# Как экономист Сьюзан Эйти помогла Microsoft запустить Azure и изменила правила Минюста США

Источник: https://www.youtube.com/watch?v=lNsl76AD1kE
Канал: Stanford Graduate School of Business
Опубликовано: 16.05.2024

---

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
[[JUMP:00:00]]

Сьюзан Эйти (Susan Athey) начала свой путь в науке необычайно рано. Поступив в колледж в конце 1980-х годов [02:00], она уже тогда увлекалась программированием на BASIC на компьютерах TRS-80 Radio Shack [02:13]. 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 [02:39]. 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 [03:05]. В итоге этот профессор выступил перед Конгрессом США с целью изменить правила проведения аукционов [03:05]. 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 [03:30]. Это было время прямо перед началом интернет-бума, когда будущие нобелевские лауреаты Пол Милгром и Роберт Уилсон совершали революцию в теории аукционов [04:07], а в коридорах университета зарождались такие гиганты, как Yahoo и eBay [04:32].

## 🏢 Первые шаги в Microsoft: как академический экономист переписал стратегию корпорации
[[JUMP:07:14]]

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 [07:41]. Контекст встречи был напряженным:

*   Microsoft только что упустила сделку по покупке DoubleClick, которую перехватил Google [07:53].
*   Компания приобрела рекламную платформу aQuantive за $6 млрд, инвестиции в которую впоследствии пришлось полностью списать [08:07].

Балмер искал свежий взгляд на рынок, и Эйти практически сразу заняла пост главного экономиста технологического гиганта [09:12]. 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 [09:12].

По воспоминаниям Эйти, одной из главных её побед в Microsoft стало участие в принятии решения о создании облачной платформы Azure [14:51]. В тот момент идея казалась крайне спорной: подразделение SQL Server приносило компании миллиарды долларов стабильного дохода [14:51], а корпоративные клиенты (CIO и CTO) в один голос утверждали, что хотят держать данные только на собственных серверах (on-premise) [15:04]. 

Эйти провела глубокий экономический анализ и выявила два ключевых фактора:

1.  Экономия на масштабе в облачных технологиях снижала издержки настолько, что локальные серверы со временем становились в 10 раз дороже облака [15:30]. Руководители IT-отделов, отказывающиеся от облака, неизбежно были бы уволены из-за неэффективности [15:30].
2.  Рынок облачных услуг по своей структуре должен был стать высококонцентрированным [15:43]. Ждать и догонять было нельзя — требовалось строить инфраструктуру немедленно, даже жертвуя текущей выручкой ради неопределенного будущего [15:43].

В итоге Стив Балмер поручил руководство этим направлением Сатье Наделле, который тогда возглавлял поисковый бизнес, и тот превратил серверное подразделение в Azure [16:09]. 

Параллельно Эйти столкнулась с зарождением масштабного A/B-тестирования [11:47]. В то время как классические экономисты планировали один контролируемый эксперимент годами [12:00], технологические компании начали запускать тысячи параллельных тестов в день [12:14]. 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 [12:28].

## 🤖 Машинное обучение встречает причинно-следственные связи
[[JUMP:19:10]]

Вернувшись в академическую среду, Эйти обнаружила, что традиционная экономика и социальные науки полностью игнорируют машинное обучение [20:01]. 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» [20:14]. 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 [20:28]. 
*   **Причинно-следственный вывод (Causal Inference)**: отвечает на гипотетические вопросы «что, если...» [20:01]. Например: что произошло бы с продажами, если бы компания не снизила цену в прошлом месяце [21:20]? Каков был бы исход лечения пациента, если бы он не получил препарат [21:46]? В реальности невозможно одновременно увидеть оба исхода для одного и того же объекта — «правильного ответа» в ящике стола не существует [21:32].

Эйти разработала концептуальную основу и программные инструменты, которые объединили мощность машинного обучения со строгим причинно-следственным анализом [22:14]. Созданный ею софт позволяет строить персонализированные политики (например, определять, каким именно группам пациентов лекарство принесет наибольшую пользу) [22:14]. Сегодня эти инструменты используют тысячи социальных ученых и ведущие технологические платформы в своих системах A/B-тестирования [22:26].

