Скільки компанія з виробництва оптичних модулів зможе отримати з підписки, яку ви передали Клод?

TL;DR

· Картка розподілу вартості підписки Claude 20 доларів США, яка розбиває місячну плату за AI між компанією-моделлю, хмарними обчисленнями, GPU, електроенергією та ланцюгом постачання.

· Підписка на AI має постійні витрати на обчислення, тому не можна безпосередньо застосовувати високий валовий дохід традиційного SaaS.

· Пов’язані активи: OpenAI, Anthropic, Microsoft, Amazon, Google, Nvidia (NVDA), TSMC, SK Hynix, Samsung, Micron, дата-центри та електропостачання.

Малюнок, що показує розподіл приблизно 20 доларів США за місяць для Claude Pro у США між компанією-моделлю, хмарними обчисленнями, амортизацією GPU, електроенергією та ланцюгом постачання, змушує інвесторів знову обговорювати, як саме слід оцінювати доходи від AI-додатків.

Цей малюнок не є офіційними даними про розподіл доходів Anthropic, Amazon Cloud або Nvidia, і не може слугувати реальним бухгалтерським звітом будь-якої компанії. Його цінність у тому, що він піднімає більш глибоке питання: скільки з підписки, яку платять користувачі AI-додаткам, може накопичуватися у вигляді валового доходу від програмного забезпечення, як у традиційному SaaS?

Оцінка традиційного SaaS дуже ясна. Після створення програмного забезпечення, додатковий продаж ще одного аккаунта зазвичай не вимагає значних додаткових витрат, і валовий дохід таких компаній часто перевищує 70% або навіть 80%. Інвестори готові платити високий множник, оскільки з розширенням доходів зростає і потенціал прибутковості.

Проблема з AI-додатками у тому, що кожне запитання користувача, написання коду, аналіз файлу або виклик агента вимагає споживання GPU-часу, електроенергії, пам’яті та хмарних ресурсів. Зовні це фіксована місячна плата, але всередині — ланцюг витрат, що змінюється залежно від обсягу використання. Легкі користувачі можуть мати високий валовий дохід, тоді як важкі користувачі, що працюють у межах лімітів або пакетів, можуть швидко збільшувати свої витрати.

Тому, малюнок розподілу 20 доларів ставить під сумнів не стільки, скільки компанія отримує доларів, скільки — чи є дохід від AI-додатків природньо рівним доходам SaaS. Компанії AI потрібно довести свою вартість за високим множником, а не лише те, що користувачі готові платити, а й що валовий дохід з урахуванням обсягу використання може стабільно зростати.

За підпискою прихована ланцюг витрат на обчислення

Головна відмінність підписки на AI від звичайного SaaS — у тому, що «маргінальні витрати» на один раз використання вже не є близькими до нуля.

У традиційному SaaS, додавання ще одного аккаунта для команди не потребує значних додаткових витрат на сервери, підтримку або пропускну здатність, оскільки ці витрати не зростають лінійно з кожним кліком. Найдорожчими є початкові розробки, продажі та залучення клієнтів. Після масштабування продукту значна частина додаткового доходу залишається у компанії.

У випадку великих моделей ситуація інша. Користувач вводить запит, модель генерує відповідь — цей процес називається «виведення» (інференс), тобто фактичні обчислення, що виконує модель при виклику користувача. Token — це базова міра читання та запису тексту моделлю. Чим більше запитів, довший контекст і складніший контент, тим більше токенів і обчислень потрібно.

Це створює конфлікт між фіксованою підпискою та змінними витратами. Приблизно 20 доларів США на місяць для Claude Pro у США залежить від регіону, податків і коригувань Anthropic. Користувач бачить фіксовану ціну, але компанія стикається з дуже різноманітною поведінкою використання. Хтось просто надсилає листи і шукає інформацію, інші обробляють довгі документи, запускають код або автоматизують складні процеси.

Розповсюджена модель розподілу намагається уявити цю ситуацію: частина з 20 доларів йде компанії-моделі, інша — постачальникам хмарних обчислень і GPU. Витрати на обчислення включають електроенергію, обслуговування, амортизацію GPU. Вони, у свою чергу, йдуть до Nvidia, TSMC, постачальників HBM (високопродуктивної пам’яті), оптичних модулів, ODM і компаній, що займаються електропостачанням.

