Токен вместо кресла

Как новая единица измерения хоронит старую модель корпоративного ПО — и кто зарабатывает на этом переходе

READ MACRO | LEARN MACRO | EXPLORE MACRO

Смена знаменателя

Первое полугодие 2026-го наглядно показало, как именно перераспределяется стоимость в корпоративном программном обеспечении. Salesforce — компания, которая три десятилетия строила бизнес на продаже лицензий под каждого сотрудника, — потеряла около трети капитализации. Cursor, который берёт деньги не за пользователей, а за объём выполненной работы, за тот же период нарастил оборот до уровня свыше $3 млрд в год. Эти два движения — не случайное совпадение и не рыночный шум. Это один и тот же процесс, наблюдаемый с двух сторон.

Корпоративное ПО исторически оценивалось в головах. Чем больше людей в компании — тем больше лицензий, тем выше чек. Вся экономика сектора строилась вокруг этой единицы измерения: рост выручки = рост числа пользователей. Сейчас эта логика ломается. Не потому что ИИ «убивает» программное обеспечение, а потому что появилась другая единица — токен, действие, задача. Бюджеты не исчезают, они перетекают туда, где работа измеряется по-новому. Компании, которые до сих пор продают доступ к системе, а не результат её работы, оказываются не в том месте этого перетока.

Публичная дискуссия об ИИ застряла на вопросе «пузырь или нет», хотя этот вопрос давно потерял актуальность. Спрос на вычисления растёт — это факт, который уже не оспаривается серьёзными аналитиками. Интереснее другое: кто из этого роста зарабатывает? На выручку претендуют три уровня. Лаборатории и гиперскейлеры, вложившие сотни миллиардов в обучение моделей и инфраструктуру. Прикладные компании — Cursor, Harvey, Salesforce с Agentforce — которые упаковывают возможности моделей в конкретные рабочие инструменты и выставляют счёт за использование. И корпоративный покупатель, у которого всегда есть опция просто выключить счётчик.

Стоимость вычислений в свободном падении

В конце 2022 года обработка миллиона токенов на уровне GPT-4 стоила около $20. Сегодня сопоставимая производительность доступна примерно за $0,40. Пятидесятикратное снижение за три года — такой динамики не показывал практически ни один промышленный ресурс в современной истории. На переднем крае — там, где флагманские модели — снижение скромнее, примерно четырёхкратное. Но большинство реальной корпоративной работы не требует флагмана. Для среднего уровня возможностей, которым закрывается основной объём задач, падение составило от 50 до 100 раз. Только за 2025 год цена упала примерно на 80%.

Казалось бы, дешевизна должна означать сжатие рынка. Но произошло обратное. Google публично раскрывал объёмы обработки: 9,7 трлн токенов в месяц в 2024-м, 480 трлн в 2025-м, 3,2 квадриллиона в мае 2026-го. Рост кратный, хотя темп замедляется. Более показательна корпоративная выручка: компании потратили на генеративный ИИ $11,5 млрд в 2024-м и уже $37 млрд в 2025-м. Это не потребительский хайп — это деньги из операционных бюджетов под конкретные задачи.

Объяснение этому феномену давно существует в экономической теории. Когда ресурс резко дешевеет, спрос на него не падает — он взрывается, потому что открываются кейсы, которые прежде были экономически невозможны. Глава Microsoft прямо апеллировал к этой логике ещё в начале 2025-го. Дешёвый инференс не съедает рынок — он расширяет его, втягивая задачи, на которые раньше просто не хватало обоснования. Вопрос только в том, устойчив ли этот спрос на рыночных ценах, — и этот вопрос пока открыт.

Почему счёт растёт, пока цена падает

За ростом потребления стоит конкретная механика, специфичная для агентного использования. Одиночный запрос к языковой модели обходится в несколько сотен токенов. Агент, который решает задачу в несколько шагов — читает контекст, вызывает инструменты, проверяет промежуточные результаты, итерирует — сжигает порядка 22 000 токенов за ту же минуту. Не потому что он неэффективен, а потому что петлевое мышление само по себе генерирует потребление. Единица работы стала нелинейной.

