Справжнім питанням завжди не є «чи скоротиться попит на ШІ», а «на якому рівні ланцюга постачання врешті-решт зосередиться цінність».

Автор статті, джерело: 0x9999in1, ME News

Коротко

• Морган Стэнлі у документі «Відкриті моделі з вагами та три сценарії майбутнього» робить ключовий висновок: зростання відкритих моделей, таких як Kimi K3, Qwen, Llama, є катализатором для прискорення поширення ШІ, а не загрозою для лідерів ринку.
• Аргумент полягає в парадоксі Джевонса — після того як одноразове використання стає дешевшим, підприємства застосовують ШІ до більшої кількості завдань, що збільшує загальний попит на токени, обчислювальну потужність, електроенергію та інфраструктуру.
• Морган Стэнлі чітко нагадує: відкритий ваговий коефіцієнт не означає безкоштовність. Витрати на GPU, хмарні сервіси, підтримку та безпеку все ще існують, і справжня економічна доцільність залежить від сценарію.
• Цитований дослідження MIT показує, що перехід від закритих до відкритих моделей може знизити середню ціну приблизно на 70%, що відповідає річному економії близько 25 мільярдів доларів США для бізнесу; однак це дослідження було завершено в грудні 2025 року і не врахувало повністю витрати на розгортання.
• Дослідження Карнегі-Меллон більш об’єктивне: термін окупності сильно залежить від масштабу — для невеликих розгортань з менше ніж 30 мільярдів параметрів окупність може настати дуже швидко, але після збільшення масштабу різниця стає значною.
• Три можливі сценарії: закриті олігополії, змішане існування, перемога відкритих моделей. Реальним ориентиром є те, що 63% компаній вже використовують дві моделі одночасно.
• Є лише два елементи, які завжди вигодовують: NVIDIA та електропостачання. Причина не в тому, щоб вибирати сторону, а в тому, що незалежно від того, чи зосереджена обчислювальна потужність у надвеликих центрах обробки даних, чи розподілена на краю, базова логіка GPU та електроенергії залишається незмінною.
• Справжнім питанням завжди не є «чи скоротиться попит на ШІ», а «на якому рівні ланцюга постачання врешті-решт зосередиться цінність».

Що саме ринок неправильно зрозумів

У середині липня 2026 року вийшов Kimi K3. Індекс напівпровідників Філадельфії впав, а NVIDIA, Micron, SK Hynix та навіть компанії типу Cadence, що спеціалізуються на EDA, також постраждали.

Знайомо? Занадто знайомо.

Більше року тому, коли з’явився DeepSeek, реакція ринку була такою самою: чим потужніші відкриті моделі, тим меншою стає цінність обчислювальних потужностей. Логіка звучить логічно — якщо модель з відкритими вагами може зрівнятися з лідерами, то премія за закриті моделі зникає; якщо ефективність зростає, то необхідність накопичувати карти зменшується. Тому почалася хвильова продажна кампанія: продаж чіпів, обладнання та електроенергії — ланцюжок падіння цін.

У звіті від 4 серпня Morgan Stanley назвав цей ланцюг реакцій прямо помилковим тлумаченням.

Де помилка? У тому, що ринок прямо еквівалює «зниження витрат на одиницю» з «зниженням загальних витрат».

Між ними є велика змінна: обсяг використання.

Морган Стэнлі звернувся до парадоксу Джевонса. XIX-столітній економіст Джевонс зауважив протилежне інтуїції явище: після збільшення ефективності парових машин, коли та сама кількість вугілля стала дозволяти виконувати більше роботи, споживання вугілля в Англії не зменшилося, а навпаки, різко зросло. Бо стало дешевше — тому його стало можливо використовувати; а оскільки його стало можливо використовувати — його почали використовувати скрізь.

Застосування ШІ: вартість одного висновку знизилася з одного цента до десятої частини десятицентової монети. Компанії не залишать ці збереження собі. Вони впровадять ШІ в ті процеси, які раніше вважалися занадто витратними — повну перевірку тикетів служби підтримки, постійне сканування кодових баз, порівняння кожного пункту договорів, автоматичне класифікування кожної електронної пошти. Раніше це не робили не тому, що не хотіли, а тому що це було надто дорого.

