OpenAI снизила цену AI вдвое. Почему GPT-6 Sol и Luna важнее очередной гонки за «самую умную модель»

22 сентября OpenAI представила GPT-6 Sol и GPT-6 Luna — две новые модели семейства GPT-6.

На первый взгляд — обычный релиз: новая версия, новые бенчмарки, несколько графиков о том, насколько модель стала умнее.

Но на этот раз самое интересное находится не в графиках.

OpenAI фактически снизила стоимость нового поколения AI вдвое.

И практически одновременно Anthropic выпустила Claude Opus 5.5, сделав ставку ровно на то же самое: больше возможностей за меньшие деньги.

Похоже, следующая большая гонка в искусственном интеллекте будет уже не только за интеллект.

Она будет за стоимость выполнения реальной работы.

В начале сентября OpenAI представила GPT-6 Astra — флагманскую модель для наиболее сложных задач.

Теперь семейство расширилось.

GPT-6 Sol позиционируется как мощная рабочая модель для сложных профессиональных задач, программирования и AI-агентов.

GPT-6 Luna — более лёгкая и дешёвая модель для массовых сценариев, где важны скорость и стоимость.

При этом Astra остаётся верхним уровнем линейки — для задач, где качество важнее цены.

Но самое интересное — экономика.

Стоимость GPT-6 Sol через API:

$2 за 1 млн входных токенов и $10 за 1 млн выходных.

GPT-6 Luna:

$0,10 и $0,50 соответственно.

По сравнению с промо-тарифами поколения GPT-5.6 OpenAI снизила цены примерно на 50%.

Для обычного пользователя это может выглядеть как незначительная техническая деталь.

Для бизнеса — совсем нет.

Когда сотрудник несколько раз в день открывает ChatGPT, стоимость одного запроса практически не имеет значения.

Но корпоративный AI развивается в другом направлении.

AI всё чаще становится не собеседником, а исполнителем процессов.

Агент может открыть десятки документов, провести поиск, обработать данные, обратиться к нескольким системам, написать код, проверить результат и сформировать итоговый отчёт.

Одна задача пользователя может превратиться в сотни или тысячи внутренних операций модели.

И тогда экономика меняется полностью.

Разница в несколько долларов на миллионе токенов при миллионах запросов превращается уже в серьёзные деньги.

Именно поэтому для корпоративного AI всё меньше имеет смысл вопрос:

«Какая модель сейчас самая умная?»

Гораздо полезнее другой:

«Сколько стоит качественно выполненная задача?»

Показательно, что в презентации новых моделей OpenAI всё чаще сравнивает их не только по результатам тестов, но и по стоимости выполнения одной задачи.

Например, компания утверждает, что GPT-6 Sol в одном из тестов корпоративных workflow показывает результат выше Claude Opus 5 при значительно меньшей стоимости выполнения задания.

Это данные самой OpenAI, поэтому относиться к таким сравнительным бенчмаркам стоит именно как к данным производителя, а не как к абсолютной истине.

Но изменение акцента показательно.

Раньше индустрия спорила в основном о процентах в тестах.

Теперь она начинает спорить о цене результата.

22 сентября Anthropic представила Claude Opus 5.5.

По данным компании, новая модель обеспечивает уровень производительности, близкий к её более дорогой Fable 5.1, при этом типичная стоимость работы примерно на 40% ниже, чем у предыдущего Opus 5. Reuters также отмечает, что релиз происходит на фоне усиливающейся конкуренции за стоимость эксплуатации AI.

Получается довольно символичная картина.

В один день два крупнейших разработчика frontier-моделей выпускают новые продукты.

И оба говорят рынку примерно одно:

AI должен становиться дешевле.

Это уже похоже не на совпадение, а на новый этап развития отрасли.

Есть ещё одно важное изменение.

Постепенно исчезает идея, что компании достаточно выбрать одну «лучшую нейросеть» и отправлять в неё абсолютно все запросы.

Зачем использовать дорогую Astra для классификации простого документа?

Зачем запускать мощную reasoning-модель, чтобы извлечь несколько полей из договора?

И наоборот — зачем экономить на модели, если AI должен провести сложное исследование, проанализировать десятки источников и принять последовательность решений?

Будущая корпоративная AI-архитектура, скорее всего, будет выглядеть иначе.

Простые массовые задачи будут уходить дешёвым моделям.

Более сложные — моделям среднего уровня.

А наиболее ответственные — флагманским.

Причём пользователь может вообще не знать, какая именно модель выполнила каждый этап.

Маршрутизацией будет заниматься сама AI-система.

Именно здесь начинается настоящее промышленное применение искусственного интеллекта.

На мой взгляд, вообще не название GPT-6 является главным событием этого поколения моделей.

Главное изменение происходит в другом.

AI постепенно переходит от режима:

«спросил — получил ответ»

к режиму:

«поставил задачу — получил результат».

OpenAI отдельно подчёркивает улучшения GPT-6 в работе с компьютером, браузером, кодом и многошаговыми профессиональными процессами. Новые Sol и Luna переносят часть возможностей Astra в более дешёвый сегмент.

Именно поэтому падение стоимости здесь настолько важно.

Чем дешевле становится один цикл работы AI-агента, тем больше процессов бизнес может позволить себе автоматизировать.

Не пять запросов.

Не пятьдесят.

А десятки тысяч операций ежедневно.

Мне кажется, в ближайшие годы компании будут оценивать AI примерно так же, как сегодня оценивают обычную IT-инфраструктуру.

Не по красивой презентации производителя.

А по нескольким практическим параметрам:

качество результата, стоимость, скорость, безопасность данных, возможность интеграции и масштабирование.

Самая дорогая и мощная модель далеко не всегда окажется оптимальной.

И наоборот, дешёвая модель, которая выполняет конкретную задачу достаточно хорошо, может дать бизнесу значительно больший экономический эффект.

В Kintegra мы похожим образом смотрим и на технологическую инфраструктуру в целом: начинать нужно не с вопроса «что самое мощное?», а с вопроса «какую задачу мы решаем?»

С AI происходит ровно то же самое.

Есть здесь и интересный парадокс.

Можно предположить: если AI становится дешевле и эффективнее, значит вычислительных ресурсов потребуется меньше.

На практике вполне может произойти обратное.

Когда стоимость одного AI-действия падает, становится экономически разумно использовать AI там, где вчера это было слишком дорого.

Появляется больше агентов.

Больше автоматизированных процессов.

Больше корпоративных приложений.

Больше inference-нагрузки.

Поэтому эффективность моделей может снизить стоимость отдельной операции — и одновременно увеличить общий объём использования AI.

GPT-6 Astra показала, насколько далеко можно продвинуть возможности модели.

GPT-6 Sol и Luna показывают нечто, возможно, даже более важное:

как сделать этот уровень технологий экономически пригодным для массового применения.

И Anthropic в тот же день движется в том же направлении.

Поэтому я бы не называл происходящее очередной гонкой GPT против Claude.

Рынок постепенно переходит к следующей стадии.

Побеждать будет не обязательно модель с самым высоким результатом в одном бенчмарке.

Побеждать будут системы, которые смогут выполнять максимум полезной работы за минимальную стоимость.

И вот это уже гораздо сильнее изменит бизнес, чем очередные несколько процентов прироста «интеллекта».

Михаил Купцов, основатель Kintegra. Пишу об искусственном интеллекте, AI-инфраструктуре, Enterprise IT и сложных технологических проектах.