Рынок ИИ разделился на два уровня: дорогие модели для инноваций и дешевые для рутины

По данным TechCrunch, в корпоративном секторе сформировалась новая экономическая модель искусственного интеллекта, которая ломает привычные представления о конкуренции между технологиями. Генеральный директор компании Decagon Джесси Чжан (Jesse Zhang) выдвинул тезис о том, что открытые и проприетарные модели не борются за одного клиента, а функционируют как последовательные этапы единого жизненного цикла продукта.

Суть теории заключается в разделении задач: дорогие передовые модели (frontier models) используются для открытия новых возможностей и проверки гипотез, тогда как отлаженные сценарии работы передаются на более дешевые и легкие решения с открытым исходным кодом. Это создает ситуацию, когда компании не экономят на технологиях в целом, а перераспределяют бюджет. По мере того как зрелые задачи уходят в бюджетный сегмент, на рынке постоянно появляются новые сложные кейсы, требующие мощных и дорогих вычислительных ресурсов.

Распределение расходов и объемов

Статистика использования платформ подтверждает, что рост популярности бюджетных решений не привел к падению выручки лидеров рынка. Данные дашборда Vercel показывают, что за последнюю неделю модель DeepSeek вышла на первое место по объему обработанных токенов, заняв более трети всего трафика. Лаборатория Z.ai, стоящая за моделью GLM-5.2, также вошла в топ-4.

Однако картина меняется, если смотреть не на количество запросов, а на финансовые затраты. Несмотря на рост цен, компания Anthropic сохраняет доминирующую долю в общих расходах на платформе, обрабатывая более половины всего бюджета. Снижение доли произошло незначительно и связано в основном с ростом тарифов, а не с оттоком клиентов.

Аналогичная тенденция прослеживается на платформе OpenRouter, которая охватывает более широкий, но менее корпоративный сегмент. Модель DeepSeek V4 Flash лидирует по использованию, обрабатывая 5,3 триллиона токенов в неделю. Для сравнения, флагманская модель Opus 4.8 от Anthropic обрабатывает чуть более 2 триллионов токенов. Ключевым фактором здесь является разница в стоимости: цена одного миллиона токенов для Opus 4.8 составляет около 1,37 доллара, в то время как для V4 Flash она равна всего 6 центам. Разница в 23 раза означает, что даже при меньшем объеме трафика дорогие модели продолжают генерировать основную часть выручки.

В эту картину также вписывается новая модель Nvidia Nemotron, которая благодаря интеграции с экосистемой Nvidia и высокой адаптивности готова занять лидирующие позиции. Эти данные указывают на то, что лаборатории, создающие передовые модели, пока не страдают от роста популярности открытых аналогов.

Двухуровневая экономика ИИ

Формирующаяся структура рынка напоминает двухуровневую систему, где каждый сегмент выполняет свою функцию. Лидеры рынка удерживают контроль над этапом «открытия» и решения уникальных, сложных задач, которые пока невозможно переложить на дешевые алгоритмы. Открытые модели, в свою очередь, становятся стандартом для массового производства и рутинных операций.

Ранее существовало мнение, что создатели базовых моделей превратятся в поставщиков сырья, теряя маржинальность в пользу разработчиков приложений. Часть этого прогноза сбылась: вертикальные решения действительно перешли на более легкие модели, а экономика стартапов, оборачивающих базовые модели, стабилизировалась. Однако провайдеры передовых технологий смогли удержать за собой самую прибыльную часть рынка — премиальные тарифы за сложные вычисления.

Эта ситуация может стать долгосрочной характеристикой экономики искусственного интеллекта. Быстрый рост количества решаемых задач позволяет лидерам сохранять позиции, даже если часть клиентов мигрирует на бюджетные решения. Сложность многих корпоративных кейсов не позволяет полностью заменить дорогие инструменты их дешевыми аналогами. Рынок не сокращается, а трансформируется, разделяя функции между инновациями и оптимизацией затрат.

i

Создано специально для ASECTOR

Концептуальное изображение

Дальнейшее развитие ситуации потребует детального анализа того, как изменится баланс между стоимостью владения и качеством решений по мере появления новых архитектур моделей.

Рынок искусственного интеллекта перестал быть ареной битвы за каждого клиента. Вместо этого сформировалась устойчивая двухуровневая система, где дорогие и дешевые модели не конкурируют, а выполняют разные функции в едином жизненном цикле бизнеса. Тезис о том, что открытые и проприетарные решения дополняют друг друга, перестал быть теорией и стал экономической необходимостью. Компании не отказываются от мощных инструментов, они перестают использовать их там, где это ведет к финансовому краху.

Парадокс новой реальности прост: чем больше дешевых решений появляется на рынке, тем стабильнее выручка лидеров, но только при условии, что они удерживают контроль над самыми сложными задачами. Данные платформы Vercel показывают, что модель DeepSeek захватила более трети всего трафика, став абсолютным лидером по количеству обработанных токенов. Однако, если смотреть на деньги, картина меняется. Anthropic сохраняет доминирующую долю в расходах клиентов, несмотря на рост тарифов. Это происходит не потому, что пользователи не видят альтернатив, а потому, что сложные задачи невозможно решить дешевыми алгоритмами без риска потери контроля.

Важный нюанс: Массовый переход на бюджетные модели не означает крах инноваций, а лишь означает, что рутинная работа перешла в разряд «товара первой необходимости», где важна цена, а не качество, а дорогие модели стали страховкой от критических ошибок.

