Meta фактически ввела скидку за данные: для нового ИИ-моделя Muse Spark компания режет цену примерно на 95%, если клиент соглашается отдавать свои промпты и ответы модели для обучения следующих версий. Для русскоязычных команд, которые строят кодинговых и бизнес-агентов, это важный сигнал: рынок все меньше продает только токены и все больше торгует доступом к реальным рабочим сценариям.
О новой схеме 3 сентября 2026 года сообщает TechCrunch. У Meta есть два тарифа для Muse Spark, модели, которую компания позиционирует для работы кодинговых и других агентских систем. По стандартному соглашению 1 млн входных токенов стоит $1,25, а 1 млн выходных токенов — $4,25. Но если клиент входит в contributor-tier и разрешает использовать свои данные для развития будущих моделей, цена падает до $0,10 за 1 млн входных токенов и до $0,20 за 1 млн выходных. Разница настолько велика, что это уже не маркетинговая скидка, а прямая закупка обучающих данных через прайс-лист.
Сама логика сделки довольно прозрачна. Большинство поставщиков ИИ-сервисов обычно предлагают обратный выбор: использовать продукт и при желании отказаться от передачи данных провайдеру. Meta перевернула конструкцию и привязала к ней деньги. Если ваши промпты, ответы модели и, по сути, следы работы агента можно забрать в будущий обучающий контур, вы платите в разы меньше. Если данные чувствительные или корпоративно закрытые, платите обычную ставку. Для компаний это удобный способ посчитать цену приватности не в абстрактных рисках, а в долларах за миллион токенов.
Почему Meta идет на такую щедрость, тоже несложно понять. Крупным лабораториям нужны не просто тексты и диалоги, а данные о том, как ИИ ведет себя в длинных многошаговых задачах: пишет код, ходит по интерфейсам, исправляет ошибки, координирует цепочки действий. Именно такие цифровые следы особенно полезны для дообучения агентских моделей. Но добывать их трудно. TechCrunch напоминает, что ранее в 2026 году Meta уже запускала инициативу по отслеживанию компьютерной активности собственных сотрудников, чтобы собирать подобные данные, однако внутри компании это вызвало заметную критику, и в июне проект поставили на паузу. На вопрос о новой ценовой схеме Meta, по данным издания, не ответила.
В материале есть и важный комментарий со стороны разработчиков инфраструктуры. Марио Цехнер, автор open source harness Pi, еще в августе говорил TechCrunch, что резкий скачок возможностей кодинговых агентов между апрелем и октябрем 2025 года был связан в том числе с тем, что Claude Code по умолчанию сохранял сессии и использовал их для обучения с подкреплением. Это хороший контекст для Muse Spark: если модель претендует на роль двигателя для агентов, ей мало общего датасета. Нужны реальные рабочие трассы, где видно, какие команды дал пользователь, как агент разложил задачу на шаги, где ошибся и что в итоге привело к нужному результату.
Для enterprise-сегмента история еще интереснее. Профессор Принстона Арвинд Нараянан отметил, что у крупных компаний уже есть явное предпочтение платить дороже, лишь бы не отдавать данные провайдеру. Он указывает на разрыв между корпоративными планами с оплатой токенов и массовыми подписками вроде Claude Max и ChatGPT Pro, которые обходятся кратно дешевле, но отличаются как раз политикой хранения данных и корпоративным IT-контролем. На этом фоне скидка за данные от Meta выглядит как попытка вытащить на рынок те компании, которые готовы делиться не всеми, но хотя бы частью сценариев: прототипами, тестовыми интеграциями, непроизводственными экспериментами, внутренними песочницами. И это уже не разговор о философии приватности, а нормальный procurement-вопрос: какие данные действительно составляют конкурентное преимущество, а какие лежат мертвым грузом в категории «все секретно».
Для разработчиков и продуктовых команд практический вывод довольно приземленный. Если вы строите агента поверх внешней модели, вам придется заранее разделять контуры данных. Один контур — production, клиентские документы, закрытый код, внутренняя аналитика, все, что нельзя отдавать наружу. Второй — синтетические кейсы, демо-потоки, тестовые интеграции, обезличенные логи, где скидка за данные может радикально удешевить эксперименты. Без такой сегментации соблазн сэкономить быстро превращается в риск утечки бизнес-контекста. Для CTO и CISO здесь мало нового в теории, но много нового в механике: поставщик модели теперь не просто спрашивает согласие, а выставляет цену за отказ.
Есть и более широкий рыночный контекст. Давление по цене в frontier-сегменте только усиливается. TechCrunch упоминает, что 2 сентября Anthropic выпустила новые модели Fable и Mythos со сниженной стоимостью обработки кэшированных токенов, а OpenAI в конце июля также заметно сократила цены на актуальные модели. На таком фоне Meta выбрала не лобовую скидку для всех, а более хитрую конструкцию: удешевить inference там, где клиент готов заплатить данными. Если подход приживется, следующим полем конкуренции станут уже не только качество модели и цена токена, но и юридически оформленный рынок рабочих следов, на которых эти модели учатся вести себя как полезные агенты, а не как дорогие генераторы красивых заготовок.