли скорость снижения стоимости вывода опередить рост использования и сложности задач. Если единичная стоимость быстро падает, а среднее потребление растет быстрее, то у модели остается давление на валовую прибыль. И наоборот, если маршрутизация, кэширование, собственные чипы и ценовые уровни работают эффективно, подписка на AI может постепенно избавиться от тяжелых затратных характеристик.

Подписчики и маржа

Диаграмма разбивки на 20 долларов не должна восприниматься как окончательная. Это скорее напоминание о текущем этапе оценки: когда рынок еще не обладает достаточной прозрачностью данных о валовой прибыли моделей, инвесторам стоит учитывать, что гипотеза «AI-приложения по сути SaaS» требует скидки.

Для непубличных компаний вроде OpenAI, Anthropic трудно получить полную картину. Внутренние материалы, раскрытия партнеров, структура облачных затрат, цены на корпоративные пакеты, доля API и ограничения использования — все это ключи к оценке. Самое ценное — не сколько платящих пользователей, а соотношение легких и тяжелых, готовность корпоративных клиентов платить больше за интенсивное использование, снижение стоимости облачных расчетов и возможность снижения стоимости вычислений на единицу.

Публичные компании быстрее подтверждают показатели в отчетах. Общая маржа Nvidia, рост доходов дата-центров, спрос на передовые процессы TSMC, цены и прибыльность HBM, инвестиции облачных провайдеров — все это продолжает отражать, идет ли передача AI-использования в инфраструктуру. Если эти показатели остаются сильными, а в приложениях нет признаков улучшения маржи, рынок продолжит присваивать инфраструктуре более высокие оценки.

В конечном итоге, чтобы вернуть себе более высокую оценку, модельные компании должны доказать, что не только пользователи готовы платить 20 долларов, но и что эти подписки при интенсивном использовании все равно оставляют достаточную маржу. Следующий этап ценовых разногласий, скорее всего, будет связан не с общим ARR, а с затратами на вывод, ограничениями пакетов и способностью корпоративных клиентов платить по более высоким ценам.

Нажмите, чтобы узнать о вакансиях в BlockBeats

Присоединяйтесь к официальному сообществу BlockBeats:

Подписка в Telegram: https://t.me/theblockbeats

Группа в Telegram: https://t.me/BlockBeats_App

Официальный аккаунт в Twitter: https://twitter.com/BlockBeatsAsia