На стыке экономической теории, государственной политики и передовых технологий рождается новое понимание рынков в эпоху искусственного интеллекта. Профессор Сьюзан Эйти и декан Высшей школы бизнеса Стэнфордского университета Джон Левин в формате открытого диалога обсудили, как анализ данных меняет принципы слияний и поглощений, почему регуляторы переходят на цифровые рельсы и какие опасности несет алгоритмический сговор.
🎓 От BASIC до антимонопольного ведомства: академический путь Сьюзан Эйти 0:00
Сьюзан Эйти (Susan Athey) начала свой путь в науке необычайно рано. Поступив в колледж в конце 1980-х годов , она уже тогда увлекалась программированием на BASIC на компьютерах TRS-80 Radio Shack . Потребность в подработке привела её к администрированию рабочих станций UNIX для профессора экономики.
В то же время Эйти работала в стартапе, который продавал компьютеры государственным структурам через закрытые аукционы закупок . Наблюдая за тем, как участники стартапа жалуются на несправедливые правила и пытаются ими манипулировать, она поделилась этой проблемой со своим профессором. Тот показал ей, как превратить практическую проблему в строгий экономический анализ стимулов . В итоге этот профессор выступил перед Конгрессом США с целью изменить правила проведения аукционов . Этот случай предопределил карьеру Эйти, показав, как академические инструменты могут напрямую менять жизнь людей.
Свою докторскую степень в Stanford Graduate School of Business Эйти защитила всего за четыре года, начав обучение в аспирантуре в возрасте 20 лет . Это было время прямо перед началом интернет-бума, когда будущие нобелевские лауреаты Пол Милгром и Роберт Уилсон совершали революцию в теории аукционов , а в коридорах университета зарождались такие гиганты, как Yahoo и eBay .
🏢 Первые шаги в Microsoft: как академический экономист переписал стратегию корпорации 7:14
В 2007 году, уже будучи лауреатом престижной медали Джона Бейтса Кларка, Сьюзан Эйти получила неожиданное приглашение от генерального директора Microsoft Стива Балмера приехать в Сиэтл . Контекст встречи был напряженным:
- Microsoft только что упустила сделку по покупке DoubleClick, которую перехватил Google .
- Компания приобрела рекламную платформу aQuantive за $6 млрд, инвестиции в которую впоследствии пришлось полностью списать .
Балмер искал свежий взгляд на рынок, и Эйти практически сразу заняла пост главного экономиста технологического гиганта . Перед ней встали масштабные вопросы: может ли на рынке существовать более двух поисковых систем, стоит ли Microsoft развивать рекламный бизнес и как оценивать стоимость Yahoo при потенциальной сделке в $35 млрд .
По воспоминаниям Эйти, одной из главных её побед в Microsoft стало участие в принятии решения о создании облачной платформы Azure . В тот момент идея казалась крайне спорной: подразделение SQL Server приносило компании миллиарды долларов стабильного дохода , а корпоративные клиенты (CIO и CTO) в один голос утверждали, что хотят держать данные только на собственных серверах (on-premise) .
Эйти провела глубокий экономический анализ и выявила два ключевых фактора:
- Экономия на масштабе в облачных технологиях снижала издержки настолько, что локальные серверы со временем становились в 10 раз дороже облака . Руководители IT-отделов, отказывающиеся от облака, неизбежно были бы уволены из-за неэффективности .
- Рынок облачных услуг по своей структуре должен был стать высококонцентрированным . Ждать и догонять было нельзя — требовалось строить инфраструктуру немедленно, даже жертвуя текущей выручкой ради неопределенного будущего .
В итоге Стив Балмер поручил руководство этим направлением Сатье Наделле, который тогда возглавлял поисковый бизнес, и тот превратил серверное подразделение в Azure .
Параллельно Эйти столкнулась с зарождением масштабного A/B-тестирования . В то время как классические экономисты планировали один контролируемый эксперимент годами , технологические компании начали запускать тысячи параллельных тестов в день . Науки о том, как проводить такие эксперименты на больших данных с учетом персонализации, на тот момент просто не существовало, и Эйти пришлось создавать эти методологии практически с нуля .
🤖 Машинное обучение встречает причинно-следственные связи 19:10
Вернувшись в академическую среду, Эйти обнаружила, что традиционная экономика и социальные науки полностью игнорируют машинное обучение . Она решила исправить этот разрыв.
