Рабочая статья NBER Working Paper 35953 «Competition in Generative AI: Evidence from Consumer Demand» (Egan, Russel, Shi, Yao; октябрь 2026) оценивает конкуренцию на рынке генеративного ИИ по транзакционным данным кредитных и дебетовых карт: 174 млн потребителей и 114 млрд транзакций. К апрелю 2026 года примерно 2,9% американских потребителей платят хотя бы за один крупный ИИ-сервис, почти все — на базовых планах до $30 в месяц. Годовое удержание клиентов у крупных провайдеров составляет 20–45%, а всплески переключения между сервисами совпадают с релизами новых моделей. Авторы фиксируют высокую ценовую чувствительность и слабые предпочтения к конкретному провайдеру: без заметной разницы в качестве моделей растущая взаимозаменяемость ограничит ценовую власть компаний, а излишек сместится к пользователям.

image

Что произошло

Группа исследователей в составе Egan, Russel, Shi и Yao опубликовала в октябре 2026 года рабочую статью NBER Working Paper 35953 «Competition in Generative AI: Evidence from Consumer Demand». В основе работы не опросы, а транзакционные данные кредитных и дебетовых карт: выборка охватывает 174 млн потребителей и 114 млрд операций. Она показывает, что по состоянию на апрель 2026 года подписчиком хотя бы одного крупного генеративного ИИ-сервиса является около 2,9% американских потребителей, и почти все они выбирают базовые тарифы стоимостью до $30 в месяц. Годовое удержание клиентов у крупных провайдеров составляет 20–45%, а всплески переключения синхронизированы с релизами новых моделей: выбор потребителя движется релизным циклом, а не брендом. Затем авторы построили структурную модель спроса и предложения, которая фиксирует высокую ценовую чувствительность и слабые предпочтения к конкретным сервисам. Вывод модели таков: если разница в качестве моделей для массового пользователя неощутима, растущая взаимозаменяемость услуг ограничит ценовую власть провайдеров.

Контекст

Рынок подписок на генеративный ИИ — сервисы класса ChatGPT и Gemini — до сих пор оценивался в основном по корпоративным раскрытиям и опросам, поэтому масштаб эмпирической базы статьи необычен: панельные картовые данные такого объема редко доступны исследователям. Удержание 20–45% в год эквивалентно тому, что от 55 до 80% подписчиков не продлевают подписку в течение года, что резко выделяется на фоне привычных для зрелых подписочных бизнесов метрик длительной лояльности. Судя по данным, массовому платящему пользователю не видны те различия в качестве моделей, которые лаборатории считают ключевыми конкурентными преимуществами: он голосует кошельком вокруг релизов, а не вокруг сдвигов в лидербордах. Работа попутно выводит на первый план центральный для отрасли вопрос о разрыве между benchmark-метриками и воспринимаемым качеством, который требует методологии оценки моделей по поведенческим, а не только тестовым критериям.

Почему это важно для индустрии

Статья дает индустрии количественные ориентиры, которых ранее не было: долю платящей аудитории, годовое удержание и фактический диапазон цен. Практическое следствие — финансовые модели AI-подписочных продуктов логично пересчитывать под годовой отток 55–80%, а рассчитывать на подъем цен consumer-планов заметно выше отметки около $30 не стоит: ценообразование чувствительно, и дифференциация формата «тот же доступ, но лучше» не продается. Релизы моделей выступают триггером привлечения чужих клиентов, поэтому вероятны усиление release-циклов как инструмента churn-конкуренции и эксперименты с тарифами: уровни, бандлы, промо-переключение. Для инженерных команд сигнал таков: не строить критический путь на одном провайдере, ввести провайдер-агностичную абстракцию клиента с фолбэками, зафиксировать eval-набор и регламент его прогона перед каждым крупным релизом модели. Если паритет качества сохранится, потребительский сегмент пойдет по пути коммодитизации с тонкими маржями и возможной консолидацией, а дифференциация сместится из сырого качества модели в экосистему — агентов, интеграции, память — и в корпоративный и API-канал; ожидается также рост мульти-модельных конфигураций в продакшене и спрос на инструменты выбора и роутинга моделей.

Почему это важно для пользователей

Главный вывод для читателя: подписка на ИИ-сервис — не решение «навсегда», а легко переключаемый продукт. Менять провайдера при каждом крупном релизе — рациональная стратегия, позволяющая не переплачивать, потому что выбор массового пользователя опирается на конкуренцию сервисов, а не на лояльность к бренду. Если качество моделей продолжит выравниваться, экономический излишек сместится к потребителям и именно конкуренция будет определять цены на подписки. Вероятны эксперименты с тарифами — уровни, бандлы, промо-акции за переключение, — при этом провайдеры будут отвечать на отток не только ценой, но и памятью, интеграциями и агентскими возможностями, то есть ценностью вокруг модели. Может вырасти спрос на роутеры и «умные» подписки, которые сами следят за релизами и переключают конфигурацию автоматически. Полезная привычка уже сейчас: закладывать смену модели без потери контекста и пересматривать свой тариф в момент каждого заметного релиза.

Что пока неизвестно / ограничения

Ограничения работы существенны. Картовые данные фиксируют факт платежа, но не восприятие качества и не интенсивность использования сервиса. Тезис о взаимозаменяемости и слабых предпочтениях получен из структурной модели, опирающейся на допущения, поэтому коммодитизация рынка — это прогноз модели, а не установленное наблюдение. Статья имеет статус working paper, и выводы могут быть пересмотрены: ожидается второй слой эконометрических исследований, которые либо подтвердят результаты на других выборках, либо атакуют их на репликации. Выборка охватывает американских потребителей, а данные доведены до апреля 2026 года, поэтому перенос выводов на другие рынки и более поздние периоды требует проверки. Данных по корпоративному и API-каналу, а также по latency, uptime и тарифам инференса в работе нет, и на эти сегменты выводы напрямую не распространяются.

Источники

Автор

Look at AI, редакция