Среди 107 компаний расходы на AI-инфраструктуру растут быстрее, чем способность организаций понимать и управлять ее экономикой. Большинство компаний сейчас запускают AI на привычной базе: облачных платформах гиперскейлеров и API поставщиков моделей. Однако их следующие приоритеты расходов смещаются в сторону специализированных вычислительных сервисов, которыми сегодня почти никто из них не пользуется. Большинство ожидает, что в течение следующего года сменит или добавит поставщиков инфраструктуры, а многие планируют сделать это в течение квартала.

Решения о закупках в меньшей степени определяются заявленной ценой токенов и в большей — интеграцией с существующими системами и совокупной стоимостью владения. Это примечательно, поскольку большинству компаний по-прежнему не хватает четкой видимости собственной юнит-экономики. GPU часто работают с загрузкой в половину мощности или ниже, а менее половины респондентов строго отслеживают, во сколько им действительно обходятся AI-вычисления. Итогом, согласно этой волне VentureBeat Pulse Research, становится расширяющийся вычислительный разрыв: быстрые и существенные инвестиции в инфраструктуру опережают системы измерения, необходимые для контроля этих расходов. Эта картина напоминает более ранние циклы внедрения облаков, когда расходы опережали финансовое управление, но AI-вычисления усиливают давление, поскольку емкость GPU значительно дороже традиционных облачных ресурсов, а спрос на нее ограничивался предложением.

Исследование рассматривает корпоративную AI-инфраструктуру и вычисления, включая то, на каком этапе внедрения AI находятся организации, какими поставщиками и платформами они пользуются сегодня, насколько они удовлетворены, что могло бы побудить их сменить поставщиков, где они планируют оценивать новые инвестиции и насколько хорошо они могут измерять и управлять экономикой вычислительного слоя, лежащего в основе их AI-систем.

Главный вывод — разрыв между тем, насколько активно компании инвестируют в AI-инфраструктуру, и тем, насколько мало они видят ее экономику. Лишь примерно один из пяти респондентов, или 21%, говорит, что использует AI в production в масштабе. Тем не менее планы расходов опережают эту зрелость: наиболее часто называемое направление, которое компании планируют оценивать в течение следующего года, — специализированные AI-облака, 45%, хотя сегодня этот слой почти не используется этими компаниями. Одновременно существующие вычислительные мощности используются недостаточно: 83% сообщают о загрузке GPU на уровне 50% или ниже, тогда как только 44% могут строго отслеживать затраты на AI-вычисления. Компании приобретают больше инфраструктуры быстрее, чем способны учитывать то, что у них уже есть.

Отношения с поставщиками также остаются нестабильными. Явное большинство, 64%, планирует сменить или добавить поставщика инфраструктуры в течение 12 месяцев, включая 38% в следующем квартале. Для такой базовой категории, как вычисления, это необычно высокий ожидаемый уровень оттока. При выборе поставщиков ведущими критериями являются интеграция с существующим стеком, которую назвали 41%, и совокупная стоимость владения, которую указали 35%. Стоимость за миллион токенов является решающим фактором лишь для 8%. Между тем следующее техническое ограничение, которое, вероятно, будет определять выбор инфраструктуры, — переход от GPU-вычислений к пропускной способности памяти по мере масштабирования инференса — остается вне планирования многих компаний: примерно одна из пяти либо не знает о нем, либо еще не начала им заниматься.

Методология

VentureBeat провела опрос в рамках своей продолжающейся серии Pulse Research. Эта волна была посвящена корпоративной AI-инфраструктуре, вычислениям и экономике инференса. Ответы были отфильтрованы по организациям с более чем 100 сотрудниками, итоговая выборка составила n=107. Самая малая размерная группа, компании с 1–100 сотрудниками, была исключена. Ответы получены в рамках одной волны Q2 2026, проведенной в июне.

Поскольку выводы основаны на одной волне, а не на объединенной многомесячной выборке, отчет следует читать как срез, без выводов о помесячных трендах. В нескольких вопросах можно было выбрать несколько вариантов, поэтому некоторые доли могут суммироваться более чем до 100%.

