Впервые за всю историю индустрии открытые модели обогнали закрытые по реальному использованию. Это не прогноз аналитика и не опрос разработчиков, это данные о живом трафике. Платформа Vercel, через которую проходит значительная часть production-нагрузки AI-приложений, опубликовала график доли open-weight и closed-weight моделей с июня по август 2026 года. Жёлтая линия закрытых моделей, GPT от OpenAI и Claude от Anthropic, уверенно идёт вниз. Синие столбцы открытых весов растут. Флип, о котором спорили последние два года, свершился.

Но самое интересное в этой истории не сам флип, а то, что он почти ничего не изменил в деньгах. И вот тут начинается настоящая экономика AI.

Что именно показывает график Vercel

Vercel это хостинг-платформа, через которую работают тысячи AI-приложений, поэтому её статистика отражает не игрушечные эксперименты, а реальную production-нагрузку. На графике процент токенов, проходящих через открытые и закрытые модели, за три месяца лета 2026 года.

Open-weight модели это нейросети, чьи веса можно свободно скачать, запустить где угодно и дообучить под свои задачи. DeepSeek, Qwen, Kimi, GLM, в основном китайские лаборатории. Закрытые это API-сервисы OpenAI и Anthropic, где вы платите за каждый токен и не контролируете ничего, кроме промпта.

Доля открытых моделей в общем объёме токенов выросла так быстро, что DeepSeek по этому показателю обошёл Anthropic: 25,2% против 24,5%. При этом общий пирог тоже растёт. Речь не о переделе умирающего рынка, а о том, что в растущем потоке всё большая часть уходит в open weights.

Объём у открытых, деньги у закрытых

Теперь вторая линия на том же графике, фиолетовая, показывающая не токены, а доллары. И картина переворачивается. На DeepSeek приходится лишь 2,8% всех трат на инференс, тогда как Anthropic забирает 64,6%. Разрыв в 23 раза при почти равной доле трафика.

Если взглянуть шире, топовые frontier-модели планеты обрабатывают около половины всех токенов, но собирают почти 90% выручки рынка. Anthropic вышла на годовой run-rate свыше $65 млрд, OpenAI примерно на $40 млрд. Это больше, чем у всех провайдеров открытых моделей вместе взятых.

Причина проста: цена. Claude Fable 5 стоит $50 за миллион выходных токенов. DeepSeek V4 Flash стоит 18 центов за тот же миллион. Разница в 278 раз. Когда open-weight модель справляется с подавляющим большинством повседневных задач, платить $50 кажется абсурдом. Но когда задача действительно сложная, скажем высокочастотный трейдинг, где преимущество в пару процентов точности стоит миллиарды, или юридический анализ, где ошибка оборачивается иском, премия за лучший ответ оправдана. Разница между «на 95% так же хорошо» и «абсолютный фронтир» измеряется не процентами бенчмарков, а миллиардами долларов выручки.

Венчурный инвестор Гэвин Бейкер, глубоко погружённый в то, что он называет «токеномикой», формулирует расклад так: frontier-токены составляют 10-25% объёма, но 60-90% всей экономической ценности. При этом открытый токен стоит ровно столько же вычислений, сколько фронтирный. Разница в цене рождается не из себестоимости, а из экосистемы и позиционирования. Поэтому рост open weights Бейкер считает позитивом для всей инфраструктуры: больше токенов, больше спроса на чипы, и Nvidia выигрывает независимо от того, чьи модели крутятся на её железе.

Цена токена обманчива: считайте цену задачи

Есть и третий способ смотреть на экономику, который предлагает Бинду Редди: судить не по цене за токен, а по цене за выполненную задачу. И тут обнаруживается подвох, который редко обсуждают.

Kimi K3 стоит вдвое дешевле GPT 5.6 Soul за токен. Но когда замерили полную стоимость решения одной и той же задачи, получилось 84 цента против 96 центов, почти паритет. Дело в том, что Kimi требуется значительно больше токенов, чтобы прийти к тому же результату. Дешёвый токен, которому нужно втрое больше шагов рассуждения, перестаёт быть дешёвым. Для бизнеса вывод простой: бенчмаркинг стоимости надо проводить на собственных реальных задачах, а не на ценниках из прайс-листа.

Рынок раскалывается на три слоя

Кристиан Каталини, основатель MIT Cryptoeconomics Lab и бывший главный экономист Meta, предсказывает, что траты на токены окончательно расслоится на три сегмента.

Первый это дешёвые генералисты. Коммодити-модели с открытыми весами забирают основной объём трафика, но малую долю денег. Это уже происходит: рутинная суммаризация, классификация, черновики уходят в open weights, потому что платить frontier-цену за такие задачи экономически бессмысленно.

Второй слой это специализированные state-of-the-art модели на открытых весах, дообученные на проприетарных корпоративных данных. По прогнозу Каталини, именно сюда уйдёт бо́льшая часть трат: компании берут сильную открытую модель и превращают её в эксперта по своей предметной области.

Третий это абсолютный фронтир закрытых лабораторий. Маленькая доля объёма, но концентрация выручки. OpenAI и Anthropic останутся премиальным сегментом индустрии, куда приходят за ответами, ошибка в которых стоит слишком дорого.

Кто уже строит бизнес на открытых весах

Это не теория, миграция идёт полным ходом, и среди мигрантов компании, о которых вы точно слышали. Thomson Reuters использует Qwen. Юридическая платформа Harvey дообучила Kimi K3. Cursor работает на Kimi K2.5. Airbnb взяла Qwen, Perplexity взяла DeepSeek.