Тут «амортизація GPU» означає, що дорогий GPU не списується одразу, а розподіляється на час служби, інтенсивність використання або за бухгалтерськими стандартами. Реальний розподіл залежить від обмежень пакетів, співвідношення легких і важких користувачів, внутрішніх цін постачальників, знижок на резервування обчислювальних потужностей, рівня використання GPU та строку амортизації. Середня вартість не дорівнює граничним витратам.

Інвесторам важливо стежити за напрямком: компанії AI не можуть лише повідомляти про зростання доходів, а й відповідати, чи зростають витрати на обчислення у такт із цим зростанням. Якщо обсяг використання зростає швидше за ефективність моделей, то зростання підписних доходів може призвести до зростання тиску на валовий дохід. Лише за умови швидкого покращення ефективності компанії зможуть повернутися до структури прибутковості, подібної до програмного забезпечення.

Інфраструктура отримує більш стабільний дохід

На даний момент, зростання використання AI більш безпосередньо спрямоване у сторону інфраструктури, а не всередину додатків.

Незалежно від того, чи користувач працює з Claude, ChatGPT, Gemini або внутрішніми агентами компаній, кінцева обробка завжди зводиться до обчислень, електроенергії, пам’яті та мережі. Можливо, продукти змінюються, але ресурси нижнього рівня залишаються більш жорсткими. За зростанням AI-активності зростають витрати на хмару, закупівлю GPU, HBM і енергоспоживання дата-центрів.

Це і є причина, чому Nvidia, TSMC, SK Hynix та інші компанії інфраструктурного ланцюга постійно переоцінюються ринком. За останні роки Nvidia демонструє високий рівень валового доходу, прогноз на FY2026 — приблизно 71.1% GAAP і 71.3% non-GAAP валової маржі, з високими показниками у наступних кварталах. Варто враховувати, що окремі квартали можуть мати відхилення через специфічні витрати, і публічні фінансові звіти не завжди дають чітке уявлення про реальну валову маржу дата-центрів AI, але дефіцит інфраструктури з ціновою владою вже відображається у результатах.

HBM — найтиповіший приклад цієї ланки. Це не звичайна пам’ять, а ключовий компонент для високопродуктивних AI-ускорювачів. З ростом розмірів моделей, довжини контексту і потреб у паралельних інференсах, залежність від високошвидкісної пам’яті зростає. Оцінки ланцюга постачання показують, що частка HBM у вартості нових AI-чипів зростає, що є важливим фактором для переоцінки SK Hynix, Samsung і Micron у AI-циклі.

Електроенергія і дата-центри також перетворюються з фонових витрат у ключові інвестиційні напрями. Енергоспоживання при звичайних запитах не є надмірним, але складні агенти, довгі контексти, генерація коду і багатократні цикли збільшують обчислювальні навантаження. Для хмарних провайдерів і операторів дата-центрів важливо не окремий запит, а масове поточне навантаження, використання кластерів, ціна електроенергії, охолодження, потужність дата-центрів і здатність підключення до електромережі.

Перевага інфраструктури у тому, що її результати швидше підтверджуються. Інвестиції у AI-інфраструктуру вже зроблені, доходи і валова маржа Nvidia відображаються у фінансових звітах, замовлення і ціни HBM швидко впливають на прибутки. Більше того, більшість угод у додатках AI — це очікування майбутнього: перехід на підписки, проникнення у корпоративний сектор, API-доходи і зниження майбутніх витрат, що звільняє прибутки.

Ефективність залишається ключовим фактором для довгострокових перспектив

Інвестори у програмне забезпечення та AI не позбавлені заперечень. Основна ідея прихильників підвищення ефективності — сьогодні високі витрати на інференс є явищем початкової стадії, і з часом оптимізація моделей, кешування, малі моделі, власні чіпи та підвищення завантаженості кластерів знизять одиничні витрати. За швидкого зниження витрат AI-додатки зможуть повернутися до високого валового доходу, характерного для програмного забезпечення.

