Рух відкритого ШІ створив справді вражаючі моделі. DeepSeek зараз обробляє понад третину всіх токенів, що проходять через AI gateway Vercel. GLM-5.2 від Z.ai впевнено входить до четвірки лідерів платформи за обсягом. Це не аматорські проєкти. Це системи промислового рівня, що обробляють реальні корпоративні навантаження у величезних масштабах. З огляду на ці цифри, було б легко припустити, що передові лабораторії, такі як Anthropic, стикаються з екзистенційною загрозою своїм ринковим позиціям.

Це припущення не враховує того, що відбувається насправді.

Справжня роль передових моделей

Генеральний директор Decagon Джессі Чанг запропонував чіткіший спосіб розуміння поділу між пропрієтарним та відкритим ШІ. Конкуренція — це не просто перегони з метою замінити одне одного. Натомість ці дві категорії обслуговують різні етапи єдиного життєвого циклу підприємства.

Передові моделі функціонують як рівень дослідження. Коли компанія починає досліджувати, як ШІ може змінити внутрішній процес, завдання майже завжди є погано визначеним. Вхідні дані хаотичні. Бажані результати розпливчасті. Успіх вимагає здатності міркувати в умовах невизначеності, обробляти граничні випадки, які команда ще не встигла каталогізувати, і адаптуватися до промптів, що змінюються щогодини. Це робота з прототипування та перевірки концепцій. Вона потребує найпотужнішої доступної системи, незважаючи на витрати, тому що альтернативою є невдалий експеримент, який нічого не дає.

На цьому етапі дорога передова модель не є накладними витратами. Це вартість дослідження ринку, стиснута до кількох викликів API. Щойно сценарій використання доведено, а робочий процес розписано, характер проблеми змінюється. Невизначеність зникає. Вхідні дані стають стандартизованими. Промпти стабілізуються. Завдання стає рутинним. У цей момент багато підприємств переносять навантаження на легшу та дешевшу модель. Альтернативи з відкритим кодом стають на етап промислової експлуатації, тоді як передові моделі залишаються на передовій, опрацьовуючи наступну хвилю невідомих проблем.

Це не теорія про те, як має працювати ШІ. Це опис того, як бюджети вже рухаються.

Коли навантаження переходять у масовий сегмент

Міграція на відкритий код є реальною, і це видно з даних про трафік. Стрибок DeepSeek до понад третини обсягу токенів на інфраструктурі Vercel свідчить про те, що компанії виконують величезну кількість інференсу за допомогою дешевших моделей. GLM-5.2 від Z.ai також виборола собі місце в четвірці лідерів, обробляючи стабільний і передбачуваний трафік.

Ці моделі чудово справляються із завданнями, які вже приборкані. Уявіть собі масове вилучення даних зі стандартизованих форм, первинне сортування запитів у службі підтримки клієнтів, що спрямовує тікети на основі очевидних ключових слів, або рутинний лінтинг коду та генерацію документації. Промпти є шаблонними. Режими помилок зрозумілі. Бізнес-ризик від неправильного результату обмежений. Коли робота чітко визначена та повторювана, основною проблемою стає вартість інференсу. Запуск того самого навантаження на моделі вартістю шість центів замість преміального рівня має негайний фінансовий сенс.

Але обсяг — це не дохід. Той факт, що моделі з відкритим кодом домінують за кількістю токенів, не означає, що вони домінують у створенні цінності. Обсяг токенів вимірює активність. Витрати на токени вимірюють те, що компанії готові платити за незамінні можливості.

Куди насправді течуть гроші

Дані AI gateway Vercel роблять економічний розрив неможливим для ігнорування. Попри домінування DeepSeek у сирому трафіку токенів, Anthropic продовжує отримувати понад половину загальних витрат на ШІ на платформі. Розрив між активністю та витратами зумовлений приголомшливою різницею в цінах.

Згідно з даними OpenRouter, Anthropic Opus 4.8 коштує приблизно $1,37 за мільйон токенів. DeepSeek V4Flash коштує приблизно шість центів за той самий обсяг. Opus коштує приблизно у двадцять три рази дорожче. Цей множник має більше значення, ніж будь-яка кількість токенів. Команда розробників могла б перенести дев'яносто відсотків свого обсягу інференсу на дешевшу модель, але дорога модель все одно становитиме більшу частину їхнього бюджету.

