Чем эффективнее становится ИИ, тем больше его потребляют. Парадокс Джевонса в действии

27 января 2025 года Satya Nadella, CEO Microsoft, написал в X короткое сообщение из десяти слов: «Парадокс Джевонса снова в действии. По мере того как ИИ становится эффективнее и доступнее, его использование взрывообразно вырастет, превратив его в товар, которого нам всегда мало».

В 1865 году английский экономист Уильям Стэнли Джевонс опубликовал книгу «The Coal Question». На фоне индустриальной революции британское правительство волновалось: запасы угля истощаются, что делать? Очевидный ответ — сделать паровые машины эффективнее, чтобы они тратили меньше угля на ту же работу. Джевонс изучил данные и пришёл к обратному выводу.

После того как Джеймс Уатт улучшил паровой двигатель в 1769 году — сделав его в несколько раз эффективнее предыдущих моделей Ньюкомена — потребление угля в Англии не упало. Оно выросло. Не на 10-20%, а в разы. Потому что эффективные паровые машины открыли новые сферы применения: вместо одной шахты или одной фабрики их стали ставить везде — в железных дорогах, на пароходах, в текстильной промышленности, в металлургии. Дешевле энергия — больше всего, что её использует. Чем доступнее ресурс, тем больше его потребляют.

Джевонс сформулировал это так: «Заблуждение полагать, что экономное использование топлива равнозначно сокращению его потребления. Истина прямо противоположна». Через 160 лет этот наблюдение получило имя — парадокс Джевонса.

Урок Джевонса повторялся снова и снова в каждой технологической волне.

Интернет, 1990-е. Когда модемы заменили арендованные линии, а потом ADSL заменил модемы — стоимость одного мегабайта трафика упала в тысячи раз. По логике bear case того времени, потребители должны были качать столько же и платить меньше. Реальность: они начали смотреть видео, слушать музыку, играть онлайн, держать постоянное соединение. Общее потребление трафика выросло на несколько порядков.

Мобильная связь, 2000-е. GSM, потом 3G, потом 4G сделали каждую минуту разговора в десятки раз дешевле. Bear case: операторы должны были потерять выручку. Реальность: люди стали говорить больше, плюс отправлять SMS, плюс пользоваться мобильным интернетом, плюс смотреть YouTube с телефона. Выручка телеком-отрасли выросла.

Облачные вычисления, 2010-е. Стоимость одного часа compute в дата-центре с 2010 по 2020 упала в десятки раз. Bear case: компании перестанут платить за серверы. Реальность: они начали запускать SaaS, big data, machine learning, IoT — приложения, которые раньше были экономически невозможны. Глобальный capex на дата-центры вырос с $50 миллиардов до $300 миллиардов.

В каждом из этих случаев работала одна и та же экономическая динамика: снижение стоимости единицы ресурса открывает новые сферы применения, в которых раньше этот ресурс был экономически непозволителен. Размер пирога растёт быстрее, чем падает цена.

Теперь к собственно ИИ. Цифры здесь даже более впечатляющие, чем у предыдущих волн.

Стоимость одного миллиона токенов у OpenAI: GPT-3 в 2020 году — около $60. GPT-4o в 2024 — около $0.10 за тот же объём, но с гораздо более качественным ответом. Снижение в примерно 600 раз за четыре года — и это не учитывает рост качества модели. Сравнимая динамика у Claude, Gemini, Llama, DeepSeek.

Стоимость одной генерации картинки: DALL-E 2 в 2022 — $0.02. Stable Diffusion локально в 2024 — около $0.0001 за картинку. Снижение в 200 раз за два года.

Стоимость inference на open-source модели на потребительском GPU в 2026 году — это часто доли цента за запрос, который в 2022 стоил бы доллары через коммерческий API.

По любой объективной метрике AI стал на порядки дешевле за последние пять лет. И если бы парадокс Джевонса не работал, мы бы наблюдали снижение общего спроса на compute. На самом деле — взрывной рост.

CreditSights в начале 2026 года опубликовал прогноз: совокупный capex пяти крупнейших гиперскейлеров (Amazon, Microsoft, Alphabet, Meta, Oracle) в 2026 году составит около $602 миллиардов, что на 36% больше, чем в 2025. Около 75% этого бюджета пойдёт на AI-инфраструктуру.

Это не bear case. Это прямо противоположное.

Механизм работы парадокса в AI можно разложить на три эффекта, которые экономисты называют direct, rebound и transformation.

Direct effect — прямой эффект эффективности. Когда модель становится в 10 раз дешевле, каждый существующий пользователь платит меньше за тот же объём работы. По логике bear case на этом всё и заканчивается: ниже цена, меньше выручка, меньше спрос на железо. Если бы только это, парадокса Джевонса не было бы.

