$480 МЛРД «СГОРЕЛИ» НА БИРЖЕ: В КИТАЕ ЛОПНУЛ ИИ-ПУЗЫРЬ. США — СЛЕДУЮЩИЕ?

Артем Гончаренко, PhD

Руководитель Института реинтеграции, реабилитации и профессионального развития ветеранов «Архитектура устойчивости» КНУБА

27 октября 2026 года • авторская аналитика

Китайский обвал: что на самом деле произошло с рынком

Ещё недавно производителей чипов, оптических компонентов для дата-центров и робототехники называли главными победителями новой технологической революции. Инвесторы покупали их акции, рассчитывая на будущий рост спроса на искусственный интеллект. В конце октября эта уверенность сменилась масштабной распродажей.

По сообщению Reuters от 26 октября 2026 года, индекс STAR 50, отражающий динамику ведущих технологическо-инновационных компаний шанхайской площадки, потерял около 40% менее чем за четыре месяца. Сокращение суммарной рыночной стоимости оценено примерно в $480 млрд. Уже 27 октября индекс закрылся на уровне 1 252,28 пункта, снижение за день составило 4,81%. [1–2]

Здесь важны две точности. STAR 50 — не перечень 50 крупнейших сугубо ИИ-компаний Китая, а индекс технологическо-инновационного сегмента, где немало компаний связаны с полупроводниками и ИИ. И $480 млрд не «исчезли» с банковских счетов предприятий: речь идёт о падении биржевой оценки пакета акций.

Тем не менее масштабы коррекции от этого не становятся меньше. Reuters приводит примеры падения акций отдельных производителей роботов, микросхем и оптического оборудования на десятки процентов. Биржа вдруг вспомнила о простом экономическом требовании: хорошая технология ещё не гарантирует прибыли, достаточной для оправдания любой цены акций. [1]

Почему рынок остыл: завышенные ожидания против реальных прибылей

На пике роста мультипликатор цена/прибыль (P/E) для индекса STAR 50, по оценке Reuters, приближался к 250. Даже после резкого падения он составлял около 100, тогда как ориентир для Nasdaq 100 в том же материале — примерно 30. Это не одинаковые по структуре индексы, однако разница показывает, сколько будущего роста инвесторы уже заложили в китайские котировки. [1]

К дорогим оценкам добавились сомнения относительно темпов спроса на ИИ-оборудование, возможные экспортные ограничения, налоговые факторы и риски для сбыта китайских компонентов в зарубежные дата-центры. Ни одна из этих причин по отдельности не объясняет всего обвала, но вместе они сделали рынок уязвимым.

Мой вывод прост: нужно отделять цену акции от полезности технологии. Компания может создавать нужный продукт, но стоить на бирже неоправданно дорого. И наоборот — падение её котировок не отменяет уже достигнутого технологического эффекта.

Нужно чётко разделять две вещи: экономическую эффективность искусственного интеллекта и спекулятивную стоимость компаний, которые на нём зарабатывают. Фондовый рынок может ошибаться в своих ожиданиях. Но если технология реально сокращает время исследований, повышает производительность и позволяет быстрее принимать обоснованные решения, эта ценность никуда не исчезает вместе с падением котировок.

Действительно ли ИИ ускоряет человеческий труд: что доказано, а что лишь обещают

Как исследователь я считаю, что оценивать искусственный интеллект стоит не по громкости презентаций, а по независимым экспериментам с контрольными группами. И такие исследования уже есть.

В исследовании MIT, опубликованном в журнале Science в 2023 году, 453 специалиста выполняли профессиональные письменные задания. В группе с доступом к ChatGPT среднее время выполнения сократилось на 40%, а качество результата по экспертным оценкам повысилось на 18%. Это реальный эксперимент, но он не доказывает, что любое сложное исследование автоматически ускорится на те же 40%. [3]

В эксперименте Harvard Business School и Boston Consulting Group с участием 758 консультантов пользователи GPT-4 выполняли соответствующие возможностям модели задания более чем на 25% быстрее и завершали более чем на 12% больше заданий. В то же время на задании за пределами надёжных возможностей инструмента использование ИИ приводило к худшему результату. [4]

Особенно показательна научная аналитика. Обзор 25 исследований, опубликованный в Frontiers in Pharmacology в 2025 году, зафиксировал сокращение времени более чем на 50% в 17 работах. В некоторых случаях автоматизированный просмотр аннотаций сокращался в 5–6 раз, а ручная нагрузка при условии 95% полноты выявления материалов — в 6–10 раз. Это прежде всего об отдельных этапах отбора, а не обо всём пути от идеи до проверенного вывода. [5]

Есть и предостережение. В рандомизированном эксперименте METR 2025 года 16 опытных разработчиков, выполнявших 246 реальных заданий, с тогдашними инструментами ИИ работали в среднем на 19% дольше, хотя сами считали, что ускорились. Следовательно, инструмент, который помогает новичку, может замедлить специалиста на хорошо знакомой работе, если стоимость проверки результатов слишком высока. [6]

Вывод: мы должны измерять не объём сгенерированного текста, а количество правильных и проверенных результатов за единицу времени.

