Īsā atbilde: Lai gan mākslīgā intelekta ieviešana jau ir plaši izplatīta, atsevišķos līmeņos, īpaši kopēšanas lietotnēs, uz stāstiem balstītos novērtējumos un parādos balstītās infrastruktūras projektos, var pastāvēt “mākslīgā intelekta burbulis”. Ja izmantošana nepārvēršas ilgstošos ienākumos un neuzlabo vienību ekonomiku, sagaidāma strauja sabrukšana. Ja līgumi, naudas plūsma un darbinieku noturēšana saglabāsies, tas drīzāk izskatās pēc strukturālām pārmaiņām, nevis mānijas.
Viena zīmīga zīme: lietojums jau ir plašs (piemēram, Stenfordas mākslīgā intelekta indekss ziņo, ka 78 % organizāciju norādīja, ka 2024. gadā tās izmantoja mākslīgo intelektu , salīdzinot ar 55 % iepriekšējā gadā), taču plašs lietojums ne vienmēr nozīmē ilgstošus peļņas fondus. [1]
Galvenie secinājumi:
Slāņu skaidrība : definējiet, vai domājat novērtējumu, finansējumu, naratīvu, infrastruktūru vai produkta putu.
Monetizācijas plaisa : izsekojiet ieviešanas un ieņēmumu attiecību; plaša lietošana negarantē peļņas gūšanu.
Vienības ekonomika : Izmēriet secinājumu izmaksas, peļņas normas, darbinieku noturēšanu, atmaksāšanos un cilvēkresursu radīto korekciju slogu.
Finansēšanas risks : Stresa testu izmantošanas pieņēmumi; sviras efekts un ilgi atmaksas termiņi var ātri izzust.
Pārvaldības kavēšanās : uzticamības, atbilstības, reģistrēšanas un atbildības darbs palēnina laika grafikus no demonstrācijas līdz ražošanas versijai.
Raksti, kurus jūs varētu vēlēties izlasīt pēc šī raksta:
🔗 Vai mākslīgā intelekta detektori ir uzticami mākslīgā intelekta rakstīšanas noteikšanai?
Uzziniet, cik precīzi ir mākslīgā intelekta detektori un kur tie pieļauj kļūdas.
🔗 Kā es katru dienu izmantoju mākslīgo intelektu savā tālrunī?
Vienkārši veidi, kā izmantot mākslīgā intelekta lietotnes ikdienas uzdevumiem.
🔗 Vai teksta pārvēršana runā ir mākslīgais intelekts un kā tas darbojas?
Izprotiet TTS tehnoloģiju, tās priekšrocības un biežāk sastopamos lietošanas gadījumus reālajā pasaulē.
🔗 Vai mākslīgais intelekts var nolasīt kursīvu rokrakstu no skenētām piezīmēm?
Skatiet, kā mākslīgais intelekts apstrādā kursīvu un kas uzlabo atpazīšanas rezultātus.
Ko cilvēki domā, sakot “AI burbulis” 🧠🫧
Parasti tas ir viens (vai vairāki) no šiem:
-
Vērtēšanas burbulis: cenas ilgstoši nozīmē gandrīz perfektu izpildi
-
Finansējuma burbulis: pārāk daudz naudas, dzenoties pakaļ pārāk daudziem līdzīgiem jaunuzņēmumiem
-
Naratīvais burbulis: “Mākslīgais intelekts visu maina” pārvēršas par “Mākslīgais intelekts rīt visu salabo”
-
Infrastruktūras burbulis: masīvi datu centri un enerģijas izbūve, kas finansēta, balstoties uz optimistiskiem pieņēmumiem
-
Produkta burbulis: daudz demonstrāciju, mazāk lipīgu, ikdienas lietošanai paredzētu produktu
Tātad, kad kāds jautā: “Vai pastāv mākslīgā intelekta burbulis?”, īstais jautājums kļūst: par kuru slāni mēs runājam.
