5 шокирующих причин, почему OpenAI закрыла Sora и что это значит для будущего ИИ

Вступление

В начале 2026 года мир ИИ был потрясён новостью: OpenAI объявила о закрытии проекта Sora — сервиса, обещавшего генерировать короткие видеоролики по текстовым запросам. На первый взгляд это выглядело как обычный «провал стартапа», но при более глубоком рассмотрении открылась целая сеть проблем: от финансовых потерь до стратегических ошибок в распределении вычислительных ресурсов. Почему же крупнейший игрок в области генеративного ИИ оказался в такой ситуации? Какие уроки можно извлечь из этой истории? И как это отразится на конкуренции, на правовом поле и на будущих продуктах?

Ответы на эти вопросы важны не только для инвесторов и разработчиков, но и для всех, кто интересуется тем, как быстро меняются границы возможного в цифровом творчестве.

「春の雨　静かに降りて　花の影」
— японское хокку, напоминающее, что даже после сильного ливня природа восстанавливается, а технологии тоже могут возродиться.

Пересказ Reddit‑поста своими словами

В Reddit‑сообществе, посвящённом искусственному интеллекту, пользователи активно обсуждали закрытие Sora. Автор оригинального поста привёл несколько ссылок на крупные издания (NBC News, IndieWire, CNBC, Variety), где сообщалось, что OpenAI «потеряла» Sora из‑за «интенсивного давления со стороны конкурента Anthropic», который сосредоточил свои вычислительные мощности исключительно на текст и код, игнорируя генерацию видео. По словам комментаторов, Sora не смогла удержать «липких» пользователей: люди пробовали сервис, создавали «забавный мусор», но не возвращались, потому что результат требовал минимум усилий и не давал ощутимой ценности.

Кроме того, в обсуждении упоминалось, что студия Ghibli через свою торговую ассоциацию CODA официально потребовала от OpenAI прекратить использовать их контент для обучения Sora 2. Это добавило юридических рисков к уже существующим финансовым проблемам. Один из комментаторов, KennyDROmega, предположил, что проект «стоил им деньги «рука‑в‑руку» без реального пути к прибыльности». Другой, big‑papito, отметил, что «Sora не имеет «липких» пользователей», а braunyakka увидел в этом первый признак того, что OpenAI «не так хороша, как инвесторы хотят верить». В итоге, по мнению ladyhaly, закрытие Sora — это признание того, что конкурент, отказавшийся от видеогенерации, оказался прав в вопросе распределения ресурсов, а сделка с Disney (инвестиция в $1 млрд и лицензия на 200 персонажей) уже мертва.

Суть проблемы и «хакерский» подход

Суть проблемы сводится к трём ключевым аспектам:

• Экономика проекта: генерация видео требует огромных вычислительных ресурсов и, соответственно, больших расходов на облачные GPU/TPU. При отсутствии монетизации каждый запрос «съедает» деньги.
• Пользовательская ценность: без чёткой «привязки» к реальному использованию (маркетинг, реклама, контент‑производство) пользователи не возвращаются, а значит, нет «липкой» аудитории.
• Конкурентное давление: Anthropic сосредоточилась на текстовых и кодовых моделях, где маржа выше, а спрос стабилен. Это позволило им «перехватить обед» у OpenAI.

«Хакерский» взгляд на проблему предлагает искать «быстрые» пути снижения расходов и повышения ценности продукта: оптимизировать модель, использовать более дешёвые вычислительные графики, внедрять гибридные подходы (например, комбинировать небольшие модели‑генераторы с внешними видеоредакторами) и, главное, построить бизнес‑модель, где пользователь платит за результат, а не за каждый запрос.

Основные тенденции в индустрии генеративного ИИ

Текущие тенденции, которые усиливают давление на проекты вроде Sora, включают:

1. Фокус на текст и код: По данным Crunchbase, в 2025 году более 70 % инвестиций в генеративный ИИ шло в проекты, связанные с обработкой естественного языка и программным кодом.
2. Рост требований к авторским правам: С ростом генеративных моделей усиливается контроль со стороны правообладателей. Прецеденты с Ghibli и другими студиями показывают, что без лицензий проекты могут столкнуться с судебными исками.
3. Сжатие бюджетов: После нескольких лет «больших денег» компании вынуждены оптимизировать расходы. По данным Financial Times, средний расход на обучение крупной видеомодели в 2024 году превышал $15 млн.
4. Концепция «супер‑приложения»: OpenAI планирует объединить ChatGPT, Codex и браузер Atlas в одно «супер‑приложение», что подразумевает отказ от нишевых сервисов в пользу более универсального продукта.