Отсюда парадоксальная бухгалтерия: покупатель платит за токен в 50 раз меньше, чем три года назад, но итоговый счёт не уменьшается, а растёт — потому что объём токенов вырос на порядки. По оценкам Gartner, даже если к 2030 году цена токена упадёт ещё на 90%, рост потребления перекроет это снижение, и совокупные корпоративные расходы на ИИ окажутся выше нынешних. Отдельная строка, которую прайс-листы не показывают: верификация и исправление ошибок модели обходятся примерно в $14 200 в год на одного сотрудника — это стоимость токенов, потраченных не на работу, а на проверку работы. Иногда она превышает стоимость самой работы.

Как рынок переоценивал seat-модель

Пока вычисления дешевели, а потребление росло, инвесторы пересматривали стоимость компаний с противоположной моделью монетизации. В феврале 2026-го за одну торговую сессию корпоративный software-сектор потерял, по различным оценкам, около $285 млрд. В отдельный день только Microsoft недосчитался порядка $357 млрд капитализации. Полугодовые потери по широкому срезу software-имён — триллионы. Трейдеры назвали происходящее SaaSpocalypse.

Здесь важно не перепутать причины. Часть снижения объясняется общей макроэкономической средой — компрессия мультипликаторов накрыла весь технологический сектор. Но специфика падения seat-exposed компаний относительно их usage-based аналогов указывает на структурный фактор, не объясняемый одним лишь макро. Salesforce за тот же период потерял около 32% — при том что выручка продолжает расти, просто медленнее: с 24% в 2022 финансовом году до примерно 10% в 2026-м. ServiceNow, Workday, Atlassian двигались по схожей траектории.

Инвесторы закладывают в цены конкретный сценарий: агент замещает человека. И если раньше это звучало как отдалённая угроза, сегодня это арифметика. На каждом инвест-комитете, который держит позицию в Salesforce, стоит один и тот же вопрос — сколько seat-лицензий один агент делает лишними. Ответ на него и определяет, сколько стоит компания.

Капекс, маржа и вопрос о том, кто реально зарабатывает

Доминирующий инвестиционный нарратив этого цикла звучит просто: побеждает тот, кто больше тратит. Лаборатория с самым большим бюджетом на обучение, гиперскейлер с самым агрессивным капексом на дата-центры — они и снимут сливки. Цифры действительно внушительные. Совокупные капитальные расходы пяти крупнейших гиперскейлеров в 2026 году приближаются к $602 млрд — рост на 36% год к году. OpenAI, по имеющимся данным, движется к $125 млрд ежегодных расходов на обучение к 2030 году. Масштаб реален. Вопрос в другом: конвертируется ли он в устойчивую ценовую власть на уровне модели — или финансирует производство commodity?

Два наблюдения усложняют тезис о преимуществе масштаба. Первое: возможности моделей сближаются снизу по цене, даже пока капекс растёт. DeepSeek V4 Pro обеспечивает примерно 90% возможностей флагманских моделей примерно за треть их публичной цены — $1,74 против около $5,00 за миллион токенов у сопоставимых проприетарных решений, причём на открытых весах под MIT-лицензией. На кэшированных входных данных разрыв ещё больше. Второе: валовая маржа на инференс у Anthropic, по оценке аналитической компании Sacra, выросла с примерно 38% до более чем 70% — не за счёт повышения цен, а за счёт эффективности модели и железа. При этом Anthropic потратил на обучение примерно в четыре раза меньше OpenAI. Маржа выросла не от вложений, а от умения делать больше с меньшим.

Это важное разграничение. Если маржа масштабируется через эффективность, а не через объём капекса, то премия, которую рынок присваивает самым агрессивным в расходах игрокам, становится наиболее уязвимой частью их оценки. Впрочем, здесь необходима честность: маржа на инференс — это маржа на обслуживание запросов, она не включает амортизацию затрат на обучение и исследования. Она доказывает лишь то, что токены продаются выше маргинальной стоимости их обслуживания. Полная картина рентабельности на уровне компании выглядит иначе.

Две физики ценообразования

За рыночными движениями стоит смена единицы учёта, и она меняет всё — от структуры маржи до динамики роста и характера рисков. Seat-модель делила выручку на людей. Token-модель делит выручку на выполненную работу. Это не просто разные способы выставить счёт — это разные бизнесы с разной механикой.

В seat-модели выручка предсказуема и защищена от волатильности потребления. Клиент платит фиксированную сумму в год, неважно сколько он реально использует систему. Для вендора это бесплатный кредит: деньги поступают авансом, расходы распределяются во времени. Для покупателя — понятный бюджет без сюрпризов. Рост выручки привязан к росту числа пользователей, что хорошо в период экспансии и плохо, когда компании начинают оптимизировать штат.

