Флагманские ИИ-модели становятся дороже, тогда как открытые аналоги достигли уровня, достаточного для большинства задач. Разбираем, как компании оптимизируют затраты на искусственный интеллект.
2 мин
В индустрии искусственного интеллекта происходит фундаментальный сдвиг в структуре затрат. Мы наблюдаем три параллельных процесса: разработчики базовых моделей начинают конкурировать с прикладными сервисами, цены на самые умные флагманские модели (frontier models) продолжают расти, а открытые решения (open-source) пересекли порог качества, достаточного для большинства бизнес-задач.
Естественной реакцией рынка на эти изменения стало замещение. Компании больше не хотят переплачивать за избыточный интеллект там, где с задачей справляются более доступные альтернативы. Это меняет саму экономику интеграции искусственного интеллекта в продукты.
Показательным примером является подход криптовалютной биржи Coinbase. Разработчики внедрили маршрутизацию запросов (prompt routing): система автоматически направляет простые задачи в более дешевые модели. В результате компания смогла удержать общие затраты на прежнем уровне, хотя объем используемых токенов продолжает расти в геометрической прогрессии.
Другие компании идут еще дальше, полностью отказываясь от закрытых экосистем. Стартап Lindy перевел весь свой трафик с моделей Anthropic на открытую модель DeepSeek v4. По заявлениям компании, это сэкономило им миллионы долларов, при этом производительность в ключевых сценариях использования даже возросла.
Ramp cost curve framing for AI buyers and app purveyors
В специализированных нишах разрыв в стоимости выглядит еще более впечатляюще. Компания Harvey, разрабатывающая решения для юристов, провела контролируемое дообучение (Supervised Fine-Tuning, SFT) модели Kimi 2.6. На внутреннем тестировании эта связка обошла флагманскую модель Claude Opus. Но главное — это разница в цене: выполнение стандартизированного пакета задач обошлось в 84 доллара против 954 долларов у конкурента. Это удешевление более чем в 11 раз.
Разработчики редактора кода Cursor пошли по пути создания собственной производственной модели Composer, дополнительно обучив (post-training) базовую Kimi K2.5. Их итоговое решение оказалось до 10 раз более эффективным по сравнению с аналогичными по возможностям моделями.
Самое важное наблюдение в этой тенденции касается того, как компании распоряжаются сэкономленными средствами. Покупатели не забирают разницу в стоимости как чистую прибыль. Вместо этого они реинвестируют эти деньги в покупку еще большего объема вычислений и токенов.
Рынок четко разделился на два направления. С одной стороны, закрытые модели на переднем крае науки становятся все дороже. С другой — открытые модели стремительно дешевеют при сопоставимом качестве базовых функций. Выбор бизнеса сегодня сводится к тому, какую экономическую модель он готов заложить в основу своего продукта.
Бизнес активно отказывается от дорогих флагманских ИИ-моделей в пользу открытых решений, которые стали достаточно качественными для решения рабочих задач.
Компании не превращают экономию на ИИ-моделях в чистую прибыль. Все сэкономленные средства моментально тратятся на экспоненциальное увеличение объема обрабатываемых данных и запросов.