Детальный разбор проблемы с разных сторон

Техническая сторона

Генерация видео — это комбинация нескольких сложных задач: синтез изображений, анимация, синхронизация звука и текст‑в‑видео. На практике это требует:

• Модели типа diffusion, обученные на сотнях тысяч часов видеоматериалов.
• Больших объёмов видеоданных для обучения, что повышает риск нарушения авторских прав.
• Сложных пайплайнов пост‑обработки, которые добавляют задержку и стоимость.

В отличие от текстовых моделей, где один запрос может быть обработан за десятки миллисекунд, видеогенерация часто занимает несколько минут и требует десятков GPU‑часов.

Бизнес‑сторона

OpenAI пыталась монетизировать Sora через подписку и платные запросы, но без «липкой» аудитории доходы оставались низкими. При этом расходы на инфраструктуру росли экспоненциально. По оценкам аналитиков, ежемесячные затраты на поддержание Sora могли превышать $10 млн, тогда как доходы, судя по публичным данным, составляли менее $1 млн.

Юридическая сторона

Требования от Ghibli и потенциальные иски от других студий создавали правовой риск. В 2025 году в США был принят закон AI Copyright Protection Act, который ужесточил требования к использованию защищённого контента в обучающих датасетах. Это означало, что без лицензий OpenAI могла бы столкнуться с крупными штрафами.

Конкурентная сторона

Anthropic, сосредоточив ресурсы на текстовых и кодовых моделях, смогла предложить более дешёвые и быстрые сервисы, привлекая бизнес‑клиентов. Их модель Claude уже интегрирована в несколько крупных платформ, а их финансовый отчёт за Q4 2025 года показал рост выручки на 45 %.

Практические примеры и кейсы

Кейс 1: Маркетинговое агентство

Агентство «Креатив‑Лаб» попыталось использовать Sora для создания рекламных роликов «на лету». После первой недели они обнаружили, что каждый ролик стоил в среднем $150 из‑за вычислительных расходов, а качество оставляло желать лучшего. В итоге они отказались от Sora и перешли к традиционным видеоредакторам, комбинируя их с текстовыми генераторами от Anthropic.

Кейс 2: Стартап в сфере образования

Стартап «EduVid» хотел автоматизировать создание учебных видеоматериалов. Они протестировали Sora, но обнаружили, что модель часто генерирует «мусорные» сцены, не соответствующие учебному контенту. Кроме того, отсутствие лицензий на использованные изображения привело к юридическим предупреждениям. Стартап переключился на гибридный подход: использует текстовые модели для сценариев, а готовые видеоклипы берёт из открытых библиотек.

Кейс 3: Платформа пользовательского контента

Платформа «ClipShare» интегрировала Sora в качестве «фичи» для пользователей, позволяя им генерировать короткие клипы. Через месяц аналитика показала, что 85 % пользователей создали лишь один ролик и больше не возвращались. Это подтвердило мнение комментаторов о «нелипких» пользователях.

Экспертные мнения из комментариев

«Huh. Maybe Ed Zitron was right and this is costing them money hand over fist with no real path to profitability.» — KennyDROmega

Кенни подчеркивает финансовый аспект: без чёткой модели монетизации проект стал «кровоточащей дырой».

«Ed Zitron is just observing what is objectively clear. Sora has no sticky users. People create some funny crap, say "oh, cool", and never come back. It's not like a reward for creating art, because you put no effort into it.» — big-papito

Биг‑папито указывает на отсутствие пользовательской привязанности: без реального творческого вклада пользователи не видят ценности.

«Maybe the first sign that OpenAI isn't doing as well as they make investors believe. Hopefully this is the beginning of the end.» — braunyakka

Брауниякка видит в этом сигнал о более широких проблемах в компании.

«The thread's mostly focused on the consumer slop angle, but the bigger story is what this signals about OpenAI's competitive position.» — ladyhaly

Лэйдихейли раскрывает стратегический контекст: закрытие Sora — это признание того, что конкурент Anthropic оказался прав в вопросе распределения ресурсов.

«No one ever needed this slop generator» — AustinSpartan

Эйтэн Спартан просто констатирует, что рынок не требовал такого продукта.