Īss realitātes šova vadītājs: kas notiek 📌
Daži pamatoti datu punkti palīdz atdalīt “putas” no “strukturālās nobīdes”:
-
Investīcijas ir milzīgas (īpaši ģeneratīvajā mākslīgajā intelektā): globālās privātās investīcijas ģeneratīvajā mākslīgajā intelektā 2024. gadā sasniedza 33,9 miljardus ASV dolāru (Stenfordas mākslīgā intelekta indekss). [1]
-
Enerģija vairs nav zemsvītras piezīme: IEA lēš, ka datu centri 2024. gadā patērēja aptuveni 415 TWh (~1,5% no pasaules elektroenerģijas) un prognozē ~945 TWh līdz 2030. gadam bāzes scenārijā (nedaudz mazāk par 3% no pasaules elektroenerģijas). Tas ir reāls pieaugums — un arī reāls prognozēšanas/finansēšanas risks, ja ieviešana vai efektivitāte netiks sasniegta. [2]
-
“Īsta nauda” plūst caur pamata infrastruktūru: NVIDIA ziņoja par 130,5 miljardu ASV dolāru ieņēmumiem 2025. finanšu gadā un 115,2 miljardu ASV dolāru ieņēmumiem datu centru ieņēmumos visā gadā , kas ir gandrīz tik tālu no “bez fundamentāliem rādītājiem”, cik vien iespējams. [3]
-
Pieņemšana ≠ ieņēmumi (īpaši mazākos uzņēmumos): ESAO aptaujā atklājās, ka paaudzes mākslīgo intelektu izmanto 31 % MVU , un starp MVU, kas izmanto paaudzes mākslīgo intelektu, 65 % ziņoja par uzlabotu darbinieku sniegumu , savukārt 26 % ziņoja par palielinātu ieņēmumiem . Vērtīgi, jā, taču tas arī liecina par to, ka “monetizācija ir nevienmērīga”. [4]
Kas veido labu AI burbuļa testa versiju ✅🫧
Labs burbuļu tests nav tikai vibrāciju tests. Tas pārbauda tādas lietas kā:
1) Pieņemšana pretstatā monetizācijai
Tas, ka cilvēki izmanto mākslīgo intelektu, nenozīmē, ka cilvēki par to maksā pietiekami daudz (vai maksā pietiekami ilgi ), lai attaisnotu šodienas cenas.
2) Vienības ekonomika (nepievilcīgā patiesība)
Meklējiet:
-
bruto peļņas normas
-
secinājuma izmaksas uz vienu klientu (cik jums izmaksā, lai ģenerētu viņiem vēlamo produkciju)
-
saglabāšana un paplašināšana
-
atmaksāšanās periods
Īsa definīcija, kam ir nozīme: secinājumu izmaksas nav “mākonpakalpojumu izdevumi”. Tās ir vērtības sniegšanas robežizmaksas — žetoni, latentums, GPU laiks, aizsargbarjeras, cilvēku iesaistīšana procesā, kvalitātes nodrošināšana, atkārtotas palaišanas un visi slēptie “uzticamības nodrošināšanas” darbi.
3) Rīki salīdzinājumā ar lietotnēm
Infrastruktūra var uzvarēt pat tad, ja daudzas lietotnes pārstāj darboties, jo skaitļošanas resursi joprojām ir nepieciešami ikvienam. (Tāpēc pieeja, kurā teikts, ka viss ir burbulis, bieži vien neizdodas.)
