Крах Gemini — перемога GCP: що робити технічним лідерам зараз

Питання, яке кожен технічний лідер, що робить ставку на Gemini як основного постачальника моделей, має поставити своєму CFO цього тижня: контракт, який вони збираються підписати, — це контракт із frontier-лабораторією чи з орендодавцем? 5 серпня Google повністю змінила керівництво команди, що створила Gemini 3 Pro. Два дні потому аналітичний огляд кривої зростання GCP прояснив стратегічну картину: DeepMind більше не є лабораторією першого рівня, а Google Cloud — це структура, що тихо виграла внутрішню боротьбу за обчислювальні ресурси.

Що сталося

Google оголосила про повне перезавантаження керівництва DeepMind. Деміс Хассабіс, співзасновник і колишній генеральний директор, відійшов від щоденного управління. Джефф Дін, колишній головний науковець і співкерівник Gemini, іде, щоб співзаснувати нову лабораторію Discovery Loop. Дін — людина, яка співзаснувала Google Brain і запустила програму TPU, тому його відхід — це не просто відставка, а інституційний сигнал.

Він іде не один. Санджай Гхемават і Куок Ле, обидва Google Fellows (титул, зарезервований приблизно для дванадцяти найкращих технічних співробітників компанії), приєднуються до нього. Так само Оріол Віньялс, ще один співкерівник Gemini. Це залишає Корая Кавукчуоглу, колишнього CTO DeepMind та останнього зі співкерівників Gemini, на місці Хассабіса.

Як повідомляє SemiAnalysis, цей відтік кадрів відбувається після більш ранніх відходів Ноама Шазера та Джона Джампера, а також більшості найсильніших RL-дослідників команди Gemini. Контекст важливий: у листопаді 2025 року Gemini 3 Pro був, мабуть, найкращою моделлю у світі й змусив Сема Альтмана оголосити «червоний код» в OpenAI. Дев'ять місяців потому Gemini 3.5 Flash провалився, Gemini 3.5 Pro був тихо скасований, а проміжний реліз Gemini 3.6 Flash загалом гірший за Muse Spark 1.2, Grok 4.5 та китайські моделі open-source першого рівня. Залежно від методики підрахунку, Gemini займає 8-е або 9-е місце. Тим часом річне зростання доходів GCP перевищує 100%, значною мірою завдяки виділенню TPU для Anthropic і Meta.

Технічна анатомія

Механізм занепаду Gemini — це історія розподілу обчислювальних ресурсів, а не дослідницька. Обчислення — це кров frontier-тренувань, і кожна лабораторія, яка ставить на AGI, змагається за закріплення гігават потужностей на роки вперед. Google мала ці потужності власні. Але вирішила їх здавати в оренду.

Більше 20% загального обсягу поставок TPU з Q3 2026 по Q4 2027 продається безпосередньо Anthropic. Ця цифра не включає сотні тисяч TPU, які GCP вже орендує Anthropic сьогодні, а також ще сотні тисяч, зарезервованих для Anthropic і Meta на наступні шість кварталів. Томас Куріан, генеральний директор Google Cloud, публічно позиціонує це як перетворення TPU на «інфраструктуру загального призначення», називаючи Citadel і Міністерство енергетики США клієнтами та описуючи Google як «платформну компанію», коли його запитують, чому вона продає обчислювальні ресурси найжорстокішим конкурентам Gemini.

Числове зниження на рівні моделей розповідає ту саму історію з іншого боку. Зростання токенів через Gemini API першої сторони становило 60% у Q1 2026 — з 10 до 16 мільярдів токенів на хвилину. У Q2 2026 воно впало до 38%, досягши 22 мільярдів токенів на хвилину. Зростання є, але різко сповільнюється. Gemini Enterprise Agent Platform (раніше Vertex) виглядає здоровішою лише тому, що обслуговує моделі сторонніх розробників, зокрема Claude. Це і є ознака: корпоративні клієнти на платформі Google дедалі частіше використовують чужий інтелект.

Маховик талантів замикає коло. Discovery Loop слідує за сценарієм нових лабораторій, який Девід Сілвер встановив в Ineffable Intelligence в листопаді попереднього року: топові дослідники залишають Google, залучають мільярди від зовнішніх інвесторів і Google Ventures, а потім витрачають цей капітал на оренду GPU Nvidia всередині GCP. Google монетизує відхід двічі — як LP через GV і як орендодавець. DeepMind програє з обох боків.

