Riot Platforms — одна из крупнейших публичных майнинговых компаний США, до этой сделки специализировавшаяся на добыче биткоина на собственных вычислительных мощностях. Сделка с Anthropic знаменует полный разворот бизнес-модели: вместо использования электроэнергии и площадей для майнинга компания сдаёт их в долгосрочную аренду под ИИ-инференс и обучение моделей — и получает за это гарантированный денежный поток на два десятилетия вперёд, что для майнинговой отрасли, зависящей от волатильности курса криптовалют, представляет собой кардинально более предсказуемую экономику.
Riot объявил о сделке 11 августа, не назвав клиента напрямую — раскрытие того, что партнёром выступает именно Anthropic, произошло позже через источники Bloomberg. Осторожность в формулировках типична для подобных инфраструктурных сделок: сама Anthropic предпочитает не афишировать детали своих контрактов на вычислительные мощности до официальных объявлений.
Сделка Riot—Anthropic — часть более широкого отраслевого тренда 2026 года: майнинговые компании по всему миру массово переоборудуют мощности под ИИ-нагрузки, поскольку спрос на вычисления для обучения и инференса моделей растёт быстрее, чем developerы успевают строить дата-центры с нуля, а у майнеров уже есть готовая инфраструктура энергоснабжения и охлаждения. Это уже вторая подобная крупная сделка Anthropic за считанные дни — ранее компания также объявила о совместном предприятии Theseus с Macquarie и GIC для строительства дата-центров, а до этого заключила контракт на $10 млрд с облачным стартапом Volta.
Совокупный объём инфраструктурных обязательств, которые Anthropic набрала за август 2026 года ($9,1 млрд с Riot, $10 млрд с Volta, плюс СП с Macquarie и GIC), измеряется уже десятками миллиардов долларов — масштаб, недоступный ни одному российскому разработчику ИИ. Для локального рынка это подтверждает стратегическую развилку: конкурировать с frontier-лабораториями по абсолютному объёму вычислений бессмысленно, а значит конкурентоспособность отечественных моделей должна строиться на эффективности инференса, специализации под конкретные отраслевые задачи и соответствии требованиям локализации данных — то есть на нишах, где масштаб компьютера решает не всё.