4) Sviras efekts un nestabils finansējums
Parāds + ilgi atmaksāšanās cikli + naratīvais karstums ir vieta, kur viss pārtrūkst, īpaši infrastruktūrā, kur galvenais ir izmantošanas pieņēmumi. IEA skaidri izmanto scenāriju/jutīguma gadījumus, jo nenoteiktība ir reāla. [2]
5) Falsificējams apgalvojums
Nevis "mākslīgais intelekts būs liels", bet gan "šīs naudas plūsmas attaisno šo cenu"
“Jā” gadījums: mākslīgā intelekta burbuļa pazīmes 🫧📈
1) Finansējums ir ļoti koncentrēts 💸
Milzīgs kapitāla apjoms ir ieguldīts visā, kas tiek apzīmēts ar “mākslīgo intelektu”. Koncentrācija var nozīmēt pārliecību vai pārkaršanu. Stenfordas AI indeksa dati parāda, cik liels un straujš ir bijis investīciju vilnis, īpaši ģeneratīvajā mākslīgajā intelektā. [1]
2) “Naratīvā prēmija” paveic daudz darba 🗣️✨
Jūs redzēsiet:
-
jaunuzņēmumi strauji aug, pirms produkts atbilst tirgum
-
“Mākslīgā intelekta ietekmētas” prezentācijas (tas pats produkts, jauns žargons)
-
vērtējumi, kas pamatoti ar stratēģisku stāstījumu
3) Uzņēmumu ieviešana ir sarežģītāka nekā mārketings 🧯
Plaisa starp demonstrācijas un ražošanas procesiem ir reāla:
-
uzticamības problēmas
-
halucinācijas (izsmalcināts vārds, kas apzīmē “pārliecināti kļūdīties”)
-
atbilstības un datu pārvaldības galvassāpes
-
lēni iepirkumu cikli
Tā nav tikai “FUD” (apšaubāma maldināšana). Riska sistēmas, piemēram, NIST mākslīgā intelekta riska pārvaldības sistēma (MIRM), nepārprotami uzsver derīgas un uzticamas , drošas , aizsargātas , atbildīgas , caurspīdīgas un ar privātumu uzlabotas sistēmas, t. i., kontrolsaraksta darbu, kas palēnina fantāziju “nosūtiet to rīt”. [5]
Salikts ieviešanas modelis (nevis viens uzņēmums, tikai ierasta filma):
1. nedēļa: komandām patīk demonstrācija.
4. nedēļa: juridiskajā/drošības jomā ir nepieciešama pārvaldība, reģistrēšana un datu kontrole.
8. nedēļa: precizitāte kļūst par vājo vietu, tāpēc “uz laiku” tiek pievienoti cilvēki.
12. nedēļa: vērtība ir reāla, taču tā ir šaurāka par prezentāciju klāstu, un izmaksu struktūra ļoti atšķiras no paredzētās.
4) Infrastruktūras izbūves risks ir reāls 🏗️⚡
Izdevumi ir milzīgi: datu centri, mikroshēmas, enerģija, dzesēšana. IEA prognoze, ka globālais datu centru elektroenerģijas pieprasījums varētu aptuveni dubultoties līdz 2030. gadam, ir spēcīgs signāls, ka “tas notiek”, un arī atgādinājums, ka neizmantotie izmantošanas pieņēmumi var pārvērst dārgus aktīvus par nožēlu. [2]
5) Mākslīgā intelekta tēma izpaužas visā 🌶️
Enerģijas uzņēmumi, tīkla iekārtas, dzesēšana, nekustamais īpašums — stāsts ceļo. Dažreiz tas ir racionāli (enerģijas ierobežojumi ir reāli). Dažreiz tā ir tematiska sērfošana.
“Nē” gadījums: kāpēc šis nav klasisks pilnīgs burbulis 🧊📊
1) Dažiem galvenajiem spēlētājiem ir reāli ieņēmumi (ne tikai stāstījums) 💰
Tīru burbuļu raksturīga iezīme ir “lieli solījumi, sīki pamati”. Mākslīgā intelekta infrastruktūrā ir liels reāls pieprasījums, aiz kura ir reāla nauda — NVIDIA ziņotais mērogs ir viens no redzamākajiem piemēriem. [3]
2) Mākslīgais intelekts jau ir iestrādāts darba dienas darbplūsmās (darba diena ir labs risinājums) 🧲
Klientu atbalsts, kodēšana, meklēšana, analītika, darbību automatizācija — liela daļa mākslīgā intelekta vērtības ir klusi praktiska, nevis uzkrītoša. Šāda veida ieviešanas modeļi burbuļiem parasti nepiemīt .
