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

Автор: Юйчжоу-юань; Джерело: Geek Park

1 липня генеральний директор Palantir Алекс Карп зайшов у студію CNBC і кинув бомбу — майже неконтрольованим тоном.

Він сказав, що індустрія AI «effing insane» («божевільна»), що керівники американських компаній «livid» («розлючені») через OpenAI та Anthropic, що бізнес робить абсурдну річ: з одного боку, божевільно платить токенами, а з іншого — віддає свої найкритичніші операційні дані постачальникам моделей. А комерційна цінність, яку натомість отримують, майже неможливо виміряти.

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

У той день акції Palantir зросли на 9%. Саме це число є формою голосування — ринок вважає, що він сказав багато того, що інші хочуть сказати, але не наважуються.

Це не просто емоційний вибух однієї людини. Коли керівник компанії з ринковою капіталізацією понад трильйон доларів США на загальнонаціональному прямому ефірі обстрілює всю індустрію великих моделей, і ринок за це віддає позитивну реакцію живими грошима, це означає, що колективні емоції вже дійшли до критичної межі.

За останні два роки всі говорили про те, як обіймати великі моделі. Але тепер на поверхню виходить нове питання — компанія надто близько підпустить великі моделі: чи не розірвуть вони її?

**01 **Від «запаморочення» до «ненаївності»

Згадаємо на початку 2024 року ставлення підприємств до великих моделей: це можна описати чотирма словами — «спочатку використати».

Неважливо, ROI це чи не ROI; неважливо, куди тече потік даних — головне, не можна відставати. Тоді домінувала оповідь: «Прийшла AI-революція, і якщо не приєднаєшся, тебе витіснять». CIO та CTO з усіх галузей під неймовірним тиском намагалися втиснути AI в кожен бізнес-етап, куди це можна було втиснути. Це була типова стратегія, керована технологічною панікою.

У 2025 році ключовим словом стало «повністю розгорнути». Компанії почали всерйоз вбудовувати великі моделі в основні бізнес-процеси — вже не просто робити demo чи влаштовувати внутрішні hackathon. Від служби підтримки до генерації коду, від аналізу ринку до продуктового дизайну — глибина й ширина проникнення AI зростали за експонентою.

А з 2026 року відбувається тонка зміна настроїв.

Дослідження Salesforce показують, що лише половина IT-лідерів довіряють базовій інфраструктурі даних своєї компанії настільки, щоб упевнено підтримувати успішне впровадження AI. Дослідницький звіт, оприлюднений NTT DATA у травні цього року, прямо використав слово «втратити дорогу стіни» — корпоративний AI стикається з архітектурними «вузькими місцями», зумовленими вимогами до конфіденційності даних і суверенітету. Gartner прогнозує, що до 2027 року 35% державних структур покладатимуться на регіоналізовані платформи AI, тоді як сьогодні цей показник становить лише 5%.

Карп описав цю зміну ще пряміше. Він сказав, що компанії переходять від бездумного «захоплення токенами», коли витрачають токени за інерцією, до справжнього запитування про інвестиційну віддачу. «Базова думка така: більше не витрачайте час на токени».

Це не заперечення великих моделей, а те, що вся індустрія виходить із «запаморочення» й рухається до «ненаївності». Після піку гарячки компанії починають дивитися на фундаментальне питання більш холодним поглядом — що я віддаю і що я отримую назад: чи можна це звірити та порахувати?

**02 **Коли партнер стає конкурентом

Критика Карпа ще трималася на рівні бізнес-моделі. Але те, від чого реально стає холодно в спині, — інша, більш безпосередня загроза: ваш постачальник AI-послуг може, використовуючи дані й розуміння сценаріїв, які ви йому надали, створювати продукт, що вас замінить.

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

У лютому цього року Figma та Anthropic усе ще працювали разом над функцією під назвою «Code to Canvas», інтегруючи код, згенерований Claude, безшовно в дизайнерський процес Figma. На вигляд ці дві компанії були близькими партнерами.

14 квітня головний директор з продукту Anthropic Майк Кріґер непомітно залишив місце в раді директорів Figma.

Через три дні Anthropic випустила Claude Design — AI-інструмент дизайну, який за допомогою природної мови напряму генерує інтерактивні прототипи, PPT і маркетингові матеріали, чітко орієнтований на ключовий бізнес Figma.

У той день акції Figma впали майже на 8%.

