Парадокс Джевонса для AI: що дешевша генерація, то дорожча твоя увага

У 1865-му двадцятидев’ятирічний викладач Оуенс-Коледжу в Манчестері сидить над таблицями й рахує те, чого ніхто не просив рахувати. Його звати Вільям Стенлі Джевонс. На столі — таблиці видобутку вугілля, на стіні — кіптява від лампи, у голові — думка, яка зіпсує настрій усьому вікторіанському оптимізму. Інженери щойно навчилися спалювати вугілля втричі економніше, ніж за часів Ньюкомена. Парова машина Ватта робить ту саму роботу на меншій кількості палива. Логіка епохи каже: чудово, тепер вугілля вистачить надовго, ми його заощадимо.

Джевонс записує речення, яке згодом цитуватимуть півтораста років: економне використання палива — це аж ніяк не те саме, що зменшене споживання. Радше навпаки (Wikipedia, The Coal Question, 1865). І додає холодне спостереження: відколи Ватт зробив парову машину ефективнішою, споживання вугілля в Англії не впало — воно злетіло (Wikipedia, Jevons paradox). Бо коли одиниця роботи дешевшає, її починають замовляти всюди — на фабриках, у потягах, у пароплавах, у тисячі застосувань, яких раніше просто не існувало, бо вони були нерентабельні.

Через сто шістдесят років генеральний директор Microsoft Сатя Наделла відкриває застосунок X і пише в тому ж жанрі холодного спостереження: «Парадокс Джевонса знову завдає удару. Що ефективнішим і доступнішим стає AI, то більше ми бачитимемо, як його використання злітає в небо, перетворюючи його на товар, якого нам ніяк не вистачає» (Satya Nadella, X, 27.01.2025). Привід — китайська модель DeepSeek, чию флагманську версію V3 натренували, за заявою розробників, приблизно за $5.5 млн проти оцінкових $100 млн із гаком, які пішли на GPT-4 (Fortune, 27.01.2025). Ринок панікував: якщо AI стає таким дешевим, хто заробить? Наделла, по суті, відповів вугільним клерком: ніхто не заощадить. Усі споживатимуть більше.

Ця сцена — не про вугілля і не про котирування Nvidia. Вона про механізм, який ми звикли називати прогресом, хоча точніша назва — зміщення дефіциту. Я називатиму його Парадоксом Джевонса для уваги: коли вартість виробництва чогось падає до нуля, цінність зміщується на сусідній ресурс, який не масштабується. У вугільному столітті падала вартість роботи — дефіцитом стала екологія і саме вугілля. У нашому десятилітті падає вартість генерації тексту, коду, зображень — і дефіцитом стає те, що згенерувати неможливо: судження. Здатність подивитися на тисячу однаково правдоподібних виходів і сказати, який із них вартий уваги. Розберу це через три оптики — економічну (чому ефективність завжди множить, а не скорочує), когнітивну (чому твій мозок не встигає за пропускною здатністю машини) і ринкову (за що тепер реально платять годинну ставку). Теза-лезо: що дешевшою стає генерація, то дорожчою стає твоя здатність вирішувати, на що дивитися — бо це єдине, чого машина поки не вміє масштабувати.

Механізм: чому ефективність — це педаль газу, а не гальмо

Інтуїція всіх каже: якщо ми навчилися робити щось удвічі дешевше, ми витрачатимемо вдвічі менше. Джевонс показав, чому ця інтуїція стабільно помиляється. Падіння ціни одиниці робить рентабельними застосування, які раніше були за межею. Дешевше вугілля — не «те саме вугілля за менші гроші», а нові залізниці, нові фабрики, нові міста, яких без дешевого вугілля просто не було б. Сукупний попит зростає швидше, ніж падає питома витрата. Економісти називають це rebound-ефектом, але Джевонс назвав точніше: confusion of ideas — плутанина в головах (Wikipedia, Jevons paradox).

Варто на мить затриматися на самому механізмі, бо в ньому весь фокус. Джевонс розрізнив дві речі, які всі плутають: питому витрату і сукупне споживання. Ватт зменшив питому — скільки вугілля треба, щоб виконати одну одиницю роботи. Але ціна на роботу — не на вугілля — від цього впала, а коли щось дешевшає, його починають хотіти більше і в більшій кількості місць. Парова машина, яка раніше окупалася лише на найбагатших шахтах, раптом окупалася на текстильній фабриці, потім на залізниці, потім на пароплаві. Кожне нове застосування — це новий стовпчик у таблиці попиту, якого до здешевлення просто не існувало. Сума цих стовпчиків зростала швидше, ніж падала питома витрата. Звідси парадокс: економніша машина спалила більше вугілля, ніж марнотратна.

