Как найти устойчивое пространство для монетизации на уровне приложений ИИ?

Потребительская модель ИИ по подписке оказалась в дилемме: стоимость токенов постоянно растёт, а готовность пользователей платить за ними не поспевает. Эта структурная напряжённость делает бизнес-модель крайне уязвимой. Более устойчивая коммерциализация ИИ, вероятно, произойдёт в сценариях, привязанных к высокоценным пользователям, глубокой интеграции в рабочие процессы и реальным бизнес-результатам. Это и есть экономическая предпосылка для появления вертикальных ИИ-платформ. В 9-м выпуске «Agentic Economy» мы разберём три кейса — Harvey, Farther и Adyen, — чтобы увидеть, как они выстраивают конкурентные преимущества на фоне коммодитизации базовых моделей. А также затронем два более сложных вопроса: сохранятся ли эти преимущества, когда закончатся субсидии на токены? И что означает, когда OpenAI и Anthropic начинают размещать свои инженерные команды на стороне корпоративных клиентов?

Любая технология, став достаточно распространённой, перестаёт приносить премиальную прибыль. Универсальные большие языковые модели — не исключение. По мере того как предельная отдача от конкуренции по числу параметров снижается, некогда дефицитный интеллект быстро превращается в товарную коммунальную инфраструктуру. Это приводит к ускоренному краху бизнес-моделей лёгких приложений, которые полагаются лишь на сторонние API и не имеют глубокой интеграции в контекст.

Но коммодитизация никогда не бывает конечной точкой. Каждый раз, когда новая технология становится массовой, ценность перетекает от тех, кто владеет технологией, к тем, кто способен эффективно её применять.

Эта закономерность сейчас порождает стремительный рост вертикальных ИИ-платформ.

Так называемые вертикальные ИИ-платформы — это прикладной уровень ИИ, который проникает в конкретные отрасли, глубоко инкапсулирует возможности универсальных больших моделей и перестраивает бизнес-процессы вокруг определённых рабочих потоков. Используя собственные системы оценки (Eval) и многомодульную архитектуру, эти платформы низводят базовые модели до взаимозаменяемых вычислительных компонентов, прочно удерживая ключевые активы рабочих процессов отрасли внутри системы. Их суть — в устранении трения в бизнес-процессах, превращая сложную профессиональную работу в системный актив, способный к накоплению.

Чтобы понять обоснованность этого нового направления, нужно чётко осознать один факт: предприятия и профессионалы платят не за количество параметров базовой модели, а за её способность глубоко встраиваться во внутренние рабочие процессы, формировать замкнутый цикл данных и генерировать реальный доход.

Именно поэтому юристы с почасовой ставкой в сотни долларов, финансовые консультанты, обслуживающие состоятельных клиентов, и крупные мерчанты с огромными объёмами транзакций становятся главной целью нового поколения вертикальных ИИ-платформ. Эти группы людей обладают бюджетом, несут ответственность за соблюдение нормативных требований и ориентированы на чёткие бизнес-результаты. Будь то экономия десяти часов для юриста с почасовой ставкой в тысячу долларов или помощь консультанту по управлению капиталом в увеличении объёма активов под управлением и оптимизации посленалоговой доходности — создаваемая бизнес-ценность поддаётся прямому количественному измерению. Такая точная привязка к высокоценным производственным субъектам и есть та экономическая основа, благодаря которой вертикальные ИИ могут быть жизнеспособными.

В настоящее время эти исследования ведутся в основном по двум направлениям.

Первое — это перестройка профессиональных рабочих процессов с помощью ИИ, что позволяет значительно сократить операционные издержки, которые раньше были доступны только крупным институтам. В таких сферах, как юриспруденция и управление капиталом, высокопороговые задачи — соблюдение нормативных требований, управление рисками и профессиональная отчётность — системно берутся на себя технологическими платформами, позволяя специалистам выполнять более плотную работу с меньшими ресурсами.