У пізнішому репортажі Fast Company є одна деталь, на яку варто звернути увагу: Figma та Adobe, Canva й інші компанії багато років співпрацювали з Anthropic, але до виходу Claude Design ніхто не був повідомлений. Усі опинилися зненацька й усвідомили, що їхній AI-партнер буквально під носом перетворився на конкурента.

Ця історія варта глибокого роздуму, бо вона викриває структурну проблему епохи великих моделей, більш небезпечну, ніж будь-коли раніше: коли ви глибоко співпрацюєте з компанією з AI, ви віддаєте не лише точку входу на ринок, а й своє ключове розуміння сценаріїв і дані про потреби користувачів.

Здатність Anthropic зробити Claude Design великою мірою зумовлена тим, що під час співпраці з компаніями, які створюють інструменти для дизайну, вона глибоко зрозуміла робочі процеси та больові точки дизайнерів.

Але якщо розширити рамку погляду, це не новий сюжет в історії технологій.

Amazon, створюючи власні бренди з електронної комерції, використовував дані платформи, щоб точно визначити найприбутковіші категорії, а потім запускати власні продукти, витісняючи третіх продавців. Microsoft, починаючи з операційної системи, крок за кроком «поглинула» браузер, офісне програмне забезпечення та інструменти зв’язку — Netscape було вбито, Slack змусили продати. Google, розширюючи пошуковик до того, що сторінка результатів пошуку напряму відповідає на запит користувача, маргіналізував Yelp і безліч сервісів з вертикальною інформацією.

Залізне правило технологічної індустрії ніколи не змінювалося: щойно платформа має достатньо даних і розуміння користувачів, вона починає «з’їдати» верхні рівні ланцюга постачання.

У епосі великих моделей це правило стає ще агресивнішим, бо традиційне «поглинання» платформою потребує часу, аби накопичити розуміння, а великі моделі від природи є «прискорювачем розуміння». Кожен ваш виклик API, кожне введення бізнес-даних — це допомагає постачальнику моделей швидше й глибше зрозуміти вашу територію.

**03 **«Розенбразький ліміт» епохи AI

У астрономії є поняття «Розенбразький ліміт» — коли небесне тіло надто близько підходить до зоряного об’єкта з великою масою, приливні сили перевищують власну гравітацію цього тіла, і його розриває.

Ця метафора, щоб описати сьогоднішні відносини підприємств із великими моделями, дивовижно влучна — до тривоги.

Великі моделі — це зоряний об’єкт із великою масою. Кожна компанія хоче використати його «гравітацію», щоб прискорити себе — підвищити ефективність, знизити витрати, інновувати. Але проблема в тому, що коли ти підходиш достатньо близько, твоя «матерія» починає відділятися. Ваші дані, know-how, розуміння потреб користувачів — усе це в процесі співпраці тече до центру тяжіння.

І де межа того, як «танцювати поруч із AI», не будучи зрештою поглинутим?

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

Є різниця в темпах використання AI у Китаї та США: американські компанії вже перейшли до масштабного та глибокого розгортання AI в бізнес-процеси, тоді як китайські компанії загалом ще рухаються від пілотів до масштабування. Дослідження, оприлюднене Lenovo спільно з IDC у березні цього року, показало: у країні 72% компаній уже завершили пілотні проєкти з агентами та ввели їх у офіційне використання, в середньому AI розгортається у 3,5 сценаріях. Але центр складності вже змістився з «браку обчислювальних потужностей, браку даних» на «недостатня ефективність застосувань» та «ROI не зрозумілий».

Іншими словами, китайські компанії входять у подібний до американських «етап ясності щодо AI».

Geek Park нещодавно під час розмов з багатьма стартаперами та компаніями з традиційним бізнесом помітив цікаве явище: міркування про ці питання в багатьох випадках не походять безпосередньо з відчуття кризи на кшталт «я боюся, що компанія з моделей забере мою справу», а виникають після того, як AI справді вбудували в бізнес — і тоді природно починають заново визначати «яка моя ключова цінність в епоху AI».

Це переосмислення врешті-решт зводиться до двох ключових здібностей.

**04 **Хто контролює «AI-фундамент»?

Перша, і найпрактичніша, повністю збігається з тим, що Карп говорив: чиї саме дані й бізнес-логіка працюють на чиєму фундаменті?

