Снимка: iStock

В проспекта за борсовото си листване компанията зад Claude обяснява 39 технологични понятия. Дванадесет от тях заслужават специално внимание, защото разкриват не само как работи съвременният изкуствен интелект, но и как ще се печелят пари от него. А при обсъждана оценка от 1,5–2 трилиона долара разликата между впечатляваща технология и печеливш бизнес никога не е била толкова важна.

Има един интересен детайл в проспекта на Anthropic, който лесно може да остане незабелязан покрай огромните финансови числа. Още в началните страници компанията обяснява 39 понятия, свързани с изкуствения интелект. Някои са добре познати, но други звучат като терминология от научна лаборатория. Сред тях са agent loop, compute multipliers, mechanistic interpretability, multi-agent orchestration и Constitutional AI.

Защо една компания, която се подготвя за борсов дебют при оценка до 2 трилиона долара, отделя толкова внимание на подобни определения? Защото инвеститорите вече няма да могат да оценяват AI бизнеса единствено чрез броя потребители, приходите и темповете на растеж. Все по-важно ще бъде да разбират какво точно продават тези компании, колко струва предоставянето на услугите им и какво ги отличава от конкурентите.

Anthropic отчита приходи от 16,3 млрд. долара за първото полугодие на 2026 г. срещу 1,1 млрд. долара година по-рано. Това е ръст от близо 1382%, който трудно може да бъде сравнен с развитието на традиционен технологичен бизнес. Същевременно компанията отчита нетна загуба от 80,7 млрд. долара, макар по-голямата част от нея да е свързана с непарични счетоводни ефекти.

При подобни числа големият въпрос вече не е дали съществува търсене на изкуствен интелект. Очевидно съществува. Въпросът е каква част от създадената икономическа стойност ще остане при компаниите, които разработват моделите, и каква ще бъде погълната от инфраструктурата, конкуренцията и необходимостта от непрекъснати технологични подобрения.

Именно тук дванадесетте понятия от проспекта започват да придобиват съвсем различен смисъл.

Agent loop: когато AI престане да бъде събеседник и започне да работи

Може би най-важното понятие е agent loop — цикълът, чрез който един AI агент получава задача, предприема действие, проверява резултата и решава какво да направи след това. Процесът се повтаря, докато задачата бъде изпълнена или системата достигне условие за спиране.

Разликата спрямо традиционния чатбот е огромна. Вместо просто да отговори как се прави финансов анализ, AI агентът може да събере отчетите на компанията, да изчисли показателите, да открие противоречия, да сравни резултатите с предходни периоди и да подготви аналитичен документ.

За инвеститорите това е ключово, защото променя начина, по който AI компаниите могат да генерират приходи. Потребителите вече няма да плащат единствено за достъп до интелигентен събеседник. Все по-често ще плащат за изпълнена работа.

Но тук се появява и нов риск. Един агент може да направи десетки последователни действия, всяко от които струва изчислителни ресурси. Ако цената за изпълнение на задачата е прекалено висока, икономическата полза за доставчика може да се окаже значително по-малка от очакваното.

Applied AI: истинските пари може да са в интеграцията

Второто понятие, Applied AI, описва внедряването на изкуствен интелект в реалните бизнес процеси. Това включва специализирани решения, интеграция с корпоративни системи и работа на инженери, които адаптират технологията към конкретните нужди на клиентите.

На практика това означава, че голяма част от бъдещата стойност на AI няма да се създава само чрез разработването на по-мощни модели. Тя ще се появява и при превръщането им в надеждни инструменти за банки, застрахователи, производствени предприятия, болници и други организации.

Тук възниква интересен въпрос за бизнес модела на Anthropic. Ако корпоративните клиенти изискват значителна индивидуална интеграция, компанията може да генерира големи приходи, но и да поема сериозни разходи за внедряване и поддръжка.

Колкото по-стандартизирани стават решенията, толкова по-голяма е възможността за мащабиране. Колкото повече човешка работа изисква всеки нов клиент, толкова повече бизнесът започва да прилича на традиционна технологична консултантска компания.

