Почему DeepSeek, Qwen и Llama держат цены на ИИ: открытые модели против монополии

Если убрать из 2026 года китайские DeepSeek, Qwen, GLM, Kimi и американскую Llama — OpenAI, Anthropic и Google поднимут цены в три-пять раз за год. Не из-за расходов на обучение. Просто потому что смогут.

Что произошло за два года

В 2024 году около 90% всех корпоративных внедрений генеративного ИИ использовали закрытые модели — OpenAI, Anthropic, Google. На открытые приходилось порядка 10%, и это были в основном эксперименты и пет-проекты.

В 2026 году картина перевернулась: 89% компаний используют хотя бы одну открытую модель в продакшене. И при этом отчитываются о возврате инвестиций на 25% выше, чем те, кто сидит исключительно на закрытых API. Это не статистическая погрешность, а структурный сдвиг в том, как индустрия строит на ИИ.

За один только период с апреля по середину мая 2026 года в открытом доступе вышло пять фронтирных моделей:

Пять фронтирных моделей за тридцать дней. Бесплатные веса. Доступные для запуска на собственном железе. Это уже не догоняющие — это конкурирующие на равных. Статистика реального использования это подтверждает: по объёму обработанных токенов DeepSeek лидирует.

Что было бы без них

Простой мысленный эксперимент. Уберём из 2026 года весь опенсорс. Остаются три закрытых лаборатории: OpenAI, Anthropic, Google. Что произойдёт с ценами в течение года?

Ровно то, что происходит на любом олигопольном рынке без давления снизу. Цены растут, лимиты ужесточаются, контекстные окна сокращаются, скрытые ограничения наращиваются. Не потому что лаборатории жадные — потому что это корпорации с инвесторами, которым нужна доходность, а без альтернативы покупатель никуда не уйдёт. Тем более что сами они пока глубоко убыточны и рано или поздно им придётся начать зарабатывать.

Сейчас ситуация принципиально другая:

• Если OpenAI начнёт задирать цены — технический директор компании посмотрит на DeepSeek V4 Flash по 14 центов за миллион входных токенов и спросит: а зачем мы платим в десять раз больше?
• Если Anthropic вводит лимиты — бизнес разворачивает Qwen у себя и закрывает проблему капитальными вложениями вместо операционных.

Сам факт существования этой опции держит цены закрытых лабораторий в коридоре.

Парадокс продавцов лопат

Самое интересное — кто на самом деле двигает открытый фронтир. Это не благотворители. Это Meta (Llama), Alibaba (Qwen), Xiaomi (MiMo), Moonshot (Kimi), DeepSeek, Z.ai. То есть китайский крупный бизнес плюс одна американская корпорация.

У каждого свой расчёт:

• Meta открывает Llama, потому что у неё нет облачного бизнеса, который пострадал бы от самостоятельных развёртываний, зато есть инфраструктура и желание задавить конкурентов снизу.
• Китайские игроки открывают веса по другой причине: им нужно обходить американские санкции на чипы, а для этого нужно широкое сообщество исследователей по всему миру, которое будет оптимизировать модели под слабое железо.

В обоих случаях логика одна: если ты не лидер в закрытом сегменте — открой свою модель и подкоси экономику тех, кто лидер. Это классический ход продавца лопат, который раздаёт чертежи бесплатно. Лопата остаётся у тебя, а завод по их штамповке закрывается у конкурента.

Парадокс в том, что эта стратегия — побочный эффект корпоративной конкуренции — оказалась единственной реальной защитой обычного пользователя от ценового произвола. Никакая антимонопольная политика и никакие регуляторные инициативы не дали такого эффекта, какой дал релиз DeepSeek V3 в декабре 2024 года: за один день стоимость инференса для всей индустрии упала в разы, потому что закрытым лабораториям пришлось сравнивать свой прайс с бесплатным.

Что это значит на практике

Первое. Открытые модели — не игрушка для гиков и не «бесплатная альтернатива для бедных». Это структурный сдерживающий фактор для целой индустрии. Если он ослабнет — пострадают все, кто платит за ИИ-сервисы, подпиской или по API, неважно.

Второе. Концентрация открытой разработки в Китае и в Meta — это не «китайский след в ИИ» и не героизм Цукерберга. Это конкурентная экономика, которая работает в пользу пользователя как побочный эффект. Интересы этих игроков совпадают с интересами пользователя ровно потому, что у них нет другого способа атаковать монополию закрытого фронтира.

Третье. Регуляторам, которые в 2026 году обсуждают «национальные ограничения на открытый ИИ», стоит подумать, что именно они защищают. Очень похоже, что не безопасность, а маржинальность трёх американских корпораций. Каждое ограничение опенсорса — это автоматическое разрешение закрытым лабораториям поднять цены.

Практический вывод для бизнеса

Из всего этого следует конкретное правило проектирования, которое мы применяем в клиентских проектах: архитектура должна допускать замену модели.

Не привязывайтесь намертво к одному поставщику. Держите в проекте слой, через который модель меняется настройкой, а не переписыванием половины кода. Тогда любое движение рынка — подорожание, лимиты, уход провайдера из региона — становится для вас вопросом одной строчки в конфиге, а не катастрофой.

И считайте два сценария сразу: сколько проект стоит на API сегодня и во что обойдётся своё развёртывание, если цены изменятся. У большинства задач малого и среднего бизнеса API выигрывает с запасом — но знать точку перелома полезно заранее.

---

*Оценки доли открытых моделей в корпоративных внедрениях приведены по данным GAI Insights (2024) и AI Magicx (2026), позиции моделей — по индексу Artificial Analysis и результатам SWE-Bench на момент публикации. Рейтинги и цены быстро меняются — проверяйте актуальные значения перед принятием решений.*

Частые вопросы

Что такое открытые модели (open-source) простыми словами?

Нейросети, веса которых выложены в свободный доступ: их можно скачать и запустить на своём сервере, не завися от чужого API. Лицензии бывают разные — от полностью свободных (MIT, Apache-2.0) до ограничивающих коммерческое использование.

Правда ли, что китайские модели догнали западные?

По ряду направлений — да: по агентскому кодингу, математике и объёму реального использования открытые китайские модели конкурируют с закрытым фронтиром. На самых сложных задачах западные флагманы пока сильнее, но разрыв заметно сократился.

Дешевле ли запускать модель у себя, чем платить за API?

Зависит от объёма. Для большинства задач малого и среднего бизнеса API дешевле: своё железо и электричество съедают больше. Собственное развёртывание оправдано при очень больших объёмах или когда данные нельзя выпускать из контура.

Что будет, если открытые модели запретят?

Исчезнет нижняя граница цен. Закрытые лаборатории получат возможность поднимать тарифы и ужесточать лимиты без риска, что клиент уйдёт к бесплатной альтернативе. Пострадают в первую очередь небольшие компании, для которых ИИ станет заметно дороже.