По размеру организаций выборка сосредоточена в среднем сегменте рынка. Компании со 101–250 сотрудниками составляют 36%, за ними следуют 251–1,000 сотрудников с 27%, 1,001–5,000 сотрудников с 22%, 5,001–10,000 сотрудников с 8% и 10,001 или более сотрудников с 7%. По ролям респонденты включают менеджеров — 38%, индивидуальных специалистов — 28%, VP и директоров — 19%, а также руководителей C-level — 13%. Выборка обладает достоверными закупочными полномочиями: 45% являются окончательными лицами, принимающими решения, а еще 30% — рекомендателями или влиятельными участниками выбора AI-решений.

Technology/Software — крупнейшая представленная отрасль, 26%, за ней следуют Healthcare/Life Sciences с 15%, Financial Services с 13% и Retail/E-commerce с 12%.

При 107 респондентах выборка достаточно велика, чтобы дать направленное понимание, но ее следует рассматривать как направленный сигнал, а не точное измерение. Она является самоотобранной и не является вероятностной выборкой. Кроме того, она смещена в сторону организаций среднего рынка и более ранних этапов внедрения. Поэтому результаты лучше всего читать как взгляд организаций, активно создающих AI-инфраструктуру, а не как взгляд крупнейших операторов гиперскейлеров.

Вывод 1: Амбиции опережают зрелость production-внедрения

Только одна из пяти компаний использует AI в production в масштабе.

VentureBeat спросила, где организации находятся на пути внедрения AI. Большинство все еще находится в процессе движения к production, а не эксплуатации AI в масштабе.

Кривая зрелости сильно смещена к ранним стадиям. Три четверти компаний, или 76%, либо экспериментируют, либо запускают в production только часть нагрузок. Лишь 21% говорят, что AI находится в production в масштабе. Этот контекст важен для остальных выводов: многие инфраструктурные решения, отраженные в опросе, принимаются организациями, которые все еще находятся на раннем этапе внедрения и чьи вычислительные footprint и затраты, вероятно, будут расти. Намерения по оценке и смене поставщиков, обсуждаемые в выводах 3 и 4, представляют собой начальный этап этого расширения, а не устоявшиеся предпочтения операторов, которые уже определили, что работает.

Вывод 2: Компании сейчас полагаются на гиперскейлеров и API моделей

Специализированные GPU-облака сегодня имеют небольшое присутствие.

VentureBeat спросила, каких поставщиков и платформы компании сейчас используют для запуска AI. Ответ в основном указывает на существующую облачную и модельную экосистему.

Текущий стек сосредоточен вокруг гиперскейлеров и API. Google Cloud лидирует с 48%. Облака общего назначения — Google, Microsoft, AWS и Oracle — вместе с крупными API моделей, такими как Gemini, OpenAI и Anthropic, фактически охватывают все текущее развертывание. Специализированные GPU-поставщики "neocloud", которые часто фигурируют в обсуждениях AI-инфраструктуры, включая CoreWeave, Lambda, Crusoe, Nebius и аналогичные компании, сегодня среди этих предприятий находятся на нуле или около нуля. Эти поставщики строят дата-центры с высокой плотностью GPU, специально предназначенные для AI-обучения и инференса, часто предлагая гарантированный доступ к востребованным ускорителям, которые может быть трудно зарезервировать в облаках общего назначения, — предложение, привлекшее в категорию миллиарды капиталовложений. Тем не менее внедрение среди этой корпоративной когорты пока не материализовалось. Только 6% используют собственные on-premises GPU-кластеры, а 4% — кастомный open-source стек.

Пока компании запускают AI у поставщиков, у которых они уже покупают услуги. Это делает намерения по оценке из вывода 3 более значимыми.

Примечание об интерпретации этих долей: как описано в методологии, выборка является самоотобранной и смещена в сторону среднего рынка. Вопрос о поставщиках учитывал каждого поставщика, которым пользуется респондент, в среднем 2.1 выбора на респондента. В результате показатели измеряют присутствие в стеке, а не долю расходов или статус основного поставщика. Выборка, структурированная таким образом, даст иной состав поставщиков, чем взвешенная по расходам перепись более широкого рынка. Сильная позиция Google в этой выборке, например, соответствует ее давнему положению среди небольших компаний, строящих решения на AI. Эти доли следует читать как снимок того, чем сегодня пользуется эта AI-активная когорта, а разрывы между этими цифрами и общеотраслевыми оценками рыночной доли следует рассматривать как особенность выборки, а не противоречие.