Тепер підставте токени замість тонн. У березні 2023-го мільйон вхідних токенів GPT-4 коштував $30 (TokenCost, AI Price Index). До початку 2025-го найдешевша модель порівнянної базової спроможності — Gemini 2.0 Flash — коштувала $0.10 за той самий мільйон, тобто приблизно у 300 разів менше за стартову ціну GPT-4 (TokenCost). За логікою заощадження ми мали б витрачати на AI у 300 разів менше. Точно як вікторіанці мали б, за їхньою логікою, спалювати менше вугілля.

Витрачаємо більше. ChatGPT мав 500 млн тижневих активних користувачів наприкінці березня 2025-го, 700 млн — у серпні, 800 млн — на початку жовтня того ж року (TechCrunch, 06.10.2025). На той момент над OpenAI будували вже 4 млн розробників, а її API обробляв понад 6 млрд токенів за хвилину (TechCrunch). Вугільний клерк дивиться на ці цифри й не дивується жодній. Він це бачив. Дешевша одиниця — більший сукупний апетит. Завжди.

І ось перша незручна деталь, яку індустрія любить ховати за словом «продуктивність». Якщо генерація подешевшала у 300 разів, а споживання зросло на порядки — то фізичний потік виходів, які хтось має прочитати, перевірити, відхилити або схвалити, зріс іще сильніше. Машина навчилася виробляти швидше. Вузьке горло переїхало далі по конвеєру — туди, де сидиш ти.

Сходинка докази: куди переїхав дефіцит

Подивіться на текстовий шар інтернету. До середини 2025-го AI-згенеровані статті становили близько 52% усього нового письмового контенту в мережі — машинні тексти вперше за обсягом перевершили людські. Це цифра з аналізу SEO-фірми Graphite: 65 тисяч англомовних статей із Common Crawl, опублікованих між січнем 2020-го і травнем 2025-го, прокласифіковані детектором Surfer (Graphite, More Articles Are Now Created by AI Than Humans). Здавалося б, людський текст витіснено. Але інше дослідження тієї ж фірми показує другу, протилежну цифру. Коли Graphite перевірила, що саме реально ранжується в топі Google — перші дві сторінки видачі по 31 тисячі запитів, — виявилося, що 86% статей там написані людьми, і лише 14% — машиною (Graphite, AI Content In Search & LLMs). У відповідях ChatGPT і Perplexity розрив той самий бік: 82% процитованих джерел — людські.

Розрив між цими числами — 52% за обсягом проти 14% за цінністю — і є портрет нового дефіциту. Виробляти стало нескінченно дешево. Виробляти те, на що варто витратити чужу увагу, — не подешевшало взагалі. Радше подорожчало, бо тепер це треба робити в умовах інформаційного потопу, де твій сигнал тоне в 52% шуму. Алгоритм, по суті, виконує за читача першу фільтрацію — і виконує її проти машинного тексту: серед самих топ-позицій лише 7% утримує AI (Graphite, AI Content In Search & LLMs). Дешевизна виробництва не пробиває цей фільтр. Вона лише робить його ціннішим.

Тут варто зупинитися й сказати чесно: кореляція — не причинність. Те, що ціна токенів падала одночасно зі зростанням споживання, само по собі не доводить, що одне спричинило інше; під час буму AI падало й дорожчало багато всього паралельно. Але Джевонсова логіка тут не статистична кореляція двох рядів — це механізм еластичності попиту за ціною, перевірений на вугіллі, сталі, електриці, обчисленнях. Дешевшаєш — масштабуєшся в нові ніші. Це не тренд, який мине з модою на AI. Це економічний закон, як закон попиту. Тренди закінчуються. Закони — ні.

Когнітивна оптика: твій мозок — це вузьке горло, і воно не оновлюється

Перенесемо це з макроекономіки в одну конкретну голову. Уяви себе на місці маркетолога, який о дев’ятій ранку просить AI «дай двадцять варіантів заголовка». Десять секунд — двадцять варіантів. Раніше ти писав би їх годину й мав би п’ять. Здавалося б, чистий виграш.

Назвемо його ім’ям, щоб не ховатися за абстракцією. Андрій, тридцять чотири, керує контентом у середній компанії. До 2023-го його день виглядав так: десять заголовків за ранок, обід, два тексти по обіді — і відчуття зробленого. Тепер його ранок виглядає інакше: він просить модель, отримує двадцять заголовків за десять секунд, і далі — три години сидить перед ними. Не пише. Вибирає. Виходить о сьомій вечора виснаженішим, ніж колись, хоча «нічого не робив» — у старому розумінні «робити». Андрій не розуміє, чому втома зросла, коли робота зникла. Джевонс пояснив би йому це за хвилину.

