Цепочка создания ценности в Generative AI: затраты, выручка и мировые центры роста

Генеративный ИИ — это уже давно не просто хайп: он меняет то, как инвесторы распределяют капитал и как компании организуют работу — от маленьких команд до глобальных корпораций. Только за последний год стартапы в области GenAI привлекли десятки миллиардов долларов нового финансирования, а большинство компаний уже используют ИИ хотя бы в одной бизнес-функции. При этом стек технологий сложен, а глобальная картина остаётся фрагментированной.

In this article we’ll cut through the noise. We’ll:

1. Clarify what “Generative AI” actually means, and how it fits into the broader AI family.
2. Map the value chain from chips to services, showing who pays whom and why.
3. Break down expenses and revenues at each layer so you can see the economics clearly.
4. Compare the global hubs—U.S., Europe, China, and the rest—and explain what really drives leadership.
5. FAQ: Generative AI Value Chain

By the end, you’ll have a founder’s map of the GenAI ecosystem: simple enough to act on, detailed enough to guide strategy.

ИИ — это не что-то одно. Это целое семейство подходов, которые решают разные задачи: одни предсказывают, другие ранжируют, одни «видят», другие создают. Поэтому прежде чем обсуждать бизнес-модели, надо определиться с дефинициями.

Generative AI (Генеративный ИИ) — это ветка, которая создаёт новый контент: текст, изображения, код, аудио, видео. Помимо общих текстовых и визуальных моделей, есть и доменный GenAI — специализированные движки под конкретные отрасли. В биотехе они помогают конструировать белки и малые молекулы, в финансах — превращать хаотичные проводки в понятную отчётность, в юридической сфере — писать черновики и саммари договоров, в индустриальных компаниях — генерировать инструкции или отчёты по осмотрам прямо из фотографий и логов датчиков.

GenAI работает на базовых (foundation) моделях — больших предобученных нейросетях, которые учатся общим паттернам на широких массивах данных и потом быстро адаптируются с помощью промптов, RAG или лёгкого дообучения. Базовые модели — это движок, а не продукт. Другая компания может арендовать их по API, развернуть open-weights или запускать приватно ради контроля и комплаенса. Чтобы сделать ценный продукт, не обязательно изобретать новую модель — но обязательно нужно понимать, как ведут себя эти движки и как они влияют на юнит-экономику.

Генеративный ИИ уже перешёл границу от игрушки для технооптимистов к массовому использованию. Он незаметно встроился в привычные инструменты и переехал из команд инноваций в повседневные процессы. Малый и средний бизнес использует его, чтобы запускаться и развиваться быстрее без найма новых людей; корпорации вшивают GenAI в поддержку, финансовые операции и продажи. Именно эта массовая, практическая адаптация сделала GenAI точкой перелома.

Итак, Generative AI — это всего лишь одна ветка большой семьи ИИ. Чтобы не путать её с другими подходами, вот короткий срез самых важных типов и того, что именно они производят:

Это общая картина. У каждого типа ИИ — своя роль, но дальше мы сосредоточимся именно на генеративном ИИ, потому что сейчас и основное финансирование, и новая волна стартапов приходятся именно на него.

Generative AI — это не один продукт, а целый стек. Понимание, кто на каком уровне сидит (и кто кому платит), помогает выбрать свою «полосу движения», посчитать затраты и избежать ловушек вроде жёсткой привязки к одному вендору или внезапного роста себестоимости. В этой части я сначала даю простую карту цепочки создания ценности, а затем разбираю, из чего складываются расходы и выручка на каждом уровне.

Вот шестислойный стек, который так или иначе есть почти в любом продукте на генеративном ИИ. Удобно использовать его как мысленную модель — в реальности одна и та же компания может закрывать сразу несколько слоёв.

Когда пользователь нажимает «Сгенерировать», просыпается целая фабрика. Этот клик происходит в приложении — копилоте в ваших документах, инструменте поддержки, ассистенте для продаж или просто в чате. Именно здесь пользователь чувствует ценность: в сценарии работы, безопасных ограничениях, интеграциях с CRM/ERP и в обещании, что ответ не потратит его время зря. Здесь же вы задаёте ожидания по скорости, точности и цене.

За этим экраном находится слой доступа к моделям — ваш «диспетчер трафика». Он решает, какую модель под какую задачу использовать, добавляет поиск по вашей базе знаний и логирует всё, чтобы вы могли измерять качество и стоимость. Это одновременно ваш «центр управления полётами», служба безопасности и бухгалтерия: маршрутизация запросов, оценка качества, мониторинг, векторный поиск и резервные сценарии, если что-то пошло не так. Грамотная маршрутизация и кэширование на этом уровне буквально определяют вашу маржинальность.

