Kondor

## Про open weights

Здесь вы правы по сути. Веса без датасета, без процедур fine-tuning и без reward models — это не полное open source в том смысле, в котором был open source у Linux. Точнее назвать это «open weights», а не «open source AI». DeepSeek, Qwen, Llama — все публикуют веса, но не публикуют тренировочные данные, RLHF-процедуры, data cleaning pipelines. В этом смысле «контроль через датасеты» — реальный механизм.

Но я бы возразил по выводу. Open weights — это всё ещё **существенное** конкурентное преимущество над закрытыми API, даже без полных датасетов. Можно дообучить под свою задачу через LoRA или QLoRA, можно запустить локально без API-зависимости, можно проверить поведение независимо, можно форкнуть и продолжить эволюцию. Для регулируемых отраслей — банков, медицины, госконтрактов — это часто **единственный** приемлемый вариант: запускать модель на собственных серверах с гарантией, что данные не уходят наружу.

То есть «open weights» — это не полная свобода, но это и не маркетинговая уловка. Это новый уровень доступа, который раньше был невозможен.

## Про падение цен и отказ Microsoft

Этого я в пост действительно не вставил, и зря — это важный контекст. Microsoft в 2025 году отказался от подписок Claude Code, заменив на собственные решения. Факт.

Но трактовать его можно иначе. Microsoft отказался не потому, что AI стал дорогим, а потому, что **у них появился выбор**. Раньше альтернативы Claude/OpenAI у крупных игроков просто не было. Теперь есть собственные модели на конкурентном уровне, есть open-weights варианты, есть китайские решения. Сам факт, что Microsoft может выбирать — это и есть **падение барьера**, а не его рост.

Цифры по падению цен — независимые. GPT-3 в 2020 → GPT-4o в 2024: снижение цены примерно в 600 раз за одинаковую задачу. DeepSeek R1 vs OpenAI o1 в 2025: разница в 30 раз. Это не маркетинговые цифры от вендоров — это API rate cards, которые любой может проверить.

## Про убыточность Anthropic и OpenAI

Здесь вы поднимаете самое важное. Anthropic и OpenAI **действительно** убыточны на текущий момент. По данным The Information, Anthropic потерял около $5.6 миллиарда в 2024 году. OpenAI — сравнимые цифры, точные суммы расходятся в источниках.

Я в посте сформулировал «зарабатывают большие деньги» — корректнее было бы сказать «имеют большую выручку». Это разные вещи. Anthropic в 2025 году вышел на $4-5 миллиардов ARR, но операционно убыточен из-за compute-затрат и капексов на инфраструктуру. На длинной дистанции это сжигание венчурного капитала, и если бизнес-модель не сработает фундаментально, ваше «возможно, в 2030 году» — справедливый прогноз.

Я не финансовый аналитик и не буду давать оценок «выживут или нет». Реальность такая: пока непонятно. Парадокс Джевонса (про который пост) описывает **рост рынка**, а не **прибыль отдельных компаний**. Это два разных утверждения, и я их в посте недостаточно разделил.

## Про статью на Хабре и compound errors

Спасибо за ссылку. Математика про 95% × 20 шагов = 36% — корректна, и это известная проблема compound errors в multi-step agentic workflows. Это **реальное** ограничение, которое сдерживает применение AI-агентов в продакшене.

В моём посте речь шла о росте потребления токенов и compute — это правда происходит даже несмотря на проблемы агентов. Растёт inference, растёт fine-tuning, растёт experimentation. Но если говорить **специально про AI-агентов** — там действительно есть фундаментальное ограничение надёжности на длинных цепочках, и оно ограничивает практическое применение. Это не противоречит общему росту рынка, но это **важный** структурный нюанс