Разликата е съществена за бъдещите маржове.

Compute multipliers: може би най-важното понятие за бъдещата рентабилност

Третото понятие заслужава особено внимание от инвеститорите. Compute multipliers означава алгоритмични и методологични подобрения, които позволяват от едно и също количество изчислителна мощност да се получава повече полезна работа.

Представете си, че днес изпълнението на определена AI задача струва един долар. Ако чрез по-добри алгоритми, оптимизация на моделите и по-ефективно използване на хардуера цената падне до 20 цента, икономиката на услугата се променя драматично.

За компания като Anthropic подобни подобрения могат да се окажат по-важни от поредното увеличение на приходите. Ако цената на изчисленията намалява по-бързо от цените, които плащат клиентите, брутните маржове могат да се подобрят значително.

Но има и обратна възможност. Ако конкуренцията принуди компаниите да прехвърлят почти всички икономии към клиентите чрез по-ниски цени, ползата ще остане основно при потребителите на AI, а не при акционерите.

Това е един от най-големите неизвестни фактори в оценката на целия сектор.

Constitutional AI: безопасността като конкурентно предимство

Anthropic определя Constitutional AI като подход, при който моделите се обучават да оценяват и преработват собствените си отговори спрямо набор от писмени принципи. Компанията посочва четири основни приоритета: безопасност, етично поведение, спазване на правилата и действителна полезност.

На пръв поглед това изглежда като въпрос на технологична философия. Но за корпоративните клиенти може да има съвсем конкретна икономическа стойност.

Една банка например няма да избере AI система единствено защото тя отговаря малко по-бързо или пише по-убедително. За нея ще бъде важно дали системата може да спазва вътрешните правила, да защитава чувствителна информация, да обяснява ограниченията си и да не предприема действия извън предоставените правомощия.

Тук безопасността постепенно се превръща от техническо изискване в потенциално конкурентно предимство.

Но има важна граница. Обучението на модела да следва определени принципи не гарантира, че той ще ги спазва без изключение. При критични приложения са необходими и външни проверки, ограничения на достъпа, проследимост на действията и механизми за човешки контрол.

Това разграничение ще става все по-важно, когато AI агентите започнат да изпълняват реални финансови и оперативни задачи.

Context window: колко информация може да обработи един модел

Context window обозначава максималния обем информация, който моделът може да обработи в рамките на една заявка. Той включва инструкции, документи, история на разговора и генерирания отговор.

Големият контекстен прозорец позволява на AI системите да анализират обемни документи, сложни програмни проекти и продължителни разговори. Това е особено важно за корпоративните приложения.

Но повече контекст не означава автоматично по-добър анализ. Моделът може да разполага с огромно количество информация и въпреки това да пропусне важен детайл, да обърка хронологията или да придаде прекомерно значение на нещо второстепенно.

Освен това обработката на големи обеми информация струва пари. Затова бъдещото конкурентно предимство може да зависи не само от размера на контекстния прозорец, а от способността на системата да използва правилната информация в правилния момент.

Interleaved thinking: AI, който променя плана си по време на работа

Това понятие описва способността на модела да извършва последователни стъпки на разсъждение между използването на различни инструменти.

Например AI агент може първоначално да реши да анализира финансовите отчети на компания. След като открие необичайно увеличение на вземанията, той може да промени плана си и да провери качеството на приходите, преди да продължи към оценката на акциите.

Подобна способност е изключително важна за сложните задачи, защото реалният анализ рядко следва напълно предварително определен сценарий. Новите доказателства често изискват промяна на посоката.

За инвеститорите това е показател за качеството на AI услугата, но не непременно за нейната рентабилност. Повече разсъждения и повече използвани инструменти могат да подобрят резултата, но също така увеличават разходите.

Mechanistic interpretability: опитът да разберем какво се случва вътре в AI

Механистичната интерпретируемост е едно от най-интересните направления в съвременните изследвания на изкуствения интелект. Целта е да се установят конкретните вътрешни механизми в невронните мрежи, които пораждат определено поведение.