Вывод 3: Новые расходы направлены на инфраструктуру, которой компании почти не пользуются сегодня

Специализированные AI-облака возглавляют список планируемых оценок.

VentureBeat спросила, где компании планируют оценивать AI-инфраструктуру в следующие 12 месяцев. Их ответы указывают в сторону от стеков, которые они используют сейчас.

Самое сильное напряжение в отчете заключается в том, что специализированные AI-облака являются наиболее часто называемой областью планируемой оценки — 45%, хотя почти ни одна из этих компаний сегодня не использует эту категорию, как отмечено в выводе 2. Почти треть, 32%, намерена оценить ускорители не от Nvidia, а 28% планируют оценить следующее поколение кремния Nvidia. Децентрализованные вычислительные сети вызывают интерес у 16%, а суверенные вычисления — у 11%.

По сравнению с текущим использованием эти планируемые оценки не являются просто постепенным расширением. Они обозначают передний край потенциальной смены платформы. Вопрос о направлении движения указывает туда же: каждый инфраструктурный подход в чистом выражении расширяется, но специализированные AI-облака имеют наибольший чистый импульс — +24, немного опережая гиперскейлеров с +22. Компании готовятся перенести значимую часть AI-вычислений из облачной инфраструктуры общего назначения.

Эта картина продолжает тренд, который VentureBeat наблюдала в волне опроса за апрель-май. Тогда использование специализированных AI-облаков также было маргинальным: CoreWeave использовали 3% компаний, Lambda — 4%, а Crusoe — 2%. Когда компании спросили, какие изменения они планируют в стратегии AI-инфраструктуры на следующие 12 месяцев, самым распространенным ответом был перенос нагрузок в специализированные AI-облака — 33%. Когда респондентов апрельско-майской волны спросили, какой новый вариант вычислений они с наибольшей вероятностью будут оценивать, специализированные AI-облака снова получили больше всего ответов. В двух волнах и при по-разному сформулированных вопросах проявляется одна и та же картина: категория облаков, которую компании больше всего заинтересованы оценивать, — та, которой они едва начали пользоваться.

Вывод 4: Многие компании ожидают смены поставщиков

Шесть из 10 планируют сменить или добавить поставщиков в течение года, и многие рассчитывают действовать в течение квартала.

VentureBeat спросила, планируют ли компании сменить или добавить поставщика инфраструктуры и когда. Немногие респонденты планируют оставить все без изменений.

Для категории вычислений объем ожидаемого движения значителен. Только 36% говорят, что не планируют изменений. Это означает, что 64% намерены сменить или добавить поставщика в течение 12 месяцев, а 38% планируют сделать это уже в следующем квартале.

Поставщики, которые привлекают наибольшее внимание при возможной смене, снова являются действующими игроками. Microsoft Azure и Google Cloud набирают по 33%, за ними следуют OpenAI с 30% и Gemini с 22%. Это говорит о том, что значительная часть краткосрочного движения — это перераспределение между крупными поставщиками и консолидация расходов, а не прямой переход к новым участникам. Интерес к neocloud, описанный в выводе 3, в основном является 12-месячной гипотезой для оценки; изменения поставщиков, ожидаемые в следующем квартале, по-видимому, в основном представляют собой обмен долями между действующими поставщиками.

Методологическое примечание: респонденты, выбравшие одновременно "не планируем изменений" и конкретное окно смены, были засчитаны как те, кто планирует смену, исходя из логики, что указание срока является более конкретным ответом. По этому правилу были переклассифицированы три респондента.

Вывод 5: Цена токенов не является главным фактором покупки

Интеграция и совокупная стоимость владения имеют больший вес, чем заявленная цена.

VentureBeat спросила, что важнее всего для компаний при выборе поставщика AI-инфраструктуры. Заявленная цена заняла последнее место.

Компании в первую очередь не покупают AI-инфраструктуру исходя из ценового показателя, который поставщики часто подчеркивают сильнее всего. Интеграция с существующим стеком лидирует с 41%, за ней следует совокупная стоимость владения с 35%. Заявленный показатель стоимости за миллион токенов является решающим фактором лишь для 8%, что является самым низким результатом среди указанных критериев.

