Стартап Lindy, который делает ИИ-агентов для автоматизации рабочих задач, отказался от моделей Anthropic в пользу DeepSeek. По данным The New Stack, компания объясняет решение просто: стоимость инференса стала главным тормозом для нормального масштабирования AI-продуктов, а после смены поставщика экономия у Lindy, по ее собственным словам, уже измеряется миллионами долларов.
Для русскоязычной IT-аудитории это важный сигнал не только про выбор очередной модели. История Lindy показывает, что рынок быстро выходит из фазы, где побеждает тот, у кого демо выглядит умнее. Теперь в центре внимания экономика продакшена: сколько реально стоит один агент, как ведет себя юнит-экономика под нагрузкой и что случится с бизнесом, когда пользователи начнут не просто «чатиться с ИИ», а гонять длинные агентные сценарии часами.
Формально новость выглядит как частный кейс одного стартапа. Но по сути это симптом отрасли. Lindy не просто переключилась с Anthropic на DeepSeek ради эксперимента или маркетингового шума. Компания прямо связывает миграцию с расходами на вывод модели в работу. Когда продукт строится вокруг агентов, которые планируют действия, вызывают инструменты, ходят по API, читают документы и держат длинный контекст, счет за инференс растет не линейно, а очень бодро. И в этот момент вопрос «какая модель лучше рассуждает» начинает проигрывать вопросу «какая модель не убьет маржу».
Контекст для такой развилки уже созрел. На рынке генеративного ИИ несколько лет обсуждали в основном стоимость обучения моделей, но в 2026-м фокус окончательно сместился на эксплуатационные расходы. Чем больше компании продвигают агентные сценарии, тем хуже работает старая логика подписки «плати фикс и пользуйся сколько хочешь». Недавний пример дал GitHub: с 1 июня 2026 года Copilot перешел от прежней модели тарификации к учету потребления токенов и AI credits, объяснив это тем, что прежняя схема перестала выдерживать рост вычислительных затрат. Перевод на человеческий язык простой: индустрия слишком долго субсидировала сложное использование ИИ, а теперь начала выставлять реальный счет.
На этом фоне выбор DeepSeek выглядит не идеологией, а FinOps-прагматикой. DeepSeek за последний год стал для многих компаний не просто «китайской альтернативой», а ориентиром по соотношению цены и полезности. Особенно для задач, где важны не бренд модели и не политическая эстетика поставщика, а цена длинной сессии, скорость ответа и приемлемое качество на массовых операциях. Если продукт работает на тысячах или миллионах повторяющихся вызовов, даже умеренная разница в цене на токен быстро превращается в очень заметную сумму. Именно поэтому заявление Lindy про экономию «миллионов» звучит для рынка правдоподобно как класс утверждения, хотя конкретную цифру компания публично не раскрывает.
Есть и более неприятный для вендоров вывод. Разговоры о лояльности к модели становятся сильно короче, когда у покупателя появляется зрелая обвязка: маршрутизация запросов, fallback-сценарии, собственные промпт-цепочки, контроль качества и наблюдаемость. Иными словами, если архитектура продукта собрана правильно, заменить один LLM на другой уже не выглядит как операция на открытом сердце. Это болезненно для дорогих проприетарных поставщиков: они продают не просто интеллект модели, а надежду на то, что клиенту будет слишком сложно уйти. История Lindy показывает, что при хорошем инженерном слое уйти все-таки можно. Причем уйти не в абстрактное «лучше», а в конкретно «дешевле настолько, что CFO перестает нервно смотреть на график расходов».
Для разработчиков и продактов из этого следует довольно практичный вывод. Если команда строит AI-функцию как красивую надстройку над одним API, она рискует оказаться заложником чужого прайса уже на первой серьезной волне роста. Если же продукт с самого начала проектируется как мультимодельный слой с метриками по качеству, задержке и стоимости, пространство для маневра резко расширяется. Тогда можно держать дорогую модель для сложных маршрутов, а основной трафик отдавать более дешевому исполнителю. В 2024-м такой подход казался избыточной инженерией. В 2026-м это уже просто взрослая гигиена разработки.
Бизнес-следствие тоже очевидно. Победители ближайшего этапа AI-рынка будут определяться не только качеством моделей, но и тем, насколько прозрачно они умеют упаковать цену инференса для клиента. Компании устали от магии в презентациях и все чаще требуют обычных вещей: предсказуемый счет, понятные лимиты, возможность бюджетирования и отсутствие сюрпризов в конце месяца. Когда даже GitHub вынужден ломать привычную подписочную модель из-за роста расходов, история Lindy перестает быть экзотикой. Она становится инструкцией: если стоимость инференса выходит из-под контроля, меняют не слайды, а модельный стек.
Главный вопрос теперь не в том, сколько еще стартапов переедут с Anthropic или других дорогих провайдеров на более дешевые альтернативы. Вопрос в другом: смогут ли поставщики дорогих моделей доказать, что их премия в цене окупается в реальной продуктовой экономике. Пока рынок агентного ИИ взрослеет, стоимость инференса все заметнее превращается из технической метрики в главный рубильник всей стратегии.