Мы с тобой открываем свою OpenAI: модель за $5,6 млн, компания за $34 млрд в год, и обучение тут самая дешевая строчка

Итак, мы с тобой открываем свою OpenAI.

Решение принято, причем мной, и возможности отказаться у тебя нет. Учредительные документы я подал, домен купил, тебя записал техническим директором. Долю, так и быть, поделим поровну.

Обязанности такие: ты отвечаешь за то, чтобы модель обучилась, я за то, чтобы деньги не кончились раньше. Забегая вперед: с моей частью будут проблемы.

План простой и красивый, как все планы до первой таблицы. Китайцы обучили DeepSeek-V3 за 5,576 миллионов долларов и сами написали это в техотчете. Значит, нам нужно примерно столько же плюс аренда офиса. Дальше подписки, API, инвесторы, интервью в подкастах.

Давай считать.

Считать буду по живым прайсам и раскрытиям на 07.08.2026, со ссылкой на каждую цифру. Курс ЦБ на эту дату 81,4077 ₽ за доллар. Свои деньги я в эту затею вложить не готов, поэтому арифметику проверял злее обычного.

Предупреждение по жанру. Про то, из чего складывается цена одного прогона, я уже писал отдельную статью ^[1] с формулой 6ND и лестницей ярусов от домашней карты до фронтира. Здесь я эту лестницу не пересказываю, а беру с нее готовые числа. Вопрос у нас другой: сколько стоит не модель, а лаборатория, которая умеет делать модели.

Что мы покупаем

Есть документ, который отвечает на наш вопрос лучше любых оценок. Это отчет о прибылях и убытках настоящей OpenAI за 2025 год: аудированные цифры, опубликованные Эдом Зитроном ^[2] и независимо подтвержденные Financial Times. Компания их сама не публиковала и, скорее всего, предпочла бы, чтобы мы на них не смотрели.

Отдельная строка, за которую стоит подержаться: из этих 34 миллиардов 17,2 миллиарда ушли одному вендору, Microsoft. 10,5 в R&D, 6 в себестоимость, полмиллиарда почему-то в маркетинг. Половина расходов компании это счет за облако.

Чистый убыток в тех же документах стоит как 38,53 миллиарда, и вот эту цифру таскают по заголовкам зря: 41,55 миллиарда там составляет разовая неденежная переоценка конвертируемых инструментов при превращении в коммерческую структуру. Сожженные деньги это операционные 20,92.

Теперь смотри на структуру. Из 34 миллиардов расходов на «сделать модель» в чистом виде не уходит ни одна строка целиком. R&D в 19,18 миллиарда это компьют экспериментов вперемешку с зарплатами. Себестоимость в 7,5 миллиарда это раздача уже готовой модели пользователям. Маркетинг в 5,73 миллиардов почти равен половине всей выручки года.

Мы шли покупать модель. Покупать придется компанию.

Дальше я иду по этим строчкам сверху вниз и считаю каждую под нас двоих. Начнем с той, ради которой ты сюда пришел.

Строка первая: обучить модель

Цифра 5,576 миллионов долляров существует, она настоящая, и она из техотчета DeepSeek-V3 ^[3]. Разбивка в таблице 1 выглядит так: претрейн 2664к GPU-часов, расширение контекста 119к, пост-трейн 5к. Итого 2,788 млн часов H800, умноженные на $2 за GPU-час.

А теперь дословная оговорка из того же отчета, которая не пережила ни одного пересказа в прессе:

Note that the aforementioned costs include only the official training of DeepSeek-V3, excluding the costs associated with prior research and ablation experiments on architectures, algorithms, or data.

То есть в цифру не входят: исследования, абляции, неудачные прогоны, сбор и очистка данных, зарплаты 197 человек из авторского списка, покупка самих карт, сеть, здание и электричество сверх гипотетической ставки аренды. Сама ставка $2 тоже допущение авторов, а не счет, который им кто-то выставил: кластер у компании свой.

Ai2, выкладывая Olmo 3 ^[4], написала про эту практику прямо в разделе про стоимость:

The cost of training large models is often reported as a single dollar figure, typically by converting GPU-hours at market rates to dollars, such as $5.576M in H800-hours for DeepSeek V3.

Сами они вместо доллара дали wall-clock: около 56 суток на 1024 картах H100 от старта до оценки чекпоинта, из них 47 на претрейн и 9 на пост-трейн. И тут же оговорились, что рецепт отрабатывали на моделях 7B и меньше, а стоимость этой отработки в 56 суток не входит.

Сколько входит в реальную смету, не публикует никто. Отраслевого коэффициента «финальный прогон умножить на N» не существует, и если тебе такой назовут, спроси источник. Косвенных замеров ровно 3, и все неприятные:

• Hugging Face в плейбуке по SmolLM3 назвала абляции, калибровку и дебаг: 161 тысяча GPU-часов против 276 тысяч основного рана. Это больше половины сверху.

• Сбер в статье про GigaChat 3.5 ^[5] сообщает, что за релизом стоит более 1500 экспериментов. Цену этих экспериментов не называет.

• Он же по GigaChat 3 ^[6]: только на подготовку данных держали отдельный CPU-кластер на 10 000 ядер и 5 ПБ хранилища и прогнали 179 экспериментов с составом корпуса.

1500 экспериментов. Вот это и есть настоящая стоимость обучения ^[7], а 5,576 миллиона это стоимость последнего из них.

За кластер платят год, а прогон занимает 16% времени

Здесь у нас первый скандал в молодой компании. Ты предлагаешь снять карты ровно на 2 месяца прогона и не платить за остальное. Идея хорошая, давай посмотрим, что с ней не так.

DeepSeek держала под финальный ран 2048 карт H800. Год такого кластера это 2048 × 8760 = 17,94 млн GPU-часов. Финальный прогон занял 2,788 млн. Считаем долю:

2,788 / 17,94 = 15,5%.