Один пример, который меняет масштабы: 100 тысяч документов

Представим организацию, которой нужно провести первичный просмотр 100 000 документов — договоров, научных публикаций, отчётов, обращений граждан или материалов по восстановлению. Если на каждый документ тратить всего три минуты, получаем 5 000 человеко-часов, то есть 625 восьмичасовых рабочих дней. Команда из десяти аналитиков будет работать примерно 12,5 недели при полной загрузке.

А теперь предположим, что проверенная система автоматически выполняет дедупликацию, первичную классификацию, поиск противоречий и формирует перечень исключений. Если её качество позволяет сократить именно ручной screening на 90%, останется эквивалент 500 человеко-часов на этом этапе.

Это иллюстративная модель, а не результат конкретного внедрения. Она не учитывает отдельно стоимость вычислений, настройки, контроля качества и пропущенные критические случаи. Поэтому нельзя механически заявлять о десятикратном ускорении всего исследования.

Но она объясняет, где возникает настоящая ценность: эксперт больше не обязан вручную просматривать каждую единицу информации, если автоматизированный отбор доказал необходимую точность. Он переходит от массового чтения к углублённой работе со сложными случаями.

Рынок начинает взрослеть. Одного обещания технологической революции уже недостаточно. Инвестор хочет видеть прибыль, а организация — конкретный результат: сколько времени сэкономлено, сколько ошибок предотвращено, сколько обращений обработано и сколько стоит содержание системы. Настоящее конкурентное преимущество получат те, кто сможет доказать экономическую эффективность ИИ.

Война меняет формулу производительности: почему это важно для Украины

В нашей стране работник может быть высококвалифицированным и мотивированным, но не способным отменить воздушную тревогу или ракетную атаку. Безопасность человека всегда должна оставаться приоритетом.

В опросе European Business Association, проведённом в феврале 2026 года среди 131 топ-менеджера компаний — членов Ассоциации, 45% респондентов назвали приостановку работы во время воздушных тревог среди распространённых ограничений, а 82% — атаки на энергосистему среди факторов наибольшего негативного влияния на бизнес. Это не статистика средней потери часов для всей Украины, но весомое свидетельство операционных препятствий. [7]

Возьмём условный проект, для которого нужно 100 продуктивных аналитических часов. Если фактическая доступность рабочего времени составляет 70%, для выполнения потребуется около 143 часов планового рабочего ресурса. В смоделированном гибридном процессе, где человеку остаётся 25 часов, а машинная обработка и сопутствующие операции добавляют 10 часов, общая оценка составляет примерно 46 часов. Разница — около 3,1 раза.

Не стоит воспринимать эти числа как норматив для украинских компаний: 70% доступности и структура операций здесь — лишь сценарные допущения. Реальный эффект определят характер заданий, подготовленность данных и архитектура системы.

Однако принцип важен. Если вычисления, данные и очереди задач надлежащим образом зарезервированы и географически разнесены, часть операций может продолжаться даже тогда, когда сотрудники находятся в укрытии. Если же система привязана к одному офисному серверу без резервной связи и питания, этого преимущества не будет.

Для Украины использование искусственного интеллекта — это не просто желание быть технологически современными. Это вопрос устойчивости. Человек имеет право на безопасность, отдых и защиту во время войны. В то же время правильно построенная цифровая инфраструктура может обеспечивать непрерывность части критических процессов. Наша задача — не заменить человека, а усилить его возможности технологиями.

Главная революция — не текст за минуту, а выявление проблемы до отчёта

Я считаю, что следующая перемена будет глубже автоматической подготовки аналитических записок. Речь идёт о круглосуточный мониторинг, когда данные поступают постоянно, система выявляет отклонения, проверяет их по правилам, классифицирует риск и передаёт информацию ответственному человеку или выполняет заранее разрешённое безопасное действие.

В кибербезопасности для этого давно развивают платформы SIEM и SOAR. Международные рекомендации 2025 года описывают их как средства сбора событий, выявления подозрительной активности, оповещения специалистов и автоматизации определённых частей реагирования. В то же время такие системы требуют постоянной настройки, тестирования и квалифицированного надзора. [8]

Для Украины этот принцип можно адаптировать к мониторингу восстановления, финансовому контролю, экологическим показателям, киберугрозам и обращениям ветеранов и их семей. Например, новое обращение может автоматически попасть в соответствующую службу, а аномальное изменение в тендерной документации — сформировать сигнал для аудитора. Но решения о медицинской помощи, ограничении прав или финансовых санкциях нельзя поручать генеративной модели без надлежащих независимых механизмов контроля.

Будущее — за системами, которые не просто накапливают информацию, а постоянно анализируют события. Искусственный интеллект может помогать выявлять аномалии, проверять их и запускать заранее согласованные сценарии реагирования. Но критические решения должны оставаться под надлежащим контролем человека. Именно сочетание автоматизации и ответственности будет определять качество новых цифровых экосистем.

