Нарешті компанії, які почали використовувати AI, виявили, що їхній бізнес забирають компанії з великими мовними моделями

Автор: Уй-Чжоу Юань; Джерело: Geek Park

1 липня генеральний директор Palantir Алекс Карп зайшов у студію CNBC і кинув бомбу — майже з неконтрольованою інтонацією.

Він сказав, що індустрія AI «effing insane» (сходить з розуму), що керівники американських компаній «livid» (в люті) через OpenAI та Anthropic, що бізнес зараз робить абсурдну річ — з одного боку божевільно платить за токени, а з іншого — віддає свої найключовіші операційні дані постачальникам моделей. А отримана натомість комерційна цінність — майже неможливо виміряти.

Ведучий запитав, чи це «перекладання провини». Карп відповів: «Ні, я просто констатую факти».

У той день акції Palantir зросли на 9%. Саме це число є певним голосуванням — ринок вважає, що він сказав те, що багато хто хотів сказати, але не наважився.

Це не просто емоційний викид однієї людини. Коли керівник компанії з капіталізацією понад трильйон доларів у прямому ефірі по всій країні обстрілює всю індустрію великих мовних моделей, і ринок за це дає позитивний відгук «живими грошима», це означає, що колективні емоції вже досягли критичної межі.

За минулі два роки всі говорили про те, як «обіймати» великі моделі. Але тепер на поверхню виходить нове питання — чи не буде компанія розірвана на шматки, якщо вона занадто близько підступить до великої мовної моделі?

**01 **Від «ейфорії» до «ненаївності»

Згадаймо початок 2024 року: ставлення бізнесу до великих мовних моделей можна описати чотирма словами — «спочатку використай».

Неважливо ROI чи не ROI, неважливо, куди тече даний потік — аби тільки не відстати. Тоді панівним наративом було: «прийшла революція AI, не приймеш — тебе витіснять». CIO та CTO з усіх галузей під тиском змушували AI втиснути в кожен бізнес-етап, куди лише можна було втиснути. Це була типова управлінська позиція, керована технологічною панікою.

У 2025 році ключовим словом стало «розгортання повсюди». Компанії почали серйозно вбудовувати великі мовні моделі в ключові бізнес-процеси, а не лише робити демо чи влаштовувати внутрішні хакатони. Від служби підтримки до генерації коду, від маркетингового аналізу до проєктування продуктів — глибина й ширина проникнення AI почали експоненційно зростати.

Але починаючи з 2026 року відбувається тонка, однак відчутна зміна настроїв.

Дослідження Salesforce показують: лише половина IT-лідерів упевнені, що їхня базова інфраструктура даних здатна підтримати успішне впровадження AI. Дослідницький звіт NTT DATA, опублікований у травні цього року, прямо використав слово «зіткнення з перешкодою» — корпоративний AI впирається в архітектурні вузькі місця, що виникають через вимоги до конфіденційності та суверенітету даних. Gartner прогнозує, що до 2027 року 35% країн покладатимуться на регіоналізовані AI-платформи, тоді як сьогодні це лише 5%.

Карп назвав цю трансформацію ще пряміше. Він сказав, що компанії переходять від бездумного споживання токенів «tokenmaxxing» до справжнього пошуку відповіді на питання інвестиційної віддачі. «Базова позиція така: не витрачайте більше час на токени».

Це не заперечення великих мовних моделей — це те, як вся індустрія рухається від «ейфорії» до «ненаївності». Після гарячого періоду компанії починають дивитися на фундаментальне питання холодніше — чи зможе зійтися баланс: що я віддав, і що я натомість отримав?

**02 **Коли партнер стає конкурентом

Критика Карпа ще залишається на рівні бізнес-моделі. Але те, що реально пробирає до кісток, — інша, більш пряма загроза: ваш AI-постачальник може, використовуючи дані та сценарії, які ви внесли, створювати продукт, що замінить вас.

Подія, що сталася в квітні 2026 року, перетворила ці побоювання з теорії на реальність.

У лютому цього року Figma та Anthropic ще співпрацювали над функцією під назвою «Code to Canvas» — щоб код, згенерований Claude, безшовно інтегрувався в дизайнерський процес Figma. Здавалося, що дві компанії — дуже тісні партнери.

14 квітня головний продукт-офіцер Anthropic Майк Кріджер непомітно залишив місце в раді директорів Figma.

Через три дні Anthropic випустила Claude Design — AI-інструмент для дизайну, який може безпосередньо з природною мовою генерувати інтерактивні прототипи, PPT та маркетингові матеріали, точно орієнтований на ключовий бізнес Figma.