Шестая часть года. Все остальное время кластер занят тем, чего нет ни в одной опубликованной смете: подбором данных, абляциями, прогонами, которые остановили на десятом проценте, оценками между стадиями, пост-трейном, перезапусками после падений. И платишь ты за все 8760 часов, потому что кластер такого класса на 2 месяца не арендуется. Об этом ниже отдельно.

Посчитаем год по рыночным ставкам. Годовой контракт на H100 в марте 2026 SemiAnalysis оценивает ^[8] в 2,35 доллара за GPU-час:

2048 × 8760 × $2,35 = $42,2 млн в год.

Мы начинали с 5,6 миллионов. Первая же полная строка сметы дала 42, и это самый скромный ярус из существующих: модель, догоняющая фронтир с отставанием, на собственном рецепте, без единого лицензионного платежа за данные.

Теперь ярус, ради которого ты вообще произнес слово OpenAI. Epoch AI оценила ресурсы Grok 4 ^[9] в 246 млн H100-часов и назвала его крупнейшим на тот момент известным прогоном. Медианная оценка стоимости $490 млн, и получена она сэмплированием ставки аренды из интервала $1,90–2,20 за H100-час. Оценка, не раскрытие: сама xAI не публикует ни числа карт, ни денег, и Epoch сама пишет, что опиралась на расплывчатые публичные заявления.

Переведем 246 млн часов в понятные вещи.

Последняя строчка стоит того, чтобы на ней задержаться. В прайсе Lambda ^[10] кластер с InfiniBand по контракту стоит дороже, чем те же карты поштучно в он-деманде. Скидки за объем нет, есть наценка за топологию: это другой товар. Обычные инстансы связаны как получится, а распределенное обучение на тысячах карт живет только на гарантированной сети.

Прогон, который Epoch аккуратно оценила в полмиллиарда, по публичной цене железа, на котором его физически можно провести, стоит больше миллиарда. Тот самый «первый ран за миллиард долларов», который прогноз Epoch помещал в 2027 год, уже произошел, просто считали его по ставке для другого товара.

Почасово нам никто ничего не даст

Ты открываешь вкладку с облаком и хочешь взять 10 000 карт на 3 месяца. Сейчас объясню, почему кнопки не будет.

SemiAnalysis в апреле 2026 обзвонила провайдеров и написала прямым текстом: on-demand-мощности распроданы по всем типам карт. Половина опрошенных не смогла предложить даже 8 нод, то есть 64 GPU. Мощности Blackwell забронированы вперед: все, что вводится до августа-сентября 2026, уже расписано. Аномалия дефицита в цифрах выглядит так: клиенты платили 14 долларов за GPU-час за спотовые B200 в AWS, то есть спот дороже обычного он-деманда у специализированных провайдеров.

Потолок самообслуживания сегодня выглядит как 1-Click Clusters у Lambda ^[11]: от 16 до 2000+ карт, минимальный срок 2 недели. Все, что больше, это переговоры, договор и юристы.

Публичной сетки скидок за долгий резерв тоже почти нет. CoreWeave обещает «до 60%» без единого условия, Nebius «до 35%», и оба сразу отправляют в отдел продаж. Единственный вендор, который публикует лестницу, это Together ^[12]: H100 дешевеет с $3,99 в он-деманде до $3,19 при резерве на 91–180 дней. Максимальная публичная скидка за полгода предоплаты составляет около 20 процентов. Дальше цена уже «inquire».

Типовые условия крупного контракта, по обобщению участников рынка: срок 2–5 лет, схема take-or-pay, аванс порядка 20–25% от суммы. Take-or-pay означает ровно то, как звучит: простаивающий кластер стоит столько же, сколько работающий. Наша доля финального прогона в 15,5% годового ресурса из аномалии превращается в норму жизни.

Масштаб настоящих сделок понятен по пресс-релизам. Контракты CoreWeave с OpenAI доведены примерно до 22,4 миллиарда долларов ^[13]. Законтрактованный бэклог самой CoreWeave на конец первого квартала 2026 составляет 99,4 миллиарда. OpenAI обязалась купить у Microsoft ^[14] азуровских услуг на 250 миллиардов сверх уже потраченного, у Amazon расширила соглашение с 38 до 138 миллиардов ^[15] на 8 лет и обязалась потреблять около 2 гигаватт мощности Trainium.

Наша заявка на 10 000 карт где-то в этой очереди…. Пу-пу-пу…

Тогда покупаем свое

Разумно. Только цену придется собирать по крупицам, потому что NVIDIA не публикует прайс на стойки в принципе. Все, что есть в обороте, это оценки аналитиков и «источников, знакомых с ситуацией», и они друг с другом спорят.

Tom’s Hardware в марте 2026 ^[16] со ссылкой на свой источник, DigiTimes и Barron’s: GB200 NVL72 стоит 2,8–3,4 млн долларов, GB300 NVL72 в инференс-конфигурации 6–6,5 млн, а стойки Vera Rubin VR200 котируются по 5–7 млн, из которых около миллиона приходится на 3D NAND. Morgan Stanley в мае того же года оценил VR200 в 7 803 148 долларов ^[17] за стойку, из них 2 001 600 на одну память ^[18]. 2 месяца между оценками и 1,5 миллиона разницы.

Что мы за эти деньги получаем, NVIDIA описывает ^[19] охотно: GB300 NVL72 это 72 GPU Blackwell Ultra и 36 CPU Grace, 20 ТБ памяти GPU, 1440 PFLOPS в FP4. Полезная деталь для сметы, которую в презентациях не подсвечивают: в BF16 у GB200 и GB300 одинаковые 360 PFLOPS. Весь прирост Blackwell Ultra ушел в FP4 и в объем памяти, то есть в инференс и рассуждения. Классический претрейн от смены поколения не ускорился.

Дальше начинается физика. По документации NVIDIA ^[20] стойка GB200 NVL72 потребляет около 120 кВт: 18 вычислительных лотков и 8 полок питания по 33 кВт входной мощности. У GB300 в исполнении Lenovo в паспорте стоит ^[21] 135 кВт TDP и до 155 кВт в пике, отвод тепла примерно 90% жидкостью и 10% воздухом, TGP одного GPU 1100 Вт.