Эйти объясняет принципиальное различие между классическим искусственным интеллектом и экономическим анализом:
- Прогнозирование и классификация (Традиционный ИИ): решает задачи типа «кошка или собака» . У вас есть готовый набор данных с метками, вы можете скрыть часть ответов, обучить «черный ящик» и легко проверить точность его работы на тестовой выборке .
- Причинно-следственный вывод (Causal Inference): отвечает на гипотетические вопросы «что, если...» . Например: что произошло бы с продажами, если бы компания не снизила цену в прошлом месяце ? Каков был бы исход лечения пациента, если бы он не получил препарат ? В реальности невозможно одновременно увидеть оба исхода для одного и того же объекта — «правильного ответа» в ящике стола не существует .
Эйти разработала концептуальную основу и программные инструменты, которые объединили мощность машинного обучения со строгим причинно-следственным анализом . Созданный ею софт позволяет строить персонализированные политики (например, определять, каким именно группам пациентов лекарство принесет наибольшую пользу) . Сегодня эти инструменты используют тысячи социальных ученых и ведущие технологические платформы в своих системах A/B-тестирования .
Для дальнейшего сближения технологий и гуманитарных дисциплин Эйти в 2017 году выступила сооснователем Института человеко-ориентированного искусственного интеллекта (HAI) в Стэнфорде . Она обратила внимание на системную ошибку в подготовке инженеров: студенты изучали алгоритмы (например, Random Forest), прогоняя их на сотнях обезличенных датасетов, не понимая сути переменных . В результате выпускники Стэнфорда приходили в регулируемые финансовые организации и пытались внедрять нейросети для выдачи кредитов, не задумываясь о рисках изменения экономики или требованиях законодательства . HAI был создан для того, чтобы инженеры учились работать с реальными прикладными задачами, а социологи и экономисты понимали технологические ограничения .
⚖️ Борьба с монополиями в цифровую эпоху: новые правила слияний от Министерства юстиции США 27:11
Последние два года Сьюзан Эйти провела на государственной службе, занимая пост главного экономиста по антимонопольному регулированию в Министерстве юстиции США (DOJ) . На этой позиции она руководила масштабным переписыванием руководства по слияниям и поглощениям (US merger guidelines) .
Предыдущие стандарты регулирования безнадежно устарели и не учитывали специфику цифровой экономики. Они описывали классические горизонтальные слияния (условное объединение производителей газировки Coca-Cola и Pepsi) . Эйти внедрила в новые директивы механизмы оценки вертикальных и смежных сделок.
Типичный современный сценарий монополизации, по словам Эйти, выглядит так: крупный технологический монополист покупает компанию, производящую смежный или комплементарный продукт . В условиях здоровой конкуренции покупка создателя комплементарного продукта полезна: это стимулирует продажи основного товара. Однако для монополиста логика меняется. Его главная цель — защита своего «рва» (moat) от потенциальных конкурентов .
Покупая смежный продукт, гигант может:
- Ограничить совместимость (интероперабельность) этого продукта с решениями конкурентов .
- Закрыть доступ к ключевым API .
- Заблокировать появление новых игроков, которые могли бы использовать этот смежный продукт как точку входа на рынок монополиста .
Антимонопольное законодательство исторически двигалось крайне медленно и предполагало, что у компании есть только два способа конкурировать — снижать цены или повышать качество . Блокировка API или ухудшение совместимости не укладывались в стандартные экономические учебники . Обновленные правила Минюста США теперь заставляют оценивать не только сиюминутное изменение цен на 2%, но и долгосрочные последствия для потребителей, которые в будущем могут остаться без альтернативных технологических решений .
Кроме того, Эйти реорганизовала внутреннюю работу DOJ. Традиционно ведомство нанимало внешних консультантов для анализа данных, что обходилось дорого и затягивало расследования . Она создала внутреннюю команду специалистов по обработке данных (data science team), внедрив передовое ПО непосредственно в рабочие процессы министерства . Это позволило регулятору общаться с технологическими гигантами на одном языке и оперативно принимать обоснованные решения .
⚔️ Две стороны медали ИИ: гиганты против открытого кода и феномен RAG 34:36
Обсуждая будущее индустрии искусственного интеллекта, Эйти отмечает два противоположных сценария развития рынка:
Сценарий 1: Усиление доминирования технологических гигантов
Капиталоемкость обучения современных больших языковых моделей (LLM) колоссальна . Существует высокий риск того, что действующие платформы с огромными финансовыми ресурсами скупят перспективные смежные стартапы, заключат эксклюзивные сделки на поставку чипов и данных, полностью воспроизведя или даже усугубив текущую монопольную структуру рынка .