Token-модель устроена иначе. Выручка растёт нелинейно — если клиент масштабирует использование, счёт растёт вместе с ним без переговоров о новых лицензиях. Net revenue retention выше 120% у лидеров этого сегмента — не маркетинговая метрика, а структурное следствие: существующие клиенты тратят больше год к году просто потому, что работа, которую они делегируют системе, прибавляется. Но та же эластичность работает в обратную сторону: что растёт без потолка, может падать без пола.

Куда уходит бюджет

Бюджет не исчезает, когда компания отказывается от seat-лицензии. Работа остаётся, просто теперь её выполняет кто-то другой — и этот кто-то выставляет счёт иначе. Движение денег видно в кривых роста компаний, которые эту работу принимают.

Cursor закончил 2025 год с годовым оборотом около $1,2 млрд и к апрелю 2026-го вышел на run rate свыше $3 млрд — рост в 2,5 раза примерно за квартал. Компания используется более чем в половине Fortune 500, а внутренние ориентиры указывают на $6 млрд. Harvey в юридическом сегменте прошёл путь от нуля до $200 млн выручки за 36 месяцев. Salesforce с собственным Agentforce достиг $800 млн ARR с ростом 169% год к году — хотя разбивка между metered и seat-выручкой не раскрывается.

Показательна сама траектория Salesforce в поисках новой единицы измерения. За восемнадцать месяцев компания трижды меняла модель ценообразования Agentforce: сначала $2 за разговор, затем $0,10 за действие в рамках Flex Credits, затем $125 за пользователя в месяц под названием «цифровой труд». Третья итерация — снова seat. Это не случайность. Это сигнал о том, что старая единица перестала надёжно работать, а новая ещё не устоялась. Компания, которая за полтора года трижды меняет знаменатель и возвращается к исходному, демонстрирует не стратегическую гибкость — а растерянность перед сменой парадигмы.

Субсидия или замещение: один счётчик, два вывода

Самое продуктивное разногласие в этой теме выглядит так: оптимисты и скептики смотрят на одни и те же цифры и приходят к противоположным выводам. SemiAnalysis — за лаборатории. Реальная цена инференса на практике куда ниже прайс-листа: Claude Opus обходится примерно в $0,99 за миллион токенов на реальных агентных задачах, тогда как публичная цена $5–25, потому что в кодовых сессиях соотношение входящих токенов к исходящим около 300 к 1, а доля кэш-хитов превышает 90%. Вывод: лаборатория с действительно уникальным качеством может ценить токен по ценности, которую он создаёт, а не по конкурентной маржинальной стоимости.

Эд Зитрон читает те же числа иначе. Подписка позволяет сжечь $8–13,50 токенов на каждый уплаченный доллар. По данным Bain, только 4% компаний зафиксировали экономию от ИИ выше 30%, тогда как 44% финансируют следующую волну внедрения из экономии, которой ещё нет. Технология работает, ценность не возникла — вот его тезис.

Оба правы в своих цифрах. Разногласие — интерпретационное: падающая реальная цена это фича или бикфордов шнур? Бен Хорн идёт дальше и утверждает, что вся экономика токенов — субсидированная иллюзия. Его аргумент имеет две части. Первая: некоторые лаборатории действительно ценили токены ниже себестоимости, чтобы захватить долю рынка. Это верно. Вторая: открытые модели обрушили референсную цену — DeepSeek при $1,74 за список и $0,145 на кэше. Это тоже верно. Где Хорн наиболее убедителен — так это на уровне всей компании, где капекс на обучение и исследовательские расходы доминируют. Именно там $602 млрд капексной гонки несут наибольший риск.

Узкое возражение — в динамике маржи на обслуживание. Если инференсная маржа Anthropic действительно выросла с 38% до 70%+, токены продаются выше маргинальной стоимости их обслуживания, и разрыв расширяется за счёт эффективности. Хорн корректно парирует: маржа на обслуживание, не включающая стоимость обучения модели — это бухгалтерское удобство. Кто-то должен заплатить за создание модели, и этот счёт отложен, а не отменён. Это справедливо. Но отложенный счёт приземляется на модельный слой — тот самый, поверх которого сидит metered-software слой, питаясь дешёвым и дешевеющим инференсом. Вопрос не в том, реален ли счёт, а в том, кому он предъявлен.