Приложи это к обычному колокейшну. Самая ходовая позиция в московских ЦОДах, по данным iKS-Consulting и 3data ^[22], это стойка на 5 кВт при средней цене 170,8 тысячи рублей в месяц. Одна стойка GB300 ест как 27 таких, и половина ее тепла уходит в воду, которой в обычном машинном зале нет.

Если брать по-старому, восьмикарточными серверами, ориентиры рынка на 2026 год такие: 8×H100 обходится в 250–320 тысяч долларов, 8×H200 в 320–420, 8×B200 в 400–500. Это агрегированные квоты ^[23] консалтинговой площадки, а не прайс OEM: публичных прайсов у Dell, HPE и Supermicro на такие конфигурации нет, все через запрос котировки. Единственный опубликованный ценник, который я нашел живьем, 390 тысяч долларов за платформу HGX B200 ^[24], и это голая плата с 8 картами и NVLink, без процессоров, памяти, дисков, сети и шасси. Сервер из нее еще надо собрать.

Соберем наш фронтир-кластер целиком. Чтобы уложить 246 млн GPU-часов в 3 календарных месяца, нужно 246 000 000 / 2190 ≈ 112 тысяч карт одновременно.

• Серверы: 14 тысяч штук по 8 карт при типовых 285 тысячах за штуку дают $3,99 млрд.

• Проверка с другой стороны: SemiAnalysis в разборе кластера на 100 тысяч H100 называла «свыше 4 миллиардов» серверного капекса. Сходится.

• Площадка: тот же разбор дает около 150 МВт критической ИТ-мощности на 100 тысяч карт. Goldman Sachs закладывает ^[25] 15 млн долларов капзатрат на мегаватт ИИ-ЦОДа против 10 млн у обычного облачного, и это без единого сервера внутри. 150 × 15 = $2,25 млрд.

• Итого около $6,2 млрд, или 41,6 млн долларов на мегаватт ИТ-мощности со всем содержимым.

Сверимся с реальностью. Epoch AI по спутниковым снимкам и регуляторной отчетности оценивает Stargate Abilene ^[26] на май 2026 как 421 МВт ИТ-мощности и 15,9 миллиарда вложенного капитала. Это 37,8 миллиона на мегаватт. Моя прикидка дала 41,6. Для сметы, собранной из 3 разных источников на коленке, попадание в 10 процентов я считаю подозрительно хорошим и рекомендую относиться к обеим цифрам как к порядку величины.

Розетку никто не продаст

Электричество в этой смете, вопреки интуиции ^[27], копейки. SemiAnalysis для кластера на 100 тысяч H100 насчитала 1,59 ТВт·ч в год и счет на 123,9 миллиона долларов при тарифе 7,8 цента. По майской статистике EIA ^[28] средняя промышленная цена в США 8,71 цента за кВт·ч, что дает 138 миллионов в год. Против 6,2 миллиарда капекса это 2 процента.

Дорого стоит не киловатт-час, а право его получить.

В России это видно лучше, чем где бы то ни было. По оценкам отрасли, собранным CNews ^[29], потребность ^[30] ИИ-ЦОДов до 2030 года составляет 2–2,5 ГВт, при этом энергодефицит одной Москвы доходит до 4 ГВт, а 76% дата-центров страны стоят именно в Москве. Свободные мощности есть в Ленинградской области (до 1 ГВт), Поволжье и на Урале (по 500 МВт). Крупный ИИ-кластер требует 50–100 МВт в одну точку.

И вот цифра, которая перечеркивает любой бизнес-план: срок технологического присоединения ЦОДа на 20 МВт составляет от 1,5 до 4 лет. Не поставка карт, не стройка, не наем людей. Бумага на подключение.

За 4 года ожидания сменится 2 поколения ускорителей.

Про сроки на Западе иллюзий тоже не надо. Epoch прошлась по площадкам Stargate ^[31] в апреле 2026: в Абилине работало 0,3 ГВт из заявленных 1,2, а 5 остальных площадок (Шеклфорд, Донья-Ана, Милам, Порт-Вашингтон, Сэлайн) с суммарными восемью гигаваттами на бумаге имели ровно ноль работающей мощности со сроком «четвертый квартал 2028». Анонсированные гигаватты и залитый бетон измеряются в разных единицах.

Строка вторая, самая большая: люди

Сколько человек нам нужно. Тут есть редкая удача: DeepSeek опубликовала авторский список V3 с разбивкой по функциям, и Гуверовский институт со Стэнфордом его разобрали ^[32].

197 авторов: 148 исследования и инженерия, 30 разметка данных, 17 бизнес и комплаенс.

Дальше интереснее. Через 5 базовых работ DeepSeek за год с небольшим прошло 223 человека, но во всех 5 участвовал 31 из них, то есть около 14%. У R1 из 194 контрибьюторов лишь 18 помечены как Core Contributors, снова примерно десятая часть. Ядро из 31 человека имеет в среднем 1554 цитирования на автора при медиане 501: это не студенты, это состоявшиеся исследователи.

Для калибровки сверху и снизу: в техотчете Llama 3 стоит 559 авторов, в системной карте OpenAI o1 их 265, а полностью открытую OLMo 2 на 7B и 13B сделали 42 названных автора плюс «Team OLMo».

Значит, штатное расписание нашей лаборатории выглядит примерно так: 150 человек технического ядра, из них человек 30 держат все на себе, плюс 30 на данные и 17 на все остальное. Итого 200 человек.

Теперь ценник. Медианный совокупный пакет software engineer по данным ^[33]levels.fyi ^[34] на сегодня: 860 тысяч долларов в OpenAI, 870 тысяч в Anthropic. У research scientist в OpenAI медиана уже миллион, а на L5 пакет доходит до 1,45 млн при базовом окладе 409 тысяч. Anthropic в открытой вакансии ^[35] в команду pre-training прямо пишет вилку оклада 350–850 тысяч долларов, и акции сверху в объявлении не раскрывает.