Сценарий 2: Торжество открытого исходного кода и архитектуры RAG
С другой стороны, сегодня наблюдается высокая конкуренция благодаря открытым моделям и развитию технологии RAG (Retrieval-Augmented Generation — генерация с привлечением результатов поиска) .
Эйти описывает RAG как простой двухэтапный процесс:
- Большая языковая модель работает как «декодирующий ключ» . Она переводит любой текст (например, внутренние документы компании) в длинные векторы чисел (коды) . Поисковый запрос пользователя также кодируется, и система находит документы с наиболее похожими кодами .
- Языковая модель берет найденные документы, быстро суммирует их и выдает пользователю готовый структурированный ответ со ссылками на первоисточники .
Поразительное свойство этой архитектуры — ее экономичность. Эйти утверждает, что развернуть такую систему для нужд конкретной компании можно силами одного студента магистратуры всего за 10 дней, потратив $1000–$2000 на вычисления и задействовав всего 1–2 графических процессора (GPU) [36:34, 37:26].
По мнению Эйти, это делает прикладной ИИ невероятно конкурентным пространством . Однако баланс сил в этой «лошадиной гонке» между платными закрытыми сверхмощными системами и дешевыми открытыми архитектурами остается хрупким . Ключевой риск заключается в том, что открытые модели могут искусственно выдавить с рынка под предлогом требований безопасности или из-за дефицита вычислительных чипов [38:06, 38:19].
🤖 Роботы, которые учатся договариваться: угроза алгоритмического сговора 44:09
Минюст США в рамках пересмотра правил слияний вернул жесткие пороги концентрации рынков, которые были временно смягчены в 2010 году . Эйти объясняет это решение новыми технологическими реалиями и феноменом алгоритмического сговора.
В традиционной экономике для организации картеля топ-менеджерам компаний требовалось физически собираться в одной комнате и договариваться о ценах, что легко фиксировалось правоохранительными органами . В цифровом мире ситуация изменилась: цены устанавливают независимые алгоритмы, запрограммированные на максимизацию прибыли .
Исследования показывают, что самообучающиеся ценовые роботы, реагируя на изменения цен друг друга в реальном времени, быстро и без какого-либо прямого контакта между создателями учатся поддерживать стабильно высокие цены на рынке . Подобный «молчаливый сговор» (tacit collusion) юридически крайне сложно квалифицировать как преступление по действующему законодательству . Эйти выражает глубокую обеспокоенность тем, что даже умеренная концентрация рынка в сочетании с алгоритмическим ценообразованием неизбежно ведет к росту маржинальности и наценок для конечных потребителей .
🛍️ Забытая сторона маркетплейсов: почему компании совершают ошибки в оптимизации платформ 46:46
Опираясь на многолетний опыт работы в советах директоров таких компаний, как Expedia, LendingClub и Turo, Сьюзан Эйти выделила главную системную ошибку создателей цифровых платформ.
Большинство маркетплейсов распределяют ресурсы неравномерно из-за перекоса в методах измерения эффективности (A/B-тестирования):
- Покупательская сторона (Demand side): оптимизировать интерфейс покупателя очень просто . Можно изменить цвет кнопки с розового на синий, быстро запустить тест и за один день измерить изменение конверсии кликов .
- Поставщики (Supply side): водители Uber, арендодатели на Airbnb или владельцы машин на Turo — это независимые малые бизнесы . Они не ведут себя сиюминутно и эмоционально. Им требуется время, чтобы изучить новые инструменты управления ценами или новые функции приложения .
Поскольку классические быстрые A/B-тесты на стороне поставщиков часто показывают нулевую или слабовыраженную реакцию, руководство маркетплейсов ошибочно делает вывод, что инвестировать в этот сегмент не нужно . В результате компании направляют колоссальные ресурсы на бесконечное украшение пользовательского интерфейса , при этом годами не исправляя критические баги в личных кабинетах продавцов .
Эйти подчеркивает, что забота о поставщиках создает колоссальную скрытую ценность. Если за счет качественного софта сэкономить миллиону продавцов хотя бы по одному часу в неделю, платформа генерирует огромный экономический профицит, часть которого неизбежно вернется ей в виде прибыли . Внедрение ИИ-ассистентов для автоматизации рутины малого бизнеса на платформах (проект, который сейчас активно развивают Stripe и Salesforce) должно стать ключевым драйвером развития маркетплейсов в ближайшие годы .
