Дефицит мощностей для ИИ в 2026 году почему Google, OpenAI и Anthropic борются за GPU

Краткий ответ. Мировая гонка искусственного интеллекта столкнулась с новым ограничением крупнейшим разработчикам нейросетей не хватает вычислительных мощностей.

Важно. Названия моделей, тарифы, доступ по регионам и функции меняются. Перед регистрацией или оплатой сверяйте информацию с официальным сайтом сервиса. Дата проверки этого материала: октябрь 2026.

Даже Google, OpenAI и Anthropic вынуждены конкурировать за доступ к GPU, перераспределять ресурсы между проектами и договариваться с компаниями, которые одновременно являются их соперниками.

По материалам расследования The Wall Street Journal от 10 октября 2026 года, борьба за вычисления вышла на уровень руководителей технологических корпораций. Доступ к ускорителям Nvidia и дата-центрам становится настолько важным, что от него зависят сроки запуска моделей, стабильность AI-сервисов и планы развития стартапов.

Для обычного пользователя это тоже имеет значение. Когда мощности ограничены, разработчики могут вводить лимиты запросов, перераспределять доступ к функциям и изменять условия подписок. При этом дефицит оборудования — лишь одна из возможных причин таких решений, а не доказанное объяснение каждого изменения тарифа.

Разбираемся, почему началась борьба за GPU, как связаны Google, Anthropic, OpenAI и SpaceX, почему аренда мощностей дорожает и как снизить расходы на ИИ без потери качества.

*Материал AI NEWS LAB от 10 октября 2026 года. Сведения о конкретных переговорах и сделках основаны на журналистском расследовании WSJ, а не на собственном расследовании редакции. Практические рекомендации и расчётные примеры подготовлены отдельно.*

Что произошло: пять главных фактов об ИИ-дефиците

Ситуацию можно описать несколькими ключевыми событиями.

Первое — Google перераспределяет вычисления между внутренними проектами. Даже команды, работающие над перспективными моделями, не всегда получают запрошенные ресурсы.

Второе — конкурирующие AI-компании договариваются об инфраструктуре. Когда вычислений не хватает, соперничество за клиентов может сочетаться с сотрудничеством в области дата-центров.

Третье — Anthropic столкнулась с давлением растущего спроса. В расследовании WSJ описывается ситуация, когда популярность Claude Code усилила потребность компании в дополнительных мощностях.

Четвёртое — долгосрочные контракты становятся серьёзным риском для небольших разработчиков. Стартап может получить необходимые GPU, но принять на себя многолетние финансовые обязательства.

Пятое — стоимость аренды некоторых ускорителей растёт. Согласно данным SemiAnalysis, приведённым в расследовании, почасовая аренда мощностей на базе Nvidia H100 по годовым контрактам подорожала за год на 60%.

Важно: это не означает, что все GPU на рынке стали дороже ровно на 60%. Стоимость зависит от поколения ускорителя, конфигурации сервера, региона, срока аренды и условий договора.

Почему нейросетям не хватает вычислительных мощностей

В основе проблемы — растущий спрос на создание и эксплуатацию моделей искусственного интеллекта.

Для обучения крупной модели обычно требуется множество производительных ускорителей, объединённых высокоскоростной сетью.

Но обучение — только часть расходов.

После выпуска модель должна отвечать на запросы пользователей, обрабатывать документы, генерировать изображения, выполнять программный код и решать сложные многоэтапные задачи.

Этот процесс называют инференсом — выполнением обученной модели.

Почему AI-агенты особенно требовательны к ресурсам

Обычный текстовый запрос может потребовать одного обращения к модели.

AI-агент, который создаёт программу, тестирует её и исправляет ошибки, способен сделать несколько последовательных запросов.

Пример:

1. Изучить структуру проекта.

2. Найти необходимые файлы.

3. Проанализировать исходный код.

4. Подготовить исправление.

5. Запустить тесты.

6. Прочитать ошибки.

7. Повторить исправление.

8. Проверить результат.

Каждое обращение может потреблять дополнительные вычислительные ресурсы.

Поэтому рост популярности AI-агентов способен увеличивать инфраструктурную нагрузку даже без пропорционального роста числа пользователей.

Почему нельзя просто купить больше видеокарт

Производительность AI-системы зависит не только от ускорителей.

