Корпорации выбирают DeepSeek и Qwen: снижение затрат на ИИ в 75 раз
Расходы на обработку данных превратились в статью затрат, сопоставимую с фондом оплаты труда, заставляя корпорации отказываться от самых умных моделей в пользу дешевых китайских аналогов. Разрыв в стоимости в 20–30 раз вынуждает бизнес внедрять гибридные стратегии, где рутинные задачи делегируются бюджетным решениям, а премиальные мощности резервируются только для критических сценариев.
По данным Techstartups, корпоративный сектор переживает фундаментальный сдвиг в подходе к искусственному интеллекту. Если еще год назад главным критерием выбора модели была максимальная точность, то сегодня в советах директоров обсуждают соотношение цены и качества. Западные компании все чаще отдают предпочтение китайским разработкам, таким как DeepSeek, Qwen, Kimi и GLM, вместо дорогих решений от OpenAI, Anthropic и Google. Движущей силой этого процесса является не геополитика, а суровая экономическая реальность: расходы на обработку данных (инференс) превратились в одну из главных статей операционных затрат, в некоторых случаях соперничая с фондом оплаты труда.
Ситуация обострилась после инцидента мая 2026 года, когда одна из компаний случайно потратила 500 миллионов долларов на услуги Claude AI за один месяц из-за отсутствия лимитов использования. Хотя большинство фирм не столкнется с такими суммами, случай обнажил системную проблему: расходы на ИИ растут быстрее, чем планировали руководители. В ответ на это инженеры меняют стратегию: вместо поиска «умнейшей» модели для каждой задачи они ищут оптимальное решение для конкретного сценария. Написание писем, суммирование документов и сортировка заявок клиентов не требуют мощностей самых дорогих моделей, и здесь вступают в игру более дешевые альтернативы.
Экономическая целесообразность и смена приоритетов
Лидеры технологического сектора открыто говорят о необходимости оптимизации. Сатья Наделла (Satya Nadella) из Microsoft неоднократно подчеркивал важность снижения затрат на инференс. Никеш Ароура (Nikesh Arora) из Palo Alto Networks указал на растущую роль компактных моделей в корпоративных развертываниях. Брайан Армстронг (Brian Armstrong) из Coinbase рассказал, как компания сокращает бюджет, переключая сотрудников на более дешевые модели с открытыми весами для внутренних задач.
Эта тенденция подтверждается цифрами. Аналитики Gartner прогнозируют, что к 2028 году затраты на кодирование с помощью ИИ превысят среднюю зарплату разработчика. Опросы показывают, что три четверти руководителей ожидают роста технологических бюджетов в текущем году, а почти половина прогнозирует двузначный рост расходов. В ответ на это компании внедряют платформы маршрутизации, такие как OpenRouter, которые автоматически направляют запросы к наиболее экономически выгодной модели. Сложные задачи по анализу и программированию получают доступ к премиальным системам, а рутинные операции обрабатываются бюджетными аналогами.
Статистика использования подтверждает этот тренд. По данным Citi, доля токенов, обработанных открытыми моделями через OpenRouter, выросла с 34% в январе до 65% в июне 2026 года. Разрыв в ценах колоссален: китайские модели могут стоить 18 центов за миллион токенов, в то время как ведущие западные аналоги требуют в среднем 4 доллара. Китайские лаборатории, включая DeepSeek, Alibaba, Moonshot AI, Zhipu AI и MiniMax, сфокусировались на снижении стоимости инференса без потери производительности на типовых бизнес-задачах. Их решения часто в 5–30 раз дешевле сопоставимых западных моделей.
Дополнительным преимуществом является доступность открытых весов. Это позволяет компаниям размещать модели на собственных серверах, настраивать их под свои данные и избегать зависимости от одного поставщика. Крупные облачные провайдеры, включая Amazon Web Services, Microsoft Azure и Google Vertex AI, упростили этот процесс, предлагая доступ к китайским моделям через управляемые сервисы с гарантиями безопасности и изоляции данных.
Практические кейсы: от Shopify до Airbnb
Конкретные примеры внедрения демонстрируют масштаб возможной экономии. Стартап Lindy в июне 2026 года перенес трафик своих ИИ-агентов с моделей Anthropic на DeepSeek V4. Генеральный директор Фло Кривелло (Flo Crivello) объяснил решение простой математикой: расходы на инференс превысили фонд оплаты труда. Переход на DeepSeek позволил сэкономить миллионы долларов ежегодно без заметного снижения качества для ключевых задач, таких как сортировка писем и автоматические ответы. Для обеспечения безопасности компания использует американского провайдера Atlas Cloud, который хранит данные внутри страны. Кривелло резюмировал суть подхода: «Вам не нужен Бог, чтобы написать электронное письмо».
