describe.ru

Как одно слово превратило $70 млрд выручки OpenAI в $50 млрд

OpenAI не потеряла $20 млрд за несколько недель. Рынок сравнил две цифры, рассчитанные по разным правилам. История о том, почему без определения даже точная метрика может вводить в заблуждение.

В конце сентября вокруг OpenAI ходила впечатляющая цифра: около $70 млрд годовой выручки в пересчёте на текущий темп бизнеса.

8 октября Financial Times сообщила другую: OpenAI недавно сказала инвесторам, что показатель приближается к $50 млрд.

Разница - примерно $20 млрд.

Для публичного рынка такие цифры выглядят так, будто кто-то внезапно обнаружил гигантскую дыру в бизнесе одной из главных AI-компаний мира. Акции связанных с AI компаний пошли вниз. Oracle потеряла около 5,5%, Nvidia - около 2,9%, а Nasdaq 100 снизился примерно на 1,4%.

Но самое интересное в этой истории в другом.

OpenAI, судя по имеющимся данным, вовсе не потеряла $20 млрд выручки.

Изменилась не компания.

Изменилось определение того, что именно считают выручкой.

Как $50 млрд превратились в $70 млрд

Reuters со ссылкой на источник подтверждает основную причину расхождения.

OpenAI и Anthropic по-разному считают продажи, проходящие через облачных партнёров.

Anthropic включает в annualized revenue продажи через такие платформы, как AWS и Google Cloud. OpenAI аналогичные партнёрские продажи в свою цифру не включает.

Для обычного читателя разница может показаться бухгалтерской мелочью.

Для инвестора, который пытается поставить OpenAI и Anthropic в две соседние колонки Excel, это совсем не мелочь.

Financial Times пишет, что более высокая оценка OpenAI появилась, когда инвесторы пытались привести показатели двух компаний к сопоставимому виду. В результате оценка, рассчитанная по одной методике, начала жить в публичном пространстве рядом с официальной цифрой, рассчитанной по другой.

И в какой-то момент эти две цифры стали восприниматься как будто они означают одно и то же.

Не означают.

Что вообще такое annualized revenue

Здесь есть ещё одна ловушка.

Речь идёт не обязательно о выручке, которую компания уже заработала за последние 12 месяцев.

Annualized revenue, или revenue run rate, часто получают гораздо проще: берут текущий месячный или квартальный темп продаж и экстраполируют его на год.

Если компания получила $4 млрд за месяц и предположить, что такой темп сохранится, можно говорить примерно о $48 млрд в годовом выражении.

Это удобная метрика для быстро растущего бизнеса.

И одновременно опасная.

Она превращает сегодняшний темп роста в число, которое визуально очень похоже на уже полученную годовую выручку.

Reuters отдельно отмечает, что подобный показатель популярен среди быстрорастущих технологических компаний, хотя способен давать искажённое представление о бизнесе.

А теперь добавьте к нему ещё две версии определения выручки.

Получается идеальная почва для путаницы.

Рынок увидел падение там, где изменился знаменатель

Представим две компании.

Первая продаёт продукт напрямую за $100.

Вторая получает $100 через партнёра, которому затем уходит $20 комиссии.

Можно написать:

Выручка: $100.

А можно:

Чистая выручка после партнёра: $80.

Обе цифры могут быть корректными.

Ошибка начинается не в момент расчёта.

Она начинается, когда $100 одной компании сравнивают с $80 другой и забывают подписать, что именно входит в каждую цифру.

История OpenAI хорошо показывает стоимость такой ошибки.

В четверг финансовый рынок реагировал не только на реальные изменения бизнеса, но и на понимание того, что одна из наиболее обсуждаемых цифр AI-индустрии оказалась не такой сопоставимой, как многие считали.

Reuters прямо связывал распродажу AI-акций с новыми сомнениями по поводу финансовой устойчивости сектора и прозрачности используемых показателей.

При этом сам бизнес OpenAI продолжал быстро расти

Это тоже важно, потому что заголовок «выручка OpenAI на $20 млрд меньше» легко прочитать как «компания потеряла $20 млрд».

Доступные данные этого не показывают.

Financial Times сообщала, что annualized revenue OpenAI всё равно вырос более чем на 70% с июля. Более поздний разбор FT также указывает примерно на 70-процентный рост annualized run rate в третьем квартале.

То есть реальная история выглядит не так:

OpenAI ожидала $70 млрд и внезапно получила только $50 млрд.

А скорее так:

В публичном пространстве одновременно существовали две оценки, построенные по разным правилам.

Разница принципиальная.

Любой data engineer узнает эту проблему

В дата-платформах подобные истории происходят постоянно, только вместо миллиардов долларов спор обычно начинается на встрече между Finance, Sales и Analytics.

Одна команда сообщает:

Revenue = $12,4 млн.

Вторая:

Revenue = $11,1 млн.

Начинается поиск ошибки в pipeline.

Проверяют ETL.

Сверяют Snowflake.

Ищут дубликаты.

Пересчитывают транзакции.

А потом выясняется:

Первая команда считает gross revenue.

Вторая - net revenue.

Первая включает refunds в момент возврата.

Вторая пересчитывает прошлый период.

Одна использует дату заказа.

Другая - дату оплаты.

Обе SQL-запроса написаны правильно.

Просто они отвечают на разные вопросы.

Именно поэтому одна из самых скучных частей data engineering иногда оказывается одной из самых ценных: семантический слой.

Место, где кто-то наконец записал, что слово revenue в этой компании означает конкретно.

У AI-команд начинается та же проблема

Сейчас подобная путаница быстро переезжает из финансовых показателей в метрики AI-систем.

