# Лекун проти AI-лабораторій: чому попередження про бульбашку не варто ігнорувати

> Батько глибокого навчання попереджає про крах OpenAI та Anthropic — і його аргументи важче відкинути, ніж здається

- Опубліковано: 18 червня 2026 р. (2026-06-18T18:08:29.813234+00:00)
- Розділ: AI-дослідження
- На основі публікації: [The Decoder](https://the-decoder.com/yann-lecun-warns-ai-labs-like-openai-and-anthropic-face-a-big-bubble-explosion/)
- Видання: AiiN (https://aiin.news)
- URL: https://aiin.news/article?slug=%D0%BB%D0%B5%D0%BA%D1%83%D0%BD-%D0%BF%D1%80%D0%BE%D1%82%D0%B8-ai-%D0%BB%D0%B0%D0%B1%D0%BE%D1%80%D0%B0%D1%82%D0%BE%D1%80%D1%96%D0%B9-%D1%87%D0%BE%D0%BC%D1%83-%D0%BF%D0%BE%D0%BF%D0%B5%D1%80%D0%B5%D0%B4%D0%B6%D0%B5%D0%BD%D0%BD%D1%8F-%D0%BF%D1%80%D0%BE-%D0%B1%D1%83%D0%BB%D1%8C%D0%B1%D0%B0%D1%88%D0%BA%D1%83-%D0%BD%D0%B5-%D0%B2%D0%B0%D1%80%D1%82%D0%BE-%D1%96%D0%B3

---

Протягом останніх двох років ті, хто ставив під сумнів домінування великих мовних моделей, ризикували отримати ярлик луддита або просто людини, що «не розуміє». Але Янн Лекун — головний науковець з AI у Meta, лауреат премії Тьюрінга і один із «батьків» глибокого навчання — не пасує під цю категорію. Коли він говорить про «великий вибух бульбашки», це вже не маргінальна думка академіка з далекої лабораторії.

[За даними The Decoder](https://the-decoder.com/yann-lecun-warns-ai-labs-like-openai-and-anthropic-face-a-big-bubble-explosion/), Лекун публічно попередив, що AI-лабораторії на кшталт OpenAI та Anthropic рухаються до серйозної кризи. Причина — не технічна невдача як така, а структурна: між тим, що ці компанії обіцяють, і тим, що вони здатні доставити на рівні реальних бізнес-результатів, зяє прірва. І рано чи пізно ринок це побачить.

Важливий контекст: Лекун не є просто зовнішнім критиком. Він сам активно будує AI-системи в Meta, але робить ставку на принципово інший підхід — world models та joint embedding architectures замість next-token prediction. Його скептицизм щодо LLM системний, а не емоційний.

## Де саме надута бульбашка

Перш ніж аналізувати попередження Лекуна, варто уточнити: він не каже, що AI-технології — шахрайство. Він каже щось точніше і, мабуть, небезпечніше для бізнес-моделей OpenAI та Anthropic: поточні LLM-підходи мають стелю, і ця стеля значно нижча, ніж оцінки інвесторів. Ринок ще цього не відчув — але сигнали вже є.

Ось конкретні аргументи, що лежать в основі цієї позиції:

- **Витрати не знижуються пропорційно.** Навчання frontier-моделей стає дорожчим, а не дешевшим. GPT-5, Claude 4, Gemini Ultra — кожен наступний рівень потребує експоненційно більше обчислень і капіталу.
- **Монетизація відстає від оцінок.** Провідні AI-лабораторії оцінюються в сотні мільярдів доларів, тоді як їхні доходи ростуть значно повільніше. Математика не сходиться.
- **Конкуренція commodity-зує продукт.** Mistral, Llama, Qwen та десятки open-source моделей наближаються до закритих аналогів за якістю. Захисний рів звужується щокварталу.
- **Enterprise-adoption повільніший за прогнози.** Більшість корпоративних AI-проєктів залишаються на стадії пілоту, не приносячи масштабованого ROI.