Второе — это перестройка транзакционной инфраструктуры, которая меняет связь между мерчантами и агентами. В агентной коммерции (Agentic Commerce) перехват намерений и взаимодействие на фронтальном уровне контролируются лабораториями ИИ, но конечная конверсия транзакций по-прежнему происходит в инфраструктуре мерчанта. Adyen Agentic выступает в роли универсального переводчика, помогая продавцам подключиться один раз и участвовать в различных ИИ-платформах покупок через разные протоколы, не перестраивая системы под каждый новый протокол.

Три кейса различаются по сценариям внедрения, но все они объединены одним: ключевые компетенции, которые раньше было трудно стандартизировать в отрасли, превращаются в системный актив, доступный для многократного использования. Harvey накапливает юридические знания и отраслевой опыт; Farther — отношения консультантов с клиентами и возможности налоговой оптимизации; Adyen — товарные данные мерчантов, адаптацию протоколов и расчётные способности.

Именно это генеральный директор Microsoft Сатья Наделла называет капиталом токенов: долгосрочная ценность ИИ заключается не только в выполнении отдельных задач, но и в структурированном сохранении в системе человеческих суждений, знаний и рабочих процессов, которые в процессе непрерывного взаимодействия формируют самовоспроизводящийся актив.

1,9 млрд $ ARR и 460 млн $ затрат на вычисления: игра масштаба, которую Harvey не может поддерживать

Harvey — один из самых дорогих и быстрорастущих образцов текущей волны вертикального ИИ. Потенциал и трудности этой логики наиболее ярко проявились именно в Harvey.

Эта юридическая платформа, не владеющая никакими универсальными моделями, сумела за пять месяцев (с августа 2025 года по январь 2026 года) увеличить ARR с 100 миллионов до 190 миллионов долларов, а оценка достигла 11 миллиардов долларов. Это говорит о том, что вертикальным платформам вовсе не нужно участвовать в борьбе за базовые универсальные модели: достаточно действительно понимать отраслевые задачи и перестраивать повседневные рабочие сценарии высокоценных пользователей, чтобы выстроить мощную коммерческую способность.

Но за впечатляющими финансовыми цифрами скрывается постоянно растущий счёт за вычисления.

Согласно открытым данным, ежемесячное потребление токенов Harvey выросло с первоначального примерно 1 триллиона до 12–13 триллионов. При оценке стоимости в 3 доллара за миллион токенов годовые теоретические расходы на инференс составляют 468 миллионов долларов. Даже если сейчас эти затраты временно сдерживаются за счёт скидок крупных провайдеров и технологий вроде кэширования промптов, подчинённая структура затрат означает, что как только субсидии сократятся, счёт немедленно вырастет. В таких финансовых условиях рост ARR крайне сложно конвертировать в реальный денежный поток; напротив, он постоянно рискует навлечь на себя эффект масштаба.

За этим стоит парадокс затрат, неизбежный для приложений нативного ИИ: чем популярнее продукт, тем выше затраты на инференс. Предельные издержки традиционного SaaS практически равны нулю, но в таких сценариях, как юридический, с длинным контекстом и высокой плотностью рассуждений, каждая сложная задача потребляет реальные вычислительные ресурсы. Разработка собственных моделей поэтому становится не техническим вариантом, а неизбежностью, продиктованной затратами.

В настоящее время Harvey продвигает стратегию пост-тренировки собственных моделей, тесно сотрудничая с Applied Compute для тонкой настройки открытых базовых моделей (например, GLM-5.1) для юридической отрасли. Согласно последним техническим отчётам, пост-тренированная собственная модель Harvey в её собственном юридическом агенте (LAB) повысила показатель рубричного прохода с 0,853 до 0,913, превзойдя GPT-5.5 xhigh и приблизившись к Opus 4.8 Max.