Дальше — базовая (foundation) модель, движок, который пишет, суммирует, рассуждает или генерирует изображения и звук. Кто-то арендует закрытый API, чтобы быстрее выйти на рынок; другие разворачивают модели с открытыми весами, чтобы контролировать данные, задержки и себестоимость. Здесь же появляются доменные модели (право, финансы, биохимия), когда общих моделей уже недостаточно. Выбор на этом уровне задаёт точность, требования к комплаенсу и себестоимость одного запроса.

Всё это работает на облачной инфраструктуре и, ниже её, на вычислительном «железе». Облако даёт вам парк вычислительных мощностей (GPU/TPU) по модели on-demand или с резервированием и понятные уровни сервиса, под которые можно планировать. Железо задаёт «пол» по возможностям: доступность, пропускную способность и физику мощности и тепла. Когда мощности ограничены или вам критически важна задержка ответа, выбор между резервированием пропускной способности и оплатой по мере потребления превращается в реальный рычаг ценообразования, а не просто операционный нюанс.

Сквозным потоком через всё это проходят данные. Лицензированный контент, ваши собственные документы и логи, размеченные выборки, синтетические данные — всё это живёт в рамках контрактов и политик. Данные улучшают ответы, сокращают «галлюцинации» и создают дифференциацию, но одновременно несут затраты и юридические риски. Относитесь к данным как к продукту: где-то достать, очистить, отследить права, померить вклад.

И, наконец, сервисы и интеграторы помогают этому всему приземлиться в реальном бизнесе: интеграции, проверки безопасности, управление изменениями, обучение, измерение результатов. Они не просто «ставят ИИ», а переводят его в меньшее количество тикетов, более быстрые циклы и более чистые передачки между командами — в те самые результаты, за которые заказчик действительно готов платить.

Представь, что деньги текут «вверх по реке»: каждый слой расплачивается с тем, что выше.

Приложения платят за вызовы моделей, векторный поиск и хранение, а там, где критична точность, — ещё и людям, которые проверяют сложные кейсы. Слой доступа к моделям / MLOps «держит свет включённым»: оплачивает вычисления, трафик, логирование, оценки качества. Команды, разрабатывающие базовые модели, сжигают бюджет на обучающие вычисления, права на данные и тестирование безопасности. Облака оплачивают дата-центры — чипы, электричество, охлаждение, сети, — а производители чипов платят: разработка, пластины, упаковка кристаллов.

И через все уровни красной нитью проходят данные: лицензии, разметка и генерация синтетики.

Now flip the conveyor belt. Money starts at the customer and moves down the stack. Each layer sells something different and gets paid in a different way. Revenue starts in applications (per-user plus usage, sometimes outcomes/SLA), with services landing rollouts and training. The model-access/MLOps platforms earn subscriptions and metered compute/storage. Foundation-model providers monetize per token/request or via enterprise/VPC licenses. Clouds sell accelerator time—on demand or reserved capacity—and, at the bottom, hardware vendors ship chips and systems under long-term contracts. Data gets paid, too: annual licenses, per-record pricing, and labeling tasks.

That’s the factory behind a single Generate: apps where value is felt, routing where cost is controlled, models as engines, cloud and chips as the floor—and data threading it all together. The choices you make at each layer ripple straight into margins, reliability, and how fast you can ship.

Who actually leads in GenAI—and who gets paid across the stack? The easy answer sounds familiar: headlines out of Silicon Valley, and—now and then—big news from China. OpenAI raises mega-rounds, Meta competes hard for talent, DeepSeek surprises the world on efficiency. But the picture changes when you zoom out from the press cycle to the value chain: chips, cloud, foundation models, MLOps, apps, and services.

Clean, comparable data specifically for GenAI is still scarce across all regions, so I kept it simple and apples-to-apples. The map below shows leading companies by layer and a single comparable metric—private GenAI investment—to anchor the view. I also add small notes on public compute programs because they shape capacity even if they’re not “GenAI funding” per se. It’s not a complete census of the ecosystem, but it gives a clear sense of who leads where, why that matters for costs and margins, and where to dig deeper next.

Here’s the quick way to read the map—and turn it into decisions.

First, follow the money and the metal. Private GenAI funding shows where new products and partners are forming; public chip and data-center programs show where capacity and costs will bend. That’s why the U.S. concentrates app revenue and tooling, Europe looks strong in talent but often runs on U.S. clouds, and China can scale usage behind the firewall even when venture charts look small. Upstream chokepoints—TSMC fabs, HBM memory in Korea—still set everyone’s floor on price and latency.

Then translate pins into a playbook. If you’re building apps, your moat is workflow + data + distribution, not training a frontier model. Design for model agility (closed APIs and open weights), smart routing/caching, and private/VPC (Virtual Private Cloud) options where trust and compliance matter. In short: choose the layer you can win, rent what you don’t need to own, and keep your cost of “Generate” under control.

Now, let’s zoom into the regions and see how these rules play out on the ground.