Rebound effect — отскок. Каждый существующий пользователь, обнаружив, что AI теперь в 10 раз дешевле, начинает использовать его больше. Раньше я генерировал 100 картинок в месяц, потому что это было дорого. Теперь генерирую 1000, потому что почти бесплатно. Раньше я переводил через AI только важные документы, теперь — все подряд. Раньше использовал AI для черновика письма, теперь — для всей переписки, для рутинных задач, для брейншторма. Каждый пользователь увеличивает свою лимиту в разы.

Transformation effect — трансформация. И это самое интересное. Появляются совершенно новые сферы применения, которые раньше были экономически невозможны. Радиолог, который раньше анализировал 50 снимков в день вручную, теперь с помощью AI смотрит 200, и при этом отделение может позволить себе проводить скрининг там, где раньше не проводили. Маленькая юрфирма, которая раньше не могла позволить себе анализ договоров, теперь делает его в десять раз быстрее за десятую часть цены. Студент, который раньше учил английский с репетитором по часу в неделю, теперь общается с AI-ассистентом по два часа в день. Объём задач, для которых AI «достаточно дешёв», растёт быстрее, чем падает цена за одну операцию.

Когда сумма этих трёх эффектов превышает прямую экономию от повышения эффективности — мы видим парадокс Джевонса. Wei Wang, computer architect в ByteDance, в академической статье 2025 года описал это так: в дата-центрах для AI rebound effect превышает 100%. То есть прирост спроса полностью съедает экономию от эффективности, и потребление продолжает расти.

Чтобы быть честным, надо упомянуть и границы этой логики.

Парадокс Джевонса работает не всегда. Он требует двух условий. Первое — высокая эластичность спроса по цене. То есть когда цена падает, существует много новых пользователей и сценариев, которые включаются. Второе — отсутствие физических или регуляторных ограничений на рост. Если ресурс упирается в потолок (например, частоты радиоспектра конечны), снижение стоимости не создаёт пропорционального роста спроса.

В AI оба условия выполняются. Эластичность очень высокая — компаний и людей, которые хотели бы использовать AI больше, но не могли по цене, действительно много. Это видно по статистике подключений к OpenAI API, Anthropic, Hugging Face — каждое снижение цены или появление более дешёвой модели немедленно приводит к росту числа активных интеграций. Физических потолков пока нет — есть ограничения по compute (HBM, GPU), но они активно расширяются.

Но есть и другая сторона разговора, которую сторонники парадокса часто упускают. Парадокс Джевонса говорит про рост потребления ресурса. Он не говорит про прибыли отдельных компаний. Может быть так: общий рост рынка AI продолжается, но отдельная компания (например, Nvidia или Micron) теряет долю или маржу из-за усиления конкуренции. Парадокс не отменяет цикличности в отдельных сегментах.

Несколько мыслей.

Первая. Когда вы слышите аргумент «технология X стала эффективнее, значит спрос на ресурс Y упадёт» — у этого аргумента 160-летняя история неудач. От парового двигателя Уатта до AI-моделей DeepSeek — каждый раз люди делали этот вывод, и каждый раз ошибались. Это не значит, что он никогда не верен, но базовый prior должен быть обратным: эффективность скорее увеличит общее потребление, чем уменьшит.

Вторая. Эффективность ≠ снижение спроса. Это разные вещи, которые в нашей интуиции часто соединяются. AI становится умнее на токен, эффективнее на ватт, дешевле на запрос — и одновременно общий объём токенов, ватт и запросов растёт. Эти два процесса не противоречат друг другу, они взаимно усиливают.

Третья. Это касается не только финансов. Это этический разговор тоже. Когда мы делаем AI экологичнее — мы не обязательно снижаем его экологический след. Когда мы делаем его доступнее — мы не обязательно делаем его более распределённым. Парадокс Джевонса говорит: сама по себе эффективность не решает структурных проблем. Она часто их усиливает, делая ресурс более привлекательным для использования.

И последнее. Сам Джевонс, описывая парадокс в 1865 году, был в ужасе от своего открытия. Он считал, что Англия движется к катастрофе — потому что эффективные паровые машины приведут к исчерпанию угольных запасов раньше, чем предполагалось. История показала, что он ошибся в конкретике: Англия не исчерпала уголь, а перешла на нефть, потом на газ, потом частично на электричество и атом. Но он не ошибся в общей динамике: технологическая эффективность ускоряет потребление, а не тормозит его.

В AI мы наблюдаем эту динамику в её самой чистой форме. И когда индустрия в очередной раз скажет «теперь AI стал гораздо эффективнее, значит можно расслабиться по поводу инфраструктуры» — стоит вспомнить Уильяма Стэнли Джевонса, его книгу «The Coal Question», и тихую закономерность, которая повторяется уже 160 лет.

Свежие новости из мира AI — в моём Telegram-канале «AI за 5 минут»: t.me/ai_digest_5min. Короткие посты на русском, релизы моделей и исследования в реальном времени. Канал собирается автоматически из англоязычных источников — без необходимости самому читать Twitter каждый день.