Сколько ресурсов нужно, чтобы ИИ продолжал работать: выжимка исследования McKinsey

Искусственный интеллект ^[1] растет так быстро, что для его обучения ^[2] и работы миру приходится стремительно наращивать вычислительные мощности. На строительство новых дата-центров уходят уже не миллионы, а триллионы долларов, и большая часть этих средств нужна именно под ИИ-нагрузки.

Мы подготовили краткую выжимку исследования McKinsey ^[3], где объясняется,  как сегодня формируется рынок вычислительных мощностей и почему компании по всему миру готовы вкладывать такие суммы.

Самый интригующий момент: если текущие тенденции сохранятся, к 2030 году стоимость инфраструктуры под ИИ может приблизиться к $7 трлн. Откуда берутся такие масштабы — разбираем ниже.

Чтобы ИИ продолжал расти, нужны все новые дата-центры — и строить их приходится очень быстро. Но есть нюанс: никто точно не знает, сколько вычислений понадобится через год или два. Поэтому компаниям приходится идти аккуратно: вкладывать деньги поэтапно, не разгоняться слишком сильно и смотреть, как меняется рынок. Ошибешься — построишь лишнее и не окупишь. Опоздаешь — отстанешь от конкурентов.

В этой гонке участвуют все: строители дата-центров, энергетики, производители чипов, облачные гиганты. Каждый понимает, что без новых мощностей ИИ не двинется дальше. Но главный вопрос остается открытым: кто именно будет вкладывать в это миллиарды и какие технологии окажутся нужными завтра? Прогнозы есть, но мир ИИ меняется так быстро, что даже самые аккуратные расчеты стареют буквально на глазах.

А что с вычислениями вне ИИ?

Даже если кажется, что весь мир теперь крутит нейросети, «традиционные» ИТ-нагрузки по-прежнему занимают значительную часть работы дата-центров. Это веб-сайты, корпоративные ERP-системы, почтовые сервисы, хранилища файлов и другие привычные приложения, которые продолжают составлять основу цифровой инфраструктуры.

В отличие от задач искусственного интеллекта, таким нагрузкам не нужны графические

ускорители или специализированные AI-чипы — им вполне хватает обычных

процессоров. Они предсказуемее по режиму работы и куда менее требовательны к питанию и охлаждению. Поэтому дата-центры, ориентированные на «классические» ИТ-сервисы, заметно отличаются от тех, что строятся под ИИ: и по архитектуре, и по капитальным затратам, и по ежедневным расходам на эксплуатацию.

Как угадать, сколько вычислений ИИ «съест» завтра

Предсказать, сколько вычислений понадобится через пару лет, — задача из разряда «угадай число». Исследование McKinsey говорит: к 2030-му спрос на мощности может вырасти почти в три раза, и значительная доля уйдет непосредственно под ИИ. 

Но есть два фактора, из-за которых все может пойти совсем по другому сценарию.

Во-первых, неясно, насколько полезным окажется ИИ в реальных задачах. Если бизнес найдет для него действительно рабочие применения — спрос взлетит. Если нет — все прогнозы останутся прогнозами.

Во-вторых, технологии меняются так быстро, что модели становятся все эффективнее. Одни компании уже заявляют, что обучают ИИ в разы дешевле. Но тут есть подвох. Как только обучение моделей становится дешевле, ИИ начинают использовать чаще, обучать больше моделей и запускать больше экспериментов. В итоге общее потребление вычислительных мощностей может не снизиться и даже продолжать расти.

Постоянное развитие технологий ИИ, таких как процессоры, архитектуры больших языковых моделей (LLM) и энергопотребление, может значительно повысить эффективность. Например, в феврале 2025 года китайский игрок на рынке LLM DeepSeek сообщил, что его модель V3 достигла значительного повышения эффективности обучения и рассуждений, в частности, сократив затраты на обучение примерно в 18 раз и затраты на вывод примерно в 36 раз по сравнению с GPT-4o.2 

Сколько стоит поддерживать ИИ в рабочем состоянии

По расчетам McKinsey, к 2030 году компаниям, работающим в сфере вычислительной инфраструктуры, потребуется вложить около $5,2 трлн только в те дата-центры, которые обслуживают искусственный интеллект.