Сжатие затрат также значительно. Заменив модель оценки с передовых больших моделей на GPT-5 Mini и объединив несколько критериев оценки в пакеты, затраты на оценку сократились в 40–100 раз. Это позволяет Harvey непрерывно совершенствовать цикл оценки при меньших затратах, и сама частная система оценки становится накапливаемым конкурентным активом.

Что ещё более примечательно — это изменения, произошедшие за счёт повышения производительности. Полнота вывода, точность цифр, документирование источников и подавление галлюцинаций — несколько ключевых поведенческих характеристик показали измеримое улучшение. В процессе обучения модель всё реже вызывала инструменты, но каждый вызов становился точнее, а общее потребление токенов снижалось. Другими словами, модель учится эффективно работать в среде конкретных инструментов, и эти модели поведения, накопленные за счёт множества юридических задач, гораздо сложнее скопировать извне, чем параметры модели.

Кейс Harvey показывает, что конкурентная база вертикальных ИИ-платформ углубляется. Дизайн рабочих процессов и отношения с клиентами по-прежнему важны, но теперь новыми источниками дифференциации становятся возможность пост-тренировки открытых моделей и контроль над ними, частная система оценки и способность генерировать данные, многомодульная архитектура агентов и оптимизация затрат на инференс.

Де-организация Farther: разрыв привязки консультантов к традиционным крупным брокерским компаниям

Если Harvey сжимает внутренние затраты на доставку в крупных профессиональных сервисных организациях, то платформа управления капиталом Farther показывает, как помочь ключевым талантам покинуть «гравитационное поле» традиционных гигантов.

Farther — это технологическая платформа для независимых консультантов (RIA), которая специально нанимает консультантов по управлению капиталом, ушедших из Morgan Stanley, Merrill Lynch, UBS и Goldman Sachs. В традиционной системе полного брокерского обслуживания консультанты часто страдают от низкой доли вознаграждения и тяжёлой административной нагрузки. Farther напрямую приглашает консультантов, объединяя бэк-офисные возможности, которые раньше были монополизированы крупными институтами, в единую платформу: помимо высокой доли вознаграждения, интегрированы сбор налоговых убытков, прямая индексация, доступ к частным рынкам, проверка соответствия нормативам и управление документами. Официальные данные показывают, что только благодаря налоговому интеллектуальному алгоритму можно добиться улучшения доходности после уплаты налогов для клиентов на 1–3%.

Эта модель уже получила убедительное подтверждение на рынке капитала. В мае 2026 года Farther завершила раунд D на 150 миллионов долларов, возглавляемый General Atlantic, официально став единорогом. В настоящее время объём управляемых активов превысил 23 миллиарда долларов, включая команду частных банкиров, недавно переманенных из Goldman Sachs, которые управляют активами в 1,5 миллиарда долларов. Постоянный приток независимых консультантов по управлению капиталом показывает, что системная привязка, на которой держатся традиционные крупные брокерские компании, теряет силу, и независимая практика вне институтов перестаёт быть маргинальным выбором для меньшинства.

Harvey сосредоточен на повышении эффективности профессиональной доставки внутри юридических фирм; Farther же создаёт с нуля независимую платформу, позволяющую консультантам получать такие же или даже более сильные бэк-офисные возможности, не привязываясь к традиционным крупным брокерским компаниям. Разные точки входа, но обе переопределяют способ производства профессиональных услуг. На основе этой платформы сложные инвестиционные инструменты, такие как прямая индексация и доступ к частным рынкам, которые раньше были доступны только отделам UHNW крупных институтов, теперь могут легко использоваться независимыми консультантами, значительно расширяя сферу деятельности профессионалов.

Традиционный SaaS способен лишь на поверхностную автоматизацию процессов, такую как ведение записей и хранение, но не может взять на себя сложное выполнение, такое как принятие решений и координация. Системы нативного ИИ на основе многомодульной архитектуры по своей природе подходят для выполнения тех нечётких задач, которые находятся между административным исполнением и нестандартными логическими суждениями: проверка соответствия нормативам, написание индивидуальных документов, рекомендации по распределению активов. Те задачи, которые раньше требовали целой команды бэк-офиса, теперь быстро перевариваются системой.