Компания Shopify также пересмотрела свою стратегию. Инженеры заменили конвейер на базе OpenAI GPT-5 для извлечения данных продавцов на самохостинговую систему с несколькими агентами на базе Qwen 3 от Alibaba. Результатом стало снижение стоимости обработки на 75 раз при одновременном повышении качества вывода. Модель Qwen3-32B была дополнительно настроена для автоматизации процессов в Shopify Flow, что ускорило ответы и повысило точность генерации рабочих процессов.
Airbnb также интегрировала модели Alibaba в свою систему поддержки клиентов. Генеральный директор Брайан Чески (Brian Chesky) описал их как «очень хорошие», «быстрые» и «дешевые». Компания обрабатывает данные клиентов через инфраструктуру внутри страны или через соответствующие каналы, не отправляя их напрямую китайским провайдерам. Это решение вызвало вопросы у законодателей США относительно национальной безопасности и суверенитета данных, но для бизнеса экономическая выгода остается решающим фактором при соблюдении требований безопасности.
Платформа для кодинга Cursor использует модели Kimi от Moonshot AI, что позволяет существенно сократить расходы на генерацию огромных объемов токенов. Coinbase меняет настройки по умолчанию, направляя внутренние задачи на более дешевые модели, такие как GLM и Kimi, рассматривая ИИ как облачную инфраструктуру, где важно выбрать подходящий инструмент, а не самый дорогой. В список компаний, рассматривающих или использующих китайские решения, также входят Uber Eats, Siemens и Microsoft, которая тестировала DeepSeek V4 в отдельных сценариях.
Риски, регуляторное давление и будущее рынка
Несмотря на очевидную экономическую выгоду, внедрение китайских моделей сталкивается с серьезными вызовами. Генеральный директор Anthropic Дарио Амодей (Dario Amodei) предупредил законодателей, что распространение открытых моделей идет по «очень опасному пути». Он аргументировал, что свободный доступ к мощным системам усложняет контроль за их использованием и защиту национальной безопасности.
Законодатели США начали расследования в отношении компаний, таких как Airbnb и Cursor, из-за потенциальных рисков, связанных с использованием китайских технологий. Основные опасения касаются суверенитета данных, возможных «закладок», цензуры и долгосрочной технологической зависимости. Многие компании смягчают эти риски, размещая модели с открытыми весами на собственных серверах или используя американские облачные провайдеры для изоляции данных. Крупные регулируемые предприятия остаются осторожными, в то время как стартапы и компании среднего размера делают больший акцент на экономике, если могут обеспечить соответствие требованиям безопасности.
Разработчики китайских моделей сталкиваются с задачей превращения растущего использования в долгосрочное доверие и устойчивые доходы. Текущая ситуация показывает, что вопрос больше не в том, могут ли китайские модели конкурировать, а в том, где они достаточно хороши, дешевы и безопасны, чтобы заменить более дорогие американские аналоги. Рынок движется к модели, где выбор технологии определяется не только ее интеллектуальными возможностями, но и прямым влиянием на операционную прибыль. Дальнейшее развитие ситуации потребует детального анализа баланса между экономией и требованиями регуляторов.
Корпоративный сектор пережил тихую, но фундаментальную революцию: критерий выбора искусственного интеллекта сменился с «насколько он умен» на «сколько он стоит». То, что еще год назад воспринималось как маркетинговая гонка за точностью, сегодня превратилось в суровую борьбу за выживание операционной маржи. Инцидент с потерей 500 миллионов долларов за один месяц из-за отсутствия лимитов стал не только курьезом, а сигналом тревоги для всей отрасли. Он показал, что расходы на инференс (обработку данных) перестали быть технической статьей бюджета и превратились в угрозу для фонда оплаты труда.
В этом контексте массовый переход западных компаний на китайские модели DeepSeek, Qwen, Kimi и GLM выглядит не как геополитический жест, а как акт экономического самообороны. Разрыв в стоимости колоссален: 18 центов против 4 долларов за миллион токенов. Это не только скидка, это смена парадигмы. Когда стоимость обработки данных в 20–30 раз ниже, бизнес-модель меняется кардинально. Задачи, которые ранее считались слишком дорогими для автоматизации, становятся рентабельными.
Однако за фасадом очевидной выгоды скрывается сложная система компромиссов. Компании вроде Shopify и Airbnb демонстрируют, как можно достичь снижения затрат в 75 раз, не теряя в качестве, но это требует перестройки всей архитектуры безопасности. Они не просто меняют поставщика; они меняют способ взаимодействия с данными. Использование открытых весов позволяет запускать модели на собственных серверах или через изолированные американские облака, но это создает новые операционные нагрузки. Инженерам теперь приходится решать не только задачи по внедрению ИИ, но и задачи по изоляции инфраструктуры от потенциальных рисков, связанных с происхождением кода.