Цього дня акції Figma впали майже на 8%.

У пізніших матеріалах Fast Company було один деталь, яку складно проігнорувати: Figma та Adobe, Canva тощо не один рік співпрацювали з Anthropic, однак до виходу Claude Design ніхто не був попереджений. Усі усвідомили, що їхній AI-партнер у буквальному сенсі перетворився на конкурента прямо під носом.

Ця історія варта глибоких роздумів, бо вона оголює в епоху великих моделей структурну проблему, яка небезпечніша, ніж будь-коли раніше: коли ви глибоко співпрацюєте з AI-компанією, ви віддаєте не лише точку входу на ринок — ви віддаєте власне розуміння ключових сценаріїв та дані про потреби користувачів.

Anthropic змогла створити Claude Design значною мірою тому, що під час співпраці з компаніями з інструментів для дизайну вона глибоко зрозуміла робочі процеси та больові точки дизайнерів.

Але якщо поглянути ширше, це не новий сценарій з історії технологій.

Amazon розпочала з e-commerce-платформи, запускаючи власні бренди: використовуючи дані платформи, вона точно визначає найприбутковіші категорії, а потім запускає власні продукти, поїдаючи частку сторонніх продавців. Microsoft, почавши з операційної системи, поступово «перекупувала» браузер, офісні програми та інструменти зв’язку — Netscape було вбито, а Slack змусили продати себе. Google, розширюючись від пошуковика, відповідає на питання користувачів безпосередньо зі сторінок результатів пошуку, тим самим маргіналізуючи Yelp та безліч вертикальних сервісів із інформацією.

Залізне правило технологічної індустрії ніколи не змінюється: якщо платформа має достатньо даних і розуміння користувачів, вона почне тіснити знизу вгору — до upstream.

У епоху великих мовних моделей це правило стає ще агресивнішим, бо традиційне тіснення потребує часу, щоб наростити розуміння, тоді як великі моделі від природи є «прискорювачем розуміння». Кожен ваш виклик API, кожне введення бізнес-даних — усе це допомагає постачальнику моделей швидше й глибше зрозуміти ваші володіння.

**03 **«Тобто межа Роша» в епоху AI

В астрономії існує поняття «межа Роша» — коли небесне тіло підходить занадто близько до зоряного тіла великої маси, сили припливу перевищують силу його власного тяжіння, і тіло розриває.

Ця метафора описує сьогоднішні відносини між компаніями та великими мовними моделями настільки точно, що стає тривожно.

Великі мовні моделі — це те саме небесне тіло великої маси. Кожна компанія хоче скористатися його гравітацією, щоб прискорити ефективність — підвищити продуктивність, знизити витрати, інновації. Але проблема в тому, що коли ви наближаєтеся достатньо близько, ваша «матерія» починає відчіплятися й відбиратися. Ваші дані, know-how, розуміння потреб користувачів — усе це під час співпраці відтікає до центру тяжіння.

І де межа: як компанії «танцювати з AI», не бути зрештою поглинутими?

Це питання в США вже винесли на обговорення. Але якщо вам здається, що це ще далеко від китайських компаній, можливо, це ілюзія.

Є різниця в темпах упровадження AI застосувань між США та Китаєм: американські компанії вже увійшли в етап масштабного та глибокого розгортання AI в бізнесі, тоді як китайські компанії загалом ідуть від пілотів до масштабування. Дослідження, яке в березні цього року оприлюднив Lenovo спільно з IDC, показує: 72% компаній у Китаї вже завершили пілотування агентів і запустили їх у офіційну експлуатацію, середнє розгортання — у 3,5 сценаріях. Але центр складності вже змістився з «браку обчислювальних потужностей, браку даних» у «ефект застосувань не відповідає очікуванням» і «ROI неясний».

Інакше кажучи, китайські компанії входять у період «AI-прозріння», схожий на американські.

Geek Park нещодавно спілкувався з багатьма стартаперами та компаніями з традиційним бізнесом і помітив одну цікаву річ: коли люди думають про ці питання, дуже часто це не походить від прямого відчуття кризи на кшталт «боюся, що компанія моделей забере мій бізнес», а радше від того, що після того як AI реально вбудували в операції, вони природно починають переосмислювати: «у епоху AI яка моя ключова цінність насправді».

Це переосмислення зрештою зводиться до двох ключових спроможностей.

**04 **Хто контролює «AI-фундамент»?

Перша — і найпрактичніша — повністю збігається з тезою Карпа: на чиєму саме фундаменті, чиїх даних і бізнес-логіці, працює ваше рішення?

