Самая неприятная цифра для OpenAI и Anthropic сейчас не про качество моделей, а про цену. По данным бенчмаркинга Artificial Analysis, флагманская модель Anthropic обходится в 4811 долларов за одинаковый набор тестов, OpenAI — в 3357 долларов, тогда как китайские DeepSeek, Kimi и GLM укладываются в диапазон от 1071 до 544 долларов. Дешёвый ИИ перестаёт быть компромиссом и становится аргументом, который может ударить по IPO-истории двух самых заметных игроков рынка.
Об этом как пишет CNBC Technology, всё громче говорят не только аналитики, но и сами корпоративные заказчики. Логика проста: если рынок верит в премиальную оценку OpenAI и Anthropic, значит, он верит в их способность удерживать долю, маржу и ценовую власть. Но именно в корпоративном сегменте, где эти компании должны зарабатывать самые большие деньги, дешёвый ИИ начинает съедать часть нагрузки. И если раньше можно было сказать, что экономия означает заметно худший результат, то теперь эта оговорка звучит всё слабее.
Триггером стал не один релиз, а несколько сигналов сразу. В отчётный сезон Meta, Shopify, Spotify и Pinterest прямо указали на растущие расходы на ИИ и инференс как на фактор давления на маржу. Shopify, например, сообщила, что эффект масштаба частично съедается увеличением затрат на большие языковые модели. Для заказчиков это выглядит не как теоретическая дискуссия о будущем AI, а как обычная строка расходов, которую надо резать уже в этом квартале. По опросу CloudZero, в 2025 году 45% компаний тратили на ИИ больше 100 тысяч долларов в месяц против 20% годом ранее. Когда бюджет такого размера уходит в токены, разговор о «лучшем качестве любой ценой» быстро заканчивается.
На этом фоне разрыв в стоимости выглядит слишком большим, чтобы его игнорировать. CNBC приводит данные Artificial Analysis по десяти единым оценкам для крупнейших моделей: Claude — 4811 долларов, ChatGPT — 3357, DeepSeek — 1071, Kimi — 948, GLM от Zhipu — 544. Даже если не спорить о погрешностях любых бенчмарков, порядок цифр понятен: Claude почти в девять раз дороже самого дешёвого китайского аналога на сопоставимой нагрузке. Для CIO и VP of Engineering это уже не история про «кто умнее на два процента», а про то, сколько стоит обработать поток задач в проде.
Отдельно важно, что рынок экономии перестал быть китайской нишей. На конференции Google I/O Сундар Пичаи сказал, что многие компании уже к маю выбрали годовые лимиты токенов, и предложил Gemini 3.5 Flash как более дешёвую альтернативу. По его оценке, если крупнейшие клиенты Google Cloud переведут 80% своих нагрузок с frontier-моделей на Flash, они смогут экономить больше 1 млрд долларов в год. Перевод с корпоративного на человеческий: даже Google больше не продаёт идею «берите только самое мощное». Он продаёт идею «возьмите достаточно хорошее, чтобы не сжечь бюджет».
Ещё неприятнее для американских лабораторий то, что дешёвый ИИ уже не выглядит вторым сортом. CNBC пишет, что в апреле DeepSeek выпустила превью модели нового поколения, которая на бенчмарках по программированию, агентным сценариям и знаниям совпадает или почти совпадает с последними моделями OpenAI, Anthropic и Google. За последние четыре месяца модели сопоставимого уровня показали и другие китайские лаборатории, включая Moonshot, Xiaomi и Zhipu. А на OpenRouter доля китайских моделей выросла примерно с 1% использования в 2024 году до более чем 60% в мае 2026-го. Для рынка это уже не экзотика, а смена маршрутизации трафика.
Корпоративные команды при этом не обязаны выбирать между «только OpenAI» и «только open source». Всё чаще они строят связку, которую Databricks называет advisor model. Дешёвая open-source-модель берёт на себя основной поток запросов по умолчанию, а в сложных случаях зовёт на помощь frontier-модель OpenAI или Anthropic. Такой подход позволяет резко снизить среднюю стоимость обработки без полного отказа от дорогих моделей там, где они действительно нужны. По сути, премиальные API рискуют превратиться из базового слоя в эскалацию по исключениям. Для бизнеса OpenAI и Anthropic это плохая новость: самые дорогие модели начинают использовать не чаще, а точечнее.
У американских компаний, конечно, остаётся защита. Это доверие, соответствие требованиям безопасности и работа в регулируемых отраслях. Глава Cohere Эйдан Гомес прямо говорит, что банки, оборонные структуры и другие чувствительные заказчики не готовы трогать китайские модели независимо от цены. Именно на этом сегменте Cohere, по словам CNBC, нарастила выручку в шесть раз за прошлый год. Но проблема в том, что такой сегмент уже по определению уже рынка enterprise в целом. В менее зарегулированных сценариях аргумент «платите заметно больше, потому что это американский frontier» работает всё хуже, особенно если команда разработки может развернуть альтернативу на собственной инфраструктуре.
Это меняет и логику будущих IPO. Если инвесторы действительно примеряют к OpenAI и Anthropic оценки выше 800 млрд долларов, то в проспектах придётся объяснять не только рост спроса, но и устойчивость цен. А именно она сейчас под вопросом. Anthropic в майском policy paper сама признала, что американские модели опережают китайские лишь на несколько месяцев и что Пекин выигрывает глобальное внедрение за счёт цены. OpenAI, напротив, уверяет через источник CNBC, что каждый новый frontier-релиз, включая GPT-5.5 в апреле, поднимает использование API и продуктов почти вертикально, а ценовое давление не входит даже в десятку главных рисков. Вопрос в том, какой из этих тезисов рынок сочтёт более правдоподобным: «лучшая модель всегда монетизируется» или «дешёвый ИИ неизбежно сжимает премию».
Для русскоязычной IT-аудитории здесь важен не столько спор США и Китая, сколько взросление самого рынка. Побеждает не тот, кто громче всех говорит про AGI, а тот, кто лучше считает стоимость единицы полезной работы. Для разработчиков это означает рост интереса к маршрутизации моделей, гибридным стекам и self-hosted-сценариям. Для продактов и IT-директоров — переход от восторга к дисциплине бюджета. А для OpenAI и Anthropic ближайший неприятный вопрос звучит очень приземлённо: готовы ли публичные инвесторы платить премию за frontier-модели, если дешёвый ИИ уже научился делать «достаточно хорошо» для основной массы корпоративных задач.