Пітер Тіль багато років повертається до одного розриву: цифровий світ змінювався швидше, ніж світ атомів. Програмне забезпечення, інтернет і мобільні технології прискорювалися, а значна частина промисловості, енергетики, транспорту й інфраструктури рухалася повільніше.
У вересневому інтерв’ю 2026 року він знову поставив AI у цей контекст і описав його як можливий міст між обчисленням та фізичною економікою.
Для власника транспортної, виробничої, будівельної або сервісної компанії це цікавіше за суперечку про те, яка модель сильніша. Якщо AI справді змінить світ атомів, його значення проявиться у вартості керування фізичним процесом.
Два сигнали, які важливо не перебільшити
Amazon повідомляє, що її роботизований флот уже налічує один мільйон машин у більш ніж 300 об’єктах. Компанія представила DeepFleet як систему координації руху цього флоту й заявила про 10% поліпшення часу переміщення роботів.
Але тут потрібна дисципліна. Це корпоративне повідомлення. У ньому не розкрита методика, немає контрольної групи, а формулювання не дозволяє однозначно відокремити вже досягнутий результат від прогнозованого. Тому 10% не можна переносити на інші компанії й називати незалежно доведеним ефектом.
BMW описує інший процес. На заводі в Регенсбурзі система GenAI4Q використовує дані конкретного автомобіля та дані виробництва, щоб сформувати індивідуальний каталог перевірок. Йдеться приблизно про 1 400 автомобілів за робочий день.
Це вже не диспетчеризація роботів, а пріоритизація контролю якості. Проте BMW не публікує виміряного впливу на кількість дефектів, час перевірки, собівартість або маржу. Випадок показує, де може працювати механізм, але не доводить його економічний масштаб.
Два приклади з різних компаній не доводять заголовок цієї статті. Вони показують дещо скромніше й корисніше: AI починає входити у шар рішень навколо вже наявних фізичних активів.
Де саме ховається керована собівартість
У вантажівці не можна скасувати дизель, шини або водія одним API. У виробничій лінії залишаються метал, електроенергія, обладнання, ремонт і час циклу. Будівельний майданчик не перетворюється на хмарний сервіс.
Але між фізичним активом і його економічним результатом лежить великий шар рішень.
Хтось вирішує, яку машину куди відправити. Хтось визначає запас. Хтось складає зміну. Хтось помічає відхилення надто пізно. Хтось перевіряє всі одиниці однаково, хоча ризик у них різний.
Кожне таке рішення має ціну. Вона ховається у порожньому пробігу, зайвому запасі, простоях, непотрібних перевірках, браку, недозавантаженні людей та обладнання, повільній реакції на клієнта.
AI може змінити рішення навколо фізичного активу:
дані про процес
→ прогноз або пріоритет
→ дія людини чи машини
→ інший маршрут, порядок перевірки або реакція на відхилення
→ можливе зменшення конкретної операційної втрати
Слово «можливе» тут головне. Модель створює цінність лише тоді, коли дані надходять вчасно, рекомендація доходить до виконавця, процес справді змінюється, а ефект залишається після витрат на інтеграцію, навчання, моніторинг та винятки.
Патерн 1. Фізичний бізнес отримує новий decision layer
Мій прогноз на найближчі 12–24 місяці: у заздалегідь оголошеній панелі публічно звітуючих операторів фізичних процесів має зрости — від зафіксованої на старті кількості — число компаній, які переведуть обмежений AI-шар рішень у стале виробниче використання, оприлюднять щонайменше одну операційну метрику й збережуть основну базу фізичних активів. До переліку рішень входять маршрутизація, інспекція, пріоритизація обслуговування, планування та робота з винятками.
До початку вікна спостереження треба заморозити склад панелі, перелік джерел, стартову кількість, визначення сталого виробничого використання та правило розкриття метрики. Спроби, анонси й ретроспективно відібрані успіхи не рахуються. Прогноз слабшає, якщо у замороженій панелі немає чистого приросту кваліфікованих випадків, а розкриті впровадження зникають після пілотів або систематично програють простим правилам.
Патерн 2. Одиниця аналізу — конкретне рішення
Власнику корисно розкласти собівартість на три шари.
Перший — фізично неминучий: матеріал, паливо, земля, базова енергія, фізичний час операції.
Другий — інформаційний: пошук, передача даних, документація, розрахунки, моніторинг.