Головний аргумент Карпа, який він не раз підкреслював у CNBC, полягає саме в цьому. Найчутливіші операційні дані підприємств не мають потрапляти в «чорний ящик» стороннього постачальника моделей. Він позиціонує Palantir як рівень застосунків, що забезпечує «суверенний AI»: модель може бути чужою, але дані повинні залишатися у власному периметрі, а розгортання — виконуватися на власній інфраструктурі, яку ви контролюєте.

Це не параноя; китайські компанії відчувають це в цілому абсолютно однаково. Керівник R&D у WPS 365 компанії Kingsoft Office Ван Вейцзе недавно сказав влучну фразу: «Сьогодні підприємствам не бракує заліза й моделей — їм бракує безпечного рівня застосунків для AI».

Дані IDC також підтверджують цю тенденцію: у розгортанні обчислювальних потужностей для корпоративного AI частка публічної хмари знижується, а загальна частка приватних хмар і локального розгортання зросла з 54% до 69%. «Дані не виходять за межі домену» з простої гасельної вимоги відповідності перетворюється на першу умову відбору, коли CTO обирають рішення.

Карп називає це «commodity cognition» — «товаризацією пізнання». Його оцінка така: якість самих моделей рухається до збіжності; справжня диференціація полягає не в рівні моделей, а в рівні застосунків, де можливості моделі прив’язуються до специфічних корпоративних сценаріїв. «Суверенний AI-двигун», який Palantir запускає разом із NVIDIA, — це продуктоване втілення цієї логіки: використання open-source моделей плюс власний онтологічний рівень і фреймворк управління Palantir, щоб підприємства могли запускати AI в повністю контрольованому середовищі, і щоб жоден байт даних не виходив назовні. Виторг Palantir за перший квартал 2026 року становив 1,63 млрд доларів США, зростання в річному вимірі — 85%; певною мірою це голосування ринку за цей шлях.

Тут є сигнал, який варто відстежити: у майбутньому компанії та рішення, що допомагають підприємствам запускати AI «на власному фундаменті», будуть ще більш затребувані. У Китаї «приватизований AI-мозок» уже перетворився на реальний напрям; багато стартапів створюють продукти в цьому руслі. Це не технічна бридкість, а раціональний вибір після того, як підприємства все обдумали.

**05 **Не перетворюйте організацію на «машину для повторення»

Друга здібність, яку складніше виміряти, але яку Geek Park відчуває дедалі сильніше під час спілкування з компаніями: коли AI здатен замінювати все більше етапів виконання, то який саме «людський» компонент потрібен організації?

Деякі компанії, які просуваються швидше, вже наступали на цей грабель.

Коли на певних етапах ефективність AI явно перевершує ефективність людини, природна думка — «видалити людей». Але після того як організація стає тоншою, з’являється прихована проблема: те, що AI «прокручує», по суті є «найкращими практиками», які ці люди зібрали й сконденсували в попередньому середовищі. Коли змінюються умови, ринок і користувачі, AI лишається вірно виконувати ту саму стару логіку, а в організації вже немає достатньо людей, щоб відчути ці зміни та просунути бізнес вперед у його еволюції.

Якщо сказати прямо, організація, яку AI заповнив, але яку людина «викачала», може просто ефективно повторювати минуле.

Це не означає, що не можна використовувати AI для заміни виконання. Це означає, що коли AI перехоплює дедалі більше рівнів виконання, компаніям навпаки потрібен інший тип людей: не ті, хто в традиційному сенсі виконує конкретні задачі, а ті, хто може «керувати» AI. Така роль потребує розуміння всієї картини бізнесу, здатності оцінити, чи те, що видає AI, все ще підходить до реальності, що змінюється, і бачити нові можливості поза рамками «найкращого рішення», яке пропонує AI.

Деякі передові компанії вже почали серйозно думати над цим питанням. Вони виявили, що після появи AI реальна конкурентоздатність — це не «скільки людей ти замінив AI», а «чи вміють твої люди керувати AI, щоб робити те, що раніше було неможливо». Якщо ж просто дозволити AI безперервно автоматизувати й безперервно циклічно відтворювати історичні дані, тоді в суті ви зачиняєтесь у певному «знімку» минулого.

Важливість цього перевороту в мисленні може бути не меншою, ніж суверенітет даних. Коли AI вирівнює технологічні бар’єри, «судження людей» і «здатність організації до еволюції» стають найскладнішими для копіювання. Деякі компанії це вже усвідомили, деякі — ще ні. Але цей вододіл, імовірно, стане дуже чітким у найближчі один-два роки.

