«Token 新时代»: 中国 AI 产业 «十问十答»

Отрасль базовых моделей ИИ в Китае вступает в ключевую фазу перехода от «ориентированности на ожидания» к «ориентированности на спрос». В новом исследовательском отчёте JPMorgan системно ответил инвесторам на десять ключевых вопросов по этой отрасли и считает, что качество моделей стало главным переменным фактором, определяющим структуру рынка, а отраслевое расслоение ускорится.

Согласно отчёту, опубликованному JPMorgan 27 марта, в нём отмечается, что китайский рынок ИИ находится в явной точке перелома: спрос в сценариях кодирования и работы с агентами ускоряется, а внутренние возможности моделей уже приближаются к уровню и даже превосходят уровень ведущих американских моделей годичной давности. При этом локальное ценообразование лучше соответствует экономической эффективности, и вместе оба фактора улучшают показатели отдачи от внедрений.

2026 год — ключевой период для того, сможет ли спрос на ИИ со стороны китайских компаний повторить кривую роста 2025 года в США. В качестве ориентира возьмём Anthropic: его ежегодная регулярная выручка (ARR) выросла с 1 млрд долларов в декабре 2024 года до 19 млрд долларов в марте 2026 года — примерно в 19 раз за 15 месяцев.

У китайского рынка есть условия, чтобы пойти по схожему пути: особенно в области кодирования. Крупные интернет-игроки, такие как Tencent, Alibaba и ByteDance, уже встроили соответствующие инструменты в существующие экосистемы, переводя спрос от отдельных демонстраций к полноценному развёртыванию. Банк сохраняет рейтинг «покупать больше» для Zhipu и MiniMax; целевые цены составляют 800 гонконгских долларов и 1100 гонконгских долларов соответственно.

Вопрос 1: Спрос на ИИ растёт линейно или происходит взрыв на переломе?

Спрос обусловлен переломом, а не линейным ростом.

Пока качество моделей достаточно высоко, чтобы открывать реальные сценарии применения, объём использования переключится с линейного роста на «выпуклую» кривую в виде взрывного скачка. Самое убедительное подтверждение — американский рынок: ежегодная регулярная выручка (ARR) Anthropic выросла с 1 млрд долларов в декабре 2024 года до 19 млрд долларов в марте 2026 года всего за 15 месяцев — почти в 19 раз.

В Китае сейчас есть базовые условия для подобного взрывного сценария: внутренние возможности моделей уже превосходят уровень ведущих американских моделей годичной давности, а локальное ценообразование лучше соответствует экономической эффективности ИИ в Китае. В сочетании это заметно улучшает прогноз по окупаемости внедрения ИИ.

В части агентных решений OpenClaw стал важным катализатором: он переводит сценарии использования от однократных взаимодействий к выполнению многошаговых задач, существенно увеличивая количество token, расходуемых на каждую задачу. Интернет-гиганты, включая Tencent, Alibaba и ByteDance, уже встроили инструменты, связанные с OpenClaw, в существующие экосистемы, что означает эволюцию тренда от «экспериментов разработчиков» к «полномасштабному развёртыванию в экосистеме».

Вопрос 2: Цены на API будут расти, падать или произойдёт расслоение?

Ценообразование не будет двигаться в одном направлении: расслоение — главная линия.

С одной стороны, сильные модели формируют ценовую власть. Если какая-то модель уникально открывает ценные задачи (агентное кодирование, долгосрочные рабочие процессы, надёжность уровня предприятия), клиенты готовы платить премию, поскольку отдачу можно измерить. С другой стороны, по мере постоянного улучшения аппаратных средств и алгоритмической эффективности стоимость вывода в пересчёте на единицу будет продолжать снижаться, создавая ценовое давление на модели, чьи возможности застопорились.

В итоге получается ценовая структура с расслоением: модели, которые продолжают удерживать передовые возможности, смогут одновременно обеспечивать рост объёма и рост цен; модели, не поддерживающие итерации, столкнутся с падением цен — даже если использование продолжит расти, маржа прибыли будет оставаться неопределённой.

Вопрос 3: Если ценообразование не главное поле боя, где сосредоточится конкуренция?

Основное поле боя сместилось с цены за token на способности моделей.

Это ключевое изменение по сравнению с прошлым годом: в 2025 году фокус китайского рынка был на всеобщей ценовой войне, а сегодня в самых быстрорастущих сценариях кодирования и работы с агентами качество куда важнее цены за единицу.