Краудсорс мне не нравится, поэтому сверимся с документами. В официальных заявках OpenAI на H-1B за 2025 год (159 записей) медианный базовый оклад составляет 300 тысяч долларов, максимум 685 тысяч у Member of Technical Staff Research Scientist, 93% записей выше 200 тысяч. В LCA указывают только базу, без акций, а у OpenAI акции и есть основная часть пакета.

Насколько основная, показала WSJ в феврале 2026: средняя акционерная компенсация в OpenAI составляет около 1,5 миллиона долларов на сотрудника при штате примерно 4000 человек. Это только stock-based compensation, без окладов, бонусов и налогов на фонд оплаты труда. В деньгах компании это около 6 миллиардов в год и 46,2% годовой выручки.

Почти половина всего, что компания заработала, ушла в акции сотрудникам. И это отдельно от 19,18 миллиардов на R&D.

К вопросу о том, кто эти деньги двигает. Сэм Альтман публично рассказывал ^[36], что Meta предлагала его людям сайнинг-бонусы «порядка 100 миллионов». Meta формулировку опровергла ^[37]: по ее версии это многомиллионные пакеты за несколько лет и для очень узкого круга. Разница между «кэш сразу» и «акции с четырехлетним вестингом» по приведенной стоимости кратная, и спор идет ровно об этом. Отдельные кейсы вроде пакета Мэтта Дейтке в 250 миллионов за 4 года не подтверждены компанией и относятся к верхнему хвосту распределения. Массовый найм в той же Meta идет по 305–581к для research scientist с медианой около 400к.

Считаем нашу зарплатную ведомость по медиане в 860 тысяч на человека:

200 × $860 000 = $172 млн в год.

Против 42 миллионов за кластер яруса DeepSeek. Люди дороже железа в 4 раза, и это до налогов, офиса, страховок и рекрутеров.

Что до масштаба настоящих компаний: OpenAI, по данным FT ^[38] от 21 марта 2026, планирует за год вырасти примерно с 4500 до 8000 человек. Anthropic выросла примерно с 500 в конце 2023 до примерно 2300 к декабрю 2025. Ни одна из них не раскрывает, сколько внутри ресерчеров, а сколько продавцов, и все оценки на этот счет в интернете придуманы.

Полезный отрезвитель к слову «штат ИИ-лаборатории»: у xAI команда разметки данных насчитывала 1500 человек, и в сентябре 2025 из нее уволили 500 ^[39]. Большая часть людей в такой компании не пишет модели.

В России эта строка дешевле в 14 раз

Считаем ту же команду здесь.

Медианная зарплата в российском IT в первой половине 2026 года, по данным Хабр Карьеры ^[40] на 45 226 анкетах, составляет 191 тысячу рублей: Москва 235, Петербург 200, регионы 160. Это по всему IT. По ML-инженерам hh.ru ^[41] через Коммерсант ^[42] дает предлагаемые вилки 184–345 тысяч рублей в месяц, и это самая дорогая роль в группе ИИ-профессий; для сравнения, prompt-инженер там же идет по 60–90 тысяч.

Про российские данные надо сказать отдельно, потому что выборка там тонкая. На Хабр Карьере медиана senior ML по Москве посчитана по 53 анкетам, а сами суммы скрыты за регистрацией. Любая «медиана по senior ML в России» построена на десятках наблюдений, и доверительный интервал у нее такой, что в него въедет грузовик.

Возьму 400 тысяч рублей в месяц как рабочую середину для сильного человека:

200 × 400 000 × 12 = 960 млн ₽ в год ≈ $11,8 млн.

Против 172 миллионов долларов. Разница в 14,6 раза.

Дальше складываем обе сметы целиком, за год, по одной методике.

Российская ставка аренды взята с агрегатора ^[43]gpuindex.ru ^[44]: 242 ₽ за час H100 это около 2,97 доллара по курсу ЦБ, то есть дороже западного годового контракта. Железо здесь дороже, люди дешевле, и вторая разница перекрывает первую в 3 раза.

Одна строка сметы в России структурно дешевле мирового рынка. Все остальные дороже.

Данные: бесплатные до первого суда

Хорошая новость: топливо для претрейна лежит бесплатно. Месячный срез Common Crawl ^[45] за июль 2026 это 2,14 миллиарда страниц и 84,69 ТиБ сжатого WARC, и таких срезов больше сотни. Хостится на S3 по программе открытых данных, скачивание не стоит ничего. Очищенный FineWeb на релизе давал 15 триллионов токенов и 44 ТБ на диске.

Объемы, которые нужны современным моделям: Llama 3 обучалась более чем на 15 трлн токенов ^[46], Qwen3 ^[47] на 36 трлн против 18 у Qwen2.5, GigaChat 3 на 14 трлн, из которых 5,5 трлн синтетика.

Плохая новость приходит из суда.

20 июля 2026 года судья окончательно утвердила мировое соглашение ^[48] по делу Bartz v. Anthropic: 1,5 миллиарда долларов плюс проценты, около 3000 долларов за произведение, 482 460 сертифицированных книг в классе. Гонорары юристов суд урезал примерно до 101,56 миллиона.

Читать это надо внимательно, иначе выйдет неверный вывод. Соглашение закрывает вход: скачивание и копирование книг из пиратских библиотек LibGen и PiLiMi. Претензии по выходу, то есть по тому, что модель генерирует, за авторами прямо сохранены. Всего скачано было около 7 миллионов копий, а в класс попало меньше полумиллиона: остальное отсеяли дубликаты и отсутствие регистрации авторских прав в США. 1,5 миллиарда покрывают малую часть корпуса, и цена в 3000 долларов за книгу на весь объем не масштабируется.

Иск New York Times к OpenAI и Microsoft на 2026 год не разрешен: ходатайство о прекращении в основном отклонено еще в апреле 2025, дело в раскрытии доказательств, дата суда не назначена. Getty против Stability в Британии проиграла ключевые пункты ^[49], но по узкой технической причине: не смогла доказать, что копирование происходило на территории Великобритании. Американская ветка того же спора переехала в Калифорнию и жива.