Тепер ти сидиш на місці Андрія перед двадцятьма заголовками. Усі граматично бездоганні. Усі правдоподібні. Жоден не очевидно поганий — бо машину навчили не робити очевидно поганого. І ось у чому пастка: вартість генерації варіанта впала до нуля, а вартість оцінки варіанта — ні. Прочитати, відчути, зважити проти аудиторії, відкинути дев’ятнадцять і взяти відповідальність за один — це робота, яку твій мозок виконує рівно з тією ж швидкістю, що й твій прадід над двадцятьма рукописними. Машина розв’язала проблему, якої майже не було (написати варіанти), і помножила проблему, яка завжди була справжньою (вибрати правильний).

Це і є зміщення дефіциту в масштабі однієї людини. Раніше твоя цінність як фахівця ховалася почасти в умінні виробити — написати, намалювати, закодити. Машина це знецінила. Те, чого вона не знецінила, оголилося: смак, контекст, відповідальність за рішення «отак, а не отак». Економісти назвали б це комплементарністю — коли один ресурс дешевшає, цінність комплементарного до нього ресурсу зростає. Дешеві цвяхи підвищують цінність теслі, який знає, куди їх забивати. Дешеві токени підвищують цінність людини, яка знає, на який із виходів варто дивитися.

Зверни увагу на підступну математику цього зсуву. Коли AI дає тобі п’ять варіантів, ти ще встигаєш зважити кожен уважно. Коли двадцять — ти вже читаєш навскіс. Коли двісті (а ціна генерації цього не забороняє — вона нульова) — ти не оцінюєш, ти капітулюєш: береш перший прийнятний, бо повноцінно оцінити двісті фізично неможливо. Парадокс замикається злим вузлом: інструмент, який обіцяв розширити твій вибір, насправді звужує твою здатність вибирати — бо генерує варіантів більше, ніж людська увага здатна зважити. Дешевизна виробництва не звільняє судження. Вона його затоплює.

Епоха	Що подешевшало до ~нуля	Куди переїхав дефіцит	За що платять годинну ставку
Парова (1860-ті)	Механічна робота (вугілля + Ватт)	Саме вугілля, повітря, час видобутку	Інженер, що знає, де поставити фабрику
Друкарська/вебова (2000-ні)	Дистрибуція тексту (публікація ≈ безкоштовна)	Увага читача, довіра	Редактор, що вирішує, що варте першої шпальти
AI-генеративна (2023→)	Виробництво тексту/коду/зображень	Судження: куди дивитися, що схвалити	Той, хто бере відповідальність за вибір з-поміж тисячі виходів

Одна таблиця, один патерн, три століття. Дешевшає виробництво — дорожчає напрям погляду.

Контртиск: а може, машина просто з’їсть і судження?

Тут чесний опонент б’є у найслабше місце аргументу. Гаразд, скаже він, сьогодні людина оцінює виходи. Але хіба оцінка — це не теж задача, яку AI вчиться робити? Уже є моделі-судді, які ранжують відповіді інших моделей. Є reward-моделі, RLHF, автоматичні евали. Якщо генерацію автоматизували, чому не автоматизувати й вибір? Тоді весь мій аргумент про «дефіцит судження» — просто чергова ніша, яку машина закриє наступною, і Джевонс тут ні до чого.

Заперечення сильне, і відмахуватися від нього було б нечесно. Так, частину оцінки вже автоматизовано — і це лише прискорює потік. Але зверни увагу на рекурсію, у яку воно заганяє: модель-суддя сама виробляє виходи (оцінки), які тепер хтось має оцінити — бо чому ми довіряємо саме цьому судді? Дефіцит не зникає, він піднімається на поверх вище: тепер потрібне судження про те, кому делегувати судження. Вугільний rebound працював так само — кожна автоматизація однієї ланки робила вузьким горлом наступну, а зрештою — фізичну межу (вугілля скінченне) і людську (хтось мав вирішувати, навіщо всі ці фабрики). Машина чудово оптимізує всередині заданої мети. Хто задає мету і бере відповідальність, коли вона виявилася хибною, — досі не делеговано й, схоже, не делегується без того, щоб перестати бути людським рішенням.

Що довело б, що я неправий? Дуже конкретна річ: якби з’явилася система, якій ринок масово й добровільно делегує незворотні рішення з відповідальністю — підпис під контрактом, діагноз, звільнення, публікацію під своїм ім’ям — без людини в петлі, і робить це не тому, що дешевше, а тому, що довіряє. Поки що відбувається протилежне: що більше навколо машинного тексту, то ретельніше люди шукають, кому персонально довіряти. 86% топ-Google досі людські саме тому.

Чому це загострилося саме зараз, у вікні 2023–2026? Бо до 2022-го генерація ще була дорогою: вона сама була вузьким горлом, і судження ховалося всередині акту виробництва — хто писав, той і вирішував. GPT-4 у 2023-му ($30/1M токенів) почав, DeepSeek наприкінці 2024-го обвалив поріг входу ($5.5M на тренування флагмана), а майже 300-кратне здешевлення за три роки завершило фазовий перехід (TokenCost; Fortune). Виробництво і судження роз’єдналися. Уперше можна виробити, нічого не вирішивши. І саме тоді стало видно, що рішення — окремий, нескінченно дефіцитний товар.