Нужны высокоскоростные соединения между устройствами, оперативная память, хранилища, электричество, охлаждение и подходящее программное обеспечение.

Если компания закупила тысячи GPU, но не располагает готовым дата-центром, оборудование нельзя мгновенно превратить в доступный вычислительный сервис.

Строительство новых центров обработки данных также зависит от электросетей, разрешений, сроков поставки и инженерной инфраструктуры.

Именно поэтому компании продолжают испытывать дефицит, несмотря на крупные инвестиционные объявления.

Google: почему даже крупнейшей технологической компании приходится выбирать проекты

Google обладает собственной масштабной инфраструктурой и разрабатывает специализированные ускорители TPU.

Тем не менее это не означает, что каждый внутренний проект может использовать неограниченные вычисления.

По информации источников WSJ, внутри компании возникают споры о распределении ресурсов.

В расследовании приводится история разработчика Ноама Шазира, чьё возвращение в Google было связано со сделкой 2024 года стоимостью около $2,7 млрд.

Шазир участвовал в работе над передовыми AI-проектами, включая Gemini.

Но даже крупное финансирование и стратегическая значимость направления не гарантировали его командам постоянного доступа к запрошенным ресурсам.

В опубликованном материале утверждается, что часть вычислений была перераспределена в пользу другого проекта, а впоследствии Шазир перешёл в OpenAI.

Что это показывает

У компании могут быть деньги, исследователи и готовые алгоритмы, но отсутствовать свободные мощности для немедленного развития выбранного проекта.

В такой ситуации руководству приходится принимать решения:

• какой модели выделить приоритет;

• сколько ускорителей использовать для обучения;

• сколько оставить для действующих продуктов;

• какие эксперименты отложить;

• когда выгоднее арендовать дополнительные серверы.

Для пользователя Gemini эта борьба почти незаметна.

Но на уровне компании она может определять скорость разработки новых функций и доступность отдельных режимов.

Если вы хотите подробнее разобраться в самом AI-сервисе Google, прочитайте руководство «Gemini на русском бесплатно — как пользоваться нейросетью».

Anthropic и SpaceX: почему конкуренты договариваются о GPU

Особенно необычная часть истории связана с Anthropic — разработчиком Claude.

Как сообщает WSJ, соучредитель Anthropic Том Браун лично участвовал в переговорах о дополнительных вычислительных мощностях.

В числе потенциальных партнёров оказались структуры, связанные с Илоном Маском.

Согласно расследованию, в мае Anthropic объявила соглашение со SpaceX, совокупная стоимость которого потенциально может достигнуть $45 млрд за несколько лет.

Здесь важно различать потенциальную стоимость долгосрочного соглашения и уже фактически выплаченные деньги. Цифра $45 млрд не должна восприниматься как подтверждённый единовременный платёж.

Почему это неожиданно

На рынке AI-моделей компании конкурируют за разработчиков, подписчиков, корпоративных клиентов и качество генерации.

Однако инфраструктура создаёт другую экономическую реальность.

Если у одного участника есть свободные мощности, а другому срочно необходимы серверы, коммерческое сотрудничество может оказаться выгодным обеим сторонам.

Это не означает прекращения конкуренции.

Скорее, рынок разделяется на несколько уровней: разработку моделей, продажу пользовательских продуктов, вычислительную инфраструктуру и поставку оборудования.

При чём здесь Claude Code

Claude Code — инструмент для программирования с помощью ИИ.

Он способен участвовать в работе над программными проектами, анализировать файлы и помогать с исправлениями.

В отличие от одиночного вопроса, сложный агентский процесс может состоять из множества обращений к модели.

В расследовании высокий спрос на Claude Code назван одним из факторов инфраструктурного давления на Anthropic.

Это не доказывает, что каждый сбой Claude связан исключительно с нехваткой GPU: неполадки также могут возникать из-за программных ошибок, сетевой инфраструктуры и других причин.

Для изучения возможностей Claude можно использовать наш большой практический гайд по Claude 2026.

Почему Nvidia H100 и GPU стали важнейшим ресурсом ИИ-рынка

GPU — графический процессор, архитектура которого хорошо подходит для большого числа параллельных вычислений.

При работе нейросетей такие вычисления используются для операций над матрицами и тензорами.