Кейс Harvey особенно показателен, потому что компания опубликовала результаты. Они не просто взяли Kimi K3 с полки, а дообучили её на внутренних юридических данных, и это то, что с закрытой моделью невозможно в принципе. На бенчмарке Legal Agent Bench их модель набрала 19,7, всего в шаге от лидирующей Muse Spark с 20 баллами. В Lab Contracts Harvey заняла первое место, в Apex Agents по корпоративному праву получила 74 балла. Открытая модель плюс собственные данные оказались конкурентом фронтира в узкой, но денежной вертикали.

Мотивация таких компаний не только цена. Мартин Касадо из a16z указывает на три фактора выбора модели: стоимость, приватность и соответствие продукту. Для юридической фирмы, обрабатывающей конфиденциальные документы клиентов, контроль над моделью не опция, а требование. Когда модель крутится в вашем периметре, данные не утекают в чужое облако и не становятся материалом для обучения следующей версии чужого продукта.

Аренда интеллекта против собственного капитала

Лучше всего стратегическую разницу сформулировал CTO Thomson Reuters. Аренда квартиры это нормально: крыша над головой есть, кто-то чинит кран. Но вы не наращиваете капитал, который со временем превращается в актив. Арендуя интеллект у OpenAI или Anthropic, компания каждый месяц платит за доступ и при этом рассказывает провайдеру, как устроен её бизнес. Собственная дообученная open-weight модель это equity: корпоративное знание, накопленное в весах, которое остаётся с вами и компаундируется годами.

К этому добавляется риск платформы. Если весь ваш продукт построен на чужом API, провайдер может в любой момент поднять цены, изменить условия, отключить вас или, что тоньше, сам выйти на ваш рынок, вооружённый полным знанием ваших паттернов использования. С открытыми весами появляется переговорная сила: модель можно хостить самому или отдать любому из десятков инференс-провайдеров, так называемых neo clouds, которые конкурируют между собой за вашу нагрузку. Конкуренция десятков игроков вместо дуополии двух это всегда хорошая новость для покупателя.

Экосистемный эффект тоже измерим: у Qwen уже более 151 тысячи производных моделей, созданных сообществом. Даже если вы не умеете дообучать сами, кто-то уже сделал это за вас, остаётся скачать.

Насколько открытые модели близки к фронтиру

По индексу интеллекта Artificial Analysis на конец августа 2026 года картина такая: наверху Claude Opus 5 Max, третье место у GPT 5.6, а дальше начинается самое интересное. Пятое место с 60 баллами занимает Kimi K3 Max, открытая модель. Рядом GLM 5.3 с теми же 60, Qwen 3.8 с 58. В первой десятке четыре open-weight модели. Разрыв с лидерами составляет один-два балла индекса.

Для абсолютного большинства задач, которые решает бизнес, такого уровня достаточно. Фронтир нужен там, где последние проценты качества конвертируются в деньги напрямую. Всё остальное: документооборот, поддержку, аналитику, агентские сценарии средней сложности, открытые модели закрывают за малую долю цены.

Как отвечают закрытые лаборатории

OpenAI уже отреагировала агрессивным снижением цен. За несколько недель до публикации графика цена GPT 5.6 Luna была сброшена на 80%. Буквально на днях GPT 5.6 Soul, флагманская модель, подешевела на 20% по входным и на 33% по выходным токенам. Когда монополист начинает резать цены, это верный признак: конкурентное давление стало реальным.

Тёмная сторона: геополитика открытых весов

Есть в этой истории и тревожный слой. Бо́льшая часть сильных открытых моделей выходит из Китая. Американские компании массово строят продукты на китайских весах, и в краткосрочной перспективе это рационально, но создаёт стратегическую зависимость. Пока все модели обучаются и обслуживаются на чипах Nvidia, проблема не острая. Однако Китай активно развивает собственные чипы, и когда модели начнут совместно проектироваться под китайское железо, зависимость от моделей превратится в зависимость от чужой аппаратной экосистемы. У США на фоне всего этого до сих пор нет внятной стратегии поддержки собственного open source.

Часто задаваемые вопросы

Значит ли флип, что закрытые модели умирают?

Нет. Закрытые модели теряют объём, но удерживают деньги: Anthropic и OpenAI вместе генерируют больше выручки, чем все провайдеры открытых моделей суммарно. Фронтир превращается в премиум-сегмент для задач, где цена ошибки выше цены токена.

Почему DeepSeek с большей долей токенов получает в 23 раза меньше денег, чем Anthropic?

Из-за разницы цен на два порядка: DeepSeek V4 Flash стоит 18 центов за миллион выходных токенов против $50 у Claude Fable 5. Равный трафик при такой ценовой дельте даёт радикально неравную выручку.

Как правильно сравнивать стоимость моделей для своего продукта?

Считайте цену за завершённую задачу, а не за токен. Более дешёвая модель может тратить в разы больше токенов на тот же результат: Kimi K3 при двукратно дешевом токене даёт стоимость задачи 84 цента против 96 у GPT 5.6 Soul, экономия крошечная.

Чем рискует бизнес, строя продукт на закрытом API?

Риском платформы: провайдер может изменить цены, условия или отключить доступ. Плюс вы ежедневно раскрываете провайдеру, как устроен ваш бизнес. Данные использования сами по себе ценный актив, который вы отдаёте бесплатно.

Итог

Флип на графике Vercel это не победа открытых моделей и не поражение закрытых, а момент, когда рынок окончательно расслоился. Объём уходит в open weights, выручка остаётся у фронтира, а середина, дообученные специализированные модели на корпоративных данных, становится самым интересным местом для бизнеса. Практический вывод прост: возьмите одну из открытых моделей, прогоните на своих реальных задачах, посчитайте цену за результат, а не за токен, и сравните с текущим счётом за API. Скорее всего, цифры вас удивят, и график Vercel перестанет казаться абстракцией.