Ціна, як тільки опуститься нижче цієї лінії, не зростає лінійно — вона різко стрімко зростає.

Друге: Що саме означає «відкриті ваги»?

Тут спочатку треба чітко розібратися з поняттями, оскільки половина безладу на ринку походить від неправильного використання термінів.

Morgan Stanley у звіті зробила не нове, але необхідне розмежування: відкриті ваги ≠ відкритий код.

Чітко визначені моделі з відкритими вагами — Meta Llama, Google Gemma, а також Qwen, DeepSeek, Kimi — публікують навчені параметри. Ви можете завантажити їх, доналаштувати та розгорнути самостійно. Однак дані для навчання можуть бути недоступні, а ліцензійні умови можуть мати обмеження.

Справжній відкритий код — це коли вся технічна стека лежить на столі: код, методи навчання, деталі даних. У звіті наведено приклад OLMo від AI2. Цей круг набагато менший, ніж усі думають.

Тож більш точно буде сказати: основна різниця між відкритими та пропрієтарними моделями полягає не в кількості параметрів чи в тому, хто вищий у рейтингу, а в способі отримання та оплати.

Open weights: Usually get weights for free, support fine-tuning, flexible deployment options—on-premises, private cloud, public cloud, API, your choice.

Закритий код: ліцензія + оплата за токени, усі користувачі отримують однаковий набір вагових коефіцієнтів, які ви не можете змінити або переглянути.

Також Morgan Stanley сказав досить правдиву річ: сьогодні найпотужніші передові моделі в основному залишаються закритими. Причина дуже проста — витрати на навчання надто високі, і до появи наступної моделі ніхто не буде безкоштовно розповсюджувати попередню.

Це речення варто прочитати кілька разів. Воно означає, що відсталий з відкритими вагами наздоганяє — суттєво це відставання з затримкою. Розрив скоротиться, але структурна різниця у часі не зникає легко.

Три: Безкоштовне — найдорожче: витрати, які не вказані на цінових табличках

Найцінніший фрагмент звіту — це саме той, що охолоджує ентузіазм щодо відкритих вагів.

Morgan Stanley посилається на дослідження MIT: перехід від закритих до відкритих моделей в середньому дозволяє знизити ціни приблизно на 70%, що відповідає економії для бізнесу близько 25 мільярдів доларів США щорічно.

Цифри виглядають чудово. Але Morgan Stanley додав ще одну заувагу — це дослідження було завершено в грудні 2025 року і не враховує достатньо витрат на розгортання.

Що таке витрати на розгортання? GPU потрібно купити або орендувати самостійно, кластер потребує обслуговування, модель треба доналаштовувати, а безпека та відповідність — це хтось повинен забезпечити. Відкриті ваги — це креслення та деталі автомобіля, а не готовий автомобіль, який можна відразу поїхати.

Дослідження Карнегі-Меллон університету ще більш кількісно оцінило це: термін окупності сильно залежить від масштабу розгортання. При розгортанні з менше ніж 30 мільярдами параметрів окупність може настати дуже швидко; але як тільки масштаб збільшується, картина повністю змінюється.

Це рідко обговорювана, але надзвичайно важлива реальність: економічність відкритих вагів — це не плавна крива, а кусково-лінійна функція.

Малі сценарії, висока частота, чіткі завдання — відкриті ваги дуже привабливі.

Складні міркування, довгострокові агенти, вимоги до максимальній надійності — закриті гроші не витрачаються даремно.

Подивіться ще далі на такі надвеликі архітектури MoE, як Kimi K3. Навіть якщо активується лише невелика кількість експертів, величезна вага все одно повинна розподілятися між кластером з високопотужною пам’яттю та швидкими інтерконектами. Так звана «відкритість» означає відкритість власності на ваги, а не звільнення від апаратних бар’єрів.

Іншими словами, відкриті ваги перенесли вимоги до обчислювальних ресурсів з кількох закритих лабораторій на хмарних провайдерів, суверенні хмари та корпоративні центри обробки даних. Загальний обсяг не зменшився, просто змінився власник.

Це саме той рахунок, який ринок не вирішив під час падіння в липні.