Те, що Карп неодноразово підкреслював на CNBC, зводиться до цього. Найчутливіші операційні дані компанії не повинні потрапляти в «чорну скриньку» стороннього постачальника моделей. Він позиціонує Palantir як рівень застосувань, що дає «суверенний AI» — модель може бути чужою, але дані повинні залишатися у ваших власних стінах, розгортання має відбуватися у інфраструктурі, яку ви контролюєте.

Це не просто параноя — в китайських компаніях це відчувається так само. Керівник напряму R&D і виробництва в 金山办公 WPS 365, Хуан Вейцзе, нещодавно сказав дуже влучну фразу: «Сьогодні компаніям не бракує заліза та моделей — їм бракує безпечного рівня застосувань для AI».

Дані IDC теж підтверджують цей тренд: у розгортанні AI-обчислювальних потужностей частка публічної хмари падає, а сумарна частка приватної хмари та локального розгортання зросла з 54% до 69%. «Дані не виходять за межі домену» з публічної фрази про відповідність перетворюється на перший фільтр, коли CTO обирають рішення.

Карп назвав це «товарною інтелектуальною пізнавальністю commodity cognition». Його висновок такий: якість самих моделей рухається до збігання, і справжня диференціація не на рівні моделей, а на рівні застосувань, який прив’язує можливості моделі до конкретних сценаріїв підприємства. «Суверенний AI-двигун», який Palantir створює разом із NVIDIA, — це саме продукталізація цієї логіки: на основі open-source-моделей і власного онтологічного шару Palantir та фреймворку управління, компанії можуть запускати AI в повністю контрольованому середовищі, і жоден байт даних не виходить назовні. Виторг Palantir у першому кварталі 2026 року — 1,63 млрд доларів США, зростання рік до року на 85%, і в певному сенсі це — голос ринку за цей шлях.

Тут є сигнал, на який варто звернути увагу: у майбутньому компанії та рішення, які допомагають бізнесу запускати AI «на власному фундаменті», будуть ще більш затребувані. У країні вже формується реальна ніша під назвою «AI приватизація великого мозку», і багато стартапів створюють продукти в цьому напрямку. Це не технічний педантизм, а раціональний вибір, зроблений після того, як компанії все обдумали.

**05 **Не перетворюйте організацію на «диктофон, що повторює»

Друга спроможність — складніша для кількісної оцінки, але Geek Park під час спілкування з компаніями все більше відчуває це: коли AI може замінювати все більше виконавчих етапів, які саме «люди» потрібні організації?

Деякі компанії вже встигли наступити на цей грабель.

Коли AI в певних етапах працює помітно ефективніше за людину, природна думка — «скоротити людей». Але після того як організація стає тоншою, починає проявлятися прихована проблема: те, що робить AI, по суті є «найкращою практикою», яку ці люди колись сконденсували в старому середовищі. Коли середовище змінюється, змінюється ринок, змінюються користувачі, а AI все ще сумлінно виконує ту саму стару логіку, тоді як в організації вже немає достатньо людей, щоб відчувати ці зміни й просувати бізнес до еволюції.

Простіше кажучи, організація, яку «заповнили» AI, але яку «викачали» люди, може просто ефективно повторювати минуле.

Це не про те, що AI не слід використовувати для заміни виконання. Йдеться про те, що коли AI бере на себе все більшу частину виконавчого рівня, компаніям навпаки потрібен інший тип людей — не тих, хто в традиційному сенсі виконує конкретні задачі, а тих, хто вміє «керувати» AI. Ця роль вимагає розуміння всієї картини бізнесу, уміння визначити, чи ще підходить те, що генерує AI, до реальності, яка змінюється, і вміння бачити нові можливості поза «найкращим рішенням», яке пропонує AI.

Деякі компанії, що йдуть попереду, вже почали серйозно думати над цим. Вони з’ясували: після появи AI справжня конкурентоспроможність — це не «скільки людей ви замінили AI», а «чи здатні ваші люди керувати AI, щоб робити те, що раніше було неможливо». Якщо просто дозволити AI безперервно автоматизуватися на історичних даних і безперервно зациклюватися, то по суті ви «замикаєтеся» в одному конкретному знімку минулого.

Важливість такого перевороту в сприйнятті, можливо, не менша за важливість суверенітету даних. Коли AI вирівнює технологічні бар’єри, «судження людини» та «здатність організації до еволюції» стають речами, які найважче скопіювати. Деякі компанії це вже усвідомили, деякі — ще ні. Але ця межа, ймовірно, стане дуже чіткою протягом найближчих одного-двох років.

