Західна цінні папери: процес індустріалізації ШІ прискорюється, провідні вітчизняні постачальники моделей ARR досягли стрибка

Вестер Секьюритіз опублікувала аналітичний звіт, у якому стверджується, що процес комерціалізації великих моделей штучного інтелекту досяг якісного стрибка «з 1 до 10», а витрати на платні токени та ARR провідних вітчизняних моделей, таких як (Zhispur)02513( та MiniMax-W)00100(, демонструють експоненційне зростання, особливо у ключових сценаріях, таких як AI Coding, де швидко зростає кількість користувачів. Застосування великих моделей поступово формує «зростання кількості та цін» у здоровому циклі, що підтверджується ринком, а виробники великих моделей отримують контроль над ціноутворенням у таких ключових сферах, як програмування. Щодо інженерії AI, появи нової концепції HarnessEngineering та пасивного відкриття коду Claude Code сприяють прискоренню масштабного розгортання застосувань агентів.

Основні точки зору Вестер Секьюритіз такі:

Витрати на платні токени Zhispur здійснили експоненційний стрибок, у березні ARR відкритої платформи API досяг 1,7 мільярда юанів

Zhispur опублікувала звіт про результати за 2025 рік: у 2025 році компанія отримала дохід у 724 мільйони юанів, зростання на +131,9%; скоригований чистий збиток склав 3,182 мільярда юанів, що на 29,1% більше ніж у попередньому році. Структура доходів компанії змінилася: значно зросла частка доходів від MaaS API, у 2025 році — 190 мільйонів юанів, зростання +292,6%; доходи від корпоративних інтелектуальних агентів зросли на 248,8% до 166 мільйонів юанів; доходи від універсальних великих моделей для підприємств зросли на 70,5% до 366 мільйонів юанів.

Платформа GLM CodingPlan Zhispur перевищила 24,2 тисячі платних розробників, у лютому 2026 року компанія самостійно підвищила ціну на 30% і скасувала першу знижку, що вивело Tokens у нову фазу «зростання кількості та цін». Також компанія випустила AutoClaw з однокліковою установкою та у березні 2026 року запустила Claw Plan, і вже за два дні кількість підписників перевищила 100 тисяч, а за 20 днів — 400 тисяч.

Після фінансового звіту компанія опублікувала актуальні дані: станом на 31 березня 2026 року ARR відкритої платформи API склав близько 1,7 мільярда юанів (~250 мільйонів доларів США), що у понад 2,4 рази більше за 2025 рік (близько 500 мільйонів юанів) і приблизно у 60 разів більше ніж 12 місяців тому.

Раніше Minimax також повідомила, що ARR у лютому перевищив 1,5 мільярда доларів США. У 2025 році дохід MiniMax склав 79,04 мільйонів доларів США, зростання на 159%. У 2026 році початок року показав ще швидше зростання — ARR у лютому вже перевищив 1,5 мільярда доларів, а річний дохід наближається до подвоєння минулорічного рівня. Це зростання зумовлене високим використанням моделей M2.5 після їх запуску: середньоденне споживання токенів текстових моделей серії M2 у лютому зросло більш ніж у 6 разів порівняно з груднем минулого року, а сценарії програмування — більш ніж у 10 разів.

Новий парадигмальний підхід Harness Engineering стає ключовою інфраструктурою для масштабного впровадження AI-агентів

У лютому 2026 року OpenAI опублікувала технічний блог «Harness Engineering: Leveraging Codex in an Agent-First World». У ньому описано експеримент: команда з трьох інженерів) розширилася до семи( за місяць, і за допомогою CodexAgent за місяць створила понад мільйон рядків виробничого коду, об’єднала близько 1500 Pull Request, жоден рядок не був написаний вручну. Головне, що викликало обговорення у галузі, — це не цифра «100 тисяч рядків коду», а новий інженерний парадигмальний підхід: HarnessEngineering).

Harness Engineering — це уніфікована операційна система та методологія програмної інженерії для епохи AI, що включає агентний підхід з пам’яттю, системними підказками, базами знань, оркестрацією, а також текстовий потік у рамках OpenClaw, наприклад Agent.md, Soul.md, User.md, — для кращого спілкування з моделлю.

Anthropic також опублікувала статтю «Harness design for long-running application development», у якій зазначено, що Harness — це зовнішня структура, контрольна система та оркестрація для підтримки роботи складних AI-агентів(. Це не окремий алгоритм, а цілісна інженерна «сходи», що керує та масштабує можливості AI. Prompt визначає якість однієї сесії, а Harness — процес виконання багатократних, багатоголових та довготривалих завдань.

Головна функція Harness — вирішення проблеми «виходу з-під контролю» AI при виконанні складних та тривалих завдань)Go off the rails(, за допомогою зовнішніх механізмів контролю, що компенсують внутрішні недоліки моделей)наприклад, тривожність контексту, самовиправдання(. Як OpenAI, так і Anthropic одностайно визнають Harness ключовим для реалізації Coding Agent.

Claude Code — витік понад 510 тисяч рядків коду, що сприяє поширенню та розвитку агентів

31 березня Anthropic через помилку у пакеті npm оприлюднила близько 512 тисяч рядків вихідного коду Claude Code, що містить 4756 файлів, понад 40 модулів інструментів та кілька невипущених функцій, — і тимчасово «відкрила» його для світової спільноти. Хоча цей код не містить ваги моделей та даних користувачів, він розкриває архітектуру, підказки та механізми викликів інструментів, а також з’явилися функції, як Kairos для тривалих процесів, режим «інкогніто» — все це дає найповніше уявлення про архітектуру Claude Code. Це чергова подібна помилка компанії, що викликає питання безпеки ланцюга поставок. Код поширився у спільноті, хоча офіційно його видалили, але це значно знижує бар’єри для розробки AI-агентів і може прискорити конкуренцію та інновації у галузі.

Галузь великих моделей штучного інтелекту швидко переходить від етапу досліджень до масштабної комерціалізації

По-перше, процес комерціалізації досяг якісного стрибка «з 1 до 10». Провідні виробники, такі як Zhispur та MiniMax, демонструють експоненційне зростання витрат на платні токени та ARR, особливо у ключових сценаріях, таких як AI Coding, де швидко зростає кількість користувачів. Важливо, що застосування великих моделей поступово формує «зростання кількості та цін» у здоровому циклі — компанії самі підвищують ціни, а користувачі приймають це, що свідчить про перехід моделей від «інструменту для використання» до «необхідної виробничої інфраструктури». Це підтверджує їхню комерційну цінність, а виробники отримують контроль над ціноутворенням у таких сферах, як програмування. Щодо інженерії AI, появи нової концепції HarnessEngineering та відкриття коду Claude Code сприяють прискоренню масштабного розгортання застосувань агентів.

Щодо цінових цілей

Рекомендується звернути увагу на: Zhispur)02513(, MiniMax-W)00100(, Wangsu Technology)300017.SZ(, Zhuoyi Information)688258.SH(, Cambrian)688256.SH(, Haiguang Information)688041.SH(, Sugon)603019.SH(, Huafeng Technology)688629.SH(.

Ризики

Зміни в галузевій політиці, недосягнення технологічних цілей, недосягнення очікуваного розвитку AI, посилення конкуренції, зміни у міжнародному середовищі.