Рынок, похоже, начал остывать после фазы «давайте воткнем один гигантский ИИ во все, что открывается на экране». На этом фоне малые ИИ-модели перестают выглядеть компромиссом для бедных: для резюме писем, заметок со встреч, распознавания речи или узких задач в коде они часто оказываются дешевле, предсказуемее и удобнее в эксплуатации. Для русскоязычной IT-аудитории это важный сигнал: ставка смещается с универсальных витринных моделей на прикладные инструменты, которые можно точнее вписать в продукт, бюджет и инфраструктуру.
Именно об этом пишет The Register, разбирая, почему OpenAI и Anthropic с их крупными универсальными моделями все чаще воспринимаются как «швейцарские ножи» индустрии: умеют многое, но далеко не всегда нужны для повседневной работы. Если компании уже понимают, какие именно сценарии реально востребованы пользователями, им выгоднее не гонять дорогую frontier-модель на любую мелочь, а подобрать или обучить специализированный инструмент. В лоб это означает меньше затрат на инференс, выше плотность размещения на одном ускорителе и меньше сюрпризов после очередной смены модели у внешнего поставщика.
Главный практический пример в материале — Microsoft. На июньской конференции Build компания подробно показала семейство MAI, куда вошли модели под разные сценарии: от рассуждений и программирования до генерации и редактирования изображений, а также голосовых задач. По данным Bloomberg, на которые ссылается The Register, эти модели постепенно начинают вытеснять OpenAI из роли движка для некоторых ИИ-функций внутри продуктов Microsoft. Логика простая: пока корпорация пыталась встроить генеративный ИИ буквально в каждый цифровой угол, удобнее было брать один мощный универсальный движок. Но когда появились реальные паттерны использования, на сцену вышла экономика. Если задачу можно решать так же быстро и качественно более узким инструментом, бизнес почти всегда выберет его, а не дорогую демонстрацию технологической мощи.
Это не только вопрос архитектурной красоты, а прежде всего вопрос маржи. Даже у крупнейших облачных игроков нет железной уверенности, что генеративный ИИ можно стабильно продавать с комфортной прибылью. В такой ситуации любой способ уменьшить стоимость вычислений резко повышает шансы, что направление вообще перестанет жить в режиме «рост есть, а деньги где». Чем меньше модель, тем меньше памяти она съедает и тем эффективнее использует железо. Для дата-центра это не абстракция из красивого слайда, а вполне приземленная математика: больше инстансов на один ускоритель, лучше загрузка ресурсов, гибче масштабирование под всплески конкретного трафика.
Microsoft в этом контексте отдельно выделяет MAI-Thinking-1, называя ее «моделью среднего размера», которая, по словам компании, держится на уровне сильнейших решений в своей весовой категории. Корпорация утверждает, что модель показывает конкурентные результаты на ключевых бенчмарках по софтверной инженерии, демонстрирует продвинутые математические способности и в слепых человеческих сравнениях пользователи предпочитали ее Sonnet 4.6. The Register справедливо замечает, что без точного определения «среднего размера» подобные заявления нужно читать аккуратно. Но даже с этой поправкой месседж очевиден: крупные вендоры уже не просто говорят о компактных моделях как о лабораторной экзотике, а начинают подменять ими дорогие универсальные системы в продакшене.
У такого перехода есть еще один бонус, который разработчики и продуктовые команды поймут без дополнительных объяснений. Когда компания владеет своей моделью или хотя бы глубже контролирует стек, она меньше зависит от чужих обновлений, политик доступа и внезапных изменений поведения. В материале это сформулировано почти в лоб: если вы строите собственный специализированный инструмент, вам не придется однажды обнаружить, что любимую, пусть и не самую новую модель тихо заменили на другую, а ваше приложение вдруг стало отвечать не так, как вчера. Для enterprise-среды это особенно чувствительно: стабильность, воспроизводимость и контролируемое поведение ценятся не меньше, чем эффектный демо-ролик на конференции.
Есть и инфраструктурный слой, без которого этот разворот был бы менее убедительным. Microsoft, как и Amazon с Google, уже не ограничивается покупкой чужих GPU, а развивает собственные ИИ-ускорители. Упомянутые в статье чипы Maia 200-series, анонсированные в январе, по обещаниям компании должны давать производительность, сопоставимую с Nvidia Blackwell. Когда оператор строит не только модель, но и железо под нее, появляется возможность оптимизировать всю связку целиком: софт, рантайм, планировщик и вычислительную часть. Отсюда и главный выигрыш небольших моделей: можно точнее подбирать инструмент под задачу и оперативно наращивать мощности там, где вырос спрос, например в speech-to-text, не переплачивая за избыточные возможности большого универсального LLM.
Microsoft здесь не одинока. The Register напоминает, что Google изначально играл именно в эту игру, развивая семейства Gemini и Gemma вокруг собственной TPU-инфраструктуры. Ближайшая параллель, впрочем, — Amazon. Если Microsoft на раннем этапе ИИ-бума тесно связала свои ставки с OpenAI, то Amazon ориентировалась на Anthropic, параллельно вкладываясь в собственное семейство Nova и приложения с кодовыми ассистентами на его основе. Картина вырисовывается довольно прозрачная: гиперскейлеры все еще готовы инвестировать миллиарды в OpenAI и Anthropic, потому что кто-то должен двигать передний край исследований. Но чем меньше их зависимость от этих партнеров в повседневных продуктовых сценариях, тем больше шансов превратить ИИ из дорогого обязательного атрибута в бизнес, который хотя бы не стыдно показывать финансовому директору.
Для разработчиков, продактов и IT-руководителей из этого следует не самый модный, но полезный вывод. В ближайшие кварталы ценность будет расти не у тех команд, которые просто подключили «самую большую модель из доступных», а у тех, кто умеет разложить продукт на конкретные ИИ-сценарии и выбрать для каждого адекватный уровень сложности. Малые ИИ-модели в таком подходе становятся не заменой всему сразу, а рабочим слоем оптимизации: ниже цена, выше управляемость, проще масштабирование. Вопрос теперь не в том, исчезнут ли универсальные гиганты, а в том, насколько быстро рынок сведет их роль к дорогому базовому слою, поверх которого и будет строиться большая часть прикладного ИИ.