Това е различно от обикновеното наблюдение на входа и изхода на модела. Вместо само да проверяваме дали AI дава правилен отговор, се опитваме да разберем кои вътрешни характеристики и изчислителни структури са участвали в неговото формиране.

Потенциалът е огромен, особено при откриването на опасно или подвеждащо поведение. Но технологията все още не предоставя пълно и надеждно обяснение на всички решения на големите модели.

От инвестиционна гледна точка напредъкът в тази област може да увеличи доверието към AI системите и да улесни използването им в силно регулирани индустрии. Това обаче е дългосрочна възможност, а не гарантиран източник на приходи.

Multi-agent orchestration: когато един AI започне да управлява други AI агенти

При multi-agent orchestration няколко специализирани агента работят по обща задача, като един координира процеса, а останалите изпълняват отделни дейности.

Във финансовия анализ например един агент може да обработва отчетите, друг да анализира пазарната оценка, трети да проверява рисковете, а четвърти да търси аргументи срещу първоначалната инвестиционна теза.

Това е логично развитие на агентния AI. Вместо един модел да изпълнява последователно всички задачи, различните дейности могат да бъдат разпределени между специализирани компоненти.

Но и тук технологичната сложност не гарантира по-добър икономически резултат. Повече агенти означават повече изчисления, повече комуникация между отделните компоненти и потенциално повече грешки при координацията.

Истинското предимство ще бъде при системите, които могат да докажат, че използването на няколко агента подобрява качеството достатъчно, за да оправдае допълнителните разходи.

Prompt injection: рискът, който може да забави масовото внедряване

Един от най-сериозните проблеми пред агентните AI системи е prompt injection — опит за манипулиране на поведението на модела чрез злонамерени инструкции, скрити в документи, сайтове или други източници на информация.

Представете си AI агент, който анализира финансов отчет, публикуван в интернет. В документа може да има текст, който се опитва да го накара да игнорира първоначалните инструкции, да изпрати информация на външен адрес или да промени заключението си.

За обикновения потребител подобен риск може да изглежда технически. За компаниите, които възнамеряват да поверят на AI реални бизнес процеси, той е фундаментален.

Колкото повече правомощия получават агентите, толкова по-големи стават потенциалните последствия от успешна манипулация.

Това означава, че бъдещите лидери в корпоративния AI няма да бъдат непременно компаниите с най-впечатляващите демонстрации. Възможно е решаващо значение да има способността им да осигуряват надеждна защита и контрол при реална употреба.

Prosumers: новата категория клиенти между потребителите и бизнеса

Anthropic използва понятието prosumers за индивидуални потребители, които плащат за AI инструменти, за да извършват професионална или интелектуална работа.

Това са програмисти, анализатори, консултанти, предприемачи, журналисти и други специалисти, за които изкуственият интелект вече не е любопитна технология, а част от ежедневния работен процес.

Тази категория е интересна, защото се намира между масовия потребителски пазар и големите корпоративни клиенти. Prosumers могат да бъдат готови да плащат повече за качествена услуга, но същевременно са чувствителни към цената и сравнително лесно могат да сменят доставчика.

За Anthropic и OpenAI това е важен сегмент, но дългосрочната му стойност ще зависи от способността на компаниите да превърнат индивидуалната употреба в устойчива професионална зависимост от техните продукти.

Reinforcement learning и RLHF: как моделите се учат да бъдат по-полезни

Последните две понятия са свързани с обучението на AI моделите.

Reinforcement learning представлява подход, при който моделът се усъвършенства чрез сигнали за възнаграждение, свързани с качеството на изпълнените задачи. RLHF, или обучение с подсилване чрез човешка обратна връзка, използва оценки и предпочитания на хора, за да насочва поведението на модела.

Тези технологии са важна част от развитието на съвременните AI системи. Те позволяват моделите да стават по-полезни, по-точни и по-добре съобразени с очакванията на потребителите.