Хто постраждає

Почнемо з будь-якої продуктової команди, яка зробила Gemini основною залежністю для inference за останні дванадцять місяців. Якщо ваш роадмап на Q4 2026 передбачав, що Gemini 4 Pro буде конкурувати з GPT 5.6, Claude або моделлю OpenAI класу «Doug», ця передумова тепер є в кращому разі спекулятивною. За чутками в індустрії, скасований Gemini 3.5 Pro приблизно відповідав рівню Opus 4.5, що вже позаду GLM 5.2, Fable 5 і GPT 5.6. Ставити доходи Q4 на те, що Gemini 4 подолає цей розрив, — це підкидати монетку з чужими грошима.

Далі — менеджери з найму в командах, що сподівалися перекупити таланти середнього рівня з DeepMind після їхнього розсіювання. Вершки вже зарезервовані Discovery Loop та її партнерами серед нових лабораторій, які фінансуються венчурними капіталістами першого рівня та самим Google Ventures. На відкритий ринок вийдуть кандидати другого рівня, і ціна все одно буде шалена, бо кожна добре фінансована лабораторія робить ставки.

Далі — юридичний і комплаєнс-аспект для регульованих компаній у fintech та iGaming, які будували оцінки ризиків постачальників навколо конкретного SLA Gemini та профілю поведінки моделі. Темп виведення моделей з обігу щойно прискорився. Якщо ваш конвеєр генерації KYC-наративів, агент тріажу шахрайства або суммаризатор комунікацій із гравцями прив'язаний до чекпоінта Gemini, який буде виведений з обігу при виході Gemini 4, у вас з'явився проєкт із повторної сертифікації, якого ви не закладали в бюджет.

CFO будь-якого Series B fintech, який витрачає від $200K до $600K на місяць на Gemini inference, має запитати свого VP Eng цього тижня: шар абстракції між кодом застосунку та постачальником моделей — реальний чи лише задекларований? Якщо перехід на Claude або GPT означає двоквартальний інженерний проєкт, ви прив'язані до постачальника, траєкторія якості моделей якого тепер є негативною. Це і є визначення поганої позиції за столом переговорів.

Стратегія для AI-розробки

Три кроки на наступні 90 днів. По-перше, відокремте inference від постачальника на рівні коду. Якщо ви ще не стандартизували на шаблоні маршрутизатора (LiteLLM, внутрішній шлюз або щось у стилі MCP з використанням специфікації MCP для контрактів інструментів), це ваш наступний спринт. Вартість абстракції невелика. Вартість її відсутності — коли ваш основний постачальник падає з 1-го на 9-е місце за дванадцять місяців — дорівнює всьому рахунку за повторну платформізацію.

По-друге, переговори. Власна поведінка GCP показує, що постачальники обчислень цінують довгострокові зобов'язання від ключових орендарів. Якщо ви витрачаєте семизначні суми щороку на Gemini inference, вікно можливостей — зараз, доки відділ продажів Google не усвідомив, що Gemini 4 не буде конкурентоспроможним за якістю. Домагайтесь незалежних від постачальника кредитів, які можна перенаправити на Vertex-хостований Claude або сторонні моделі в рамках того ж корпоративного контракту.

По-третє, інвестуйте в eval-харнес. Якщо ваша команда не запускає щоденні сліпі тести мінімум на трьох постачальниках моделей для ваших п'яти головних продакшн-задач, ви обираєте постачальників навмання. Порядок рейтингу змінювався тричі за останні вісімнадцять місяців. Він зміниться знову, коли вийде «Doug» і коли наступна нова лабораторія скине свій чекпоінт. Підходьте до вибору моделі як до задачі з даними, а не до закупівельної.

Ключові висновки

• Відтік керівництва DeepMind (Хассабіс відходить від справ, Дін, Гхемават, Ле та Віньялс переходять до Discovery Loop) знаменує кінець Google як повноцінної frontier-лабораторії в поточному циклі.
• GCP є внутрішнім переможцем: зростання доходів понад 100% YoY, а понад 20% поставок TPU до Q4 2027 йде лише Anthropic.
• Зростання токенів Gemini API сповільнилося з 60% у Q1 2026 до 38% у Q2 2026, тоді як Enterprise Agent Platform підтримується переважно сторонніми моделями на кшталт Claude.
• Продуктові команди, прив'язані до Gemini, потребують спринту з абстракції постачальника зараз, до виходу Gemini 4, коли вартість переходу стане ще вищою.
• Маховик нових лабораторій (дослідники йдуть, залучають кошти від GV, орендують обчислення GCP) означає, що Google монетизує власну втрату талантів — тому ця модель прискорюватиметься, а не зникатиме.