Чтобы представить себе, что означает такой объем капитальных вложений, достаточно взглянуть на несколько показателей. 

• Труд. Полтриллиона долларов — это примерно 12 млрд рабочих часов или 6 млн человек, занятых полный рабочий день в течение года.

• Оптоволокно. Сумма в $150 млрд эквивалентна прокладке 3 млн миль кабеля — хватило бы, чтобы обернуть Землю около 120 раз.

• Энергия. Производство электроэнергии на $300 млрд добавило бы 150–200 гигаватт мощности — достаточно, чтобы обеспечить светом 150 млн домов, то есть больше, чем все домохозяйства США вместе взятые.

Даже по этим сравнениям видно: инфраструктура под ИИ превращается в один из самых дорогих проектов в истории технологий.

Прогнозы, которые меняются быстрее, чем новости

McKinsey рассмотрела три варианта того, как дальше будет расти спрос на вычислительные мощности. Если ИИ продолжит развиваться на полной скорости, миру придется вложить почти 8$ трлн в новые дата-центры и добавить огромный объем мощностей. Более сдержанный сценарий — около $5 трлн, а в самом осторожном прогнозе сумма снижается примерно до $4 трлн.

Разброс получается большим, потому что слишком много зависит от того, как быстро ИИ будет внедряться в реальный бизнес и какие технологии появятся в ближайшие годы. Чем активнее компании используют ИИ, тем быстрее растут вычислительные нагрузки — и тем больше нужно дата-центров, оборудования и энергии.

Но есть и другие факторы: конкуренция между крупными игроками за инфраструктуру, геополитика и даже стремление стран обеспечить себе технологическую независимость. Все это толкает рынок к тому, что инвестиций понадобится очень много — даже в самом осторожном прогнозе.

Куда идут инвестиции

Даже сумма в $5,2 трлн — это еще не весь будущий счет за инфраструктуру ИИ. Такие вложения делят между собой три основные группы: те, кто строит дата-центры, те, кто обеспечивает их электричеством, и те, кто производит все «железо» — от процессоров до сетевого оборудования. На них уходит большая часть денег: земля, материалы, электросети, охлаждение, чипы, сервера — все это стоит очень дорого.

Но на этом экосистема не заканчивается. Есть еще операторы — огромные облачные компании, которые запускают сервисы поверх этой инфраструктуры, — и разработчики ИИ-моделей, которым тоже нужны свои мощности. Они вкладывают не меньше, просто их расходы труднее посчитать: они смешаны с затратами на исследования, разработки и обучение моделей.

Почему инвестиций мало — и кто платит за всю эту ИИ-историю

Хотя расчеты McKinsey говорят о триллионах долларов, реальные инвестиции пока заметно отстают. Компании не спешат вкладываться «на полную»: рынок меняется слишком быстро, ИИ развивается скачками, а строительство дата-центра занимает годы. Руководители честно признаются: трудно инвестировать миллиарды, если завтра все может пойти по другому сценарию. Главное сомнение у всех одно — окупится ли это вообще?

При этом в инфраструктуру ИИ инвестируют пять больших групп, и каждая отвечает за свой кусок пазла.

1. Строители — те, кто возводит дата-центры.

Им нужны площадки, материалы, инженерка и рабочие руки. Их главный вызов — найти подходящую землю и специалистов, а главное — строить так, чтобы объект не устарел еще до сдачи. Многие уже переходят на модульные решения: крупные блоки собирают заранее, чтобы быстрее запустить объект.

2. Энергетики — компании, которые обеспечивают электричество и охлаждение.

Без них ни один дата-центр просто не включится. Здесь проблемы тоже серьезные: сети перегружены, оборудование для охлаждения дорожает, а сроки подключения к сетям растягиваются на месяцы. В игру входит «чистая» энергетика — солнечная, ветровая, геотермальная — потому что ИИ становится очень прожорливым.