Поэтому высокопроизводительные ускорители играют ключевую роль в обучении и выполнении многих AI-моделей.

Nvidia H100 — один из известных ускорителей, используемых в инфраструктуре искусственного интеллекта.

Но рынок не ограничивается этой моделью.

Существуют новые поколения GPU, ускорители AMD, Google TPU, собственные разработки других компаний и специализированное оборудование.

Почему аренда GPU дорожает

На цену влияют сразу несколько факторов:

• спрос на вычисления;

• наличие готовых серверов;

• стоимость оборудования;

• затраты на электроэнергию;

• доступность дата-центров;

• длительность договора;

• требования к сети и памяти.

По сообщению WSJ со ссылкой на SemiAnalysis, аренда мощностей на базе Nvidia H100 по годовым контрактам за год подорожала на 60%.

Но такой показатель нельзя автоматически переносить на все облачные серверы.

В отдельных конфигурациях доступность и динамика цен могут существенно различаться.

Почему стартапам опасно арендовать GPU на несколько лет

Большая компания может распределять инфраструктурные затраты между разными продуктами.

У стартапа финансовая устойчивость зачастую значительно сильнее зависит от одного проекта.

Если разработчик заключает дорогой многолетний контракт, он должен оплачивать ресурсы независимо от того, насколько быстро растёт его выручка.

По материалам WSJ, некоторые облачные провайдеры требуют предоплату до 30% стоимости договора.

Это создаёт два противоположных риска.

Риск №1. Зарезервировали слишком много

Компания ожидает быстрого роста и арендует крупный вычислительный кластер.

Но спрос оказывается ниже прогноза.

Часть мощностей простаивает, а договорные платежи продолжаются.

Риск №2. Зарезервировали слишком мало

Продукт неожиданно становится популярным.

Увеличивается количество пользователей и запросов.

Существующих GPU перестаёт хватать.

Возможные последствия — очереди запросов, ограничения доступа, повышение затрат на срочную аренду и потеря клиентов.

Почему инвесторы начинают участвовать в закупке вычислений

В расследовании описывается тенденция, когда венчурные компании помогают портфельным стартапам получать инфраструктуру.

Они могут резервировать вычислительные ресурсы или участвовать в гарантиях по договорам.

Это меняет саму структуру финансирования AI-стартапов.

Раньше ключевыми ресурсами считались команда, идеи и инвестиции.

Теперь возможность обеспечить доступ к вычислениям становится ещё одним важным условием масштабирования.

Что дефицит GPU означает для пользователей ChatGPT и Claude

Не стоит делать вывод, что завтра все нейросети обязательно станут платными или перестанут работать.

Но дефицит мощностей может влиять на то, как разработчики организуют свои продукты.

1. Ограничения запросов

Бесплатный и платный доступ могут различаться по числу запросов, приоритету выполнения и доступным функциям.

2. Разные модели для разных задач

Сервису не всегда выгодно обрабатывать простой вопрос самой дорогой моделью.

Поэтому продукты могут использовать более экономичные модели для относительно простых операций.

3. Изменения тарифов

Когда инфраструктура обходится дорого, компаниям приходится учитывать себестоимость запросов.

Однако нельзя утверждать, что конкретное изменение цены произошло именно из-за дефицита GPU без подтверждения разработчика.

4. Ограничения агентских функций

Многоэтапные задачи могут использовать больше ресурсов, чем обычные сообщения.

Это объясняет, почему некоторые сервисы отдельно учитывают интенсивность работы с программными агентами.

Если вы используете ChatGPT для программирования, стоит изучить руководство по OpenAI Codex.

7 практических способов тратить меньше на нейросети

Дефицит GPU — проблема инфраструктуры, но пользователи и разработчики могут сократить ненужные обращения к дорогим моделям.

1. Не используйте самую мощную модель для каждой задачи

Простую классификацию, извлечение данных или форматирование текста иногда может выполнить более дешёвая модель.

Но предварительно нужно проверить качество на реальных примерах.

2. Сокращайте избыточный контекст

Если вопрос относится к одной функции, не всегда требуется отправлять весь программный репозиторий.

Передавайте необходимые файлы и сведения, сохраняя контекст, без которого задача становится неоднозначной.

