Протягом останніх двох років ті, хто ставив під сумнів домінування великих мовних моделей, ризикували отримати ярлик луддита або просто людини, що «не розуміє». Але Янн Лекун — головний науковець з AI у Meta, лауреат премії Тьюрінга і один із «батьків» глибокого навчання — не пасує під цю категорію. Коли він говорить про «великий вибух бульбашки», це вже не маргінальна думка академіка з далекої лабораторії.
За даними The Decoder, Лекун публічно попередив, що AI-лабораторії на кшталт OpenAI та Anthropic рухаються до серйозної кризи. Причина — не технічна невдача як така, а структурна: між тим, що ці компанії обіцяють, і тим, що вони здатні доставити на рівні реальних бізнес-результатів, зяє прірва. І рано чи пізно ринок це побачить.
Важливий контекст: Лекун не є просто зовнішнім критиком. Він сам активно будує AI-системи в Meta, але робить ставку на принципово інший підхід — world models та joint embedding architectures замість next-token prediction. Його скептицизм щодо LLM системний, а не емоційний.
Де саме надута бульбашка
Перш ніж аналізувати попередження Лекуна, варто уточнити: він не каже, що AI-технології — шахрайство. Він каже щось точніше і, мабуть, небезпечніше для бізнес-моделей OpenAI та Anthropic: поточні LLM-підходи мають стелю, і ця стеля значно нижча, ніж оцінки інвесторів. Ринок ще цього не відчув — але сигнали вже є.
Ось конкретні аргументи, що лежать в основі цієї позиції:
- Витрати не знижуються пропорційно. Навчання frontier-моделей стає дорожчим, а не дешевшим. GPT-5, Claude 4, Gemini Ultra — кожен наступний рівень потребує експоненційно більше обчислень і капіталу.
- Монетизація відстає від оцінок. Провідні AI-лабораторії оцінюються в сотні мільярдів доларів, тоді як їхні доходи ростуть значно повільніше. Математика не сходиться.
- Конкуренція commodity-зує продукт. Mistral, Llama, Qwen та десятки open-source моделей наближаються до закритих аналогів за якістю. Захисний рів звужується щокварталу.
- Enterprise-adoption повільніший за прогнози. Більшість корпоративних AI-проєктів залишаються на стадії пілоту, не приносячи масштабованого ROI.
Технічна основа скептицизму
Лекун роками стверджує: LLM не розуміють світу, вони передбачають токени. Це не семантична різниця — це архітектурне обмеження. Моделі, побудовані на next-token prediction, вразливі до галюцинацій, не здатні надійно планувати багатокрокові дії і погано узагальнюють на нові домени без дообучення.
Альтернатива Лекуна — I-JEPA та V-JEPA (Image/Video Joint Embedding Predictive Architecture) від Meta — намагається навчити AI будувати внутрішню модель реальності, а не просто статистику текстових послідовностей. Підхід концептуально переконливий, але поки не довів здатності замінити GPT-4 у щоденних практичних задачах.
Проблема не в тому, хто правий на рівні теорії. Проблема в часі: якщо бульбашка лопне до того, як альтернативи доростуть, втрати понесуть усі — і стартапи, що будують на LLM-API, і корпоративні замовники, що вже підписали enterprise-угоди.
Що це означає для AI-білдерів
Незалежно від того, чи вибухне бульбашка завтра чи за три роки, практичні висновки для тих, хто будує AI-продукти сьогодні, залишаються незмінними:
- Не будуй бізнес на одному провайдері. Диверсифікація між OpenAI, Anthropic, Google та open-source — це не параноя, а архітектурна розсудливість.
- Вимірюй реальний ROI, а не «wow-ефект». Якщо твій AI-продукт не може показати конкретну економію або виручку, він вразливий до першого ж раунду бюджетних скорочень.
- Слідкуй за open-source. Llama 4, Qwen 3, Mistral Large — ці моделі вже сьогодні здатні закрити 80% завдань за нульову вартість inference. Якщо твій value proposition — доступ до «найкращої моделі», він слабший, ніж ти думаєш.
- Диверсифікуй inference та embeddings. Vendor lock-in у разі цінової кризи — катастрофа для unit economics будь-якого SaaS.
Висновок AiiN
Лекун може помилятися щодо термінів — і, мабуть, помиляється щодо того, що LLM є тупиковою гілкою еволюції. Але він, найімовірніше, правий щодо структурного розриву між оцінками та реальністю. Інвестиційні раунди розміром із ВВП невеликих країн мають рано чи пізно підтверджуватися пропорційними доходами — або вся конструкція коригується.
Для AI-білдерів правильна відповідь — не паніка і не відмова від LLM. Правильна відповідь — будувати так, ніби бульбашка лопне, і водночас використовувати можливості, поки вікно відкрите. Парадоксально, але саме такий підхід є найбільш раціональним у будь-якому хайп-циклі.
Є один простий тест для будь-якого AI-стартапу: якщо API OpenAI подвоїть ціну завтра, чи виживе ваш бізнес? Якщо відповідь «ні» — час переглянути архітектуру. Незалежно від того, хто виявиться правим у суперечці між Лекуном та Альтманом.