Картина последовательна: покупатели оптимизируют то, насколько поставщик вписывается в их операционную среду и во сколько его эксплуатация обходится на практике, а не фокусируются на рекламируемых единичных ставках. Цена токенов сама по себе скрывает полную картину затрат, которая также включает сеть, вывод данных, хранение весов моделей и обучающих данных, накладные расходы простаивающей емкости, а также инженерные усилия по интеграции и поддержке пайплайнов. Это также указывает на вывод 7. Компании говорят, что совокупная стоимость владения является центральным фактором принятия решений, но большинство пока не может измерять ее строго. Их заявленный приоритет и измеряемая способность не совпадают.

Вывод 6: Дорогие GPU часто используются недостаточно

83% сообщают о загрузке GPU на уровне 50% или ниже.

VentureBeat спросила, какую долю GPU-мощности компании фактически используют. Ответ подчеркивает широко известную, но реже количественно оцениваемую неэффективность.

Раскрытие: проценты по диапазонам учитывают каждый выбор относительно всех 107 квалифицированных респондентов. Четырнадцать респондентов выбрали более одного диапазона, поэтому диапазоны пересекаются. На уровне респондентов 83 из 100 компаний, эксплуатирующих GPU, сообщили о загрузке на уровне 50% или ниже.

Уже развернутые вычисления работают ниже мощности. При суммировании диапазонов на уровне половины загрузки или ниже 83% компаний, эксплуатирующих GPU, сообщают о загрузке 50% или меньше. Почти половина, или 49%, работают на уровне 25% или ниже. Только 12% превышают загрузку 50%, тогда как еще 8% вообще не измеряют загрузку.

Простаивающие ускорители — дорогостоящие активы. Доступ по требованию к одному high-end GPU, такому как Nvidia H100, может стоить несколько долларов в час на платформах гиперскейлеров, а корпоративные нагрузки часто требуют multi-GPU инстансов, что значительно повышает почасовые затраты. Устойчивая загрузка ниже 50% при таких ценах напрямую превращается в существенные регулярные потери. Это один из самых явных показателей вычислительного разрыва: компании планируют покупать больше GPU и специализированных вычислений, как показано в выводе 3, тогда как уже эксплуатируемые мощности остаются существенно недоиспользованными. У текущего парка большой резерв эффективности, и значительная его часть не измеряется.

Вывод 7: Расходы растут быстрее, чем измерение

Менее половины строго отслеживают затраты на вычисления.

VentureBeat спросила, могут ли компании количественно оценить затраты и отдачу от расходов на AI-инфраструктуру, а также насколько они удовлетворены используемой инфраструктурой. Результаты показывают, что финансовая видимость отстает от инвестиций.

Измерение отстает от расходов. Менее половины компаний, 44%, строго отслеживают затраты и отдачу от своих AI-вычислений. Остальные либо отслеживают только частично — 39%, либо пока не могут количественно оценить — 20%, либо не сделали это приоритетом — 6%. Затраты на AI-вычисления распределяются между вычислениями, памятью, сетью и выводом данных по схемам, отличным от традиционных облачных нагрузок, а общие GPU-кластеры затрудняют привязку расходов к отдельным командам, проектам или бизнес-результатам — это измерительная задача, которую дисциплина cloud FinOps все еще расширяет, чтобы охватить.

Этот разрыв важен, поскольку совокупная стоимость владения была вторым по значимости критерием покупки в выводе 5. Компании выбирают поставщиков на экономической основе, которую многие из них пока не могут измерять строго.

Удовлетворенность текущей инфраструктурой умеренно положительная, но не высокая. По пятибалльной шкале общая удовлетворенность в среднем составляет 4.0. Простота внедрения в среднем составляет 3.8, а соотношение цены и качества — 3.9. Более слабый результат по соотношению цены и качества примечателен, поскольку стоимость трудно оценить без дисциплинированного измерения. Компании быстро тратят и медленно учитывают.

Вывод 8: Многие компании пока не сосредоточены на следующем узком месте инференса

По мере перехода инференса от вычислений к памяти ответы фрагментированы.