Иллюзия экономии и реальная структура затрат

Ключевая ошибка многих аналитиков заключается в попытке сравнить модели по объему трафика. Количество токенов — это метрика популярности, но не метрика ценности. Модель DeepSeek V4 Flash обрабатывает 5,3 триллиона токенов в неделю, в то время как флагман Opus 4.8 от Anthropic справляется лишь с 2 триллионами. На первый взгляд, это победа дешевых решений. Но разница в стоимости одного миллиона токенов составляет 23 раза: 6 центов против 1,37 доллара.

В результате, даже при меньшем объеме работы, дорогие модели генерируют основную часть выручки. Компании перераспределяют бюджет, а не сокращают его. Они переносят рутину на дешевые решения, высвобождая ресурсы для самых сложных и дорогих задач, которые раньше были недоступны из-за стоимости. Это не экономия, это оптимизация портфеля. Если бы все задачи решались дешевыми моделями, рынок действительно бы рухнул. Но сложность бизнеса растет быстрее, чем дешевеют алгоритмы.

Реальный пример этой трансформации — кейс стартапа Lindy. В июне 2026 года компания перенесла трафик ИИ-агентов с моделей Anthropic на DeepSeek V4, чтобы сэкономить миллионы долларов ежегодно без потери качества для рутинных задач [!]. Этот шаг стал возможен благодаря тому, что расходы на обработку данных превратились в статью затрат, сопоставимую с фондом оплаты труда. 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 [!].

Прогноз Брайана Армстронга (Brian Armstrong) подтверждает масштаб этих изменений: в ближайшие полтора года 80% задач будут решаться моделями, которые в 99 раз дешевле флагманских [!]. Это сдвиг от гонки мощностей к жесткой экономии, который подрывает старые бизнес-модели гигантов и заставляет рынок пересматривать спрос на вычислительные ресурсы.

Кто выигрывает в новой реальности

В этой новой архитектуре рынка четко разделяются роли. Поставщики передовых моделей, такие как Anthropic и OpenAI, удерживают контроль над этапом «открытия». Они остаются поставщиками сырья для инноваций, решая задачи, которые невозможно автоматизировать с помощью простых скриптов. Их бизнес-модель смещается от борьбы за каждого пользователя к захвату самых сложных и прибыльных ниш.

Однако у этой стратегии есть свои пределы. Исследование показало, что тарифные планы Anthropic не покрывают фактические расходы на обслуживание пользователей, максимально использующих лимиты. При загрузке всего в 10% компания теряет маржинальность, а базовые тарифы становятся безубыточными только при использовании на уровне 20% от доступного лимита [!]. Это означает, что провайдеры сами не могут масштабироваться на старых моделях без риска банкротства, если пользователи будут выжимать из подписок максимум.

Разработчики приложений и стартапы, оборачивающие базовые модели, получают стабильную экономику. Им больше не нужно платить за каждый простой запрос по премиальной цене. Это снижает порог входа и позволяет масштабировать решения. Однако это также создает риск: если стартап не может предложить уникальную ценность, кроме как «обертку» вокруг бесплатной модели, его маржа стремительно падает.

Для бизнеса это сигнал: конкуренция смещается с выбора модели на выбор архитектуры использования. Побеждает не тот, кто купил самую дорогую модель, а тот, кто научился правильно распределять задачи между разными типами ИИ. Те, кто продолжит использовать дорогие модели для простых задач, будут терять деньги. Те, кто не сможет использовать мощные модели для сложных задач, потеряют конкурентное преимущество.

Стоит учесть: Дешевые модели становятся «страховкой» от финансового краха при внедрении агентов. Компании используют их не только для рутины, а как «предохранитель» от неконтролируемого сжигания бюджета на дорогих моделях при масштабировании автономных процессов.

Скрытые риски и третий игрок

Несмотря на кажущуюся стабильность, в этой системе есть скрытые напряжения. Главный риск заключается в переходе к автономным циклам, где искусственные интеллекты управляют другими агентами. Циклы агентов потребляют токены гораздо быстрее, чем простые чат-боты, и не имеют верхнего предела расходов из-за непрерывности работы [!].

Инцидент мая 2026 года, когда компания случайно потратила 500 миллионов долларов на услуги Claude AI, обнажил системную проблему неконтролируемого роста расходов на решения Anthropic [!]. Неконтролируемый расход токенов и дрейф целей создают финансовые риски, которые требуют новых механизмов контроля. Именно здесь дешевые модели, такие как DeepSeek и Qwen, играют роль критически важного буфера, позволяя запускать масштабные агентные циклы без риска разорения.

В эту картину также вписывается новая модель Nvidia Nemotron 3 Super, которая благодаря интеграции с экосистемой Nvidia и высокой адаптивности готова занять лидирующие позиции. Модель заняла первое место в тесте EnterpriseOps-Gym, обойдя конкурентов в сценариях управления командами и логистики [!]. Успех обеспечен гибридной архитектурой и оптимизацией под чипы Blackwell, что увеличило пропускную способность в 5 раз.

Nvidia пытается занять нишу «третьего игрока», создавая синергию между алгоритмами и вычислительными платформами. Компания не только продает железо, она предлагает готовые решения для корпоративного ИИ, которые позволяют бизнесу внедрять автономных агентов без участия человека. Это меняет правила игры, делая доступ к мощным моделям более предсказуемым и контролируемым.

Рынок не делится на победителей и проигравших в классическом понимании. Он делится на тех, кто умеет оптимизировать, и тех, кто продолжает работать по старым схемам. Дешевые модели не убивают лидеров, они заставляют их стать еще более эффективными и сфокусированными на уникальных возможностях. Экономика ИИ перешла от гонки мощностей к гонке рентабельности: дорогие модели стали нишевым инструментом для критических задач, а массовый рынок захватили дешевые аналоги, спасая бизнес от банкротства при масштабировании агентов.