Ринкова оптика: за що тепер реально виставляють рахунок

Спустимося з теорії на рівень рахунку-фактури. Ще у 2021-му копірайтер продавав години, проведені за написанням. Сьогодні написання тексту коштує стільки ж, скільки електрика на токени, — тобто практично нічого. Що ж тоді покладено в годинну ставку, яку люди досі платять і платять дедалі більше?

Платять рівно за зворотний бік потопу. За людину, яка дивиться на двадцять згенерованих варіантів і несе репутаційну відповідальність за те, що вибрала цей. За редактора, який гарантує, що під 52% машинного шуму твій бренд опиниться в тих 14%, що ранжуються. За аналітика, який з десяти однаково гладких звітів машини бачить той єдиний, де модель тихо вигадала цифру. Ставка за годину все менше оплачує виробництво й усе більше — якість напряму погляду. Здатність дивитися туди, куди треба, серед нескінченності того, на що можна.

Це переписує саму одиницю обліку праці. Колись фахівця оцінювали в одиницях виходу: скільки сторінок, скільки рядків коду, скільки макетів за день. Така метрика щойно знецінилася на 99%, як вугілля на одиницю роботи. Нова одиниця — кількість правильних незворотних рішень, які людина готова підписати своїм ім’ям. Її не можна намолотити обсягом, бо кожне таке рішення з’їдає рівно стільки уваги, скільки з’їдало в прадіда, — машина не пришвидшила цю частину ні на йоту. І саме тому вона лишається дефіцитною, поки все навколо дешевшає. Ринок це вже відчуває, навіть якщо ще не вміє назвати: він перестає платити за тонни й починає платити за напрям.

Чорний жарт епохи такий: AI обіцяв звільнити нас від рутинної роботи, а звільнив переважно від тієї частини роботи, яка приносила відчуття, що ти щось зробив. Лишив нам найвиснажливіше — безперервно вирішувати й відповідати, без перепочинку на «просто попрацювати руками». Машина забрала ремесло й лишила суд. І рахунок за це виставляє не вона — його платиш ти, своєю увагою, кожну хвилину, поки 6 мільярдів токенів за хвилину вихлюпуються в світ (TechCrunch).

Практичний висновок без пафосу. Якщо будуєш кар’єру чи продукт у 2026-му, перестань змагатися в тому, що подешевшало до нуля, — у швидкості й обсязі виробництва. Там тебе обжене безкоштовна модель. Інвестуй у те, що Джевонс назвав би комплементарним дефіцитом: смак, контекст, репутацію, право підпису. Це і є той ресурс, ціна якого росте рівно тією мірою, якою падає ціна генерації.

Що залишається, коли все можна згенерувати

Повернімося до манчестерського кабінету. Джевонс сидить над таблицями видобутку, лампа кіптявить, і він уже знає те, чого не хоче знати епоха: економніша машина не врятує вугілля — вона спалить його швидше, бо зробить бажаним там, де його раніше не палили. Він рахує не залишки палива. Він рахує, як швидко зміститься межа дефіциту — і куди.

Ми сидимо над своїми таблицями: майже 300 разів дешевше за три роки, 800 мільйонів користувачів на тиждень, 6 мільярдів токенів за хвилину, 52% нового тексту вже не людський. І та сама холодна арифметика, яку клерк вивів зі стовпчиків вугілля, працює без жодної правки. Дешевша одиниця не економить ресурс — вона переносить дефіцит на сусідню клітинку.

Вугілля скінчилося не тоді, коли його стало дорого видобувати. Воно скінчилося як перевага тоді, коли ним почали топити всі. Те саме зараз робиться з генерацією. А лампа на столі — та сама, що в Джевонса: світла від неї якраз настільки, щоб одна пара очей вирішила, на яку з тисячі однаково яскравих сторінок узагалі варто подивитися.

---

Джерела: Wikipedia — Jevons paradox; Wikipedia — The Coal Question (1865); Yale Energy History — W. Stanley Jevons, “The Coal Question,” 1865; Satya Nadella, X, 27.01.2025; Fortune — Nadella, DeepSeek, Jevons paradox, 27.01.2025; TokenCost — AI Price Index (≈300x drop, GPT-4 $30/1M → Gemini 2.0 Flash $0.10/1M); TechCrunch — ChatGPT 800M WAU, 6B токенів/хв, 06.10.2025; Graphite — More Articles Are Now Created by AI Than Humans (52%); Graphite — AI Content In Search & LLMs (86% / 14% Google, 7% top, 82% LLM-citations).