Но обучението чрез обратна връзка има ограничения. Ако системата за оценяване не измерва правилно желаното поведение, моделът може да се научи да оптимизира оценката, без действително да подобрява качеството на работата си.

Това е особено важно при сложни задачи, при които убедителният отговор невинаги е правилен, а краткосрочното удовлетворение на потребителя може да противоречи на дългосрочния му интерес.

За инвеститорите въпросът е дали подобренията в обучението ще продължат да създават значителни конкурентни предимства, или постепенно ще се превърнат в стандартни способности, достъпни за всички водещи разработчици.

Какво всъщност ни казват тези дванадесет понятия?

Ако погледнем отвъд техническите определения, проспектът на Anthropic разкрива три основни направления, в които ще се развива AI индустрията.

Първото е преминаването от генериране на съдържание към изпълнение на реални задачи. Agent loop, interleaved thinking и multi-agent orchestration описват именно тази промяна. Компаниите вече не се конкурират само за това кой модел ще даде най-добрия отговор, а кой ще може да извърши най-сложната работа надеждно и на приемлива цена.

Второто направление е ефективността. Compute multipliers, context window и методите за обучение показват колко важно ще бъде съотношението между качеството на резултата и необходимите изчислителни ресурси. При огромните разходи за AI инфраструктура дори сравнително малки подобрения в ефективността могат да имат сериозно отражение върху бъдещите маржове.

Третото направление е доверието. Constitutional AI, mechanistic interpretability и защитата срещу prompt injection са свързани с един фундаментален проблем — как да позволим на AI системите да извършват все повече дейности, без да губим контрол върху тях.

Именно третото направление може да се окаже решаващо за навлизането на AI във финансовите услуги, здравеопазването, правото и останалите силно регулирани сектори.

Но има и нещо, което тези понятия не могат да ни кажат. Те не доказват, че Anthropic ще успее да запази технологичното си предимство, нито че бъдещите ѝ приходи ще се превръщат в достатъчна печалба.

Големият въпрос за два трилиона долара

При обсъждана оценка от 1,5–2 трилиона долара инвеститорите няма да плащат само за настоящия бизнес на Anthropic. Те ще плащат за очакването, че компанията ще се превърне в един от основните доставчици на интелектуална инфраструктура за световната икономика.

Това е възможно. Но за да бъде подобна оценка оправдана в дългосрочен план, Anthropic ще трябва да постигне нещо много по-трудно от бърз растеж на приходите. Компанията ще трябва да запази конкурентоспособността си, да намалява относителните разходи за изчисления, да изгражда устойчиви отношения с корпоративните клиенти и постепенно да превръща технологичното си предимство в значителни свободни парични потоци.

Тук се крие и най-големият риск за инвеститорите. Част от способностите, които днес изглеждат изключителни, след година могат да бъдат стандартни за целия сектор. Ако технологичните предимства се разпространяват по-бързо, отколкото компаниите успяват да ги превърнат в устойчиви печалби, високите оценки ще бъдат все по-трудни за защита.

Не е изключено Anthropic да продължи да увеличава приходите си с впечатляващи темпове и въпреки това акциите ѝ да се окажат разочароваща инвестиция. Това може да се случи, ако бъдещият растеж вече е включен в цената или ако необходимите разходи за поддържането му останат прекалено високи.

Най-важният извод от проспекта на Anthropic е, че AI индустрията навлиза в нов етап. Конкуренцията постепенно се измества от въпроса кой може да създаде най-умен модел към въпроса кой може да превърне този интелект в надеждна, полезна и икономически ефективна услуга.

Това е много по-сериозно предизвикателство от спечелването на поредния технологичен бенчмарк.

И вероятно именно то ще определи кои от днешните AI лидери ще оправдаят трилионните си оценки и кои ще останат в историята като компании с впечатляващи технологии, но разочароваща възвръщаемост за акционерите.

Материалът е с аналитичен характер и не е съвет за покупка или продажба на активи на финансовите пазари.