Если лаборатории поднимут цены на токены, чтобы отбить затраты на обучение, входящие издержки metered-слоя вырастут. Казалось бы, это должно сжать его маржу. Но прецедент говорит об обратном. Cloud-реселлеры держали маржу через два десятилетия изменений цен на базовые вычисления — потому что продавали не сырую мощность, а маршрутизацию, интеграцию, надёжность и аудит. Это переоценивается по ценности, а не по себестоимости входящего ресурса. Metered-слой, конкурирующий только по наценке на токен, действительно сожмётся к нулю. Тот, который владеет рабочим процессом, compliance-поверхностью и мультимодельной маршрутизацией, которую покупатель не может воспроизвести самостоятельно, — пропустит ценовые изменения на своих условиях. Это и есть открытый вопрос: какой именно metered-слой выживет.

Труд, замещение и пределы автоматизации

Seat-лицензия и младший аналитик всегда стоили одного и того же. Оба продавали доступ к кодифицированному знанию — книжной подготовке, оцифрованным корпоративным данным, накопленным процедурам. Именно поэтому переоценка SaaS и переоценка труда — это один и тот же процесс, просто отражённый в двух разных балансах. Когда токен воспроизводит это знание по маргинальной стоимости вычисления, обе строки расходов оказываются под давлением одновременно.

Первые признаки этого давления появляются там, где кодифицированное знание составляет всю суть работы. Исследование Брюнйольфссона зафиксировало снижение занятости среди 22–25-летних в профессиях с высокой ИИ-экспозицией. Причём цифра ухудшалась между версиями исследования — 13% в августовской версии 2025 года, 16% в ноябрьской. Корректировка идёт почти исключительно через найм, а не через зарплаты. Headcount не нанимают — уже нанятых не трогают. Это же объясняет, почему SaaSpocalypse невидим в прайс-листах: вендоры держат стикер, пока новые лицензии просто перестают продаваться.

Контролируемый эксперимент Молика в Procter & Gamble с участием 776 специалистов показал: один человек с ИИ справлялся с задачами двухместной команды, а границы между специализациями размылись — маркетолог делал приемлемую инженерную работу и наоборот. Та же сила, что превращает $150 seat-лицензию в измеримый commodity, превращает $150 000 специалиста в универсала с токен-бюджетом. Сжатие идёт с обоих концов рынка одновременно.

Когда счёт за вычисления превышает зарплатную ведомость

Есть точка, в которой замещение становится буквально видимым в P&L. На наиболее агрессивных инженерных командах расходы на токены уже превысили фонд оплаты труда, который они заменили. Вице-президент Nvidia — человек, у которого есть все причины говорить обратное — публично признал: стоимость вычислений сейчас значительно превышает стоимость сотрудников. Это не метафора и не прогноз. Это операционная реальность для конкретных команд прямо сейчас.

Наиболее цитируемый корпоративный кейс — Klarna. В 2024 году компания сообщила, что ИИ позволил сократить около 700 сотрудников. Кейс стал хрестоматийным примером автоматизационного замещения — а затем предупреждением об его пределах. К 2025-му компания частично отыграла назад наиболее агрессивную автоматизацию клиентского сервиса и вернула часть людей после падения качества обслуживания. Честное прочтение этой истории включает обе части: и замещение, и его текущий предел. Klarna сохранила metered AI-уровень даже после возврата людей — это и есть паттерн, который прослеживается шире. Не тотальная замена, а конвертация части расходов на headcount и лицензии в расходы на вычисления.

Трекеры увольнений зафиксировали более 100 000 срезанных технологических ролей по сотням компаний в 2026 году. При этом Gartner обнаружил нулевую корреляцию между сокращениями под флагом ИИ и реальным улучшением ROI: примерно 80% компаний, уволивших людей ради ИИ, не зафиксировали улучшения показателей. Это цифра, которую нужно держать в голове с обеих сторон аргумента. Она как минимум так же хорошо согласуется с осторожным скептицизмом, как и с тезисом о неизбежном замещении: если большинство ИИ-мотивированных сокращений не принесли измеримой отдачи, конвертация труда в токены пока не является надёжно создающей стоимость операцией.

Где тезис о замещении держится, а где — нет

Защищаемая версия этого аргумента уже, чем её обычно формулируют. На балансе CFO есть две строки — фонд оплаты труда и лицензионные расходы на ПО, обе деноминированные в человеческих головах. Теоретически обе можно свернуть в одну строку вычислительных расходов, деноминированную в токенах. Экономия на единицу — очевидна. Но создаёт ли эта конвертация устойчивую стоимость, на текущих данных не доказано. Компании, которые с наибольшей вероятностью её создадут, — не те, что просто режут headcount. Это те, что перепроектируют саму работу под новую логику.

