Подписка на продвинутый ИИ за $200 в месяц выглядит терпимо ровно до тех пор, пока не посчитать, сколько на самом деле стоит ее максимальное использование. Стоимость ИИ-моделей снова вышла на первый план после оценки, по которой ChatGPT Pro при полном выборе лимита может соответствовать примерно $14 тыс. токеновых расходов в месяц, а Claude Max 20x — около $8 тыс. Для русскоязычного ИТ-рынка это важный сигнал: эпоха, когда можно было без оглядки подключать «самую умную модель», быстро заканчивается.
Об этом сообщает Tom's Hardware со ссылкой на исследовательскую фирму SemiAnalysis, которая купила все подписки OpenAI и Anthropic и проверила, сколько стоит их предельное использование, если пересчитать нагрузку по API-тарифам. Картина для вендоров получается неприятная. По оценке SemiAnalysis, Anthropic еще выходит в ноль на двух младших планах — Claude Pro и Claude Max 5x — если пользователь выбирает около 20% доступного объема. У OpenAI запас прочности меньше: базовые ChatGPT Plus и ChatGPT Pro 5x начинают уходить в минус, если фактическое использование превышает 11,4%. На дорогих планах математика еще жестче: у Anthropic верхняя подписка теряет валовую маржу при 10% использования, а OpenAI уходит в красную зону уже после 5,7%.
Проблема не в том, что токены внезапно стали дороже сами по себе. Проблема в том, что спрос на них улетел вверх быстрее, чем рынок успел удешевить вычисления. Особенно это заметно на агентных сценариях: длинные цепочки рассуждений, многократные вызовы инструментов, проверка промежуточных результатов, генерация и пересборка кода. Такие задачи, по данным источника, могут съедать в сотни и даже до тысячи раз больше токенов, чем обычная работа с моделью в формате «один вопрос — один ответ». Отсюда и новая реальность: подписка больше не гарантирует предсказуемую экономику ни для поставщика, ни для корпоративного заказчика.
Из-за этого бизнес начинает вести себя куда менее романтично по отношению к frontier-моделям. В материале говорится, что крупные компании вроде Microsoft, Meta и Amazon уже снижают энтузиазм вокруг безлимитного потребления топовых моделей, когда счета перестают помещаться в бюджет. Самый показательный эпизод — неназванная компания, которая за один месяц сожгла $500 млн, потому что не ввела лимиты на использование корпоративных лицензий сотрудниками. Даже если это крайний случай, сам факт показателен: ИИ в enterprise все чаще упирается не в качество демо, а в банальную финансовую дисциплину.
На этом фоне стоимость ИИ-моделей становится не только вопросом закупки, но и вопросом архитектуры. Компании все чаще подключают маршрутизацию между моделями: дорогая используется только там, где действительно нужна максимальная точность или сложное программирование, а остальной трафик уходит на более дешевые варианты. В качестве таких альтернатив все активнее всплывают китайские open-source-модели, включая DeepSeek. В публикации приводится оценка The Wall Street Journal: если агент умеет переключаться между моделями по задаче, расходы можно сократить до 95%. Логика здесь довольно приземленная: не каждой бизнес-задаче нужен интеллект уровня «решаем квантовую гравитацию». Для классификации тикетов, суммаризации документов, первичного поиска по базе знаний или генерации чернового текста хватает моделей проще и дешевле.
Есть и конкретный пример. Основатель стартапа Lindy Фло Кривелло рассказал, что компания сместилась в сторону DeepSeek V4, поскольку эта модель показала сопоставимые с Sonnet возможности при цене примерно в десять раз ниже. Более дорогие модели Anthropic у Lindy остались для сложных кейсов вроде программирования, но перенос части нагрузки на дешевую альтернативу, по словам Кривелло, уже сэкономил компании миллионы долларов. Для разработчиков и продактов здесь нет никакой магии: речь не о том, что open source внезапно победил всех по качеству, а о том, что разумная деградация модели в нерискованных сценариях часто дает лучший результат для бизнеса, чем упорная вера в один универсальный премиум-LLM.
Следующий шаг еще интереснее: часть компаний перестает выбирать между чужими API и собирает собственные ИИ-стэки на базе открытых моделей. Да, на старте это требует инфраструктуры, MLOps, дообучения и внятного понимания, где именно модель будет приносить деньги. Зато потом организация получает больший контроль над стоимостью, данными и поведением системы. Если модель натренирована на внутреннем контексте компании и решает одну конкретную задачу, она вполне может быть полезнее универсального флагмана, который знает понемногу обо всем, но стоит как хороший отдел разработки. Для рынка это неприятная новость прежде всего для OpenAI и Anthropic: чем лучше становятся открытые модели и чем умнее оркестрация между ними, тем труднее удерживать большую премию только за статус «самой сильной» модели.
При этом хоронить подписочную модель рано. SemiAnalysis считает, что по мере ввода новых дата-центров и удешевления обслуживания текущих моделей некоторые планы могут снова стать прибыльными. В материале отдельно упоминается прогноз, что обслуживание моделей уровня Opus 4.8 за $20 в месяц вскоре может начать сходиться по экономике. Но у frontier-сегмента другая траектория: самые новые и тяжелые модели останутся дорогими, а значит, наиболее продвинутые функции будут все чаще выносить из подписок в API с оплатой за фактическое потребление. Для ИТ-команд это довольно прямой вывод: пора считать не только качество ответа модели, но и цену каждого сценария. Иначе выбор ИИ быстро превращается из технологического преимущества в бухгалтерский эксперимент с неприятным финалом.