Ян Леклен предупредил: такие компании, как OpenAI и Anthropic, работают в условиях искусственной субсидии со стороны инвесторов — и операционные расходы снижаются недостаточно быстро, чтобы модель стала жизнеспособной. По его словам, рынок движется к «большому взрыву пузыря». Критика прозвучала на фоне того, что его собственный стартап AMI Labs привлёк $1 млрд под иной архитектурный подход к ИИ.
Контекст
Леклен — один из отцов глубокого обучения, лауреат премии Тьюринга, научный руководитель AI-направления Meta. Его голос в дискуссии весит несравнимо больше среднестатистического критика. При этом он давно продвигает идею, что нынешние LLM архитектурно тупиковы: без понимания причинно-следственных связей и без работы с физическим миром они не приближаются к AGI.
Претензия к экономике лабораторий не нова. OpenAI тратит на инфраструктуру и обучение десятки миллиардов в год — и пока не демонстрирует самоокупаемости. Anthropic — аналогичная история. Обе компании живут на венчурном и корпоративном капитале: Microsoft, Google, Amazon вложили сотни миллиардов, фактически взяв на себя роль кредиторов отрасли. Инференс дешевеет — это факт — но медленнее, чем растут аппетиты к вычислениям и зарплатам.
Параллельно AMI Labs — стартап Леклена — поднимает $1 млрд на подход, который он противопоставляет генеративным LLM. Детали архитектуры публично не раскрыты в полной мере, но речь идёт о системах с элементами world modeling и иного взаимодействия с реальностью. Конфликт интересов очевиден — и сам Леклен его не скрывает.
Аналитика
Предупреждение Леклена попадает в болезненную точку: венчурная модель финансирования AI-инфраструктуры работает только пока инвесторы верят в долгосрочную доходность. Если вера поколеблется — раньше, чем компании выйдут на устойчивый денежный поток, — давление будет колоссальным. Это не значит, что OpenAI или Anthropic закроются завтра. Но это означает, что сроки выхода на прибыльность критичны, и любая задержка увеличивает риск.
Важна и структурная деталь: инференс действительно дешевеет быстро — модели типа Qwen или DeepSeek показывают сопоставимые результаты при кратно меньших затратах. Но в гонке за флагманские возможности лидеры одновременно масштабируют compute на обучение следующих поколений — что нивелирует экономию. Это похоже на беговую дорожку: ты бежишь быстрее, но она тоже ускоряется.
Для рынка в целом сигнал неоднозначен. Если лаборатории второго эшелона начнут испытывать финансовые трудности, это может ускорить консолидацию: поглощения, партнёрства, выход части игроков. Для корпоративных заказчиков это риск зависимости от поставщика — особенно если вендор оказывается нежизнеспособным.
Кейсы применения в бизнесе
B2B-SaaS стартап: если ваш продукт завязан на API единственного провайдера — сейчас момент добавить второй. Переключить 10-20% трафика на альтернативу (тот же DeepSeek, Qwen через OpenRouter) — это не про экономию прямо сейчас, а про страховку. Если поставщик поднимет цены или ограничит доступ, у вас будет живой fallback.
Корпорация с legacy-инфраструктурой: риторика «пузыря» — хороший аргумент для IT-комитета, чтобы сделать ставку на open-source модели рядом с облачными. Локальный деплой LLM на собственных серверах устраняет зависимость от ценовой политики лаборатории и снимает вопрос суверенитета данных.
SMB и локальный бизнес в КР/СНГ: для небольших компаний, которые только начинают внедрять AI-инструменты, «пузырь» означает одно: не стройте критические бизнес-процессы на единственном проприетарном сервисе без плана Б. Начать с open-source инструментов или мультипровайдерных обёрток — разумнее, чем полная зависимость от одного вендора.
Кейсы в личной жизни
Разработчик: если вы строите pet-проект или стартап-MVP на базе конкретного API — добавьте в архитектуру слой абстракции (например, LiteLLM или OpenRouter). Это займёт несколько часов, но даст возможность сменить модель без переписывания логики.
Контент-мейкер и фрилансер: слова Леклена — это повод переосмыслить, сколько инструментов в вашем рабочем процессе зависят от одного вендора. Диверсифицируйте: часть задач — Claude, часть — GPT, часть — open-source. Это и экономия, и устойчивость.
Студент и исследователь: аргументы Леклена про архитектурные ограничения LLM — это отдельная тема для изучения. Он давно публикует материалы про world models и energy-based models. Если вы в AI-академической среде, его лекции и статьи дают альтернативную рамку для понимания направления отрасли.
Как применить сегодня
- Проведите аудит: какие ваши процессы завязаны на единственный AI-провайдер — добавьте fallback через OpenRouter или прямой доступ к open-source модели.
- Если строите продукт на API — заложите абстракционный слой (LiteLLM, провайдер-агностик SDK) уже сейчас, пока объём невелик.
- Следите за стоимостью инференса у альтернатив: DeepSeek и Qwen регулярно обновляют модели с улучшенным соотношением цена/качество.
- Для стратегических решений: не подписывайте долгосрочные корпоративные контракты с единственным AI-вендором без пункта о смене модели.
- Читайте первоисточники от Леклена — его позиция про ограничения LLM спорная, но аргументированная: это полезный противовес мейнстримному нарративу.