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

За останні два роки приховане припущення домінувало в усій індустрії: цінність епохи AI зрештою буде зосереджена в руках компаній, що роблять моделі. Хто ближче до моделей — той матиме вищу цінність.

Це припущення хитнулося.

Карп у CNBC, власне, висловив один момент: **самі моделі перетворюються на товаризоване пізнання.**Коли розрив між здібностями різних великих моделей дедалі зменшується, справжня диференціація вже не в рівні моделей.Індустріальний ланцюг, у якому компанії моделей домінують самі, є нездоровим не тільки для підприємств, а й для швидкості розвитку всього AI-сектора.

Підприємствам ніколи не потрібна просто «сильніша модель». Їм потрібен цілий набір екосистеми: рішення, що відповідають тривогам щодо суверенітету даних, захищають конкурентні бар’єри від «гіпервідкачування» (虹吸), і дають AI реально вбудуватися в бізнес без втрати контролю. Така потреба створює ринок значно складніший, ніж «продаж токенів».

У кількох напрямках уже є чіткі сигнали.

«Суверенна AI-інфраструктура» стає реальним, таким, що приносить великі гроші, напрямом. Це не просто концепт. Лише в першій половині 2026 року в Європі було три компанії, які роблять суверенну AI-інфраструктуру (Nebius, nScale, AtlasEsge): разом вони залучили понад 11,8 млрд доларів США. Лише кілька днів тому Valarian у Лондоні щойно отримала 50 млн доларів США в A-раунді: там роблять конкретну річ — додають «суверенний контрольний рівень» між AI-системами та чутливими даними, визначаючи, які AI можуть торкатися яких даних і за яких умов. Два роки тому попиту на таке фактично не існувало, а тепер уряди та великі корпорації вишиковуються в чергу.

«AI-шлюз» і проміжний рівень оркестрації стають незамінною частиною архітектури корпоративного AI. Коли компанія одночасно використовує OpenAI, Anthropic, open-source моделі та власні донавчені спеціалізовані моделі, хто робитиме єдину маршрутизацію, контроль вартості, управління доступами та аудит? У традиційному світі ПЗ це називається middleware, а в епоху AI — шлюз або рівень оркестрації. Це не виглядає «вау», але це ключова інфраструктура для того, щоб підприємства з «використання AI» перейшли до «керування AI». Palantir по суті робить саме цей рівень, але у найважчій версії. Більш легкі рішення для компаній різного масштабу — величезний простір.

На рівні застосунків вертикальні галузеві AI-рішення також переходять від «надягання оболонки» до «глибини». Раніше багато «AI-застосунків» по суті просто надягали оболонку GPT. Але тепер ті, хто реально тримає позиції, — це продукти, які глибоко розуміють специфічні галузеві know-how, щільно пов’язують AI-можливості з логікою галузі. Точка опори цінності таких компаній не в моделі, а в галузевому розумінні — і саме це складно отримати компаніям моделей через навчання.

Навіть на рівні «людей» виникає новий ринок сервісів. Коли дедалі більше компаній усвідомлює, що їм потрібні не більше AI-інструментів, а люди, які можуть «керувати AI», і методології організації під це, швидко з’являється попит на консалтинг щодо змін організації в епоху AI, навчання талантів, перебудову процесів.

Зрештою, індустрія, у якій є лише «рівень моделей», є крихкою. Справді прискорити й оздоровити розвиток AI-індустрії здатна більш об’ємна екосистема. У цій екосистемі хтось робить моделі, хтось — суверенну інфраструктуру, хтось — шлюзи та управління, хтось — глибокі вертикальні галузеві застосунки, хтось допомагає підприємствам перебудувати свої організаційні здібності. Кожен рівень відповідає на реальні потреби підприємств у процесі переходу від «обіймати» до «керувати».

Ці потреби за минулий рік стали все чіткішими — від нечітких до дедалі конкретніших. Далі, наступна хвиля нових рішень, сервіс-провайдерів і продуктів, що з’являться навколо цих потреб, може увійти в етап явного вибухового росту.

Повернімося до метафори Розенбразького ліміту. Знайти ту безпечну траєкторію — це ніколи не справа лише однієї компанії. Коли вся екосистема починає вирощувати сили поза межами моделей, підприємства справді отримують упевненість, що їх не розірве.