Открытые и закрытые нейросети: за что бизнес на самом деле платит в своём AI-стеке

Год назад лучшая открытая нейросеть отставала от лучшей закрытой на восемь процентов в независимом рейтинге, к началу 2025-го отрыв сжался до полутора, и по самой модели разница почти стёрлась, а счёт за доступ к закрытым моделям падать при этом не собирается – вот эта вилка между сходящимися моделями и расходящимися ценниками и есть самое интересное для любого, кто закладывает AI в бюджет.

Когда закрытая Claude или GPT обходит открытую Qwen или DeepSeek на тесте, вывод напрашивается простой: у большой лаборатории лучше архитектура, данные и обучение, отсюда и ценник. Но цифры говорят, что сама модель почти перестала быть отличием. По Stanford HAI (AI Index Report 2025), отрыв лучшей закрытой модели от лучшей открытой на Chatbot Arena сжался с 8,04% в январе 2024-го до 1,70% в феврале 2025-го. В январе 2025-го открытая DeepSeek R1 на ключевых задачах сравнялась с флагманской OpenAI o1, а стоила, по данным самой DeepSeek, примерно на 95% дешевле. Разрыв по «мозгам» модели за год сократился почти впятеро, но ощущение, что закрытая заметно умнее, у рынка осталось, и держится оно уже не на весах.

Дело в том, что пользователь закрытой модели работает с продуктом, а с голыми весами дела не имеет. Между запросом и ответом стоит целый цех, которого не видно. Внутри закрытого сервиса обычно живёт несколько моделей: дешёвая для простого, дорогая для сложного, и диспетчер на лету решает, куда отправить запрос. Поверх идёт каркас проверок, когда модель работает по шагам и перепроверяет себя вместо того, чтобы выпалить первый вариант. К ней подключены инструменты – поиск, калькулятор, доступ к данным. Перед ответом система подсовывает ей нужные куски вашей базы знаний, чтобы она говорила про ваш прайс, а не в общем. Сверху – системный запрос с правилами тона и фильтры, отсекающие лишнее на входе и выходе.

Открытую модель из коробки вы получаете без этого цеха, она отвечает голо, и в лобовом сравнении кажется тупее, хотя разница в самой модели давно невелика. Для меня как инвестора тут важен один вывод про экономику: маржа закрытого провайдера сидит уже не в весах, которые дешевеют и повторяются у всех, а в обвязке и в том, что её кто-то круглосуточно держит. Веса становятся сырьём, деньги делаются на сборке вокруг них.

Здесь разговор упирается в неудобную цифру. По опросу McKinsey (The State of AI, март 2025), искусственный интеллект хотя бы в одной функции применяют 88% организаций, но реальное влияние на прибыль фиксируют лишь 39%, и у большинства из них это меньше 5% EBIT. Непропорционально много ценности забирают около 6% компаний, и отличает их глубина встройки в процессы, а сама подписка на модель тут вторична.

Для основателя, который решает, сколько вложить в AI, это разворачивает логику. Строка «доступ к ИИ» в бюджете почти никогда не оплачивает только ум модели, вы платите за смесь из трёх вещей: сама модель, цех вокруг неё и люди, которые этот цех собрали и содержат. И ценность живёт в том, насколько глубоко вы вплели инструмент в свой процесс, а подписка на флагман – это входной билет, который сам по себе прибыли не приносит.

Когда я смотрю на компании из этой верхушки как венчурный партнёр, отличает их не бюджет на подписку и не выбор конкретной лаборатории, а то, что модель у них воткнута в реальный узкий процесс с понятной метрикой: сокращённое время ответа поддержки, доля автоматически обработанных заявок, себестоимость одной карточки товара. У остальных 39% с влиянием ниже 5% EBIT модель обычно живёт сбоку, как красивый чат, куда сотрудники иногда заходят. Разница между этими двумя лагерями создаётся руками и процессом, а вопрос «открытая модель или закрытая» решается уже сильно ниже по течению и на итог влияет куда меньше, чем кажется из спора о бенчмарках.

Большая часть обвязки давно превратилась в инженерную работу по типовым рецептам. Поиск по своей базе – подсунуть модели прайсы, регламенты, прошлые заказы – собирается за недели по готовым конструкторам. Тон вы и так прописываете словами, здесь он просто становится инструкцией для модели. На массовых задачах вроде описаний товаров, черновиков, разбора отзывов и первичной модерации открытая модель со своей шпаргалкой подтягивается к закрытой почти вплотную.

