В августе произошло то, чего не было ни разу: открытая модель впервые возглавила крупнейшую площадку, через которую компании обращаются к искусственному интеллекту. Не вырвалась на день — заняла первое место по числу запросов, потеснив Google, который держал его пятьдесят одну неделю подряд. Восемь из десяти самых нагруженных моделей сегодня открытые, и семь из этих восьми сделаны в Китае.
А теперь встречный факт из того же отчёта: в прошлом году 96% всех денег, заплаченных за работу моделей, достались закрытым поставщикам. Пользуются одним, платят другим. Этот разрыв объясняется не качеством и не ценой. Он объясняется зависимостью, цену которой каждый оценивает по-своему и в своём контексте.
В сентябре Mozilla выпустила девяностостраничный отчёт о состоянии открытого искусственного интеллекта. Я его прочитал целиком, проверил цифры по первоисточнику и дальше рассказываю, что в нём важно для бизнеса — и где я с ним не согласен.
Что изменилось за год
Год назад выбор выглядел просто: есть дорогие и хорошие закрытые модели, есть бесплатные и слабые открытые. Сегодня это неправда.
Лучшая открытая модель отстаёт от лучшей закрытой примерно на три балла из ста и стоит 60% от её цены. Отставание по времени — около четырёх с половиной месяцев: столько нужно открытым, чтобы дойти до того уровня, на котором закрытые находятся сейчас. И это не потолок, а измеренная средняя: с каждым новым выпуском отсчёт начинается заново.
Разница — три балла.
Дешевле на 40%.
Для руководителя из этого следует одно. Аргумент «нам нужен самый сильный, поэтому платим самому дорогому» перестал работать как аргумент. Он превратился в вопрос: а на каких именно задачах вам действительно нужны эти три балла и стоят ли они разницы в цене.
Догнали или нет: честный ответ
Догнали не везде.
На длинных сложных задачах — тех, что заняли бы у специалиста рабочий день, — закрытые модели по-прежнему впереди, и открытые приходят туда примерно через четыре месяца. На коротких и типовых разницы практически нет.
Есть и отрезвляющий факт, который в пересказах теряется: открытое больше не означает «вечно дешевеющее». В августе DeepSeek впервые поднял цену — стоимость ответа выросла в два с половиной, местами в четыре с половиной раза. Рынок открытых моделей взрослеет и начинает вести себя как обычный рынок.
За три с небольшим года стоимость работы моделей упала примерно в шестьдесят раз. Есть и часто цитируемая цифра: 25 миллиардов долларов в год — столько, по оценке Linux Foundation, составляет разрыв в цене между открытыми и закрытыми моделями в масштабах рынка. К ней я отношусь осторожно и объясню почему. Она выведена из разницы прейскурантов: обращение к закрытой модели стоит примерно в шесть раз дороже при сопоставимом качестве. В расчёт не входит ни стоимость оборудования, если компания решит поставить модель у себя, ни работа по переходу, ни сопровождение. И отдельный вопрос, что здесь считается открытым: в этих данных открытые модели работают в основном через платный доступ у сторонних поставщиков, в том числе китайских. То есть сравниваются две подписки, а не подписка с собственным сервером. Цифра показывает разрыв в ценах, а не сумму, которая окажется у вас в кармане.
Почему выгодное решение так часто не доезжает
Самая полезная цифра отчёта — вот эта. Открытые модели пробуют 79% разработчиков. До реальной работы доводят 51%. У закрытых — 63%. Разрыв в двенадцать процентных пунктов.
Причина не в моделях. Причина в том, что вокруг них.
Вывод для бюджета простой и неприятный: экономия на лицензии оборачивается расходами на эксплуатацию. Если вы считаете переход на открытую модель только по цене за обращение, вы считаете неправильно. Считать надо вместе с людьми, железом и сопровождением — и тогда решение либо всё равно выгодно, либо честно невыгодно, но вы это узнаете заранее, а не через полгода.
Чем вы платите за отсутствие запасного варианта
Девятого июня Anthropic выпустила свою сильнейшую модель. Двенадцатого июня американское ведомство ввело экспортные ограничения, и модель отключилась — для всех сразу, включая сотрудников самой Anthropic, потому что проверить гражданство каждого в реальном времени невозможно. Доступ вернули первого июля. Девятнадцать дней флагманская модель была недоступна никому.
Замечу: ни один клиент не нарушил ни одного условия. Просто в какой-то момент инструмент, на котором держалась работа, перестал существовать.
Случай поближе. Моих коллег забанил Claude Code — без нарушений и без спора о деньгах, доступ просто закрылся. Часть работы ушла на ChatGPT, часть — на китайскую GLM 5.3. Задачу она доделала не хуже и не дороже, и это не самоутешение: на профильном тесте для программирования эта модель обходит Claude Opus 4.8, тратя вдвое меньше ресурсов.