Важный нюанс: Экономия на стоимости токена может обернуться ростом скрытых издержек на поддержку безопасности и юридическое сопровождение, если компания не построит надежную архитектуру изоляции данных.
Архитектура компромиссов: безопасность против экономии
Главный миф, который рушится на глазах, — это представление о том, что «дешевле значит хуже». Китайские лаборатории, такие как Alibaba, Moonshot AI и Zhipu AI, доказали обратное: они смогли оптимизировать архитектуру моделей так, чтобы они были эффективны на типовых бизнес-задачах при минимальных затратах ресурсов. Но здесь кроется первая ловушка для неопытных руководителей.
Переход на открытые модели требует от компании перехода от модели «аренды интеллекта» к модели «владения инфраструктурой». Раньше компания платила OpenAI или Anthropic за готовый результат, и провайдер брал на себя ответственность за безопасность, доступность и соответствие нормам. Теперь, используя Qwen или DeepSeek, ответственность за защиту данных, настройку лимитов и предотвращение утечек ложится полностью на плечи внутренней команды. Это похоже на переход от аренды квартиры с обслуживанием к покупке дома: дешевле в долгосрочной перспективе, но требует своих сантехников, электриков и охраны.
Риски, о которых предупреждает Дарио Амодей из Anthropic, касаются не только «закладок» в коде, но и потери контроля над экосистемой. Когда модель работает локально или через промежуточные сервисы, компания теряет прозрачность того, как именно обрабатываются данные. Законодатели США уже начали расследования в отношении Airbnb и Cursor, опасаясь суверенитета данных. Для бизнеса это означает, что экономия может быть аннулирована штрафами или запретом на деятельность в определенных юрисдикциях.
Компании вынуждены искать гибридные решения. Lindy использует американского провайдера Atlas Cloud для хранения данных, запуская китайскую модель внутри этой защищенной среды. Shopify строит собственные конвейеры на базе Qwen 3. Это создает новый класс специалистов — архитекторов безопасности ИИ, которые должны балансировать между эффективностью алгоритма и требованиями регуляторов.
Для российского бизнеса этот тренд несет двойственный сигнал. С одной стороны, доступ к дешевым и эффективным китайским моделям через открытые веса может стать способом обойти ограничения на западные технологии и снизить затраты на ИТ-инфраструктуру. С другой стороны, необходимость построения собственной защищенной среды для запуска этих моделей требует значительных компетенций и инвестиций в оборудование.
Стоит учесть: Использование открытых моделей превращает ИИ из услуги в инфраструктурный актив, требующий собственных компетенций по безопасности и поддержке, что меняет структуру затрат компании.
Новая экономика интеллекта: кто выигрывает гонку
Рынок движется к модели, где выбор технологии определяется прямым влиянием на операционную прибыль. Сатья Наделла и Брайан Армстронг уже говорят о том, что ИИ должен рассматриваться как облачная инфраструктура, где важно выбрать подходящий инструмент под конкретную задачу, а не самый дорогой бренд. Это фундаментальный сдвиг: ИИ перестает быть «магическим ящиком» и становится утилитой, как электричество или вода.
Кто становится жертвой этой трансформации? Прежде всего, компании, которые не успевают перестроить свои процессы. Стартапы, зависящие от дорогих API западных гигантов, могут потерять конкурентное преимущество, если не найдут способ оптимизировать расходы. Крупные игроки, такие как Microsoft и Google, вынуждены адаптироваться, предлагая доступ к китайским моделям через свои облачные платформы, чтобы не потерять клиентов.
В долгосрочной перспективе победителями станут те, кто сможет эффективно управлять «портфелем моделей». Платформы маршрутизации, такие как OpenRouter, становятся критически важными элементами инфраструктуры. Они автоматически направляют простые запросы на дешевые модели, а сложные — на премиальные. Это позволяет сохранить качество там, где оно нужно, и экономить там, где это возможно.
Для России этот тренд открывает возможности для импортозамещения и развития собственных ИТ-решений. Доступ к китайским моделям с открытыми весами позволяет российским компаниям строить конкурентоспособные сервисы без зависимости от западных провайдеров. Однако успех будет зависеть от способности бизнеса создать надежную и безопасную среду для работы этих моделей, а также от готовности инвестировать в развитие собственных компетенций.
Рынок ИИ переходит в фазу зрелости, где эмоции уступают место холодной математике. Вопрос больше не в том, какая модель умнее, а в том, какая из них позволяет бизнесу оставаться прибыльным в условиях растущих затрат. Те, кто поймет эту логику раньше других, получат решающее преимущество в новой экономической реальности.
Важный вывод: Будущее корпоративного ИИ принадлежит не тем, кто владеет самой умной моделью, а тем, кто умеет наиболее эффективно управлять балансом между стоимостью, качеством и безопасностью данных.
Источник: techstartups.com