Ця невідповідність не є випадковою. Вона відображає реальність, у якій провайдери передових моделей продають щось інше. Вони продають не просто токени. Вони продають здатність міркувати над проблемами, для яких не існує усталених алгоритмів. Підприємства, які платять преміальні тарифи, роблять це не через невігластво. Вони роблять це тому, що завдання, які вони доручають цим моделям, є або критично важливими, або структурно складними. Юридична команда, що аналізує нові регуляторні ризики, не може дозволити собі галюциноване посилання. Команда продукту, яка проєктує багатоетапний агентний робочий процес, потребує, щоб модель правильно вибудовувала логічний ланцюжок протягом кількох ітерацій. Ціна помилки в таких сценаріях значно перевищує вартість виклику API.

Капітальні витрати спрямовуються на той рівень, де цінність ще створюється, а не просто виконується.

Ринок зростає швидше, ніж міграція

Якщо моделі з відкритим кодом набагато дешевші, а підприємства активно переносять на них зрілі робочі навантаження, чому витрати на передові моделі не обвалилися? Відповідь полягає в тому, що загальний ринок доступних завдань ШІ розширюється швидше, ніж будь-яка окрема модель встигає перетворити їх на масовий товар.

Щоразу, коли компанія успішно автоматизує передбачуваний робочий процес за допомогою альтернативи з відкритим кодом, стаються дві речі. По-перше, команда економить гроші на виконанні. По-друге, ці ресурси та таланти переспрямовуються на складніші суміжні проблеми. Рутинна робота тепер виконується машинами, що дозволяє людям зосередитися на нерегулярних, стратегічних та безпрецедентних завданнях. Щойно виявлена проблема майже завжди потребує глибини міркувань передової моделі.

Ця закономірність повторюється в різних галузях. Банк автоматизує перевірку документів за допомогою дешевої моделі, а потім переключає увагу на створення динамічної моделі ризиків, що потребує тонкого судження. Софтверна компанія автоматизує генерацію тестів, а потім намагається створити автономного агента для налагодження, який має відстежувати помилки в розподілених системах. Передовий край продовжує просуватися. Щойно одне завдання стає масовим товаром, з'являється складніший сценарій використання, що вимагає преміальних можливостей.

Багато корпоративних завдань також залишаються занадто чутливими, щоб довіряти їх поточному поколінню альтернатив з відкритим кодом. Медичне сортування, фінансове прогнозування під наглядом регуляторів та аналіз стратегії керівництва несуть ризики, через які вартість інференсу стає неважливою порівняно з точністю та надійністю. Ці робочі навантаження створюють стійкий преміальний рівень. Результатом є стабільна дворівнева економіка: високомаржинальний рівень для складних міркувань і досліджень та високоефективний масовий рівень для рутинного виконання виробничих завдань.

Що це означає для корпоративних покупців

Практичний висновок полягає в тому, що вибір моделі має залежати від зрілості робочого процесу, а не від ідеології. Розробляйте та перевіряйте нові ШІ-додатки на найпотужніших доступних передових моделях. Платіть премію на етапі дослідження. Це дешевше, ніж будувати на обмеженій моделі, не змогти довести цінність і зрештою закрити проєкт. Щойно вхідні дані, результати та сценарії відмов стануть відомими, починайте агресивну оптимізацію. Перенесіть стабільне робоче навантаження на альтернативу з відкритим кодом і отримайте економію витрат.

Спроба запхнути кожне завдання в один рівень — це шлях або до марнотратства капіталу, або до втрачених можливостей. Компанії, які правильно орієнтуються в цій ситуації, використовуватимуть гібридні архітектури за замовчуванням, а не як компроміс.

Суть не в тому, що open source програє, або що лабораторії передових моделей непереможні. Суть у тому, що обидва рівні зростають, але ростуть у різних напрямках. Моделі з відкритим кодом поглинають відомий світ завдань ШІ. Передові моделі заявляють права на невідоме. У найближчому майбутньому такий розподіл буде комфортним для обох сторін.