Кто не хочет судиться, тот покупает. Публичных ценников на рынке единицы, и вот они:

Реальный масштаб этих денег виден по отчетности продавцов. У Reddit категория Other revenue, куда падает лицензирование, дала 140 млн долларов за весь 2025 год при росте 22%, а во втором квартале 2026 замедлилась до 24% годовых. У Shutterstock сегмент Data, Distribution and Services дал 203,3 млн, то есть 21% всей выручки компании. Данные превратились в товарную позицию, но не в золотую жилу.

В России с 26 июля 2026 действует 243-ФЗ ^[50], первый профильный закон об ИИ. В нем есть исключение из авторского права для обучения, и работает оно только для суверенных и национальных больших фундаментальных моделей: разработчик должен быть российским юрлицом, все стадии разработки и обучения под его контролем, цикл технически воспроизводим. Обычной команде без такого статуса исключение не достается. Основная часть закона включается с 1 сентября 2026, а порядок работы с объектами авторского права и маркировка отнесены к 1 марта 2027, хотя источники по датам расходятся, и перед тем как строить на этом планы, текст надо читать глазами.

Разметка, которую делают врачи по $200 в час

Сырой корпус превращается в модель, а модель в ассистента превращают люди. Это отдельный рынок, и он больше, чем принято думать.

Meta в июне 2025 купила 49% Scale AI за 14 миллиардов долларов и обязалась платить не менее 450 миллионов в год 5 лет либо более половины своих годовых расходов на ИИ, что меньше. Вертикальная интеграция обошлась Scale дорого: OpenAI ушла совсем, Google вернулась через несколько месяцев, в августе 2025 сократили ^[51] 200 штатных сотрудников и 500 подрядчиков.

Крупнейший по выручке игрок Surge AI до 2025 года вообще не привлекала внешних денег и работала прибыльно, с выручкой 1,2 миллиарда за 2024 год. Самый быстрорастущий, Mercor, вышел на 2 миллиарда годовой выручки в пересчете к июню 2026 против 760 миллионов на конец 2025. Обе цифры это валовые траты клиентов до выплат исполнителям, а исполнителям уходит большая часть.

Сколько получает сам разметчик, посчитал TIME ^[52]: средняя ставка на Mercor 81 доллар в час, а Senior Domain Expert берет свыше 200 долларов в час, что эквивалентно годовому доходу около 400 тысяч. Статус требует минимум 4 лет профессионального опыта ^[53], средний опыт законтрактованных специалистов 7,25 лет. Это не разметка котиков, это практикующие врачи, юристы и банкиры, которые пишут эталонные ответы по своей специальности.

Отдельный ценник для калибровки: разработка бенчмарка APEX из 200 профессиональных задач обошлась более чем в 500 тысяч долларов ^[52]. 2500 долларов за одну задачу.

Сколько на человеческую обратную связь тратит одна лаборатория, не публикует никто. Ходит цифра «около миллиарда в год на каждую», и первоисточника у нее нет, поэтому в нашу смету я ее не ставлю. Ставлю другое: 30 человек разметки в авторском списке DeepSeek, средние $81 в час у их коллег с рынка и выручку поставщиков, которая считается миллиардами. Кто-то эти счета оплачивает.

Инференс: чем лучше идут дела, тем быстрее кончаются деньги

Допустим, невозможное случилось: у нас есть модель. Мы ее выкладываем, и начинается самое интересное.

У ChatGPT более 900 миллионов недельных пользователей ^[54] на февраль 2026, к июлю компания заявила более миллиарда активных ^[55], не уточнив метрику. Платят из них более 50 миллионов потребительских подписчиков и более 9 миллионов бизнес-пользователей. То есть на одного платящего приходится примерно 14 бесплатных, и все 14 считают токены на чьих-то картах.

Себестоимость выручки OpenAI за 2025 год, где сидит этот инференс, составляет 7,5 миллиарда долларов. Разделения на бесплатных и платных нет ни у кого: единственная публичная точка на эту тему это реплика Альтмана ^[56] о том, что компания теряет деньги на подписке Pro за 200 долларов в месяц. На самом дорогом тарифе.

Дальше складывается конструкция, которая мне и кажется главной ловушкой всего этого бизнеса. Разберем ее на индийском примере, он самый наглядный.

29 миллионов загрузок ChatGPT в Индии за 90 дней принесли 3,6 миллиона долларов ^[57] внутренних покупок. 12 центов с пользователя за квартал. Ответ компании на такую конверсию: с ноября 2025 тариф ChatGPT Go, который стоит меньше 5 долларов в месяц, раздается в Индии бесплатно на 12 месяцев всем подряд. Google с Jio раздает Google AI Pro на 18 месяцев, Airtel раздала Perplexity Pro всем своим 360 миллионам абонентов.

Стоимость этих раздач в маркетинговый бюджет не попадает вообще. Она сидит в себестоимости, потому что физически это инференс. Самая большая маркетинговая статья индустрии спрятана в строке «cost of revenue», и по ней невозможно посчитать ни CAC, ни окупаемость.

Отбивать бесплатный тариф начали рекламой: пилот OpenAI запущен в феврале 2026 на тарифах Free и Go, к концу марта он давал более 100 миллионов ^[58] годовой выручки в пересчете. Против 7,5 миллиарда себестоимости это округляется до нуля.

Наши цены на API, если мы решим продавать токены, задаем не мы. Вот прайсы на сегодня за миллион токенов, вход и выход:

Разброс между верхом и низом таблицы стократный, и внизу сидит модель, чья компания сама предупреждает в документации, что собирается цены поднимать. Отдельная ловушка сравнения: у моделей Claude 4.7 и новее сменился токенизатор, и на том же тексте токенов выходит примерно на 30% больше. Цена за токен и цена за задачу это разные вещи, я про это уже считал подробно ^[59].

Российские цены живут в другой системе координат. GigaChat продается пакетами ^[60], а не потокенно: 100 млн токенов Lite за 6500 ₽, 15 млн токенов Max за 9750 ₽, и вход с выходом по цене не разделяются, считается общий объем. Плюс большой бесплатный лимит: 250 млн токенов Lite в год.