## Технічна основа скептицизму

Лекун роками стверджує: LLM не розуміють світу, вони передбачають токени. Це не семантична різниця — це архітектурне обмеження. Моделі, побудовані на next-token prediction, вразливі до галюцинацій, не здатні надійно планувати багатокрокові дії і погано узагальнюють на нові домени без дообучення.

Альтернатива Лекуна — I-JEPA та V-JEPA (Image/Video Joint Embedding Predictive Architecture) від Meta — намагається навчити AI будувати внутрішню модель реальності, а не просто статистику текстових послідовностей. Підхід концептуально переконливий, але поки не довів здатності замінити GPT-4 у щоденних практичних задачах.

Проблема не в тому, хто правий на рівні теорії. Проблема в часі: якщо бульбашка лопне до того, як альтернативи доростуть, втрати понесуть усі — і стартапи, що будують на LLM-API, і корпоративні замовники, що вже підписали enterprise-угоди.

## Що це означає для AI-білдерів

Незалежно від того, чи вибухне бульбашка завтра чи за три роки, практичні висновки для тих, хто будує AI-продукти сьогодні, залишаються незмінними:

- **Не будуй бізнес на одному провайдері.** Диверсифікація між OpenAI, Anthropic, Google та open-source — це не параноя, а архітектурна розсудливість.
- **Вимірюй реальний ROI, а не «wow-ефект».** Якщо твій AI-продукт не може показати конкретну економію або виручку, він вразливий до першого ж раунду бюджетних скорочень.
- **Слідкуй за open-source.** Llama 4, Qwen 3, Mistral Large — ці моделі вже сьогодні здатні закрити 80% завдань за нульову вартість inference. Якщо твій value proposition — доступ до «найкращої моделі», він слабший, ніж ти думаєш.
- **Диверсифікуй inference та embeddings.** Vendor lock-in у разі цінової кризи — катастрофа для unit economics будь-якого SaaS.

## Висновок AiiN

Лекун може помилятися щодо термінів — і, мабуть, помиляється щодо того, що LLM є тупиковою гілкою еволюції. Але він, найімовірніше, правий щодо структурного розриву між оцінками та реальністю. Інвестиційні раунди розміром із ВВП невеликих країн мають рано чи пізно підтверджуватися пропорційними доходами — або вся конструкція коригується.

Для AI-білдерів правильна відповідь — не паніка і не відмова від LLM. Правильна відповідь — будувати так, ніби бульбашка лопне, і водночас використовувати можливості, поки вікно відкрите. Парадоксально, але саме такий підхід є найбільш раціональним у будь-якому хайп-циклі.

Є один простий тест для будь-якого AI-стартапу: якщо API OpenAI подвоїть ціну завтра, чи виживе ваш бізнес? Якщо відповідь «ні» — час переглянути архітектуру. Незалежно від того, хто виявиться правим у суперечці між Лекуном та Альтманом.

---

Теги: AI, LeCun, OpenAI, Anthropic, AIбульбашка, AIстартапи

Джерело: AiiN — https://aiin.news/article?slug=%D0%BB%D0%B5%D0%BA%D1%83%D0%BD-%D0%BF%D1%80%D0%BE%D1%82%D0%B8-ai-%D0%BB%D0%B0%D0%B1%D0%BE%D1%80%D0%B0%D1%82%D0%BE%D1%80%D1%96%D0%B9-%D1%87%D0%BE%D0%BC%D1%83-%D0%BF%D0%BE%D0%BF%D0%B5%D1%80%D0%B5%D0%B4%D0%B6%D0%B5%D0%BD%D0%BD%D1%8F-%D0%BF%D1%80%D0%BE-%D0%B1%D1%83%D0%BB%D1%8C%D0%B1%D0%B0%D1%88%D0%BA%D1%83-%D0%BD%D0%B5-%D0%B2%D0%B0%D1%80%D1%82%D0%BE-%D1%96%D0%B3. Цитуючи, посилайтесь на канонічний URL.