Например, команда показывает:

Cost per task: $0.18.

Хорошо.

Но что вошло в эти 18 центов?

Только финальный вызов модели?

Ретраи?

Embedding?

Кэшированные токены?

Вызовы вспомогательного агента?

Web search?

Запрос к reasoning-модели, который выполнялся до основного агента?

Стоимость инфраструктуры?

А теперь другая метрика:

Agent success rate: 92%.

Что означает success?

Агент написал, что завершил задачу?

Тест прошёл?

Запись действительно появилась в базе?

Пользователь получил правильный результат?

Человек проверил его?

Никакой показатель нельзя интерпретировать, пока не известна его семантика.

Даже правильный dashboard может говорить неправду

Это особенно неприятная проблема для data-команд.

Можно построить безупречный pipeline.

Данные поступают вовремя.

Тесты зелёные.

Таблица обновлена.

Dashboard показывает именно то, что лежит в таблице.

И всё равно принять неправильное решение.

Потому что проблема находится уровнем выше SQL.

Не в данных.

В значении данных.

Условная таблица:

ai_cost_daily

ничего не гарантирует.

Нужно знать, что именно команда считает AI cost.

Если Finance включает инфраструктуру, Data Science считает только API tokens, а Engineering добавляет retries и observability, у компании уже существуют три стоимости одной и той же системы.

Каждая может быть рассчитана идеально.

Метрика без определения - это просто число

Индустрия данных долго училась тому, что недостаточно собирать данные.

Потом выяснилось, что недостаточно построить красивые dashboard.

Теперь AI делает ту же проблему ещё заметнее.

Количество новых метрик растёт:

  • стоимость задачи;

  • стоимость успешной задачи;

  • число токенов;

  • latency;

  • доля автономно выполненных задач;

  • процент эскалаций человеку;

  • число ретраев;

  • accuracy;

  • agent success rate;

  • tool success rate.

Но чем больше показателей, тем легче создать иллюзию точности.

87.4% выглядит очень убедительно.

До тех пор, пока два отдела не выяснят, что один считает успехом завершение workflow, а другой - подтверждённый бизнес-результат.

Сначала определение, потом SQL

История с OpenAI полезна не потому, что кому-то нужно запомнить цифру $50 млрд.

Через несколько месяцев она всё равно изменится.

Полезнее запомнить другое.

Перед тем как поставить две метрики рядом, задайте четыре вопроса:

  1. Что именно измеряется?

  2. Что включено в показатель?

  3. Что из него исключено?

  4. По одинаковым ли правилам рассчитаны обе цифры?

Если ответа нет, сравнение может быть бессмысленным независимо от количества знаков после запятой.

Именно это произошло с двумя headline-цифрами OpenAI.

Разница в $20 млрд выглядела как огромная финансовая новость.

Значительная её часть оказалась разницей в определении.

Иногда самый дорогой баг в данных находится не в коде.

Он находится в словаре.

Источники

  • Financial Times - первоначальное сообщение о том, что annualized revenue OpenAI на конец сентября приближалась к $50 млрд, а не к ранее обсуждавшимся $70 млрд, а также объяснение различий в методике расчёта. OpenAI annualised revenues $20bn less than previously signalled

  • Reuters - подтверждение расхождения между $50 млрд и $70 млрд и объяснение различий в учёте продаж через AWS, Google Cloud и других облачных партнёров. OpenAI's September annualized revenue nears $50 billion

  • Financial Times - последующий анализ проблемы annualized revenue, net и gross accounting и влияния неясных финансовых метрик на рынок AI. The hazy OpenAI growth metric driving Wall Street

  • Reuters - обзор рыночной реакции 8 октября и более широких опасений инвесторов по поводу экономики AI-индустрии. Trading Day: The pAIn trade strikes

Комментарии

Загружаю.

Читать дальше

описалalexnews30 октября

Firefox скрывал исправления уязвимостей. Бесплатная ИИ-модель всё равно их нашла

Исследователи показали, как открытая ИИ-модель GLM 5.3 находила скрытые исправления Firefox и создавала работающие эксплойты. Каждый обход защиты обходился примерно в $1000, а на некоторые уходило меньше суток.

Искусственный интеллект11 минут
описалalexnews29 октября

СМИ: предполагаемая китайская шпионка сблизилась с главой Nvidia. Трамп, как утверждается, не стал вмешиваться

Американская разведка около года следила за бывшей руководительницей облачной компании, подозревая её в связях с китайскими спецслужбами. По данным The New York Times, женщина сумела сблизиться с главой Nvidia Дженсеном Хуангом, однако администрация Трампа не предприняла заметных действий.

Искусственный интеллект11 минут1 просмотр
описалalexnews28 октября

Gemini 4 Carbon возглавила рейтинг ИИ-моделей Google. Но воспользоваться ею пока почти невозможно

Спустя всего две недели после Gemini 4 Argon компания Google представила ещё более мощную модель Gemini 4 Carbon. Она заняла первое место в рейтинге Artificial Analysis, показала впечатляющие результаты в поиске уязвимостей и получила усиленную защиту от атак. Однако доступ к ней пока ограничен, а за рекордными показателями скрываются серьёзные компромиссы.

Искусственный интеллект12 минут
описалalexnews27 октября

OpenAI и Anthropic заявили, что ИИ опроверг гипотезу, которой математики придерживались с 1999 года

Две ведущие AI-лаборатории почти одновременно представили доказательства, ставящие под сомнение один из фундаментальных принципов теории вычислений. Если результаты подтвердятся, последствия затронут математику, информатику и методы решения сложных задач. Но пока независимая проверка только начинается.

Искусственный интеллект12 минут