Маркетинг мы не считаем (но вот порядок)

Мы договорились маркетинг в смету не брать. Тем не менее, чтобы ты понимал, что нас ждет за следующей дверью.

30 секунд в трансляции Super Bowl LX 8 февраля 2026 стоили 8 миллионов долларов, и это только выкуп эфира, без производства ролика. В этом матче впервые вышли сразу все: OpenAI с 60-секундным роликом, Anthropic, Google Gemini, Amazon Alexa+, Meta, Ring. Anthropic взяла 2 размещения, 60 секунд до матча и 30 в первой четверти, что Forbes оценивает ^[61] как «уверенно восьмизначную» сумму до производства.

Что это дало по замеру BNP Paribas за неделю после матча: Claude прибавил 11% дневной аудитории, ChatGPT 2,7%, Gemini 1,4%. Проценты от очень разных баз, так что абсолюты тут несопоставимы.

Годовые объемы по трекеру iSpot, собранные Marketing Brew ^[62]: за 2025 год 5 ИИ-компаний выкупили линейного ТВ в США на 333,6 миллиона и диджитала на 426 миллионов. У OpenAI за первые неполные 4 месяца 2026 года ушло 64,9 миллиона на ТВ против 65,5 за весь 2025. Anthropic, которая до сентября 2025 не покупала платную рекламу вообще, потратила 16,5 миллиона за 2025 и уже 21,1 за неполный 2026.

И над всем этим висит строка «продажи и маркетинг» на 5,73 миллиарда долларов, которая в 2024 году была 1,11 миллиарда. Рост в 5 раз за год.

Собираем смету

Все ярусы в одной таблице. Найди свой.

Из этой таблицы сразу видно 3 вещи.

Первое. Между заголовочной ценой прогона и годом работы компании, которая такой прогон может себе позволить, разрыв примерно в 40 раз на первом ярусе. На третьем ярусе он еще больше, потому что прогон там разовый, а компания работает непрерывно.

Второе. Ни одна лаборатория второго яруса в мире не раскрывает свою смету. Ни Сбер, ни Яндекс, ни Т-Банк, ни МТС, ни Mistral. Технические статьи подробно описывают архитектуру и данные и обрываются ровно там, где начинается бухгалтерия.

Третье, и оно про нас с тобой. Ярус 1 в российских деньгах стоит порядка 5 миллиардов рублей в год. Это не то что дорого. Это НЕВОЗМОЖНО для любой команды без государственного или банковского плеча, и ровно поэтому весь российский рынок аренды GPU за 2025 год составил 17 миллиардов рублей ^[63] на всех, то есть меньше одного среднего западного контракта на компьют.

Откуда берутся такие деньги

Не из выручки, это мы уже видели.

OpenAI закрыла в марте 2026 крупнейший частный раунд в истории: 122 миллиарда долларов при оценке 852 миллиарда. Amazon вложил 50, Nvidia и SoftBank по 30. Anthropic в мае привлекла 65 миллиардов при оценке 965 ^[64]. xAI взяла 20 миллиардов в январе при оценке 230, после чего ее поглотила SpaceX. Даже лаборатории без публичного продукта собирают миллиарды: у Thinking Machines Lab 12 миллиардов на сиде и 5 в Series B, у SSI 3 раунда и оценка в районе 32 миллиардов.

Внутри этих сделок есть узор, который стоит один раз увидеть, чтобы дальше замечать самому. Amazon инвестирует в OpenAI 50 миллиардов, а OpenAI обязуется потратить у Amazon 138. Microsoft и Nvidia вкладывают в Anthropic до 5 и до 10 миллиардов, а Anthropic обязуется купить в Azure на 30. Деньги ходят по кругу между поставщиком компьюта и его покупателем, и в отчетности одной стороны это инвестиция, а другой законтрактованная выручка.

Заявленные планы расходов при этом гуляют сильнее, чем хотелось бы для планирования. Цифра обязательств OpenAI в 1,4 триллиона, которую называл Альтман, к февралю 2026 была снижена примерно до 600 миллиардов, а к июлю поднята до 750 ^[65] до 2030 года.

Тем временем Anthropic в мае 2026 показала инвесторам первый операционно прибыльный квартал: 10,9 миллиарда выручки за второй квартал против 4,8 за первый и 559 миллионов операционной прибыли. Это проекция для инвесторов, а не аудированный факт, и аналитики сразу указали, что прибыль может быть эффектом графика оплаты компьюта. Но run-rate компания называет сама ^[64]: 47 миллиардов в мае 2026 против примерно 9 в конце 2025.

Индустрия в целом, по оценке Goldman Sachs ^[25], вложит 7,6 триллиона долларов капзатрат за 2026–2031 годы, из них 765 миллиардов в одном 2026-м. Dell’Oro поднял прогноз капекса на ЦОДы выше триллиона на 2026 год.

Наш с тобой стартап в этой картине занимает позицию где-то между статистической погрешностью и опечаткой. :(

Почему Сбер вкладывает 350 млрд и отстает на полгода

Российский ярус заслуживает отдельного разговора, потому что здесь видно цену входного билета без маркетингового тумана.

Сбер объявил ^[66] 350 миллиардов рублей инвестиций в ИИ на 2026 год против 150 в 2025 и более 100 в 2024. Греф там же сказал прямым текстом, что обучение моделей это очень дорогостоящее занятие и инвестиции пока не окупаются.

350 миллиардов рублей это 4,3 миллиарда долларов. Годовые расходы OpenAI за 2025 год составили 34 миллиарда. Разница в 8 раз, при том что в 350 миллиардов Сбера входит вообще все: модели, инфраструктура, эксперименты, люди и продукты.

Результат этой арифметики первый зампред Сбера в июне 2026 сформулировал сам: GigaChat отстает от ChatGPT и DeepSeek на 6–9 месяцев. Причину связывают с дефицитом вычислительных мощностей.