Чотири: три можливі сценарії, куди зосереджується цінність

Морган Стэнлі не робить жодних однозначних припущень, а наводить три сценарії. Саме таке формулювання є вже оцінкою: ніхто не знає кінцевого результату, але структуру вигоди для кожного з можливих результатів можна визначити заздалегідь.

Припустимо, що продуктивність передових моделей важко відтворити. Навантаження зберігає високу щільність обчислень і продовжує концентруватися в гіпермасштабних хмарах. Ціна токенів все ще буде падати, але повільніше — через те, що олігополістична структура сама зберігає цінову дисципліну.

Одержувачі: хмарні провайдери, програмне забезпечення для безпеки, оптичні мережі, напівпровідники, електричні ланцюги постачання.

Звіт зазначає конкретну змінну: Google. Якщо Gemini 4 здійснить прорив і знову вийде на передовий край, дохідність інвестицій Google у власну інфраструктуру для запуску API моделей становитиме близько 45%. Якщо ж вона не зможе лідирувати на передовому краї, Google буде більше схожа на постачальника інфраструктури, при цьому ROI становитиме близько 30%.

Різниця в п’ятнадцять відсотків лежить на одному поколінні моделей. Ось такі коефіцієнти на передовій боротьбі.

Не існує єдиної архітектури, яка панує у всіх сферах. Закриті моделі з передовими досягненнями домінують у складних завданнях міркувань та AI Agent, а відкриті ваги задовольняють потреби у високочастотних, відчутних до витрат та спеціалізованих застосуваннях.

Навантаження розподілене між публічним хмарним, приватним хмарним, локальним та крайовим середовищами. Тому — оркестрація моделей, маршрутизація, оцінка та управління цими «проміжними» програмними рішеннями — стали ключовими для переміщення вартості вгору. Попит на програмне забезпечення для безпеки зростає разом із розподілом навантаження.

Ця ситуація має дуже тверду реальну підставу: наразі 63% компаній одночасно використовують моделі з відкритими вагами та закритими моделями.

Це число дуже показове. Вибір підприємств — не «віра в ту чи іншу фракцію», а «яке завдання краще виконувати за допомогою чогось дешевшого та стабільнішого». Це закупівельна діяльність, а не боротьба за напрямки.

Відкриті ваги поступово наближаються до передових рівнів, і інтелект базових моделей стає широко доступним. Ціни на API моделей значно знизилися, і виникла хвиля впровадження підприємствами.

Інфраструктура ШІ рухається до децентралізації: значно зростає попит на приватні центри обробки даних, суверенні хмари, локальні розгортання та крайові пристрої. Фокус інновацій зміщується з попереднього навчання на доналаштування, оптимізацію висновків, агентів та практичне застосування.

У цій ситуації програмне забезпечення безпеки є одним із найбільших переможців. Це також легко зрозуміти — у світі, де ваги можуть вільно рухатися, поверхня атаки зростає геометрично.

Розбіжності на рівні окремих акцій дуже цікаві: AVGO може бути найбільшим одиночним отримувачем у сценарії закритої системи; DELL, HPE — виробники локальної інфраструктури — та Apple — виробники крайових пристроїв — легше реалізують свою вартість у відкритому сценарії. Хмарні провайдери залежать від того, куди врешті-решт спрямуються навантаження — якщо відкритий сценарій реалізується, Microsoft має чітку перевагу завдяки своїм здатностям у гібридній хмарі та локальному розгортанні, а Amazon і Google в цьому сценарії будуть класифіковані як «інші отримувачі».

П’ять: Учасники, що вигодовують круглорічно: чому саме NVIDIA та електрика

Після аналізу трьох сценаріїв Morgan Stanley визначила дві лінії, що проходять через усі сценарії.

Першим є NVIDIA.

Логіка не складна, але міцна: незалежно від того, чи зосереджена обчислювальна потужність у надвеликих центрах обробки даних, чи розподілена між корпоративними серверними кімнатами та крайовими пристроями, базова логіка попиту на GPU не змінюється.

Концентрація — це кілька покупців, що купують величезні обсяги; розподіл — це десятки тисяч покупців, що купують невеликі обсяги. Загальний обсяг не зменшується, а навіть збільшується через розширення охоплення.