Третій — рішення та координація: що робити зараз, кому, у якій послідовності, з яким пріоритетом і як реагувати на відхилення.
Моя редакційна інтерпретація: для традиційного бізнесу третій шар може мати стратегічну цінність, однак наведені джерела не встановлюють виміряного рейтингу між цими трьома шарами. Практична відправна точка — повторюване рішення, де є видима втрата, своєчасні дані, відповідальний виконавець і спосіб виміряти результат.
Патерн 3. Нова AI-компанія може виглядати цілком традиційно
Транспортна компанія з точнішим керуванням маршрутами, завантаженням і винятками залишається транспортною. Фабрика може змінити порядок контролю якості й залишитися фабрикою. Сервісна мережа здатна краще розподіляти бригади, не перетворюючись на продавця software.
Звідси виникає можливість, яку ще належить перевірити: частина сильних AI-бізнесів наступного десятиліття може продавати вантажі, метал, ремонт або сервіс. Їхня технологічна перевага буде захована всередині unit economics процесу.
Для підприємця це змінює поле пошуку. Не обов’язково створювати ще один AI-сервіс. Іноді цікавіше взяти стару галузь з великою фізичною собівартістю та знайти одне рішення, яке можна зробити швидшим, точнішим і дешевшим.
Як перевірити тезу без красивого футуризму
Візьмемо один процес: диспетчеризацію внутрішнього переміщення вантажів на одному майданчику.
Порівняння має бути чесним:
- чинна політика диспетчеризації;
- просте заздалегідь описане правило без AI;
- AI-підтримане рішення з тими самими даними й обмеженнями.
Усі три режими працюють у межах одного чотиритижневого switchback-тесту. До початку фіксуються розподіл змін, правила виключення, повна вартість інтеграції й експлуатації, а також бар’єри безпеки, якості та сервісу.
Робочий поріг можна задати так: AI-режим має знизити повну вартість завершеного переміщення щонайменше на 5% проти обох альтернатив і не погіршити жоден guardrail. Брак даних або зламаний тест отримує статус INCONCLUSIVE.
Це кандидат експерименту. Конкретного майданчика, учасника, бюджету або дозволу на його проведення зараз немає.
Де прогноз може виявитися неправильним
Stanford AI Index 2026 прямо попереджає: макроекономічні докази поки ранні й неоднозначні. Широке використання AI не дорівнює глибокому виробничому впровадженню.
Інсталяція робота також не доводить AI-ефект. У 2024 році у світі встановили приблизно 542 тисячі промислових роботів — лише на 0,2% більше, ніж роком раніше. Китай дав 54,4% інсталяцій. Це важливий контекст масштабу, але не доказ поліпшення unit economics через AI.
Physical AI легко переоцінити. Неструктуроване середовище складне. Обладнання потребує капіталу. Дані малого бізнесу часто брудні або не збираються. Інтеграція може коштувати дорожче за виграш. Частину ефекту здатні дати звичайна оптимізація, кращі датчики або дисципліна процесу без AI.
Найсильніша обґрунтована теза поки скромніша за заяву про переможців: у фізичному бізнесі з’явився новий керований шар. Його цінність треба доводити рішення за рішенням.
Питання власнику
Візьміть найбільші статті собівартості своєї компанії і поставте до кожної одне питання:
Що тут справді є фізично неминучим, а що ми платимо через те, що надто пізно бачимо, погано прогнозуємо, довго погоджуємо або неправильно розподіляємо?
Якщо друга частина велика, AI уже стосується вашого основного бізнесу. Наступний крок — один обмежений тест із чесним порівнянням.
Sources
- Peter Thiel / MD MEETS, 2026-09-24: https://shows.acast.com/md-meets/episodes/peter-thiel-the-ai-crisis-europes-decline-the-battle-for-ame
- Amazon DeepFleet announcement, 2025-06-30: https://www.aboutamazon.com/news/operations/amazon-million-robots-ai-foundation-model
- DeepFleet technical report, arXiv v3: https://arxiv.org/abs/2508.08574v3
- BMW GenAI4Q, 2025-04-28: https://www.press.bmwgroup.com/global/article/detail/T0449729EN/artificial-intelligence-as-a-quality-booster
- Stanford AI Index 2026, Economy: https://hai.stanford.edu/ai-index/2026-ai-index-report/economy