Что при этом сделано технически, видно по открытым публикациям, и сделано немало. GigaChat 3 Ultra ^[67] это MoE на 702 миллиарда параметров с 36 миллиардами активных, претрейн на 14 триллионах токенов, веса выложены под MIT. GigaChat 3.5 вышел меньше предшественника, 432 миллиарда против 700, и за ним стоит более 1500 экспериментов.

Яндекс поступил иначе и написал об этом в техрепорте Alice AI ^[68]: флагманская LLM инициализирована весами открытой китайской Qwen3-235B. Не с нуля. Т-Банк обучал T-Lite и T-Pro ^[69] на максимальном сетапе в 256 карт H100 методом continual pretraining поверх готового чекпоинта, добавив около 140 миллиардов токенов. Открытая русскоязычная Vikhr обошлась ^[70] примерно в 1060 GPU-часов на 8 картах A100.

Вот вся лестница российского ИИ в 4 строчках: госбанк с 350 миллиардами делает свой претрейн и отстает на полгода, крупнейшая IT-компания страны берет китайские веса за основу, банк поменьше делает continual pretraining на 256 картах, независимая команда укладывается в тысячу GPU-часов. Каждый выбрал ту ступеньку, которую может оплатить.

С железом здесь отдельная история. H100 в московской рознице стоит 3,83 млн ₽ ^[71] за карту, то есть 8 карт это 30,7 миллионов рублей до сервера, сети и охлаждения. H200 числится по 4,32 млн ₽ ^[72] и при этом «нет в наличии». Blackwell в легальной рознице не встречается вовсе. С 27 мая 2026 приказ Минпромторга исключил серверы и процессоры западных брендов из перечня параллельного импорта.

И последнее наблюдение, которое я считаю самым говорящим. Российский рейтинг суперкомпьютеров Топ-50 не выходит с марта 2023 года, публикация приостановлена. Это значит, что в стране нет публичного независимого замера вычислительных мощностей уже 3 года, и любая цифра вида «в России N тысяч GPU» является догадкой. Я такие в статью не буду в ставлять.

Что мы с тобой реально можем

Лавочку придется закрыть, и вот на каком месте. (На этапе бизнес плана :))

Из всей сметы нам по карману одна строка. Люди у нас дешевле в 14 раз, и это настоящее конкурентное преимущество, единственное имеющееся. Карты дороже мировой цены. Розетку под кластер ждать от 1,5 до 4 лет. Лицензии на данные не по карману никому в стране, кроме 2–3 компаний. Инференс для миллиона пользователей мы не потянем даже при идеальной модели.

Из этого следует ярус, на котором мы действительно работаем, и я на нем работаю каждый день.

Открытые веса берутся бесплатно, и берутся приличные: GigaChat 3 на 702 миллиарда параметров лежит под MIT, Qwen, GLM и Llama тоже открыты. Дальше continual pretraining на своем домене, как сделал Т-Банк на 256 картах и 140 миллиардах токенов. Дальше файнтюн, дистилляция в модель, которая влезает в одну карту, и RAG поверх своих документов. Стоимость такого проекта измеряется десятками и сотнями GPU-часов, а не миллионами.

Когда ко мне приходят со словами «обучите нам свою модель», после первого созвона это почти всегда оказывается файнтюн или RAG. Не потому что заказчик глупый, а потому что под словом «модель» продают одно, а за этим словом стоит 4 разных задачи. Я рисую формулу 6ND маркером прямо при заказчике, и разговор про «свою LLM с нуля» заканчивается быстрее любого слайда про риски. (Хотя если найдется какой нибудь очень щедрый инвестор, я и моя команда с радостью бы обучили с нуля)

Исключения, когда претрейн с нуля правда оправдан, я называл в прошлой статье ^[1] и повторю: свой язык предметной области, которого мало в вебе; жесткие edge-ограничения, под которые дешевле вырастить маленькую специализированную модель; и суверенитет данных, когда в контур нельзя занести ничьи чужие веса. Все остальное закрывается ступенькой ниже за проценты стоимости. Мы в MoranaLabs считаем такие сметы с обеих сторон, и когда клиенту дешевле взять чужие веса, я так и говорю, хотя продать претрейн нам было бы выгоднее.

Что до нашей с тобой компании. Заявление на регистрацию я отзываю, домен оставлю себе, пусть висит. Из технических директоров я тебя не увольняю, пригодишься: следующая идея у меня будет лучше.

Посчитай свое за 10 минут

Скрипт целиком ниже, зависимостей нет, работает на голом Python. Он считает то, ради чего написана статья: год владения кластером, долю финального прогона в этом годе, зарплатную ведомость и итог по двум географиям.

Что поменять под себя:

1. GPU_RATE: своя ставка за GPU-час. Бери не первую строчку агрегатора, а ту, где написано «кластер с интерконнектом» и указан срок контракта. Разница между этими двумя цифрами доходит до 1,5 раза, и она решает всю смету.

2. CARDS и RUN_HOURS: свой размер кластера и свою длину финального прогона в GPU-часах. Если второе неизвестно, посчитай по 6ND из прошлой статьи ^[1].

3. HEADCOUNT и SALARY: своя команда и свои деньги за человека. Именно эта строка, а не карты, чаще всего оказывается больше.

4. ABLATION_FACTOR: во сколько раз экспериментов больше, чем финального прогона. Отраслевой цифры не существует, я ставлю 2 как нижнюю границу по данным SmolLM3.

Дальше смотри на долю финального прогона в годовом ресурсе кластера и на то, какая строка сметы в итоге оказалась главной. Если у тебя получилось, что главная строка это карты, ты забыл посчитать людей.