В многошаговых рабочих процессах по сути клиенты покупают не «дешёвые token», а «успешное выполнение задачи». В отчёте приведён наглядный пример из математики: если вероятность успеха в однократном шаге повышается с 85% до 98%, то итоговая вероятность завершения 20-шаговой задачи возрастёт с 4% до 67%. В рамках такой логики модель с самой низкой ценой за token фактически может иметь самую высокую совокупную реальную стоимость выполнения каждой задачи.

Отчёт также отмечает: компании, обладающие сильными передовыми моделями, могут легко расширяться в сегменты более низкого уровня, но компании, опирающиеся только на низкие цены, с трудом смогут выйти в высокие сегменты.

Вопрос 4: Почему базовые большие модели — отрасль, где «сражаются за жизнь и смерть»?

Небольшая технологическая разница, бесконечный цикл итераций и конверсия в выручку сходимся к похожим моделям — эти три фактора делают отрасль особенно суровой.

Разрыв в возможностях между компаниями, разрабатывающими большие модели в Китае, часто меньше, чем ожидают инвесторы. Поэтому рынок очень нестабилен. В этой отрасли «топтание на месте» — не нейтральный результат, а означает потерю позиции: компаниям приходится постоянно вкладываться и непрерывно обновляться, чтобы не отставать.

Сближение бизнес-моделей усиливает давление от выбывания. Рост доходов и маржа прибыли в основном зависят от продуктовой силы, а конверсионные издержки остаются относительно низкими. Это означает, что компании, теряющие технологический импульс, быстро теряют обороноспособность и в бизнесе, и в финансах, а число действительно надёжных компаний в отрасли со временем будет сокращаться.

Вопрос 5: От чего зависит способность к получению прибыли?

Ключевой вопрос — сможет ли темп роста валовой прибыли устойчиво опережать темп роста затрат на НИОКР.

Базовая экономическая модель токен-бизнеса понятна: выручка = объём использования token × цена; основные затраты — вычисления для вывода; максимальные операционные расходы — исследования и разработки, связанные с обучением. По мере того как эффективность моделей и эффективность вычислительных чипов для вывода продолжают расти, валовая маржа у передовых моделей должна постепенно увеличиваться.

Но перспективы операционной прибыли сложнее. Anthropic — пример предупреждения: даже несмотря на то, что в феврале 2026 года уровень месячной выручки достиг 14 млрд долларов, компания в тот же период объявила новый раунд финансирования на 30 млрд долларов и подчеркнула продолжение разработок на передовом уровне — высокая выручка не означает нормализацию интенсивности обучения.

Базовый сценарий: Zhipu и MiniMax прогнозируют, что обе выйдут на безубыточность с 2029 года. В отчёте подчёркивается, что отслеживать важнее не конкретный год прибыльности, а следующие показатели: устойчивый тренд на рост использования и устойчивое улучшение показателей юнит-экономики.

Вопрос 6: Как инвесторам отслеживать силу моделей?

Нужно смотреть в комплексе на три измерения: цену token, объём использования и результаты сторонних оценок; одного показателя недостаточно, чтобы объяснить картину.

• Цена token: это самый важный показатель, потому что он является текущим отражением того, как компания позиционирует свой продукт на рынке. Разрыв в цене относительно лучших моделей всё больше становится хорошей прокси-переменной реальной конкурентоспособности моделей.

• Объём использования token: фактический объём расходования отражает реальные выборы пользователей и разработчиков. Сторонние API-агрегаторы вроде OpenRouter можно использовать в качестве ориентира; особенно важно отслеживать рост агентных нагрузок, потому что объём token, расходуемых на задачу в этом типе нагрузок, намного выше, чем в простых рабочих процессах.

• Сторонние оценки: Artificial Analysis предоставляет структурированную оценку, а LMArena отражает слепые предпочтения реальных пользователей; вместе они дополняют друг друга и формируют более полную внешнюю перспективу.

Вопрос 7: Когда интернет-гиганты активно идут в B-сторону, куда деваться независимым компаниям с моделями?

Границы конкуренции сходятся, и в конечном итоге всё сводится к соревнованию по возможностям моделей.

