Налог на AI-токены: почему идея Билла Гейтса упирается в токенизацию и self-hosting

Билл Гейтс предлагает облагать налогом AI-токены и роботов, чтобы автоматизация не получала дополнительного преимущества перед человеческим трудом. Идея выглядит понятной на уровне экономики, но быстро усложняется, если попытаться определить, что именно считать и с кого брать деньги.

В новом эссе Билл Гейтс снова поднял тему налогов на автоматизацию. В 2017 году он предлагал облагать налогом роботов, а теперь добавил к ним AI-токены.

Аргумент Гейтса такой: когда компания нанимает человека, его труд становится частью налоговой базы. Если часть работы переносится на программное обеспечение или оборудование, структура расходов меняется. По его мнению, налоговая система не должна дополнительно стимулировать компании заменять сотрудников машинами.

Полученные деньги Гейтс предлагает направлять на переобучение работников и социальную поддержку. При этом налог должен быть точечным и не мешать применению ИИ в сферах вроде медицины и образования.

С экономической логикой можно спорить отдельно. Здесь интереснее другой вопрос: как вообще реализовать налог на AI-токены технически?

Что именно предлагается облагать налогом

Токен хорошо подходит для биллинга API.

Провайдер знает, сколько входных и выходных токенов обработала модель, умножает объём на тариф и выставляет счёт. Отсюда возникает довольно очевидная налоговая схема:

Tax = N × τ

где N означает количество обработанных токенов, а τ представляет ставку налога.

Для крупных облачных API такую систему хотя бы можно администрировать. OpenAI, Anthropic, Google и другие провайдеры уже ведут соответствующий учёт.

Проблема в том, что токен не является единицей выполненной работы.

Одинаковый текст не означает одинаковое количество токенов

Количество токенов зависит от токенизатора конкретной модели.

Один и тот же текст разные модели могут разбить на разное количество элементов. Результат также зависит от языка, структуры текста и используемого словаря.

Для API-биллинга это нормально: клиент принимает правила конкретного сервиса и платит по его тарифу.

Для налоговой базы получается странная ситуация. Два сервиса могут выполнить практически одинаковую задачу, затратить сопоставимые ресурсы и создать одинаковую экономическую ценность, но заплатить разный налог из-за особенностей токенизации.

Появляется и ещё один эффект. Если налог зависит от числа токенов, оптимизация токенизатора превращается в способ уменьшения налоговой базы. Система становится эффективнее в представлении текста, хотя объём автоматизированной работы может вообще не измениться.

Токен плохо описывает вычислительную стоимость

Можно предположить, что количество токенов хотя бы приблизительно отражает объём вычислений.

Связь действительно есть, но она недостаточно прямая для универсальной налоговой единицы.

Стоимость инференса зависит от архитектуры модели, размера контекста, batch size, precision, оборудования, кэширования и оптимизаций самого inference stack.

У Mixture-of-Experts моделей для обработки токена активируется только часть параметров. Reasoning-модели могут выполнять дополнительные вычисления, которые плохо соотносятся с количеством текста на входе и выходе.

С мультимодальными моделями ситуация ещё сложнее. Изображения, аудио и видео тоже преобразуются во внутренние представления, но сравнивать условный «токен видео» с текстовым токеном как одинаковые экономические единицы довольно трудно.

В результате миллион токенов одной модели и миллион токенов другой могут означать очень разный расход вычислительных ресурсов.

Если налог должен учитывать стоимость инфраструктуры, логичнее было бы смотреть на compute. Но это создаёт уже другие проблемы.

А если модель работает локально?

У облачного API есть понятная точка учёта: провайдер.

С self-hosted моделями её нет.

Компания может купить несколько GPU, развернуть открытую модель внутри собственной инфраструктуры и вообще не пользоваться коммерческим API.

Тогда для налогообложения пришлось бы определить, какие операции учитывать. Только пользовательский input и output? Системные промпты? RAG-контекст? Внутренние reasoning tokens? Запросы сотрудников к локальному ассистенту?

Следующий вопрос касается контроля. Чтобы такой налог работал, бизнесу пришлось бы вести стандартизированный учёт локального инференса, а государству понадобился бы способ этот учёт проверять.

Для крупных компаний подобную систему ещё можно представить. Для миллионов небольших локальных моделей, работающих на рабочих станциях и пользовательских устройствах, она выглядит значительно менее реалистично.

Почему бы тогда не считать GPU-часы

Вместо токенов можно взять более физическую единицу: GPU-hours или объём вычислений.

Такой подход лучше связан с реальным потреблением инфраструктуры, но тоже создаёт перекос.