Це має під собою реальні підстави. Деякі провідні моделі вже при однакових або вищих можливостях демонструють значне зниження ціни. OpenAI повідомила, що GPT-4o mini коштує на 99% менше за token, ніж early text-davinci-003. Ритми різних компаній не співпадають повністю, Anthropic останнім часом більше зосереджується на оновленнях за тією ж ціною та ієрархії моделей, але загальний напрямок — знижувати вартість і підвищувати потужність.

Компанії, що створюють моделі, мають кілька способів покращити економіку одиниці. Делегування простих завдань малим моделям, кешування для повторного використання запитів, використання більш потужних моделей для довгих контекстів і складних задач. Хмарні провайдери через власні чіпи і управління кластерами знижують вартість обчислень. Google має TPU, Microsoft — Maia для інференсу, Amazon — Trainium і Inferentia.

Якщо дивитися лише на технічний прогрес, прибутковість AI-додатків дійсно може покращитися. Дешевше інференс, кращі маршрути моделей, сильніше стиснення — все це дозволяє підписці за 20 доларів США обслуговувати більше користувачів. Легкі користувачі, корпоративні пакети високої ціни, ієрархія API і жорсткіші обмеження використання також покращують економіку.

Проблема у тому, що зниження витрат — не єдина змінна. AI-проєкти переходять від простого спілкування до більш складних завдань. Раніше користувачі здебільшого питали і переписували тексти, тепер з’являється все більше запитів до кодових агентів, обробки довгих документів, відео та мультимодальної генерації, автоматизації бізнес-процесів. Ці сценарії мають вищу цінність і споживають більше ресурсів. Чим корисніша модель, тим більше користувачі схильні довіряти їй складні та тривалі завдання.

Відповідно, розбіжності стають більш конкретними: швидкість зниження витрат на інференс, чи зможе вона перевищити зростання обсягів використання і складності завдань. Якщо одинична вартість швидко знижується, але середнє споживання користувачів зростає швидше, валовий дохід компанії зважено зменшиться. Навпаки, якщо маршрути моделей, кешування, власні чіпи і ціноутворення будуть достатньо ефективними, підписка на AI може поступово позбавитися сьогоднішніх високих витрат.

Підписка не визначає валовий дохід

Малюнок розподілу 20 доларів не слід сприймати як кінцеву точку. Це швидше нагадування про поточний рівень оцінки: коли ринок ще не має достатньої прозорості щодо валової маржі компаній AI, інвесторам слід зменшити очікування щодо припущення, що «AI-додатки природньо рівні SaaS».

Для непублічних компаній, таких як OpenAI або Anthropic, важко побачити повний бухгалтерський облік. Інформація про фінансування, партнерські розкриття, структура хмарних витрат, ціни корпоративних пакетів, частка API-доходів і обмеження використання — все це дає підказки для оцінки. Найцінніша інформація — не кількість платних користувачів, а співвідношення легких і важких користувачів, готовність компаній платити більше за інтенсивне використання, зниження цін на хмарні послуги і зниження вартості обчислень на один інференс, що може покращити валову маржу.

Публічні компанії швидше побачать підтвердження у фінансових звітах. Загальна валова маржа Nvidia, зростання доходів дата-центрів, потреби у передових технологіях TSMC, ціни і прибутковість HBM, інвестиції у хмарну інфраструктуру — все це відображає, чи зростає AI-активність у сторону інфраструктури. Якщо ці показники залишаються сильними, але валова маржа додатків AI не покращується, ринок продовжить оцінювати інфраструктуру з більшою впевненістю.

Зрештою, щоб компанії AI отримали вищу оцінку, потрібно довести не лише готовність користувачів платити 20 доларів, а й те, що ці підписки при високому навантаженні залишають достатньо валового доходу. Наступна дискусія щодо цін, ймовірно, зосередиться не на заголовкових цифрах ARR, а на здатності знизити інференційні витрати, обмеження пакетів і цінову політику для корпоративних клієнтів.

Дізнайтеся більше про вакансії в律уд BlockBeats

Запрошуємо приєднатися до офіційної спільноти律уд BlockBeats:

Telegram підписка: https://t.me/theblockbeats

Telegram група: https://t.me/BlockBeats_App

Офіційний Twitter: https://twitter.com/BlockBeatsAsia