**06 **Індустрії потрібні «нові AI-компанії»

Протягом минулих двох років уся індустрія керувалася неявним припущенням: цінність епохи AI зрештою зосередиться в руках компаній, що роблять моделі. Чим ближче люди до моделей, тим вища цінність.

Це припущення хитнулося.

Карп на CNBC, по суті, висловив одну річ: сама модель рухається до «товарної інтелектуальної пізнавальності». Коли різниця в можливостях між різними великими мовними моделями стає дедалі меншою, справжня диференціація вже не в рівні моделей. Індустріальна структура, де моделі домінують лише одна компанія, — не тільки нездорова для підприємств, а й обмежує швидкість розвитку всієї AI-індустрії.

Підприємствам не потрібна просто «сильніша модель». Їм потрібен весь набір екосистеми — та, що здатна реагувати на тривоги щодо суверенітету даних, захищати конкурентні бар’єри від «присмоктування», і таку, яка дозволяє AI справді вбудовуватися в бізнес, не виходячи з-під контролю. Такий попит породжує ринок, складніший, ніж «продаж токенів».

Уже є чіткі сигнали в кількох напрямах.

«Суверенна AI-інфраструктура» стає реальним, грошовитим напрямом. Це не концепт. Лише у першій половині 2026 року в Європі було три компанії, що створюють суверенну AI-інфраструктуру (Nebius, nScale, AtlasEsge) — разом вони залучили понад 11,8 млрд доларів США. Щойно кілька днів тому Valarian у Лондоні щойно отримала 50 млн доларів США в A-раунді, і те, що вони роблять, дуже конкретно: додають шар «суверенного контролю» між AI-системами та чутливими даними, щоб визначати, які AI можуть торкатися яких даних і на яких умовах. Дві роки тому на це взагалі не було попиту — тепер за цим вишикувались державні органи та великі корпорації.

«AI-шлюзи» та проміжні рівні оркестрації стають невід’ємною частиною архітектури enterprise AI. Коли компанія одночасно використовує OpenAI, Anthropic, open-source-моделі та власні fine-tuned спеціалізовані моделі, хто забезпечить єдину маршрутизацію, контроль витрат, governance дозволів і аудит? У традиційній епосі софту це називали middleware, а в епосі AI — шлюзом або рівнем оркестрації. Це не «магічне» і не дуже гучно, але це ключова інфраструктура для переходу компаній від «використовувати AI» до «тримати AI під контролем». По суті, Palantir робить саме цей шар, просто робить його у найважчій версії. Легші рішення для компаній різного масштабу — мають величезний простір.

На рівні застосувань вертикальні AI-рішення теж переходять від «надягання оболонки» до «глибини». Раніше багато так званих AI-застосувань, по суті, були лише «надягнута GPT-оболонка». Але тепер, щоб справді мати підстави залишатися на плаву, потрібні продукти, які глибоко розуміють конкретний галузевий know-how і щільно пов’язують AI-потужності з логікою галузі. Точка опори цінності таких компаній — не в моделі, а в галузевому розумінні, і саме те, що компаніям-виробникам великих мовних моделей важко отримати через навчання.

Навіть на рівні «людей» з’являється новий ринок послуг. Коли все більше компаній усвідомлює, що їм потрібні не більше AI-інструментів, а люди й прикладні методології, що вміють «керувати AI», швидко з’являються й запити на консалтинг організаційних змін в епоху AI, на розвиток талантів, на перерозробку процесів та ін.

Зрештою, індустрія, де є лише «модельний рівень», — крихка. Те, що дає AI-індустрії працювати швидше й здоровіше, — це більш об’ємна екосистема. У цій екосистемі є люди, які роблять моделі, є ті, хто робить суверенну інфраструктуру, є ті, хто робить шлюзи й governance, є ті, хто створює глибокі вертикальні застосування, і є ті, хто допомагає компаніям перебудовувати організаційні можливості. Кожен шар відповідає на реальні потреби компаній у процесі переходу від «обіймати» до «керувати».

Протягом останнього року ці потреби з розмитих стали все чіткішими. Далі, навколо цих потреб, нове покоління рішень, сервіс-провайдерів і продуктів, імовірно, переживе хвилю чіткого вибухового зростання.

Повернімося до метафори межі Роша. Знайти ту безпечну орбіту — це ніколи не справа однієї компанії. Коли вся екосистема почне вирощувати сили поза моделями, у компаній з’являється справжня впевненість, що їх не розірве.