Наконец, VentureBeat спросила, как компании будут решать возникающее ограничение в крупномасштабном инференсе: переход от GPU-вычислений к памяти, в частности емкости KV-cache. Ответы показывают, что для многих организаций эта граница пока не является крупным операционным приоритетом.

Ограничение памяти реально, но управление вокруг него ограничено. По мере того как production-модели поддерживают контекстные окна в 128,000 токенов и более, память, необходимая для хранения промежуточного состояния инференса — KV-cache, — растет вместе с длиной контекста и числом одновременных пользователей, создавая давление, которое дополнительные сырые GPU-вычисления не устраняют. На вопрос, на какой подход они будут полагаться, когда ограничивающим фактором в инференсе станет переход от вычислений к пропускной способности памяти, компании дали разрозненные ответы. Dell лидирует с 31%, за ней следует Nvidia с 16%. Остальные ответы фрагментированы между поставщиками систем хранения, open-source инструментами и методами эффективности на уровне моделей.

Наиболее примечательно, что примерно одна из пяти компаний, или 18%, либо не распознает это ограничение, либо еще не начала им заниматься. Для сдвига, который повлияет на стоимость и архитектуру инференса, рынок остается ранним и неустоявшимся. В соответствии с разрывом в измерении из вывода 7 многие компании пока не имеют четкого понимания. Это следующая фаза вычислительного разрыва, наступающая до того, как многие организации устранили текущий.

Итог: Более быстрые расходы могут расширить вычислительный разрыв

Организации с более чем 100 сотрудниками инвестируют в AI-инфраструктуру быстрее, чем способны ее измерять. Большинство все еще находится на раннем этапе внедрения, однако их планы расходов указывают за пределы текущих стеков — в сторону специализированных облаков и альтернативных ускорителей, которыми почти никто из них сегодня не пользуется. Явное большинство намерено сменить поставщиков в течение следующего года.

Их логика закупок сосредоточена на интеграции и совокупной стоимости владения, а не на заявленной цене, что является практичным подходом. Проблема в том, что многие компании пока не могут ясно видеть эту экономику.

Разрыв в видимости конкретен. У подавляющего большинства компаний, эксплуатирующих GPU, загрузка находится на уровне половины мощности или ниже. Менее половины могут строго отслеживать, сколько стоят их AI-вычисления или какую отдачу они дают. Удовлетворенность достаточная, но не восторженная, и слабее всего она в части соотношения цены и качества — показателя, который сложнее всего оценить без измерения.

Одновременно появляется следующее ограничение — переход от вычислений к памяти в крупномасштабном инференсе, — тогда как многие компании остаются неосведомленными о нем или еще не начали его учитывать. Возникает растущая экосистема инструментов наблюдаемости затрат и GPU-планирования для устранения разрыва в измерении, но остается открытым вопрос, внедрят ли компании эти возможности до того, как возьмут на себя обязательства по следующему слою инфраструктуры. При 107 респондентах в одной волне Q2 опрос дает направленное понимание. Он смещен в сторону среднего рынка и более ранних пользователей. Но направление последовательно: аппетит к расходам опережает инструментарий, необходимый для эффективного расходования.

Вычислительный разрыв — это не только вопрос емкости, который можно решить одним лишь дополнительным оборудованием. Прежде всего это проблема понимания того, сколько уже стоит имеющееся оборудование. Последующие волны опросов покажут, создадут ли компании такую видимость до ускорения смены платформы или купят следующий слой инфраструктуры с тем же ограниченным пониманием ее экономики.

Выводы основаны на ответах 107 квалифицированных корпоративных респондентов из организаций с более чем 100 сотрудниками, полученных в рамках одной волны Q2 2026 в июне. Поскольку это одна волна, а не объединенная многомесячная выборка, результаты являются срезом, а не помесячным трендом. При 107 респондентах выводы следует рассматривать как направленный сигнал, а не точное измерение. Выборка является самоотобранной, смещена в сторону среднего рынка и тяготеет к пользователям более ранних стадий, а не к крупнейшим операторам гиперскейлеров. Среди респондентов — менеджеры, индивидуальные специалисты, VP и директора, а также руководители C-level с достоверными закупочными полномочиями в Technology/Software, Healthcare/Life Sciences, Financial Services, Retail/E-commerce и других отраслях.