Показательный пример из практики: команда электронной коммерции перевела конвейер из 80 тысяч описаний товаров в месяц с закрытого GPT-4o на локально развёрнутую открытую Llama и уронила расходы примерно с 800 до 40 долларов в месяц, фактически на одно электричество. Дообученная под задачу версия ещё и подняла стабильность нужного формата ответа с 88% до 97% с лишним, если верить опубликованному разбору этой команды. Массовая рутина не требует премии за флагман, и вот здесь считается очень простая арифметика: на однотипном большом объёме разница в двадцать раз по счёту складывается в реальные деньги за год.

Сложнее воспроизвести другое. Умный диспетчер между моделями большие провайдеры годами обкатывали на миллиардах обращений, и повторить эту логику маршрутизации на своих данных с нуля – задача не на недели, а на кварталы. Надёжность уровня «работает всегда» и низкая задержка под нагрузкой – это уже про инфраструктуру: серверы с видеокартами, дежурная команда, мониторинг, запас мощности под пики. Такое с наскока не собирается, и вот за это заплатить вендору часто разумнее, чем строить самому, потому что своя команда инференса окупается только на очень больших и постоянных объёмах, а до этого порога аренда чужого цеха выходит дешевле собственного.

Тезис «разрыв меньше, чем кажется» легко скатывается в проповедь open source, поэтому очерчу обратную сторону. Закрытый доступ оправдан, когда у вас нет своей технической команды и серверов: за подписку вы получаете весь цех сразу и стартуете за дни. Он оправдан, когда задача критичная и публичная – чат от лица бренда, ответы клиентам – и вы платите за то, что оно не упадёт в чёрную пятницу. И он оправдан, когда важна скорость запуска, а собственная сборка съест месяцы, которых у проекта нет.

Переплата начинается там, где через дорогой флагман гоняют массовую однотипную рутину, с которой на девять десятых справится открытая модель со шпаргалкой по вашим данным, потому что в этой задаче вендор берёт с вас премию за ум, который ей просто не нужен.

Я узнаю тут свою же логику из другой области. Семейный финансовый учёт я веду с 2016 года и в какой-то момент перестал считать каждую операцию, оставив одну метрику – чистый капитал, который свожу сам, час раз в месяц. Точность до копейки по каждой покупке стоила времени и не давала пропорционально больше понимания, а решения принимались всё равно по крупным движениям, не по копейкам. С выбором модели ровно так же: платить за максимальную мощность там, где задача её не спрашивает, значит переплачивать за точность без отдачи.

Для нашего рынка вопрос ещё практичнее, потому что доступ к зарубежным флагманам из России ограничен и по оплате, и по стабильности. По исследованию «Якова и Партнёров» и Яндекса (декабрь 2025), генеративный ИИ хотя бы в одной функции применяет 71% крупных российских компаний против 54% годом ранее, спрос очевидно растёт, а инфраструктура выбора смещается к открытым и локально размещаемым моделям вроде GigaChat, T-lite и облегчённого YandexGPT.

Добавьте сюда данные. Если через чужой закрытый доступ течёт чувствительная информация клиентов, к деньгам добавляется 152-ФЗ о локализации персональных данных, и это уже не вопрос цены, а вопрос того, где физически лежат ваши данные. Даже отечественные коммерческие модели часто построены на открытых весах: та же Cotype от МТС дообучена на Qwen. Открытость под капотом постепенно становится нормой, и это стоит держать в голове, когда выбираешь, на чём строить свой контур на годы вперёд.

Когда понимаешь, из чего складывается счёт, перестаёшь платить за слово «нейросеть» и начинаешь платить за детали, которые можно оценить порознь. С подрядчиком имеет смысл первым делом выяснить, за что уходят деньги: за доступ к флагманской модели или за обвязку вокруг неё, и хороший исполнитель спокойно разложит счёт, а тот, кто прячет всё в строку «интеллектуальная система под ключ», скорее всего продаёт премию за громкое имя.

Дальше стоит проверить привязку к вендору: что будет, если завтра закрытый доступ подорожает вдвое или закроется, переключается ли ваш контур на другую модель, включая открытую, без переписывания с нуля. У грамотно собранной связки смена модели под капотом – это настройка, а не пересборка. И полезно развести массовое и разовое: рутину большого объёма увести на дешёвую или открытую модель, а дорогой доступ оставить там, где нужна максимальная надёжность и публичное лицо.

Если сложить всё вместе, счёт «доступ к ИИ» распадается на три статьи – саму модель, цех вокруг неё и людей, которые его держат – и веса из этих трёх дешевеют быстрее всего. Честная премия закрытого вендора сжимается до надёжности, скорости запуска и безопасности данных, а всё остальное всё чаще можно собрать у себя за долю цены. Тем важнее, глядя на строку AI-расходов, понимать, за какую из трёх частей вы на самом деле платите.

Если вам близко разбирать, из чего складывается такая строка в бюджете, подписывайтесь на мой блог – здесь я пишу про венчур, предпринимательство и экономику технологий с позиции инвестора и основателя.