Самое важное — что было дальше. Возвращаться никто не захотел. Никто не стал искать обходные пути и восстанавливать доступ, потому что задача уже решалась — без ухищрений и без риска повторного бана. Поставщик своими же действиями привёл клиентам конкурента и сделал его основным.
Есть и денежная сторона вопроса. AT&T перевела 40% запросов своих сотрудников на открытые модели и снизила стоимость обработки одного обращения на 56%. Качество просело на 2%.
Что действительно надо защищать
Здесь начинается моя позиция, и она расходится с тем, что обычно говорят про безопасность.
Своё оборудование нужно тогда, когда вы обрабатываете действительно чувствительные данные. Вопрос в том, что ими считать. Я делю данные на три класса, и только один из них требует вложений в железо.
Модель не знает качества того, что в неё попало. Всё входящее для неё одинаково грязное: она не отличает придуманные данные от настоящих и проверить это не может. Чтобы данные стали товаром, их надо вычистить и подтвердить, а это расходы. Поставщик модели пойдёт на них только с ответом на вопрос «кому я это продам». Персональные данные ценны, покупатель на них найдётся, но я сомневаюсь, что поставщики станут вкладываться в их очистку ради перепродажи.
Целевой интерес возникает там, где есть заказчик: спецслужбы, регулятор, государственная тайна. На проверку почты или телефона рядового сотрудника никто время тратить не будет.
Отсюда практический вывод. Работа через обращение к внешней модели экономически выгоднее, и это нормально. Вложения в собственное оборудование ради защиты ноу-хау должны быть обоснованы реальной ценностью того, что вы защищаете, а не уровнем тревоги. Политика безопасности обязана меняться вместе с технологическим укладом, а не консервировать рефлексы прошлого десятилетия.
И отдельно, раз уж об этом зашла речь: контроль за тем, как поставщики защищают данные пользователей, — задача государственного уровня. Это не должно быть личной войной каждого отдельного заказчика.
Где вас держат на самом деле
Пока все спорят, какую модель выбрать, привязка переехала в другое место.
Модель — это то, что легко заменить. Гораздо труднее заменить оболочку вокруг неё: программу, которая ставит модели задачи, даёт ей инструменты и собирает результат. Весной разница между сторонней оболочкой и «родной» составляла почти двадцать два балла. За восемь недель разрыв сжался до трёх — разработчики моделей просто забрали эту часть себе. Одна и та же модель под разными оболочками показывает разный результат, и выбираете вы теперь не столько модель, сколько оболочку.
Второе место, где вас держат, — накопленное. Память системы, история работы, сохранённые заготовки ответов. Повторный запрос, попавший в сохранённое, обходится примерно в десять раз дешевле нового; разброс цен между этими двумя случаями внутри одной услуги доходил этим летом до ста двадцати раз. Чем дольше система работает, тем больше накопила и тем дороже с неё уйти.
Смысл простой: модель дешевеет и заменяется, а оболочка и накопленное — нет. Именно там теперь и возникает зависимость.
Память внутри, вычисления снаружи
Это моя рабочая схема, и она снимает спор «свой сервер или подписка».
Сначала о проблеме, которая за этими обещаниями стоит. Все обещают самообучающихся помощников, но упираются в одно: объём, который система способна удержать за раз. Чем дольше помощник работает и чем больше опыта накопил, тем больше ему нужно перечитывать в начале каждой сессии, чтобы вспомнить собственные достижения. А объём этой единовременной памяти — прямая нагрузка на оборудование. Здесь должен произойти технологический прорыв, и тот, кто его сделает, вырвется вперёд.
Пока прорыва нет, схема такая. Память и накопленный опыт живут на вашем оборудовании, внутри вашего контура. Тяжёлые вычисления покупаются снаружи. Между ними стоит внутренний слой, который просматривает и фильтрует: он решает, что именно уйдёт во внешний запрос, а что останется внутри. Фактически он работает для внешней модели рецензентом, консультантом и наставником одновременно.
Что это даёт. Вы платите за чужие вычисления, потому что это дешевле, но накопленное остаётся у вас. Вложение в оборудование переезжает с расчётов на память — а память требует несопоставимо меньшего железа. И если завтра поставщик отключится, вы меняете поставщика вычислений, а не начинаете жизнь заново.
Что делать руководителю
Четыре решения, все выполнимы без большого бюджета.
- Заведите центр компетенции с собственной песочницей Небольшая группа, которая на ваших реальных задачах регулярно проверяет: есть ли смысл менять модель, поставщика или оболочку. Сменяемость — это не пункт в регламенте, а работающая практика проверки. Без неё вы узнаете о своей зависимости в тот день, когда поставщик отключится.