Alibaba уже чётко определила облако и ИИ как стратегические приоритеты, связав разработку моделей с рабочими процессами предприятий на глубоком уровне; агентный продукт, запущенный Tencent, охватывает все сценарии — от частных пользователей до разработчиков и предприятий; OpenAI также смещает коммерческий фокус на продукты для бизнеса и развёртывание для кодирования. Направление лидирующих компаний совпадает: ИИ эволюционирует от «функций для потребительского сегмента» к «инструментам, которые напрямую создают выручку для предприятий».

На этом фоне независимым компаниям по моделям недостаточно одного ярлыка «нейтральности к облаку», чтобы сформировать ров. Одних преимуществ экосистемного трафика интернет-гигантам также недостаточно, чтобы полностью закрыть пробелы в возможностях моделей. Когда предприятия внедряют ИИ, центральным предметом покупки остаётся качество модели: более сильные способности к кодированию и выводу, более надёжные показатели завершения рабочих процессов.

Вопрос 8: Какие факторы определяют выживание компании?

Первые — таланты, вторые — вычислительные мощности, третьи — организация: все три взаимно необходимы.

• Топовые исследовательские таланты: это всё ещё отрасль, ориентированная на исследования. Сама по себе способность руководства принимать технологические решения — это фактор конкуренции; то, сможет ли руководство принять верные решения о направлениях исследований, напрямую влияет на технологическую траекторию компании.

• Вычислительные мощности и капитал: затраты на передовое обучение высоки, а экономичность вывода зависит от качества инфраструктуры. Слабая способность получать вычислительные мощности — структурный недостаток: это влияет не только на эффективность обучения моделей, но и снижает способность отвечать спросу по разумной цене.

• Исполнительская сила организации: в быстро итеративной рыночной среде способность превращать результаты исследований в продукты, продукты — в использование, а использование — в монетизацию почти так же важна, как и сама модель.

Вопрос 9: Если все будут продвигаться, модели в итоге станут одинаковыми?

Общая сила будет сближаться, но модели не станут идентичными; на рынке не сформируется схема «один победитель, остальные уходят».

У разных компаний есть различия в выборе архитектуры, тренировочных данных, приоритетах со стороны продукта и технических маршрутах; эти различия будут постоянно порождать разные преимущества в возможностях. В отчёте считают, что в рынке, который всё ещё быстро расширяется, несколько компаний могут расти одновременно, даже если присутствует частичное совпадение возможностей — на нынешнем этапе смысл расширения рынка существенно важнее, чем опасения о слишком ранней «товаризации».

В долгосрочной перспективе более реалистичный рыночный финал — не «один доминирует, остальные выбывают», а то, что останется несколько действительно сильных компаний: у каждой будут свои сферы преимуществ. В рынке, который способен поддерживать нескольких победителей, конкуренция будет сохраняться. По мере того как ИИ будет расширяться от инструмента продуктивности до сценариев потребительского сегмента, различия во вкусах, стилях и предпочтениях дополнительно усилят такую многовариантную картину.

Вопрос 10: Как едино понимать открытые/закрытые исходники, итерации моделей и риски глобальной экспансии?

Итерации — обязательный пункт; открытые/закрытые исходники — вопрос стратегии; ключевой риск глобальной экспансии — в вычислительных мощностях и соблюдении требований.

В части итераций моделей ожидаемый ритм — выпуск раз в год одной генерации флагманской модели (например, GLM 4.7 до GLM 5, MiniMax M2 серии до M3 серии), между ними — небольшие обновления, движимые обучением с подкреплением. Остановка итераций означает потерю конкурентной позиции.

В части открытых/закрытых исходников отчёт считает, что ответ не «только так или только иначе». Закрытые модели обеспечивают более сильную коммерческую защиту и снижают риск де-медиирования; открытые — помогают строить экосистему, повышать уровень внедрения и ускорять технологическую обратную связь. Поэтому большинство китайских компаний по моделям в итоге выберут смешанную стратегию: закрытая самая новая и самая сильная модель, а в открытом доступе — часть других версий.

В части глобальной экспансии главный риск всё ещё связан с получением вычислительных мощностей. И обучение, и вывод сильно зависят от высокопроизводительных чипов; ужесточение экспортных ограничений одновременно замедлит темпы прогресса моделей и снизит конкурентоспособность по затратам. Второй — риски данных и соблюдения требований безопасности: если развёртывание моделей, обслуживание пользователей и хранение данных удастся локализовать за рубежом, вопросы трансграничной передачи данных относительно контролируемы. Но трактовка местных норм о приватности и определение прав доступа к данным, связанным с китайскими ассоциированными структурами, остаются источником неопределённости.