3) Datoru trūkums nav iedomāts 🧱
Pat skeptiķi parasti atzīst: cilvēki šīs lietas izmanto plašā mērogā. Un lietošanas mērogošanai ir nepieciešama aparatūra un jauda, kas izpaužas reālās investīcijās un reālā enerģijas plānošanā. [2]
Kur burbuļa risks ir visaugstākais (un viszemākais) 🎯🫧
Augstākais putu risks 🫧🔥
-
Kopiju lietotnes bez jebkādām problēmām un gandrīz nulles pārejas izmaksām
-
Jaunuzņēmumi, kuru cena balstās uz “nākotnes dominanci” bez pierādītas noturēšanas
-
Pārāk lielas infrastruktūras likmes ar ilgu atmaksas laiku un nestabiliem pieņēmumiem
-
“Pilnībā autonoma aģenta” apgalvojumi , kas ir patiešām trauslas darbplūsmas ar pārliecību
Mazāks putu risks (joprojām nav bez riska) 🧊✅
-
Ar reāliem līgumiem un lietošanu saistīta infrastruktūra
-
Uzņēmuma rīki ar izmērāmu ieguldījumu atdevi (ietaupīts laiks, atrisinātas problēmas, samazināts cikla laiks)
-
Hibrīdsistēmas: mākslīgais intelekts + noteikumi + cilvēka iesaistīšanās (mazāk pievilcīgas, uzticamākas) — un vairāk saskaņotas ar to, kādus riska ietvarus komandas mudina veidot. [5]
Salīdzināšanas tabula: ātras realitātes pārbaudes lēcas 🧰🫧
| lēca | vislabāk piemērots | izmaksas | Kāpēc tas darbojas (un kāda ir tā priekšrocība) |
|---|---|---|---|
| Finansējuma koncentrācija | investori, dibinātāji | mainās | Ja nauda pārpludina vienu tēmu, var veidoties putas… bet finansējums vien nepierāda burbuli |
| Vienības ekonomikas apskats | operatori, pircēji | laika izmaksas | Uzspiež jautājumu “vai tas atmaksājas?” — atklāj arī to, kur slēpjas izmaksas |
| Noturēšana + paplašināšana | produktu komandas | iekšējais | Ja lietotāji neatgriežas, tā ir īsta modes lieta, atvainojiet |
| Infrastruktūras finansējuma pārbaude | makro, sadalītāji | mainās | Lieliski piemērots sviras riska noteikšanai, bet grūti perfekti modelēt (scenārijiem ir nozīme) [2] |
| Publiskās finanses un peļņas normas | visi | bezmaksas | Realitātes enkuri — joprojām var tikt pārāk agresīvi prognozēti |
(Jā, tas ir nedaudz nevienmērīgi. Tā šķiet īsta lēmumu pieņemšana.)
Praktisks AI burbuļa kontrolsaraksts 📝🤖
Mākslīgā intelekta produktiem (lietotnēm, otrajiem pilotiem, aģentiem) 🧩
-
Vai lietotāji atgriežas katru nedēļu, netiekot mudināti?
-
Vai uzņēmums var paaugstināt cenas, nepalielināt klientu mainību?
-
Cik lielai izvades daļai nepieciešama cilvēka korekcija?
-
Vai pastāv patentētu datu aizsardzība, darbplūsmas ierobežošana vai izplatīšana?
-
Vai secinājumu izmaksas krītas straujāk nekā cenas?
Infrastruktūrai 🏗️
-
Vai ir parakstītas saistības vai tikai “stratēģiskas intereses”?
-
Kas notiek, ja noslodze ir zemāka nekā paredzēts? (Modelējiet "pretvēja" gadījumu, ne tikai bāzes scenāriju.) [2]
-
Vai tas tiek finansēts ar lieliem parādiem?
-
Vai ir plāns, ja aparatūras preferences mainās?
Publiskā tirgus “mākslīgā intelekta līderiem” 📈
-
Vai naudas plūsma pieaug, vai tikai stāsts?
-
Vai piemales paplašinās vai sarūk?
-
Vai izaugsme ir atkarīga no neliela klientu loka?
-
Vai novērtējums pieņem pastāvīgu dominējošo stāvokli?
Ēdienu līdzņemšanas slēgšana 🧠✨
Vai pastāv mākslīgā intelekta burbulis? Daļas ekosistēmas uzrāda burbuļa uzvedību, īpaši kopēšanas lietotnēs, pirmreizējos novērtējumos un jebkurā stipri sviras efektīvā attīstībā.