Цена ошибки: где автоматизацию нельзя путать с доверием

Чем масштабнее автоматизация, тем дороже может быть системная ошибка. Модель может убедительно выдумать источник, пропустить важный документ или предоставить доступ к конфиденциальным данным неподходящему пользователю. Именно поэтому для медицинских, персональных и финансовых материалов нужны минимизация данных, контроль прав доступа, журналирование операций, проверка точности и отдельные процедуры утверждения критических действий.

Научная среда должна разграничивать скорость машинной обработки и достоверность вывода. Это особенно актуально, когда ИИ помогает формировать научные обзоры или аналитику для управленческих решений.

Мы должны различать скорость обработки информации и достоверность полученного знания. Искусственный интеллект может существенно ускорить поиск, сравнение и систематизацию данных, однако это не отменяет необходимости верификации источников, проверки методологии и воспроизводимости результатов.

Повторится ли китайский обвал в США?

Это вопрос, который сегодня звучит громче всего. Однако 40-процентное снижение китайского STAR 50 не означает автоматического 40-процентного падения американских акций. Reuters сопоставляет китайскую коррекцию с примерно 6-процентным отступлением Nasdaq от недавнего максимума. Это разные индексы, периоды и структуры бизнеса; прямой прогноз на таком основании был бы необоснованным. [1]

Риски для глобальных технологических акций существуют: высокие ожидания, большие капитальные затраты на вычислительную инфраструктуру, неопределённость спроса и сложная монетизация. Но степень уязвимости каждой компании зависит от её прибылей, денежных потоков, долга, клиентов и стоимости привлечённого капитала.

По моему мнению, ключевой вопрос для рынков уже изменился: не «кто громче заявил об ИИ», а «кто смог превратить технологию в проверенный экономический результат». В этой логике уменьшение спекулятивных оценок может даже подтолкнуть бизнес к более дисциплинированным инвестициям.

Что я предлагаю украинским организациям

Не стоит останавливать цифровую трансформацию из-за обвала биржевых акций другой страны. Но так же не нужно бездумно покупать дорогие ИИ-решения только потому, что это модно. Рациональный подход можно свести к пяти практическим шагам.

1. Измерить текущий процесс: продолжительность операций, стоимость, ошибки, время ожидания ответа и нагрузка на людей.
2. Выбрать узкий пилот: например, классификацию документов, поиск дубликатов или приоритизацию обращений, а не автоматизацию всего управления сразу.
3. Определить границы автономии: что алгоритм может выполнять самостоятельно, что лишь предлагать, а что требует обязательного решения человека.
4. Проверить качество и безопасность: пропущенные критические случаи, ложные тревоги, доступ к персональным данным, зависимость от поставщика и устойчивость к сбоям.
5. Считать полную экономику: лицензии, вычисления, интеграции, сопровождение, обучение команды — и ценность времени, которое удалось сохранить.

Когда эти показатели не измеряются, разговоры об экономии в пять или десять раз превращаются в маркетинг. Когда измеряются — организация может принимать решения на основе доказательств.

Вывод: биржевой пузырь может лопнуть, а технологическая революция — продолжиться

Китайский обвал является серьёзным предупреждением для инвесторов. Он показывает, что даже перспективные отрасли не защищены от завышенных оценок, неоправданных ожиданий и резких перемен настроений рынка.

Но для меня, как исследователя и руководителя института, работающего с вопросами человеческого капитала и восстановления Украины, вывод иной: технологию следует оценивать по влиянию на реальные задачи, а не по биржевому ажиотажу.

Если автоматизация сокращает время обработки обращений, помогает вовремя выявлять риски, поддерживает непрерывность работы во время войны и освобождает специалистов для ответственных решений — она уже имеет практическую ценность. Но эту ценность нужно измерять, а безопасность — доказывать.

ИИ-пузырь может лопнуть. Потребность в проверенных знаниях, устойчивых организациях и своевременных решениях — нет.

Источники и методологические замечания

[1] Reuters. «In China, the AI bubble has already burst», 26 октября 2026 года Источник

[2] Investing.com. SSE STAR 50: historical data, закрытие 27 октября 2026 года Источник

[3] Noy S., Zhang W. «Experimental evidence on the productivity effects of generative artificial intelligence». Science, 2023 Источник

[4] Harvard Business School / Boston Consulting Group. «Navigating the Jagged Technological Frontier», 2023 Источник

[5] Abogunrin S. et al. «How much can we save by applying artificial intelligence in evidence synthesis?». Frontiers in Pharmacology, 2025 Источник

[6] METR. «Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity», 2025 Источник

[7] European Business Association. «Четыре года большой войны: как работает бизнес в Украине», 24 февраля 2026 года Источник

[8] Australian Signals Directorate и международные партнёры. «Implementing SIEM and SOAR platforms: Executive guidance», 27 мая 2025 года Источник

Примечание к расчётам: пример со 100 тысячами документов и модель доступности персонала в условиях войны — иллюстративные допущения. Их следует отличать от результатов конкретных контролируемых исследований и проверять на собственных данных перед инвестиционным решением.