The U.S. edge isn’t just bigger fundraises—it’s where the buyers and the distribution rails live. The big three clouds (AWS, Microsoft Azure, Google Cloud) command roughly two-thirds of global cloud infrastructure, so most GenAI usage—and billing—lands on U.S. platforms. And GenAI isn’t just a board-deck buzzword: 71% of organizations reported using GenAI in 2024, widening the customer base for copilots and AI-powered workflows.

On the supply side, U.S. labs shipped the largest crop of foundation models and still set many of the top performance marks (with Chinese models closing fast). On the demand side, the app landscape is broad and busy—B2C and B2B, general-purpose copilots and deep domain tools—giving startups multiple routes to product-market fit.

If your customer profile is mid-market or enterprise and your product leans on deep integrations, launching in the U.S. compounds faster: procurement paths and marketplaces already exist, and cloud partners are motivated to push GenAI workloads. Net-net: capital, customers, and channels are co-located—which shortens sales cycles and keeps your cost of “Generate” more predictable.

Europe looks strong on brains and builders—Mistral, Aleph Alpha, DeepL, Synthesia, Stability—but the money and margins are tougher. Private GenAI funding is a small slice of the U.S. total. Within Europe the U.K. hosts the deepest startup base while France has pulled the biggest recent rounds (Mistral raised 1.7B€ in September 2025). But the funding and output gap shows up downstream as less market share and revenue capture for European GenAI products, even when the tech is excellent.

Where Europe does convert is in domain expertise. On the industrial side, Siemens Industrial Copilot (in the partnership with Microsoft) is a recognized global leader. In media/productivity, Synthesia crossed $100M ARR, and DeepL raised $300M at a ~$2B valuation—proof that European GenAI can win when accuracy, governance, and multilingual depth matter most.

Still, because hyperscale clouds are mostly American, a chunk of European GenAI spend flows out via IaaS/PaaS. Europe builds capacity with the EU Chips Act but this is a multi-year bet that won’t flip revenue share overnight.

Europe is great for vertical GenAI that sells on quality and compliance and can provide good opportunities for R&D. For faster monetization, many teams still route sales through U.S. subsidiaries/cloud marketplaces.

China is building a parallel GenAI stack—models, apps, cloud, and chips—shaped by state-backed capacity and tight product rules. On the infrastructure side, Beijing stood up “Big Fund III” at ¥344B (~$47.5B) to back semiconductors, while the Eastern Data, Western Computing program reports ¥43.5B (~$6.1B) in direct government spend on national compute hubs (cumulative to June 2024). These aren’t GenAI venture dollars, but they decide where GPUs, racks, and latency live.

At the model and app layers, export controls limit access to top U.S. AI chips, so Chinese players optimize for local hardware and compliance—think Baidu ERNIE, Alibaba Qwen, ByteDance Doubao, DeepSeek, Moonshot’s Kimi—and distribute inside WeChat, Alipay, search, and office suites after passing the Interim Measures security reviews for generative AI services. The result is a platform-integrated, regulated user experience that scales domestically even when VC charts look small.

Private GenAI funding exists in China, but much of the real build-out runs through corporate budgets and public programs—more national-scale CAPEX + platform distribution than “raise a seed and blitzscale.” For founders outside China, the takeaway isn’t just geopolitics; it’s operational: capacity is being created, apps are shipped through domestic platforms, and compliance is part of product design from day one.

Israel is the standout small-nation hub for GenAI (AI21 Labs is a clear unicorn; defense, security, and enterprise tooling spillover is strong). India just minted its first GenAI unicorn (Krutrim) and has a huge developer base plus sovereign-model ambitions. Latin America’s GenAI-native unicorn list is short, but Chilean NotCo shows how domain GenAI (food R&D) can punch above its weight via partnerships. The Gulf is sprinting on sovereign models and non-NVIDIA compute (e.g., UAE’s MBZUAI/G42 ecosystem), an example of how regions can carve out leverage even without a homegrown cloud giant.

Russia appears to be converging on an AI development path that echoes aspects of China’s—stronger regulation, products built primarily for the home market, and capital coming from government programs and corporate balance sheets. Unlike China, Russia faces a much smaller domestic customer base and tighter access to global markets and advanced compute, which constrains both scale and monetization outside the country.

Generative AI is no longer a playground for demos—it’s a global industry with real supply chains, cost curves, and power centers. The U.S. dominates private investment and app revenues; Europe shows precision in verticals but struggles to capture cloud value; China builds a parallel stack shaped by state capacity and platform distribution; other regions from Israel to India to Chile prove that sharp domain focus can still create unicorns.

For founders, the lesson is clear: don’t chase the whole stack. Choose the layer where you can win, rent the rest, and make data and distribution your moat. Whether you’re building in San Francisco, Berlin, Shanghai, or Santiago, the unit economics of a single “Generate” link back to this global value chain. Understand it—and you can turn AI from a buzzword into a business.