Taču mākslīgais intelekts pats par sevi nav “viltus” vai “tikai mārketings”. Tehnoloģija ir reāla. Tās ieviešana ir reāla , un mēs varam norādīt uz reālām investīcijām, reālām enerģijas pieprasījuma prognozēm un reāliem ieņēmumiem pamata infrastruktūrā. [1][2][3]
Īsumā: Vājākos vai pārāk spēcīgi noskaņotos stūros sagaidāma izjukšana. Pamatā notiekošās pārmaiņas turpinās — tikai ar mazāk ilūzijām un vairāk izklājlapām 😅📊
Bieži uzdotie jautājumi
Vai šobrīd pastāv mākslīgā intelekta burbulis?
Iespējams, ka “mākslīgā intelekta burbulis” pastāv atsevišķos slāņos, nevis visā mākslīgā intelekta ekosistēmā. Putas mēdz uzkrāties kopiju lietotnēs, uz stāstiem balstītos novērtējumos un parādos smagos infrastruktūras projektos, kas tiek finansēti, pamatojoties uz optimistiskiem izmantošanas pieņēmumiem. Tajā pašā laikā ieviešana jau ir plaša, un daži galvenie infrastruktūras dalībnieki gūst taustāmus ieņēmumus. Rezultāts ir atkarīgs no tā, vai izmantošana pārvēršas ilgstošās naudas plūsmās un klientu noturēšanā.
Ko cilvēki domā, sakot “mākslīgā intelekta burbulis”?
Lielākā daļa cilvēku ar to domā vienu vai vairākas no piecām lietām: vērtēšanas burbuli, finansējuma burbuli, naratīva burbuli, infrastruktūras burbuli vai produkta burbuli. Neskaidrības rodas tāpēc, ka termins “mākslīgais intelekts” visus šos slāņus apvieno vienā virsrakstā. Ja slānis netiek definēts, var rasties strīdi, kas viens otru apgāž. Skaidrāks jautājums ir, kura daļa izskatās pārkarsēta un kāpēc.
Vai plaša mākslīgā intelekta ieviešana pierāda, ka tirgus nav burbulis?
Ne obligāti. Plaša izmantošana ir reāla, taču ieviešana automātiski nenozīmē ilgtspējīgus peļņas fondus. Organizācijas var “izmantot mākslīgo intelektu” veidos, kas ir eksperimentāli, ar zemiem tēriņiem vai grūti monetizējami plašā mērogā. Galvenais pārbaudījums ir tas, vai ieviešana kļūst par atkārtotiem ieņēmumiem, palielinošu peļņu un spēcīgu klientu noturēšanu. Ja tas neseko, jūs joprojām varat gūt panākumus pat ar lielu izmantošanu.
Kā es varu noteikt, vai mākslīgā intelekta ieviešana pārvēršas reālos ienākumos?
Praktiska pieeja ir izsekot ieviešanai salīdzinājumā ar monetizāciju laika gaitā, nevis tikai vienreizējas lietošanas statistiku. Meklējiet pierādījumus tam, ka klienti maksā pietiekami, turpina maksāt pietiekami ilgi un palielina tēriņus, palielinot lietošanu. Nevienmērīga monetizācija vislabāk izpaužas mazākos uzņēmumos, kur produktivitātes pieaugums nekavējoties nekļūst par ieņēmumiem. Ja ieņēmumu pieaugums ir nekonsekvents, vērtējumi var pārsniegt pamatrādītājus.
Kura vienības ekonomika ir vissvarīgākā mākslīgā intelekta produktiem?
Vienības ekonomija ir svarīga, jo secinājumi var slēpt daudzas izmaksas, kas pārsniedz “mākoņa izdevumus”. Noderīgs skats ir robežizmaksas vērtības sniegšanai: žetoni, GPU laiks, latentuma ierobežojumi, drošības barjeras, atkārtotas palaišanas, kvalitātes nodrošināšana un cilvēku iesaistīšana korekciju veikšanai. Pēc tam sasaistiet to ar bruto peļņu, klientu noturēšanu, paplašināšanos un atmaksāšanās periodu. Ja cilvēku veikta korekcija ir ievērojama, izmaksas var saglabāties nemainīgi augstas.