Недооценённая сторона мерчанта: транзакционный цикл в Agentic Commerce

Обсуждение агентной коммерции (Agentic Commerce) остаётся горячим, но в настоящее время внимание СМИ почти полностью сосредоточено на потребительской стороне — как ИИ-помощники заменяют пользователей в поиске товаров, сравнении цен и автоматическом оформлении заказов. В отличие от этого, реальная обратная связь со стороны продавцов гораздо более суровая.

У Walmart коэффициент конверсии в нативном ИИ-чекауте (Instant Checkout) пока составляет лишь треть от традиционной модели «клик-переход»; а доля мерчантов, полностью подключившихся к ИИ-системе расчётов Shopify, в 2026 году всё ещё ограничена. Между активацией спроса через ИИ и реальным завершением транзакции существует явный разрыв.

Причина разрыва в том, что агентные транзакции — это комплексная система. Понимание намерений пользователя — лишь первый шаг; для превращения спроса в доход необходима полная цепочка: проверка запасов, расчёт налогов, защита от мошенничества, выполнение заказа и расчёты. Эти возможности пока прочно заперты в локальных системах продавцов. В то же время существует множество несовместимых протоколов платежей для агентов, таких как UCP, ACP, AP2, Agent Pay, Visa Tokenization. Продавцы не заинтересованы в адаптации каждого из них и не могут позволить себе издержки фрагментации технологий.

В ответ Adyen запустила Adyen Agentic, предлагая трёхуровневый модульный API, покрывающий различные этапы транзакционной цепочки:

• Agentic Feed: отвечает за стандартизированное распространение каталога товаров, цен и данных о реальных запасах продавца на основные ИИ-платформы;

• Agentic Cart: подключает существующие системы расчётов, налогов, выполнения заказов и управления заказами продавца к основе диалоговой коммерции;

• Agentic Payments: обрабатывает проверку личности, сетевую защиту от мошенничества и многосторонние расчёты в сделках, инициированных агентами.

Продавцы подключаются один раз, а Adyen переводит взаимодействие между разными платформами агентов и протоколами, без необходимости перестраивать базовые системы при каждом изменении рыночной конъюнктуры.

В экосистеме агентной коммерции фронтальные лаборатории ИИ и диалоговые интерфейсы, возможно, перехватывают намерения пользователя и трафик, но реальная конверсия ценности, проведение сделок и завершение денежного цикла по-прежнему сильно зависят от инфраструктуры продавца. По сравнению с конкурентным фронтальным входом, системные услуги подключения на стороне продавца имеют больше шансов превратиться в стабильную, оплачиваемую базовую инфраструктуру.

Тени вертикальных платформ: проникновение производителей моделей и реструктуризация затрат на токены

По мере насыщения рынка дешёвыми универсальными инструментами, бизнес-логика крупных платформ ИИ, основанная на поддержании низкой цены подписки, становится всё более уязвимой. Когда обобщённые функции, такие как обобщение веб-страниц и написание черновиков писем, легко заменяются, вертикальные платформы должны смещаться к высокоценным клиентам, которые больше заботятся о бизнес-результатах. Но чем выше ценность отрасли, тем сложнее конкурентная среда на прикладном уровне.

Одно из давлений — это активное расширение границ бизнеса со стороны производителей моделей. OpenAI и Anthropic больше не удовлетворяются оптовой продажей API; вместо этого они через команды полевых инженеров (FDE) напрямую внедряются на площадки ключевых клиентов. В апреле 2026 года OpenAI заключила партнёрство с Customers Bank (активы 26 млрд долл.), где инженерная команда работала на месте, разрабатывая агентов для выдачи кредитов и открытия счетов на локальных данных; Anthropic сотрудничает с гигантом финансовых IT FIS, внедряя команду FDE в его внутренние системы для разработки инструментов борьбы с отмыванием денег, используя каналы FIS, обслуживающие множество банков, и напрямую проникая в самые глубокие сферы банковского бизнеса.