3. Производители технологий — чипы, GPU, серверы, сети.

Это самый дорогой сегмент. Именно они создают то, что запускает ИИ. Спрос растет быстрее, чем заводы успевают выпускать чипы. Плюс зависимость от нескольких крупнейших производителей ставит весь рынок в уязвимую позицию: если один игрок тормозит — тормозит все.

4. Операторы — облачные гиганты и центры колокации.

Они превращают всю эту инфраструктуру в сервисы. Их задача — выжать максимум из оборудования, автоматизировать все, что можно, и удержать стоимость работы ИИ на приемлемом уровне. Но им тоже сложно планировать: модели меняются быстро, а окупаемость не всегда очевидна.

5. Архитекторы ИИ — те, кто создает сами модели.

Они задают требования к инфраструктуре: чем сложнее модель, тем дороже ее обучение и вывод. Для них главный вызов — сделать ИИ умнее, но при этом дешевле в работе. Они экспериментируют с архитектурами, дистилляцией, оптимизациями — все ради того, чтобы не разориться на инференсе.

Что может изменить траекторию ИИ-инфраструктуры и как компаниям не промахнуться с инвестициями

Вложения в инфраструктуру ИИ могут оказаться как умеренными, так и запредельными — от примерно $3,7 трлн в «осторожном» сценарии до почти $8 трлн, если спрос продолжит расти ускоренными темпами. Все упирается в то, как будут развиваться технологии и насколько предсказуемым окажется рынок. На решения инвесторов влияет сразу несколько факторов.

Во-первых, технологические прорывы. Новые архитектуры моделей, более эффективные алгоритмы и способы экономить вычисления могут на какое-то время снизи��ь потребность ^[4] в железе и энергии.

Во-вторых, цепочки поставок. Если не хватает микросхем, инженеров, электрических мощностей или подключения к сетям — никакой ИИ не поможет. Производители чипов строят новые фабрики, но это долго, дорого и зависит от регуляторов.

И, наконец, геополитика. Ограничения на экспорт технологий, торговые барьеры и тарифы могут в любой момент поменять расстановку сил и планы по расширению дата-центров.

На этом фоне выигрывать будут те, кто думает не только о масштабах, но и об эффективности. McKinsey предлагает простой трехшаговый подход, чтобы инвестировать уверенно:

1. Понимать спрос, даже когда он неопределен. Следить за развитием моделей и сфер применения ИИ, планировать гибко, с запасом на неожиданные изменения.

2. Вкладывать в эффективность. Энергоэффективные алгоритмы, экономичные чипы, умные системы управления — все это помогает снижать стоимость вычислений.

3. Укреплять цепочки поставок. Электроэнергия, полупроводники, серверы, площадки — чем устойчивее доступ к этим ресурсам, тем меньше рисков и задержек.

В итоге выигрывают не те, кто тратит больше всех, а те, кто умеет сочетать рост с разумной экономикой. Гонка инфраструктуры — это уже не просто борьба за вычислительные мощности, а попытка сформировать будущее самого искусственного интеллекта.

К чему все идет

Вычислительная мощность постепенно превращается в новую валюту цифровой экономики — и тем, кто сегодня строит инфраструктуру, предстоит формировать правила игры на годы вперед. Искусственный и��теллект меняет архитектуру дата-центров, подходы к энергетике и сами бизнес-модели, а значит, и ставки в этой гонке растут вместе с терабайтами.

Главная трудность здесь не в том, чтобы инвестировать еще в один дата-центр, а в том, чтобы понять, какой именно потребуется завтра. В мире, где технологии обновляются быстрее проектной документации, уверенность в прогнозах — роскошь. Но именно те компании, которые смогут сочетать амбиции с трезвым расчетом, и станут определять облик индустрии вычислений в ближайшее десятилетие.

И, возможно, главный урок здесь прост: в эпоху ИИ выигрывают не те, кто тратит больше, а те, кто умеет считать — мощности, энергию и цену каждого решения.