# Год работы ИИ-лаборатории. Все входные цифры меняются под себя.

H_YEAR = 8760           # часов в году
USD_RUB = 81.4077       # курс ЦБ на 07.08.2026

# --- компьют ---
CARDS = 2048            # карт в кластере (DeepSeek-V3: 2048 H800)
GPU_RATE = 2.35         # $/GPU-час, годовой контракт (SemiAnalysis, март 2026)
GPU_RATE_RU = 242.0     # ₽/GPU-час, H100 (gpuindex.ru, 07.08.2026)
HEADLINE_RATE = 2.0     # $/GPU-час, допущение из техотчета V3 (цифра для заголовков)
RUN_HOURS = 2_788_000   # GPU-часов финального прогона (техотчет V3)
ABLATION_FACTOR = 2.0   # во сколько раз экспериментов больше прогона

# --- люди ---
HEADCOUNT = 200         # человек (197 в авторском списке V3)
SALARY_US = 860_000     # $/год, медиана SWE в OpenAI (levels.fyi)
SALARY_RU = 400_000     # ₽/мес, senior ML в РФ

cluster_hours = CARDS * H_YEAR
cluster_us = cluster_hours * GPU_RATE
cluster_ru = cluster_hours * GPU_RATE_RU

people_us = HEADCOUNT * SALARY_US
people_ru = HEADCOUNT * SALARY_RU * 12

run_cost = RUN_HOURS * HEADLINE_RATE   # та самая цифра из пресс-релиза
run_share = RUN_HOURS / cluster_hours
need_hours = RUN_HOURS * (1 + ABLATION_FACTOR)

print(f"Ресурс кластера за год:      {cluster_hours/1e6:>8.2f} млн GPU-часов")
print(f"Финальный прогон:            {RUN_HOURS/1e6:>8.2f} млн GPU-часов ({run_share*100:.1f}% года)")
print(f"С экспериментами нужно:      {need_hours/1e6:>8.2f} млн GPU-часов")
print(f"  влезает в год кластера:    {'да' if need_hours <= cluster_hours else 'НЕТ, нужен кластер больше'}")
print()
print(f"Цена прогона в заголовке:    ${run_cost/1e6:>8.1f} млн")
print(f"Год кластера (США):          ${cluster_us/1e6:>8.1f} млн")
print(f"Люди за год (США):           ${people_us/1e6:>8.1f} млн")
print(f"ИТОГО год (США):             ${(cluster_us+people_us)/1e6:>8.1f} млн")
print(f"  разрыв с заголовком:        x{(cluster_us+people_us)/run_cost:>7.1f}")
print()
print(f"Год кластера (РФ):           {cluster_ru/1e9:>8.2f} млрд ₽")
print(f"Люди за год (РФ):            {people_ru/1e9:>8.2f} млрд ₽")
print(f"ИТОГО год (РФ):              {(cluster_ru+people_ru)/1e9:>8.2f} млрд ₽"
      f"  (${(cluster_ru+people_ru)/USD_RUB/1e6:.1f} млн)")
print(f"  дешевле, чем в США:         x{(cluster_us+people_us)*USD_RUB/(cluster_ru+people_ru):>7.1f}")
print()
print(f"Люди к железу (США):          {people_us/cluster_us:>7.1f} : 1")
print(f"Люди к железу (РФ):           {people_ru/cluster_ru:>7.1f} : 1")

Где я мог ошибиться

Главная методическая дыра статьи одна, и она в основании: разделения «финальный прогон против экспериментов» не публикует никто. Ближе всех подошли Hugging Face по SmolLM3 (161 тысяча GPU-часов абляций против 276 тысяч основного рана) и Ai2 по Olmo 3 (wall-clock 56 суток с оговоркой, что отработка рецепта на 7B туда не входит). Мой множитель 2 в скрипте это нижняя граница по одному наблюдению, а не отраслевой коэффициент. Ходящие по интернету «от 2 до 10 раз» ничем не подкреплены.

Ставки аренды это не одна цифра, а 6 разных товаров. По проверенным первоисточникам разброс на одной и той же карте H100 идет от 2,35 доллара за годовой контракт до 12,29 у Azure в pay-as-you-go, то есть более чем в 5 раз. Любая фраза «H100-час стоит X» без указания сегмента, срока и наличия интерконнекта бессмысленна, включая мои. Я везде старался называть, откуда ставка.

Кластер на 112 тысяч карт я собрал из 3 источников разных лет: серверные цены 2026 года, оценка мощности из разбора SemiAnalysis 2024 года и капекс на мегаватт от Goldman за 2026. Совпадение с оценкой Epoch по Абилину в пределах 10% приятно, но обе цифры сами по себе оценки, и складывались они по разным методикам.

Цен на стойки NVIDIA не существует в открытом виде вообще. Все, что я привел, это оценки Tom’s Hardware и Morgan Stanley, которые расходятся между собой в разы и устаревают за пару месяцев. Если планируешь закупку, эти цифры годятся только чтобы понимать порядок.

Финансовые данные OpenAI за 2025 год это утечка, а не поданный в SEC документ. Аудированной ее называет публикация, независимое подтверждение дала FT. Разделения на инференс и обучение внутри строк R&D и cost of revenue нет: все реконструкции этой границы, включая любые проценты, чужая арифметика.

Компенсации с levels.fyi ^[34] это краудсорс без раскрытого размера выборки, только США, и акции там оценены по цене последнего раунда, то есть не деньгами. Российская сторона еще тоньше: 53 анкеты на senior ML по Москве. Мои 400 тысяч рублей в месяц это рабочая середина, а не замер.

Государственное финансирование ИИ в России я в смету не взял сознательно. Цифры по нацпроекту «Экономика данных» гуляют от 700 миллиардов до 2,7 триллиона рублей, все через агрегаторы, паспорта нацпроекта я не видел.

И все цены здесь живут неделю. Пока я писал, DeepSeek предупреждала в своей же документации о готовящемся повышении, вводная цена Sonnet 5 истекает 31 августа, а NVIDIA за 2026 год трижды поднимала отпускные цены. Выводы про структуру сметы от этого не меняются, конкретные суммы пересчитывай под свой день.

Пишу про то, что почем в ИИ-проектах и где они ломаются: сметы, замеры, разборы решений, которые не сошлись. Канал morana.log ^[73]. Предыдущие статьи серии считали цену одного прогона ^[1] и свое железо против API ^[59].