Варто зазначити, що Morgan Stanley недавно підвищила оцінку витрат на AI-кластери — ціна системи NVIDIA Vera Rubin була встановлена на рівні приблизно 49 мільярдів доларів США за гігават, що на 20% вище попередніх прогнозів.

Це число виглядає трохи дивно саме тут. З одного боку, моделі стають дешевшими, з іншого — капітальні витрати на одиницю обчислювальної потужності зростають. Це не суперечить одне одному: граничні витрати на висновки знижуються, а капітальні вкладення у навчання та розгортання зростають. Перше стимулює розширення попиту, друге визначає, хто має право брати участь у пропозиції.

Другий пункт — це електроживлення на місці (on-site power).

Причина полягає в тому, що крива попиту на електроенергію охоплює обидва типи конфігурацій: «централизовану» та «дистриб’ютивну». Незалежно від розподілу навантаження, розширення штучного інтелекту означає, що споживання електроенергії та потужність постачання повинні зростати синхронно.

Електрика — це найбільш безпощадне обмеження в усьому повідомленні про ШІ. Моделі можуть бути відкритими, ваги — завантажені, чіпи — замінені, але електрику не можна зробити відкритою. Один гігават — це один гігават, ніхто не може його створити.

Це може бути найбільш певна лінія з трьох сценаріїв. Наскільки певна, що трохи нудно.

Шість: справжня цінність цього звіту — не висновки, а рамки

Поділіться своєю думкою.

Якщо прочитати лише заголовок цього звіту Morgan Stanley — «Відкриті ваги прискорюють поширення, а не ослаблюють лідерів» — легко сприйняти це як спробу втішити ринок. Але справжній весомий момент полягає в тому, що він змінив формулювання питання.

Початкова проблема ринку полягала в тому: чи скоротиться попит на ІЧ через зростання ефективності?

Питання Morgan Stanley: попит на ШІ точно не скоротиться, але питання в тому, де в кінцевому підсумку зосередиться вартість — у обчислювальних потужностях, хмарі, програмному забезпеченні та управлінні, чи у розподілених інфраструктурах на місці та на краю?

Різниця між цими двома питаннями — це різниця між мисленням у медв’ячому ринку та структурним мисленням.

Я вважаю, що напрямок Morgan Stanley правильний, але є два місця, на які варто звертати увагу.

По-перше, парадокс Джевонса не діє автоматично.

Ефект Джевонса має умови: попит повинен мати достатній простір для еластичності. Вугілля стало використовуватися все більше, тому що в XIX столітті в Британії було багато галузей, які ще не були механізовані. З AI схожа ситуація, але не повністю — підприємства можуть інтегрувати AI у багато сценаріїв, але чи призведе це до вимірюваних результатів — це інша справа.

Якщо велика кількість підприємств використовує ШІ лише в місцях, де він «виглядає зайнятим», але не може чітко вказати на прибуток, то розширення попиту матиме потолок, і цей потолок з’явиться раптово в якомусь кварталі. Парадокс Джевонса описує ефективність перетворення енергії, але не гарантує, що результатом буде цінність.

Друге, висновок «NVIDIA отримує користь цілий день» занадто зручний, щоб бути правильним.

На логічному рівні важко знайти помилку — попит на GPU не залежить від зміни архітектурної стратегії. Але між правильним висновком і добрым інвестиційним рішенням лежить ціна. Чи врахував ринок цю «круглорічну» очікування повністю? Звіт не відповідає на це питання і не повинен цього робити.

Логічно бездоганний буліш аргумент часто стає ґрунтом для переповнених угод. Це не протидія, а нагадування: впевненість у висновку не означає привабливості шансів.

Сім: Для бізнесу це насправді простіше

Відкинувши гру оцінок на вторинному ринку, з позиції закупівель підприємства, висновки цього звіту виявляються набагато простішими.

63% компаній використовують обидва варіанти — це число вже дає відповідь: не вибирайте сторону, вибирайте сценарій.

Завдання з високою частотою, передбачуваністю, чутливістю до даних і чіткими межами — відкриті ваги, створені власноруч, дозволяють реально зекономити гроші, особливо при розмірі менше 30 мільярдів параметрів, термін окупності яких надзвичайно привабливий.

