The open-source AI movement has produced genuinely impressive models. DeepSeek now processes over a third of all tokens flowing through Vercel’s AI gateway. Z.ai’s GLM-5.2 sits comfortably in the platform’s top four by volume. These are not hobbyist projects. They are production-grade systems handling real enterprise workloads at massive scale. Given these numbers, it would be easy to assume that frontier labs like Anthropic are facing an existential threat to their market position.
That assumption misses what is actually happening.
The Real Work of Frontier Models
Decagon CEO Jesse Zhang has proposed a clearer way to understand the split between proprietary and open-source AI. The competition is not a simple race to replace one another. Instead, the two categories serve different phases of a single enterprise lifecycle.
Frontier models function as the discovery layer. When a company begins exploring how AI might change an internal process, the task is almost always poorly defined. The inputs are messy. The desired outputs are vague. Success requires reasoning through ambiguity, handling edge cases the team has not yet catalogued, and adapting to prompts that change by the hour. This is prototyping and proof-of-concept work. It demands the most capable system available, cost be damned, because the alternative is a failed experiment that teaches nothing.
In this phase, an expensive frontier model is not overhead. It is the cost of market research compressed into a few API calls. Once the use case is proven and the workflow is mapped, the nature of the problem shifts. The ambiguity disappears. Inputs become standardized. Prompts stabilize. The task has become routine. At that point, many enterprises migrate the workload to a lighter, cheaper model. Open-source alternatives step in and own the production stage, while frontier models remain stationed at the frontier, handling the next wave of unknown problems.
This is not a theory about how AI should work. It is a description of how budgets are already moving.
When Workloads Move Downmarket
The migration to open source is real, and it is visible in the traffic data. DeepSeek’s surge to over one-third of token volume on Vercel’s infrastructure shows that companies are running enormous quantities of inference through cheaper models. Z.ai’s GLM-5.2 has also carved out a top-four position by handling steady, predictable traffic.
These models excel at tasks that have been tamed. Think of high-volume data extraction from standardized forms, first-pass customer support triage that routes tickets based on obvious keywords, or routine code linting and documentation generation. The prompts are templated. The error modes are understood. The business risk of a bad output is contained. When the work is defined and repetitive, the cost of inference becomes the primary concern. Running that same workload on a six-cent model instead of a premium tier makes immediate financial sense.
But volume is not revenue. The fact that open-source models dominate token counts does not mean they dominate value creation. Token volume measures activity. Token spend measures what companies are willing to pay for irreplaceable capability.
Where the Money Actually Flows
Vercel’s AI gateway data makes the economic split impossible to ignore. Despite DeepSeek’s dominance in raw token traffic, Anthropic continues to capture more than half of the total AI spend on the platform. The gap between activity and expenditure comes down to a staggering price differential.
According to OpenRouter data, Anthropic’s Opus 4.8 costs approximately $1.37 per million tokens. DeepSeek’s V4Flash costs roughly six cents for the same volume. Opus is priced about twenty-three times higher. That multiplier matters more than raw token counts ever could. A development team could move ninety percent of their inference volume to the cheaper model and still see the expensive model account for the majority of their budget.
Это расхождение не случайно. Оно отражает реальность: провайдеры передовых моделей продают нечто иное. Они продают не просто токены. Они продают способность рассуждать над задачами, для которых не существует готовых сценариев. Предприятия, платящие премиальные тарифы, делают это не по незнанию. Они делают это потому, что задачи, которые они поручают этим моделям, либо сопряжены с высокими рисками, либо структурно сложны. Юридическая команда, анализирующая новые регуляторные риски, не может допустить галлюцинации в цитате. Команда разработчиков продукта, проектирующая многоэтапный агентный рабочий процесс, нуждается в том, чтобы модель правильно выстраивала логическую цепочку на протяжении нескольких итераций. Цена ошибки в таких сценариях намного превышает стоимость вызова API.
Капитальные затраты направляются в тот слой, где создается ценность, а не просто выполняется работа.
Рынок растет быстрее, чем миграция
Если модели с открытым исходным кодом намного дешевле, а предприятия активно переводят на них зрелые рабочие нагрузки, почему расходы на передовые модели не рухнули? Ответ заключается в том, что общий рынок решаемых задач ИИ расширяется быстрее, чем любая отдельная модель успевает превратить их в массовый доступный продукт.
Каждый раз, когда компания успешно автоматизирует предсказуемый рабочий процесс с помощью альтернативы с открытым исходным кодом, происходят две вещи. Во-первых, команда экономит деньги на исполнении. Во-вторых, эти ресурсы и таланты перенаправляются на более сложные смежные задачи. Рутинная работа теперь выполняется машинами, а это значит, что люди могут сосредоточиться на нерегулярных, стратегических и беспрецедентных вопросах. Новая обнаруженная проблема почти всегда требует глубины рассуждений, доступной только передовым моделям.
Эта закономерность повторяется в различных отраслях. Банк автоматизирует проверку документов с помощью дешевой модели, а затем переключает внимание на создание динамической модели рисков, требующей тонких суждений. Софтверная компания автоматизирует генерацию тестов, а затем пытается создать автономного агента для отладки, который должен отслеживать ошибки в распределенных системах. Граница передовых возможностей постоянно сдвигается. Как только одна задача становится массовой, возникает более сложный сценарий использования, требующий премиальных возможностей.
Многие корпоративные задачи также остаются слишком чувствительными, чтобы доверять их текущему поколению альтернатив с открытым исходным кодом. Поддержка медицинской сортировки, финансовое прогнозирование под надзором регуляторов и анализ стратегии руководства несут в себе риски, на фоне которых стоимость инференса становится несущественной по сравнению с точностью и надежностью. Эти рабочие нагрузки создают устойчивый премиальный сегмент. Результатом становится стабильная двухуровневая экономика: высокомаржинальный слой для сложных рассуждений и открытий и высокообъемный массовый слой для рутинного выполнения задач.
Что это значит для корпоративных покупателей
Практический вывод заключается в том, что выбор модели должен зависеть от зрелости задачи, а не от идеологии. Создавайте и проверяйте новые ИИ-приложения на самых мощных передовых моделях, к которым у вас есть доступ. Платите премиальную цену на этапе исследования. Это дешевле, чем строить на ограниченной модели, не суметь доказать ценность и в итоге закрыть проект. Как только входные и выходные данные, а также сценарии сбоев станут известны, приступайте к агрессивной оптимизации. Переносите стабильную рабочую нагрузку на альтернативу с открытым исходным кодом и фиксируйте экономию средств.
Попытка втиснуть каждую задачу в один уровень — это путь либо к напрасным затратам капитала, либо к упущенным возможностям. Компании, которые правильно справятся с этим, будут по умолчанию использовать гибридные архитектуры, а не рассматривать их как компромисс.
Суть здесь не в том, что open source проигрывает, или что лаборатории передовых моделей непобедимы. Суть в том, что оба уровня растут, но растут в разных направлениях. Модели с открытым исходным кодом поглощают «известный мир» задач ИИ. Передовые модели заявляют права на «неизведанное». В обозримом будущем это взаимовыгодное положение дел для обеих сторон.