- Стройте оболочку так, чтобы поставщика можно было сменить Готовые решения такого рода существуют: например, Kilo Code — открытый инструмент, работающий с сотнями моделей, включая запуск на собственном оборудовании. Правда, в июле его купила Anaconda — как Nvidia купила Hugging Face, а Stripe купил OpenRouter. Сюжет один: нейтральные площадки уходят под стратегических владельцев. Поэтому сменяемость закладывайте в свою архитектуру, а не в надежду на чужую нейтральность.
- Держите память у себя Это единственное, что нельзя перекупить обратно.
- Считайте вложения в железо по ценности защищаемого Не по уровню тревоги службы безопасности и не по тому, как принято у соседей.
И последнее. Если у вас сейчас всё работает на одном поставщике и никаких проблем нет — это не стабильность. Это неоплаченный риск, срок предъявления которого выбираете не вы.
Про запреты и Китай
Этот раздел — моя позиция, а не вывод отчёта. Разделяю намеренно.
Границы, о которых рассуждают в прессе, в текущих реалиях построить нельзя. Это фантазии.
Любой запрет что-то использовать заканчивается одинаково: появляется посредник, доступ становится дороже, но не закрывается. Запреты западных поставщиков — театр, за кулисами которого добавляется ценность чахнущему доллару. Это попытка продать свои услуги дороже, придать им веса и затруднить конкуренцию.
У этой ситуации есть вторая сторона, которую в отчётах не пишут: ограничения подталкивают к созданию собственных решений. То, что своего сейчас нет, — временно. А пока его нет, этим пользуется Китай, развивая свои модели в том числе за счёт тех стран, которым Запад закрывает доступ. Цифры это подтверждают: семь из восьми самых используемых открытых моделей — китайские, Qwen скачивают больше, чем следующие восемь разработчиков вместе взятые.
Но будем честны до конца. Отчёт справедливо замечает и обратное: в китайском технологическом альянсе тридцать семь участников, и среди них нет ни одной крупной западной демократии. Общий ресурс с единственным поставщиком перестаёт быть общим, кем бы этот поставщик ни был. Менять зависимость от Вашингтона на зависимость от Пекина — не решение задачи, а её переформулировка.
Что до будущего, моя ставка такая. Оно за открытыми моделями, и главное препятствие сейчас — не качество, а стоимость вычислений для настройки модели под конкретный бизнес. При этом гнаться за размером модели бессмысленно. Развитие получат узкоспециализированные модели, способные работать на переносимых устройствах, и это изменит целые отрасли. Отчёт, кстати, эту ставку подтверждает: 78% разработчиков уже совмещают специализированные открытые модели с универсальными, а модель приличного уровня сегодня обслуживается одним ускорителем.
Что в отчёте стоит читать критически
Я проверял цифры по первоисточнику и обязан сказать следующее.
Часть показателей отчёта взята из исследования, которое заказала Meta, — это стоит учитывать, оценивая оптимизм выводов. Опрос, на котором построены проценты, использует разные по составу выборки для разных вопросов, поэтому сравнивать эти проценты между собой напрямую нельзя. Сами авторы признают: оценки и рекомендации — их собственное суждение, а цифры следует читать как срез на конкретную дату, потому что рынок меняется за недели.
Ещё одна тонкость, которую стоит держать в голове при чтении любых пересказов. Доля выручки в 96% измерена по данным за 2025 год, а расстановка сил по использованию — за август 2026. Это разные периоды, и отчёт честно оговаривает, что выручку с тех пор заново не считали. Сопоставлять их можно только как иллюстрацию направления, а не как строгую пропорцию сегодняшнего дня.
В обсуждениях отчёта постоянно повторяют, что половина разработчиков перешла исключительно на открытые модели. В отчёте написано обратное: только открытыми пользуются 29%, а половина — 50% — работает и с теми, и с другими. Никто не выбирает лагерь. Собирают набор инструментов под задачи, и именно поэтому возможность сменить поставщика важнее, чем выбор правильного.
Коротко
Открытые модели догнали закрытые достаточно, чтобы вопрос перестал быть техническим и стал управленческим. Он звучит не «какая модель лучше», а «что произойдёт с моим бизнесом, если завтра доступ закроется».
Если ответ на этот вопрос вас не устраивает — начните с малого. Проверьте на реальной задаче, справится ли альтернатива. Проверка стоит несколько дней работы. Незнание ответа стоит непредсказуемо.
- Mozilla — The State of Open Source AI, v1.1, сентябрь 2026 (данные на 1 сентября 2026): stateofopensource.ai
- Опрос разработчиков Mozilla / SlashData, май 2026; данные трафика OpenRouter; индексы Artificial Analysis, Epoch, METR, Terminal-Bench
- Оценка разрыва в цене — исследование Nagle–Yue для Linux Foundation
- NVIDIA — Hugging Face и Stripe — OpenRouter: сделки объявлены в августе–сентябре 2026, на момент публикации не закрыты
- GLM 5.3 — Zhipu AI, август 2026