Такая модель полевого сотрудничества показывает, что крупные производители моделей используют инфраструктурные каналы для прямого изучения и копирования внутренних бизнес-процессов в отраслях с высокими барьерами.

Другое давление — неустойчивая ценовая логика токенов. В настоящее время большинство передовых базовых моделей на самом деле продаются по ценам ниже себестоимости в результате субсидий. С ростом частоты вызовов в многоагентных корпоративных архитектурах, когда субсидии крупных производителей заканчиваются, вертикальные платформы, полностью полагающиеся на внешние передовые API, не смогут выдерживать счета за вычисления.

Это давление будет ещё больше усиливаться по мере роста потребностей в инференсе. Когда сотни круглосуточно работающих агентов взаимодействуют на фоне с высокой частотой, потребность в вычислениях будет расти экспоненциально, а физическая ограниченность базовой аппаратной цепочки поставок, такой как литографические машины ASML с крайне длительным циклом производства, не сможет быстро угнаться. Для подавляющего большинства повседневных деловых операций использование передовых моделей для всех задач само по себе является серьёзным нецелевым расходом ресурсов.

Именно поэтому Harvey должен сотрудничать с Applied Compute, создавая специализированные тестовые наборы, частные системы оценки и конвейеры ручной аннотации. Вертикальные платформы не просто создают продукты, они занимаются сложной инженерией затрат: точно оценивают потери токенов на каждой задаче, выясняют, какие промежуточные шаги можно перенаправить на дешёвые открытые малые модели, какие ключевые решения требуют дорогих флагманских моделей и где необходимо вмешательство человека.

В этом контексте один только красивый интерфейс рабочего процесса больше не обеспечивает долгосрочного конкурентного преимущества. Доведение до совершенства инженерии затрат на бэкенде становится ключевым фактором выживания вертикальных ИИ-платформ.

Заключение: Редкость на рынке вновь смещается к верху цепочки

По мере того как универсальные большие модели становятся такими же доступными, как вода, электричество и газ, ценность прикладного уровня ИИ начинает концентрироваться на самом верху и в самом низу производственной цепочки.

На этом этапе дефицит в отрасли не исчезает: на самом верху остаётся то, что не поддаётся алгоритмической стандартизации, — доверие клиентов, сложные нестандартные суждения и неструктурированные знания, скрытые в опыте практиков; в самом низу — сеть продавцов, несущая данные о товарах, цепочку соответствия нормативам и платёжные каналы. Реальный смысл вертикальных платформ — превращать профессиональный опыт этих высокоценных субъектов в устойчиво накапливаемый капитал токенов.

Это также определяет, что конкурентная логика прикладного уровня возвращается к прагматизму. «Нарратив масштаба», который поддерживал быстрый рост индустрии программного обеспечения последнее десятилетие, начинает давать сбои перед лицом жёстких ограничений по вычислительным расходам и физической цепочке поставок.

В новом цикле выживание компаний прикладного уровня зависит от тонкого арбитража между затратами и вычислениями. По мере схода ценовых войн за модели и ограничения вычислительных ресурсов, платформы должны находить оптимальное сочетание затрат и производительности, а не продолжать жить за счёт капитальных вливаний.

Хотя производители больших моделей обладают большими вычислительными ресурсами и командами полевых инженеров, для гибких вертикальных платформ и независимых профессионалов самым уникальным конкурентным преимуществом остаётся превращение накопленного скрытого профессионального опыта в системные активы, которые производители базовых моделей не могут скопировать. Избегая широкой конкуренции за трафик и в первую очередь удовлетворяя бизнес-циклы высокоценных производственных субъектов, — вот логика, по которой вертикальные ИИ могут долгосрочно выживать в эпоху коммодитизации больших моделей.