Kāpēc atšķirība starp demonstrācijas un ražošanas versiju ir tik liela problēma?
Demonstrācija bieži vien ir vieglākā daļa; ražošanai ir nepieciešama uzticamība, atbilstība, reģistrēšana un atbildība. Halucinācijas, pārvaldības prasības un iepirkumu cikli palēnina laika grafikus un var sašaurināt piegādāto produktu praktisko darbības jomu. Daudzos ieviešanas procesos "uz laiku" tiek iesaistīti cilvēki, bet pēc tam tiek atklāts, ka tas ir kvalitātes un risku kontroles centrālais elements. Tas maina gan produkta formu, gan izmaksu struktūru.
Kur mūsdienās ir vislielākais mākslīgā intelekta burbuļa risks?
Vislielākais "burbuļa" risks ir kopēšanas lietotnēs ar gandrīz nulles pārejas izmaksām, jaunuzņēmumos, kuru cenas balstās uz "nākotnes dominanci" bez pierādītas klientu noturēšanas, un pilnībā autonomu aģentu apgalvojumos, kas ir trauslas darbplūsmas. Šīs jomas ir ļoti atkarīgas no naratīva prēmijas un var ātri mainīties, ja rezultāti ir neapmierinoši. Jāvēro tendence uz lietotāju aizplūšanu: ja lietotāji neatgriežas katru nedēļu bez grūdieniem, produkts var būt putas.
Vai mākslīgā intelekta infrastruktūra (mikroshēmas un datu centri) ir vairāk vai mazāk pakļauta burbuļu veidošanās riskam?
Ja pieprasījums ir piesaistīts līgumiem un ilgstošai izmantošanai, tas var būt mazāk pakļauts burbuļu veidošanās riskam, taču tas rada cita veida risku. Lielākais apdraudējums ir finansēšana: sviras efekts un ilgie atmaksāšanās cikli var tikt pārtraukti, ja izmantošana ir nepietiekama. Infrastruktūras likmes ir ļoti jutīgas pret prognozēšanas pieņēmumiem, un scenāriju plānošana ir svarīga, jo nenoteiktība ir reāla. Spēcīgs līgumā noteikts pieprasījums samazina risku, bet to nenovērš.
Kāds ir praktisks kontrolsaraksts, lai pārbaudītu apgalvojumus par “mākslīgā intelekta burbuļa” esamību?
Izmantojiet nepamatotu apgalvojumu: “Vai šīs naudas plūsmas attaisno šo cenu?” Attiecībā uz produktiem pārbaudiet iknedēļas klientu noturēšanu, cenu noteikšanas jaudu, korekcijas slogu un to, vai secinājumu izmaksas krītas straujāk nekā cenas. Attiecībā uz infrastruktūru meklējiet parakstītās saistības, kavēkļu izmantošanas modelēšanu un to, vai ir iesaistīts liels parāds. Ja līgumi, naudas plūsma un klientu noturēšana ir spēkā, tas drīzāk izskatās pēc strukturālām pārmaiņām, nevis mānijas.
Atsauces
[1] Stenfordas Universitātes HAI — 2025. gada mākslīgā intelekta indeksa ziņojums — lasīt vairāk
[2] Starptautiskā Enerģētikas aģentūra — Enerģijas pieprasījums no mākslīgā intelekta (Enerģijas un mākslīgā intelekta ziņojums) — lasīt vairāk
[3] NVIDIA Newsroom — Finanšu rezultāti par 2025. gada 4. ceturksni un finanšu gadu (2025. gada 26. februāris) — lasīt vairāk
[4] OECD — Ģeneratīvais mākslīgais intelekts un MVU darbaspēks (2024. gada apsekojums; publicēts 2025. gada novembrī) — lasīt vairāk
[5] NIST — Mākslīgā intelekta riska pārvaldības sistēma (AI RMF 1.0) (PDF) — lasīt vairāk