Складні міркування, довгострокові агенти, завдання, що вимагають постійного слідкування за останніми досягненнями та оновленням — платіть за надійність і швидкість ітерацій через закриті API, це не соромно.

Справді потрібно вкласти зусилля в середній шар: оркестрування, маршрутизація, оцінка, управління. Як ви визначаєте, яким шляхом має йти запит? Як ви забезпечуєте, щоб якість виводу не знизилася після зміни моделі? Як ви контролюєте межі даних у світі, де ваги можна завантажувати будь-яким чином?

Morgan Stanley віднесла цей рівень до ключових отримувачів у сценарії змішаного середовища; на мою думку, ця оцінка корисніша, ніж будь-яка рекомендація щодо окремих акцій, оскільки цей рівень — це здатність, яку компанії повинні створити самостійно, і її неможливо купити.

Згадуючи безпеку: відкриті ваги дозволяють децентралізувати розгортання моделей, а також децентралізувати поверхню атаки. Раніше вам потрібно було турбуватися лише про кілька API-ключів, а зараз вам потрібно піклуватися про велику кількість локальних файлів ваг, даних для доналаштування та точок висновку. Те, що програмне забезпечення для безпеки згадується у всіх трьох сценаріях, не випадково.

Вісім, завершення

У день випуску Kimi K3 акції напівпровідникового сектору різко впали. Сьогодні, дивлячись назад, це схоже на м’язову пам’ять ринку, а не на результат обдуманого рішення.

Відкриті ваги — це не той, хто перевертає стіл. Це той, хто подовжує стіл.

Після подовження столу, чи витіснять того, хто сидів на головному місці? Можливо, але не через саму відкритість ваг, а через те, що він сам не зміг утримати передові позиції. Це дві різні речі.

Найчеснішим місцем у цьому звіті Morgan Stanley є те, що він не розповідає вам, яким буде фінальний результат, а лише показує, хто залишиться на своєму місці в кожному з можливих фінальних сценаріїв.

NVIDIA та електрика.

Перше — це консенсус, друге — фізичне.

Щодо тих компаній, які слідують за коливаннями, змінюють лагір та перез цінуються — їхній виграш залежить від контексту. Це звучить як ніщо, але на ринку, де всі прагнуть до чітких відповідей, признати «це залежить від контексту» — це найдорожча форма чесності.

Моделі стануть дедалі дешевшими з кожним поколінням — це тенденція, яку не зупинити.

Потужність буде поступово розсіюватися — це тенденція, яку неможливо зупинити.

Але дешевизна та диверсифікація разом ніколи не означають зменшення.

Джевонс зрозумів це ще в 1865 році. Пройшло сто шістдесят років, і людство все ще платить за цей самий інтуїтивний мисленнєвий помилок.

Справді цікаво.

Джерело цитування

1. Morgan Stanley, *Моделі з відкритою вагою та три майбутні сценарії* (дослідження), серпень 2026 року
2. Gelonghui / Sina Financial News: «Morgan Stanley: Відкриті моделі з вагами знижують витрати на ШІ, “парадокс Джевонса” може призвести до постійного зростання попиту на обчислювальні потужності», 4 серпня 2026 року
3. BigGo Finance: *Моделі з відкритою вагою для прискорення прийняття ШІ: Morgan Stanley описує три сценарії, називаючи Nvidia та Power Chain як отримувачів*, 2026 рік, 4 серпня
4. Huo Xing Cai Jing: «Morgan Stanley: Поява моделей ШІ з відкритими вагами прискорить поширення ШІ завдяки зниженню витрат», 4 серпня 2026 року
5. Blockspace Media: *Morgan Stanley стверджує, що відкриті AI-моделі можуть збільшити попит на обчислювальні ресурси та електроенергію*, 2026 рік, серпень
6. Дослідження MIT щодо різниці в цінах між відкритими та закритими моделями (закінчене у грудні 2025 року, цитоване у звіті Morgan Stanley)
7. Дослідження Університету Карнегі-Меллон щодо залежності терміну окупності розгортання відкритих моделей від масштабу (цитується у звіті Morgan Stanley)
8. Morgan Stanley Insights: *Можливості в інфраструктурі ШІ* (з підвищенням оцінки вартості на гігават для системи Вери Рубін)