3. Кэшируйте повторяющиеся результаты

Например, если пользователи регулярно запрашивают одни и те же неизменные сведения, можно хранить проверенные ответы.

Не следует использовать устаревший кэш для данных, которые часто обновляются.

4. Разделяйте генерацию и проверку

Для части задач достаточно экономичной модели на первом этапе и более мощной — только при сомнениях или обнаруженных ошибках.

При этом согласие двух моделей не заменяет независимую фактическую проверку.

5. Ограничивайте бесконечные агентские циклы

Агент, который безрезультатно повторяет одно действие, способен тратить вычислительные ресурсы без полезного результата.

Задавайте максимальное число попыток и условия остановки.

6. Рассмотрите локальные модели

Для подходящих задач локальные модели могут уменьшить зависимость от облачных сервисов.

Но необходимо учитывать стоимость компьютера, память, электричество и качество ответов.

7. Измеряйте себестоимость реальной задачи

Не ограничивайтесь ценой одного миллиона токенов.

Рассчитывайте стоимость полного процесса: генерации, повторных попыток, проверок и обработки ошибок.

Так легче понять, какой инструмент экономически выгоднее.

Пример: как рассчитать стоимость AI-функции

Представим условный сервис, который анализирует документы.

Для каждого анализа он отправляет модели 10 000 входных токенов и получает 2 000 выходных.

Допустим, гипотетический тариф составляет:

• $1 за миллион входных токенов;

• $5 за миллион выходных токенов.

Стоимость одного обращения:

10 000 / 1 000 000 × $1 = $0,01.

2 000 / 1 000 000 × $5 = $0,01.

Итого — $0,02 за обращение.

При 100 000 таких обращений получаем $2 000.

Но если из-за повторных попыток на каждую задачу в среднем приходится 1,5 обращения, расходы на API увеличатся до $3 000.

Это учебный расчёт по условным ценам, а не фактический тариф OpenAI, Anthropic или другой компании.

Он показывает, почему для AI-продукта важна не только цена токена, но и число действий, необходимых для получения правильного результата.

Как разработчику проверить, не расходует ли AI-агент слишком много ресурсов

Начните с журнала фактических обращений.

Полезно фиксировать время задачи, используемую модель, количество входных и выходных токенов, число повторных попыток, длительность и успешность выполнения.

Затем разделите задачи на категории.

Например:

Простые текстовые операции.

Анализ документов.

Программирование.

Поиск по внешним источникам.

Многоэтапные агентские процессы.

Для каждой категории вычислите среднюю стоимость успешного выполнения.

Важно учитывать не только успешные запросы, но и расходы на ошибки и повторения.

Если задача постоянно требует дорогой модели, выясните причину: сложность самого запроса, недостаточные исходные данные, плохая интеграция или отсутствие проверки результата.

Будут ли нейросети дорожать в 2027 году

Однозначного ответа нет.

Существуют противоположные факторы.

С одной стороны, растущий спрос на AI-агентов, обучение новых моделей и строительство дата-центров может поддерживать высокий спрос на вычислительную инфраструктуру.

С другой — совершенствуются алгоритмы, появляются более эффективные ускорители, меняются методы оптимизации и развивается конкуренция между поставщиками.

Поэтому возможна ситуация, когда отдельные виды аренды GPU дорожают, а стоимость выполнения типовой задачи на новой модели снижается.

Необходимо различать три показателя:

Цена оборудования — стоимость покупки ускорителей и серверов.

Цена инфраструктуры — стоимость аренды вычислительных ресурсов.

Цена результата — сколько пользователь или разработчик платит за реально выполненную задачу.

Эти показатели не обязаны изменяться одинаково.

Что делать владельцам сайтов и небольших AI-проектов

Не стоит строить экономику сервиса на предположении, что облачные вычисления всегда будут дешеветь.

При запуске проекта полезно предусмотреть несколько сценариев расходов.

Например, посчитать экономику при текущей стоимости API, при увеличении расходов на 30% и при удвоении нагрузки.

Это не прогноз рынка, а стресс-тест финансовой модели.

Также имеет смысл:

1. Оставить возможность сменить AI-провайдера.

2. Хранить проверяемые журналы расхода токенов.

3. Отдельно учитывать стоимость ошибок.

4. Использовать кэширование там, где оно уместно.

5. Настроить лимиты расходов.