Разница между этими двумя сценариями принципиальна. Сократить команду из десяти аналитиков до шести и дать оставшимся ИИ-инструменты — это одно решение. Переосмыслить, как вообще устроен аналитический процесс в компании, какие решения он обслуживает и где человеческое суждение незаменимо, — совершенно другое. Первое даёт быстрые savings на бумаге и часто не даёт ничего в реальности, что и подтверждают данные Gartner. Второе сложнее, медленнее и требует от менеджмента понимания, чем именно занимается их организация. Большинство компаний делают первое, называя это вторым.

Есть ещё один структурный факт, который часто упускают из виду. Рынок труда адаптируется не через зарплаты, а через найм — именно это показывают данные по молодым специалистам. Компании не снижают зарплаты существующим сотрудникам, они просто нанимают меньше новых. Это означает, что экономический эффект замещения накапливается постепенно и медленно — не через резкие сокращения, а через тихое замораживание входящего потока. Видно это становится только в ретроспективе, когда когорты специалистов, которых должны были нанять в 2024–2026 годах, просто не появились на рынке труда.

Специализация как исчезающее ценовое преимущество

Эксперимент Молика выявил ещё один эффект, который редко обсуждается в экономических терминах. Когда ИИ стирает разницу между специалистами — маркетолог делает приемлемую инженерную работу, инженер делает приемлемую юридическую работу — это не просто история о производительности. Это история о ценообразовании специализации.

Рынок труда исторически платил премию за глубокую экспертизу в узкой области. Эта премия существовала потому, что стоимость обучения была высокой, а передача знаний — медленной. Когда токен делает накопленную экспертизу доступной на лету, часть этой премии испаряется. Не вся — человеческое суждение в неструктурированных ситуациях, управление отношениями, ответственность за решение остаются дорогими. Но значительная доля стоимости специализированного знания, та, что сводится к воспроизведению усвоенных паттернов в стандартных ситуациях, теперь оспаривается токеном по цене $0,40 за миллион.

Это не катастрофа для рынка труда в целом. Но это структурный сдвиг в том, за что именно платит работодатель. И этот сдвиг зеркально отражает то, что происходит в корпоративном ПО: стоимость мигрирует от доступа к накопленному знанию к управлению тем, как это знание применяется. Seat и junior analyst — оба теряют ценовую власть по одной причине. Тот, кто её приобретает, продаёт не знание, а способность им управлять.

Три способа проиграть — и куда в итоге идут деньги

Честный анализ требует назвать сценарии, в которых тезис о победе metered-слоя не реализуется. Лучшие аргументы против — не от скептиков-дилетантов. У каждого есть конкретные цифры.

Первый сценарий: лаборатории забирают маржу себе, не оставляя её посреднику. Это аргумент SemiAnalysis, и он сильный. Если frontier-качество остаётся по-настоящему дефицитным, лаборатория может ценить токен по той ценности, которую он создаёт, а не по конкурентной маргинальной стоимости. Тогда маржа концентрируется на уровне модели, а metered-слой поверх неё превращается в тонкую обёртку над чужой ценовой властью. Угроза идёт и с другой стороны. Лаборатории экономически вынуждены коммодитизировать свои комплементы — именно поэтому Anthropic выпускает Claude Code, а OpenAI выпускает Codex. Оба продукта напрямую конкурируют с wrapper-компаниями, которые покупают их же токены. Счётчик — это двусторонняя война, а не однонаправленная миграция. Продавец токенов хочет, чтобы счётчик принадлежал продавцу токенов.

Второй сценарий: репатриация. Здесь самые чёткие квитанции. Metering наказывает тех, кто использует его больше всего. Выше порога примерно в 500 000 — 1 млн токенов в день собственное железо выгоднее арендованного API на порядок. 37signals срезал облачный счёт с $2,3 млн до $840 000, единоразово потратив $600 000 на собственные машины. Dropbox перешёл с 33% валовой маржи на 67%, покинув облако и сэкономив $75 млн. Та же логика, которая когда-то уводила стартапы с AWS, будет уводить тяжёлые агентные workload’ы с metered API. И metered-слой теряет именно тех клиентов, чьи счета он больше всего хотел бы удержать.