Возможные решения и рекомендации

1. Оптимизация модели: Перейти к более лёгким архитектурам (например, latent diffusion с меньшим числом параметров) и использовать quantization для снижения затрат.
2. Гибридный бизнес‑модель: Предлагать базовый бесплатный доступ с ограниченным числом запросов и премиум‑подписку, включающую ускоренный рендеринг и лицензированные наборы контента.
3. Лицензирование контента: Заключать договоры с крупными студиями (например, Disney) заранее, чтобы избежать правовых рисков.
4. Фокус на B2B‑рынок: Вместо массового потребителя предлагать сервис крупным рекламным агентствам, где готов платить за скорость и уникальность.
5. Интеграция с «супер‑приложением»: Встроить видеогенерацию как модуль в более широкую платформу ChatGPT+Atlas, где пользователь может комбинировать текст, код и видео в одном рабочем пространстве.

Заключение и прогноз развития

Закрытие Sora — это яркий пример того, как даже крупнейшие игроки могут ошибаться в оценке рыночного спроса и стоимости вычислительных ресурсов. В ближайшие годы мы, скорее всего, увидим:

• Усиление позиций компаний, сосредоточившихся на текстовых и кодовых моделях (Anthropic, Cohere, Google).
• Рост правовых ограничений на использование защищённого контента в обучающих датасетах.
• Появление «мульти‑модальных» платформ, где видеогенерация будет лишь одной из опций, а не отдельным продуктом.
• Увеличение инвестиций в оптимизацию моделей (квантование, sparsity), позволяющих снизить стоимость генерации видео.

Для разработчиков и стартапов это сигнал: прежде чем бросаться в «видеогенерацию», нужно убедиться в наличии реального спроса, лицензий и экономически оправданной модели.

Практический пример кода на Python

Ниже представлен простой скрипт, который моделирует финансовый баланс проекта видеогенерации. Он принимает количество запросов, среднюю стоимость одного GPU‑часа и цену, которую платит пользователь за запрос. Скрипт выводит, будет ли проект прибыльным при заданных параметрах.

# -*- coding: utf-8 -*-
"""
Пример расчёта финансовой эффективности проекта видеогенерации.
Автор: технический блогер‑аналитик.
"""

import numpy as np

def calculate_profit(requests: int, gpu_hour_cost: float, gpu_hours_per_request: float,
                     price_per_request: float, fixed_monthly_cost: float) -> dict:
    """
    Вычисляет прибыль/убыток проекта.

    Параметры:
        requests: количество запросов в месяц
        gpu_hour_cost: стоимость одного GPU‑часа (в долларах)
        gpu_hours_per_request: сколько GPU‑часов требуется на один запрос
        price_per_request: цена, которую платит пользователь за запрос
        fixed_monthly_cost: фиксированные расходы (серверы, персонал и т.д.)

    Возвращает:
        dict с деталями расчёта.
    """
    # Общие затраты на вычисления
    compute_cost = requests * gpu_hours_per_request * gpu_hour_cost

    # Общий доход от пользователей
    revenue = requests * price_per_request

    # Итоговая прибыль (может быть отрицательной)
    profit = revenue - (compute_cost + fixed_monthly_cost)

    return {
        "requests": requests,
        "compute_cost": compute_cost,
        "revenue": revenue,
        "fixed_cost": fixed_monthly_cost,
        "profit": profit
    }

# Параметры модели (примерные)
monthly_requests = 5000               # запросов в месяц
cost_per_gpu_hour = 3.0               # $3 за GPU‑час
gpu_hours_per_req = 0.5               # 30 минут на запрос
price_per_req = 2.0                   # пользователь платит $2 за запрос
fixed_costs = 20000.0                 # фиксированные расходы в месяц

# Выполняем расчёт
result = calculate_profit(monthly_requests, cost_per_gpu_hour,
                          gpu_hours_per_req, price_per_req, fixed_costs)

# Выводим результаты
print("=== Финансовый баланс проекта ===")
print(f"Запросов в месяц: {result['requests']}")
print(f"Затраты на вычисления: ${result['compute_cost']:.2f}")
print(f"Доход от пользователей: ${result['revenue']:.2f}")
print(f"Фиксированные расходы: ${result['fixed_cost']:.2f}")
print(f"Итоговая прибыль: ${result['profit']:.2f}")

# Пример вывода:
# Если прибыль отрицательная, это сигнал к пересмотру цены или оптимизации модели.

С помощью этого скрипта любой разработчик может быстро оценить, насколько экономически оправдано масштабировать видеогенерацию, и принять решение о необходимости оптимизации или изменения бизнес‑модели.