6. Проверять альтернативные модели на одинаковых данных.

7. Регулярно пересматривать экономику платных функций.

Подробные примеры применения нейросетей в рабочих процессах собраны в нашей статье «Нейросети для бизнеса: 10 ИИ-инструментов с примерами».

Частые вопросы

Почему возник дефицит GPU для искусственного интеллекта?

Спрос на обучение и использование моделей растёт быстрее, чем доступность некоторых видов вычислительной инфраструктуры. Ограничения связаны с ускорителями, сетями, электроснабжением и сроками строительства ЦОД.

Правда ли аренда Nvidia H100 подорожала на 60%?

В расследовании WSJ приводится оценка SemiAnalysis о росте почасовой аренды H100 по годовым контрактам на 60% за год. Это не универсальный показатель для всех поставщиков.

Зачем Anthropic договариваться со SpaceX?

Согласно расследованию, Anthropic искала дополнительные вычислительные ресурсы для удовлетворения растущего спроса на свои продукты.

Почему Google не хватает собственных мощностей?

Даже масштабная инфраструктура ограничена. Компания должна распределять ресурсы между многочисленными продуктами, исследовательскими проектами и действующими сервисами.

Подорожает ли ChatGPT?

По одному расследованию невозможно достоверно предсказать изменение тарифов. На цены влияют спрос, конкуренция, инфраструктурные расходы и продуктовая стратегия.

Почему Claude может ограничивать использование?

Ограничения могут быть связаны с доступными вычислительными ресурсами и правилами тарифа. Причину конкретного сбоя или лимита следует проверять по официальным сообщениям сервиса.

Можно ли пользоваться нейросетью без дорогого GPU?

Да. Для облачных AI-чатов собственный мощный ускоритель обычно не нужен. Локальные модели также могут работать на разном оборудовании, но скорость зависит от ресурсов компьютера.

Как сократить расходы на AI-агентов?

Полезно измерять стоимость успешной задачи, ограничивать повторные попытки, использовать подходящие модели и кэшировать проверяемые повторяющиеся результаты.

Почему стартапам опасны долгосрочные GPU-контракты?

Если спрос на продукт окажется ниже ожиданий, компания может продолжать оплачивать избыточные мощности, что увеличит финансовую нагрузку.

Может ли дефицит вычислений замедлить развитие ИИ?

Да, нехватка доступных ресурсов может ограничивать отдельные проекты. Но темпы развития отрасли также зависят от алгоритмов, исследований, оборудования и инвестиций.

Итог: новая золотая лихорадка идёт не за данными, а за вычислениями

События октября 2026 года показывают, насколько важной стала инфраструктура для искусственного интеллекта.

Компания может разработать перспективную модель, нанять сильную исследовательскую команду и привлечь инвестиции — но всё равно столкнуться с нехваткой ресурсов для запуска и масштабирования продукта.

Для Google это означает необходимость выбирать приоритеты между внутренними проектами.

Для Anthropic — искать дополнительные мощности и партнёрства.

Для стартапов — оценивать риски долгосрочной аренды и предоплаты.

Для обычных пользователей — учитывать ограничения сервисов и не воспринимать бесплатный доступ как гарантированно неограниченный ресурс.

Главный вывод: конкуренция на рынке ИИ теперь идёт не только за качеством моделей. Всё большее значение имеет способность компании обеспечить вычислительные мощности и превратить их в доступный, стабильный и экономически устойчивый продукт.

А для разработчиков и владельцев AI-проектов наиболее практичный вывод состоит в другом: нужно считать не количество запросов, а стоимость полезного результата.

Читайте также на AI NEWS LAB

Чтобы подробнее разобраться в инструментах Anthropic, откройте «Claude 2026: полное руководство по Projects, Cowork и Skills».

Для работы с программными агентами пригодится инструкция по OpenAI Codex.

Если выбираете между моделями для кода, посмотрите «Нейросеть для написания кода бесплатно: 7 инструментов и 15 приёмов».

Для повседневных задач бизнеса полезен обзор AI-инструментов с примерами.

А при выборе альтернативных моделей можно начать с Qwen AI на русском и DeepSeek бесплатно.

Источники

*Дата проверки сведений: октябрь 2026. Перед использованием проверяйте актуальные условия на официальных сайтах сервисов.*