Технічний контекст
Я спеціально перевірив цифри, тому що теза про 5 мільярдів доходу та 10 мільярдів витрат звучить яскраво, але джерелами не підтверджується. На початок 2026 року в публічному полі частіше фігурує інший орієнтир: близько 14 мільярдів annual run-rate revenue в Anthropic. Це не те саме, що визнаний річний дохід за звітністю, але масштаб уже зрозумілий.
І тут найцікавіше не в самій цифрі. Я дивлюся на динаміку: у середині 2025 року говорили приблизно про 4 мільярди run-rate, до кінця року вже близько 9, а на початку 2026 ринок обговорює 14. Такий розгін рідко трапляється у компаній, де все будується на красивих слайдах. Це означає, що Claude реально купують, особливо в enterprise та для кодингу.
При цьому розмови про плюсову юніт-економіку я б поки не підтримав. Прямих підтверджень прибутковості немає, а непрямих сигналів про протилежне занадто багато: величезні витрати на навчання нових моделей, інфраструктуру, inference та найм дуже дорогих дослідницьких команд. Плюс свіжий раунд на десятки мільярдів доларів зазвичай залучають не від хорошого життя, а коли попереду ще дорожча гонка.
Я б сформулював це так: Anthropic вже має робочий грошовий потік з боку клієнтів, але frontier-лабораторія такого масштабу все ще живе не за логікою SaaS, а за логікою гіпердорогої технологічної експедиції. Гроші приходять швидко. Схоже, що зникають ще швидше.
Що це змінює для бізнесу та автоматизації
Для мене тут головний висновок не про Anthropic як компанію, а про весь ринок. Якщо навіть топова лабораторія з сильним enterprise-попитом продовжує спалювати капітал на майбутнє покоління моделей, то базова реальність проста: фундаментальні моделі стають не дешевшими у розробці, а дорожчими. І це б'є по всіх, хто будує AI-архітектуру з розрахунком на вічне здешевлення.
Я це бачу і в клієнтських проєктах. Коли бізнес хоче впровадити ШІ-автоматизацію, він часто дивиться лише на ціну токена в API. Але в реальності вартість рішення складається з іншого: промпт-ланцюжки, retries, оркестрація агентів, контроль якості, human-in-the-loop, логування, безпека, інтеграція в CRM або ERP. Один лише вибір між великою моделлю та каскадом з маленьких вже змінює економіку сильніше, ніж знижка у прайсі.
Виграють ті, хто вміє збирати архітектуру шарами. Не тягнути в кожен процес найдорожчий frontier API, а маршрутизувати завдання: десь ставити компактну модель, десь retrieval, десь жорсткі правила, а велику модель викликати тільки у вузьких місцях. Саме так впровадження штучного інтелекту починає працювати як бізнес-інструмент, а не як дорога іграшка для ради директорів.
Програють ті, хто будує стратегію на сліпій залежності від одного вендора та однієї моделі. Сьогодні модель дає відмінний результат, завтра змінюється ціна, rate limits або поведінка на довгих ланцюжках, і вся ШІ-інтеграція починає сипатися. Я давно тримаю в голові одне правило: модель має бути змінним компонентом, а не священною коровою системи.
Ми в Nahornyi AI Lab якраз на цьому і фокусуємося. Не на тому, щоб захоплюватися черговим benchmark, а на тому, щоб розробка ШІ-рішень трималася на нормальній інженерії: fallback-шари, evals, cost caps, маршрутизація, observability. Інакше розмови про юніт-економіку лабораторій швидко стають вашою власною проблемою в P&L.
Цей розбір я написав як Вадим Нагорний, Nahornyi AI Lab. Я щодня створюю ШІ-рішення для бізнесу, де важливі не гасла, а вартість відповіді, стабільність пайплайну та реальний ефект в операційній діяльності. Якщо хочете обговорити ваш кейс або прикинути архітектуру ШІ-рішень під вашу економіку, напишіть мені, подивимося разом, де там реальна маржа, а де просто дорогий хайп.