Третий сценарий: metered-модель — худший бизнес даже при победе. Cursor, канонический победитель в этом сегменте, едва выходит в положительную валовую маржу — и только потому, что корпоративные аккаунты субсидируют убыточные индивидуальные. Данные Томаша Тунгуза показывают: у usage-based компаний цикл продаж при сжатии бюджетов был длиннее, чем у seat-based — 29% против 21%. Счётчик сложнее согласовать, чем фиксированную строку бюджета. Негласный гений seat-модели никогда не был в самом seat’е. Он был в ежегодном предоплаченном контракте — бесплатном кредите от клиента, который metering отдаёт обратно. NRR выше 150% в AI-native когортах реален, но та же эластичность работает в обе стороны: что растёт без потолка, падает без пола.

Почему ни один из трёх сценариев не является фатальным

Все три угрозы реальны. Ни одна не убивает тезис полностью — и причина одна во всех трёх случаях.

Лаборатория может ценить токен по ценности только там, где её качество действительно дефицитно. Открытые модели по трети цены стирают это преимущество задача за задачей. DeepSeek при $1,74 за миллион токенов — это не демпинг ради доли рынка. Это новый пол, от которого отстраивается всё остальное. Дефицит frontier-качества реален сегодня и может оказаться временным завтра.

Репатриация перемещает в собственную инфраструктуру самые тяжёлые и предсказуемые workload’ы. Но она оставляет на счётчике длинный хвост нерегулярных, мультимодельных, compliance-нагруженных задач. Это и есть большая часть реального рынка — не монолитные пайплайны с предсказуемым объёмом, а разнородная операционная работа, которую невозможно оптимизировать под конкретное железо.

Сложность продажи metered-модели указывает на волатильность выручки, но не на то, кто в итоге захватывает spend. Более длинный цикл сделки — это операционная проблема, решаемая структурой контракта. Это не структурный аргумент против самой модели монетизации.

Какой именно metered-слой выживает

Позиция metered-слоя устойчива ровно настолько, насколько защищён его спред над стоимостью сырых токенов. Угрозы с двух сторон. Сверху — лаборатории могут двигаться вверх по стеку, забирая metering себе. Снизу — покупатели могут инсорсить маршрутизацию, как только достаточно её поймут, и платить сырые токен-цены напрямую.

Выживают варианты, которые держатся против обеих угроз. Мультимодельная маршрутизация, которую покупатель не может легко воспроизвести — не потому что это технически невозможно, а потому что это операционно дорого и требует постоянного обновления. Гарантии результата и compliance-обязательства, которые покупатель предпочитает не брать на себя — регуляторная ответственность имеет цену, и компании охотно платят за её передачу. Workflow lock-in, поднимающий стоимость переключения выше размера спреда — когда переход к альтернативе стоит дороже, чем разница в цене токена.

Commodity-варианты — те, что конкурируют только по наценке на токен — не выживают. Это фальсифицируемый край тезиса. Если metered-software не может удержать спред выше сырой стоимости токена, ценность коллапсирует обратно к покупателю. Наблюдаемый тест: следите за тем, держится ли валовая маржа metered-software около 50–60% по мере дальнейшего падения цен на токены — или сжимается к нулю.

Линия сквозь данные

Пять публичных фактов выстраиваются в одну картину. Стоимость вычислений упала примерно на 80% за последний год. Объём потребления вырос примерно в семь раз за тот же период. Seat-based software получил жёсткую переоценку в первой половине 2026-го. Metered-software вырос до многомиллиардных run rate’ов в том же окне. Капекс гиперскейлеров вырос на 36% до $602 млрд.

Тезис о масштабе предсказывает, что капекс консолидирует стоимость на уровне модели. Тезис Хорна предсказывает, что спрос рухнет, когда субсидии закончатся. Данные лучше вписываются в третье прочтение: возможности становятся дефлирующим commodity, потребление расширяется через падающую цену, а выручка концентрируется в слое, который измеряет работу — не в том, который строит модель, и не в том, который раньше продавал seat.

Это не означает, что вопрос закрыт. Решающий тест — удержание клиентов при намеренном повышении цен — ещё не произошёл публично. Ни один крупный metered-вендор не поднял ставки и не раскрыл эффект. До этого момента миграция бюджетов остаётся более сильным прочтением имеющихся данных — но не доказанным фактом. Ответ придёт за столом переговоров о продлении контракта. Именно там тезис либо подтвердится, либо рассыплется.