Если разработчик сделал модель эффективнее и сократил количество необходимых вычислений, налог уменьшится. Более производительный ускоритель даст тот же эффект.

Получается налог, который частично наказывает само использование вычислительной инфраструктуры.

Brookings в исследовании о налоговой политике в эпоху ИИ отдельно рассматривает token taxes, compute taxes и налоги на AI-сервисы. Авторы считают, что в краткосрочной перспективе налогообложение AI-капитала может сдерживать инвестиции в инфраструктуру. Вместо этого они предлагают постепенно переносить часть налоговой нагрузки с труда на потребление и адаптировать существующие налоги к цифровым AI-сервисам.

Может быть, отдельный налог на ИИ вообще не нужен

Такую позицию занимает Международный валютный фонд.

В исследовании о генеративном ИИ и налоговой политике авторы IMF прямо выступают против специального AI tax. По их мнению, такой налог может замедлить инвестиции и рост производительности, при этом его будет сложно точно администрировать.

Вместо этого они предлагают пересматривать существующие налоговые стимулы, которые делают замену труда капиталом слишком выгодной, а также уделять больше внимания налогообложению доходов от капитала.

Это принципиально другой подход.

Проблемой становится не сам факт использования нейросети, а разница в том, как налоговая система относится к человеческому труду и капиталу.

И этот вопрос появился задолго до нынешнего бума генеративного ИИ.

В 2020 году Дарон Аджемоглу, Андреа Манера и Паскуаль Рестрепо исследовали налоговую систему США и пришли к выводу, что она создавала перекос в пользу капитала относительно труда. В их модели это стимулировало избыточную автоматизацию, особенно в случаях, когда технология вытесняла сотрудников без сопоставимого прироста производительности. Авторы рассматривали automation tax как один из возможных инструментов, но основное внимание уделяли именно структуре налогообложения труда и капитала.

Почему дискуссия повторяется с 2017 года

Любопытно, что почти те же возражения появились на Хабре ещё девять лет назад, когда обсуждалось первое предложение Гейтса о налоге на роботов.

В комментариях читатели спрашивали, почему недостаточно обычного налога на прибыль, как юридически отделить робота от другого оборудования и не получится ли, что налогом фактически облагается любое повышение производительности бизнеса.

Тогда обсуждение собрало 221 комментарий.

С AI-токенами проблема стала ещё заметнее.

Робота хотя бы можно физически определить как оборудование. Токен представляет собой внутреннюю единицу обработки данных, зависящую от архитектуры конкретной системы. Он ничего напрямую не говорит о том, сколько человеческой работы было заменено, какую ценность получила компания и сколько вычислительных ресурсов для этого потребовалось.

Поэтому идея Гейтса поднимает реальную проблему, но предложенная налоговая база выглядит спорно.

Если доля человеческого труда в экономике действительно будет сокращаться, государствам придётся искать способы компенсировать изменение налоговых поступлений. Однако считать AI-токены универсальным эквивалентом автоматизированного труда вряд ли получится.

Возможно, основной вопрос здесь вообще не в том, как обложить налогом ИИ, а в том, насколько налоговые системы, построенные вокруг человеческого труда, готовы к экономике, где всё большую долю стоимости создаёт капитал и программная автоматизация.

Если хочется самому сравнить, насколько по-разному современные модели расходуют токены на одной и той же задаче, это можно проверить в SYNTX.AI : там доступны разные LLM в одном интерфейсе. Для читателей Хабра действует промокод CTRLAI со скидкой 20%.

Источники и материалы

Gates Notes. Эссе Билла Гейтса The choices we make about AI now are critical. Это первоисточник предложения облагать налогом AI-токены и роботов, а также направлять поступления на переобучение и социальную поддержку.

Brookings Institution. Исследование Anton Korinek и Lee M. Lockwood The future of tax policy: A public finance framework for the age of AI. В работе рассматриваются налоги на токены, compute, AI-сервисы и изменение налоговой базы по мере автоматизации экономики.

International Monetary Fund. Исследование Broadening the Gains from Generative AI: The Role of Fiscal Policies и сопутствующий материал IMF о налоговой политике в эпоху генеративного ИИ. Авторы выступают против отдельного налога на AI и предлагают пересматривать существующие стимулы в налогообложении труда и капитала.

NBER. Работа Daron Acemoglu, Andrea Manera и Pascual Restrepo Does the US Tax Code Favor Automation?. Авторы исследуют, как различия в налогообложении труда и капитала могут влиять на уровень автоматизации.

Хабр. Материал 2017 года «Билл Гейтс считает, что роботы должны платить налоги» и дискуссия под ним. Использовались как контекст для аргументов, которые техническая аудитория уже предъявляла к идее специального налога на автоматизацию.