Для дальнейшего сближения технологий и гуманитарных дисциплин Эйти в 2017 году выступила сооснователем Института человеко-ориентированного искусственного интеллекта (HAI) в Стэнфорде [23:34]. 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 [25:43]. 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 [26:09]. HAI был создан для того, чтобы инженеры учились работать с реальными прикладными задачами, а социологи и экономисты понимали технологические ограничения [26:59].

## ⚖️ Борьба с монополиями в цифровую эпоху: новые правила слияний от Министерства юстиции США
[[JUMP:27:11]]

Последние два года Сьюзан Эйти провела на государственной службе, занимая пост главного экономиста по антимонопольному регулированию в Министерстве юстиции США (DOJ) [01:20]. На этой позиции она руководила масштабным переписыванием руководства по слияниям и поглощениям (US merger guidelines) [01:33].

Предыдущие стандарты регулирования безнадежно устарели и не учитывали специфику цифровой экономики. Они описывали классические горизонтальные слияния (условное объединение производителей газировки Coca-Cola и Pepsi) [28:29]. 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 [28:43]. 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 [29:23]. 

Покупая смежный продукт, гигант может:

*   Ограничить совместимость (интероперабельность) этого продукта с решениями конкурентов [28:43].
*   Закрыть доступ к ключевым API [30:55].
*   Заблокировать появление новых игроков, которые могли бы использовать этот смежный продукт как точку входа на рынок монополиста [29:23].

Антимонопольное законодательство исторически двигалось крайне медленно и предполагало, что у компании есть только два способа конкурировать — снижать цены или повышать качество [30:41]. Блокировка API или ухудшение совместимости не укладывались в стандартные экономические учебники [30:55]. 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 [29:50].

Кроме того, Эйти реорганизовала внутреннюю работу DOJ. Традиционно ведомство нанимало внешних консультантов для анализа данных, что обходилось дорого и затягивало расследования [31:46]. Она создала внутреннюю команду специалистов по обработке данных (data science team), внедрив передовое ПО непосредственно в рабочие процессы министерства [31:59]. Это позволило регулятору общаться с технологическими гигантами на одном языке и оперативно принимать обоснованные решения [31:59].

## ⚔️ Две стороны медали ИИ: гиганты против открытого кода и феномен RAG
[[JUMP: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 [35:02]. 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 [34:50].

### 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) [35:27].

Эйти описывает RAG как простой двухэтапный процесс:

1.  Большая языковая модель работает как «декодирующий ключ» [35:40]. Она переводит любой текст (например, внутренние документы компании) в длинные векторы чисел (коды) [35:54]. Поисковый запрос пользователя также кодируется, и система находит документы с наиболее похожими кодами [36:07].
2.  Языковая модель берет найденные документы, быстро суммирует их и выдает пользователю готовый структурированный ответ со ссылками на первоисточники [36:20].

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 [37:00]. Однако баланс сил в этой «лошадиной гонке» между платными закрытыми сверхмощными системами и дешевыми открытыми архитектурами остается хрупким [39:21]. 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
[[JUMP:44:09]]

Минюст США в рамках пересмотра правил слияний вернул жесткие пороги концентрации рынков, которые были временно смягчены в 2010 году [44:33]. 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 [44:46]. В цифровом мире ситуация изменилась: цены устанавливают независимые алгоритмы, запрограммированные на максимизацию прибыли [45:00].

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 [45:13]. Подобный «молчаливый сговор» (tacit collusion) юридически крайне сложно квалифицировать как преступление по действующему законодательству [45:00]. 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 [45:25].

## 🛍️ Забытая сторона маркетплейсов: почему компании совершают ошибки в оптимизации платформ
[[JUMP: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 [48:16]. Можно изменить цвет кнопки с розового на синий, быстро запустить тест и за один день измерить изменение конверсии кликов [48:29].
*   **Поставщики (Supply side)**: водители Uber, арендодатели на Airbnb или владельцы машин на Turo — это независимые малые бизнесы [48:42]. Они не ведут себя сиюминутно и эмоционально. Им требуется время, чтобы изучить новые инструменты управления ценами или новые функции приложения [48:55]. 

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 [49:21]. В результате компании направляют колоссальные ресурсы на бесконечное украшение пользовательского интерфейса [49:59], при этом годами не исправляя критические баги в личных кабинетах продавцов [49:59].

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 [49:33]. 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 [50:24].