Открытые и закрытые нейросети: за что реально платит бизнес в AI-бюджете
Разрыв в бенчмарке – это не разрыв в весах
Когда закрытая Claude или GPT обходит открытую Qwen или DeepSeek на тесте, вывод напрашивается простой: у большой лаборатории лучше архитектура, данные и обучение. Отсюда и цена. Но пользователь закрытой модели работает не с голыми весами, а с продуктом. Между вашим запросом и ответом стоит целый цех, которого вы не видите.
Цифры показывают, что сама модель почти перестала быть отличием. По данным Stanford HAI (AI Index Report 2025), отрыв лучшей закрытой модели от лучшей открытой на Chatbot Arena сжался с 8,04% в январе 2024-го до 1,70% в феврале 2025-го. В январе 2025-го открытая DeepSeek R1 на ключевых задачах сравнялась с флагманской OpenAI o1, а стоила примерно на 95% дешевле (данные DeepSeek). Разрыв по «мозгам» модели схлопнулся за год почти в пять раз, но ощущение, что закрытая заметно умнее, у многих осталось. Держится оно не на весах, а на обвязке вокруг них.
Что за цех стоит вокруг закрытой модели
Обвязка – это всё, что провайдер добавил к модели, чтобы на выходе получалась ровная деталь. Сама модель тут один станок, остальное – конвейер и контролёры, которых вы не видите.
Внутри закрытого сервиса обычно живёт не одна модель, а несколько: дешёвая для простого, дорогая для сложного, и диспетчер на лету решает, куда отправить запрос. Поверх идёт каркас проверок: модель не выпаливает первый вариант, а работает по шагам и перепроверяет себя. К ней подключены инструменты – поиск, калькулятор, доступ к данным. Перед ответом ретрив подсовывает ей нужные куски вашей базы знаний, чтобы она говорила про ваш прайс. Сверху – системный запрос с правилами тона и фильтры, отсекающие вредное на входе и лишнее на выходе.
Открытую модель из коробки вы получаете без этого цеха. Она отвечает голо, без диспетчера, без шпаргалки по вашим данным, без охраны. Поэтому в лобовом сравнении кажется тупее, хотя разница в самой модели давно невелика. Вы сравниваете сырой двигатель с собранной машиной и делаете вывод про двигатель.
Деньги извлекают единицы, и не за модель
Здесь разговор упирается в неудобную для рынка цифру. По опросу McKinsey (The State of AI, март 2025), искусственный интеллект хотя бы в одной функции применяют 88% организаций, а маркетинг и продажи – среди главных направлений. Но реальное влияние на прибыль фиксируют лишь 39% компаний, и у большинства из них это меньше 5% EBIT. Непропорционально много ценности забирают около 6% – их отличает глубина встройки в процессы, а сама подписка на модель тут вторична.
Вывод для маркетолога простой. Отличие давно ушло из весов в обвязку и работу по встройке. Строка «доступ к ИИ» в вашем бюджете почти никогда не оплачивает только ум модели. Вы платите за смесь из трёх вещей: сама модель, цех вокруг неё и люди, которые этот цех собрали и содержат.
Что агентство соберёт само, а что стоит купить
Большая часть обвязки давно не секрет, а инженерная работа по типовым рецептам. Ретрив по своей базе – подсунуть модели брендбуки, прайсы, прошлые кампании – собирается за недели по готовым конструкторам. Тон бренда вы и так прописываете, здесь он просто становится инструкцией для модели. На массовых задачах вроде описаний товаров, черновиков постов, разбора отзывов и первичной модерации открытая модель со своей шпаргалкой подтягивается к закрытой почти вплотную.
Показательный пример из практики: команда электронной коммерции перевела конвейер из 80 тысяч описаний товаров в месяц с закрытого GPT-4o на локально развёрнутую открытую Llama и уронила расходы примерно с 800 до 40 долларов в месяц, на одно электричество. Дообученная под задачу версия ещё и подняла стабильность нужного формата ответа с 88% до 97% с лишним (по опубликованному разбору этой команды). Массовая рутина не требует премии за флагман.
Сложнее воспроизвести другое. Умный диспетчер между моделями большие провайдеры годами обкатывали на миллиардах обращений. Надёжность уровня «работает всегда» и низкая задержка под нагрузкой – это уже про инфраструктуру: серверы с видеокартами, дежурная команда, мониторинг.
Где закрытый провайдер честно стоит денег
Тезис «разрыв меньше, чем кажется» легко скатывается в евангелизм open source, поэтому очерчу обратную сторону. Закрытый доступ оправдан, когда у вас нет своей технической команды и серверов: за подписку вы получаете весь цех сразу и стартуете за дни. Он оправдан, когда задача критичная и публичная – чат от лица бренда, ответы клиентам, – и вы платите за то, что оно не упадёт в чёрную пятницу. И он оправдан, когда важна скорость запуска, а собственная сборка съест месяцы, которых у кампании нет.
Переплата начинается там, где через дорогой флагман гоняют массовую однотипную рутину, с которой на девять десятых справится открытая модель со шпаргалкой по вашим данным. В этой задаче вендор берёт с вас премию за ум, который ей просто не нужен.
Я узнаю тут свою же логику из другой области. Семейный финансовый учёт я веду с 2016 года и в какой-то момент перестал считать каждую операцию, оставив одну метрику – чистый капитал, час раз в месяц. Точность до копейки по каждой покупке стоила времени и не давала пропорционально больше понимания. С выбором модели похоже: платить за максимальную мощность там, где задача её не спрашивает, значит переплачивать за точность без отдачи.
Российский угол: доступ, цена и данные
Для нашего рынка вопрос ещё практичнее. Доступ к зарубежным флагманам из России ограничен и по оплате, и по стабильности. По исследованию «Якова и Партнёров» и Яндекса (декабрь 2025), генеративный ИИ хотя бы в одной функции применяет 71% крупных российских компаний против 54% годом ранее, и приоритет – снова маркетинг, продажи и клиентский сервис. Спрос есть, а инфраструктура выбора смещается к открытым и локально размещаемым моделям: GigaChat, T-lite, облегчённый YandexGPT.
Добавьте данные. Если через чужой закрытый доступ течёт чувствительная информация клиентов, к деньгам добавляется 152-ФЗ о локализации персональных данных. Даже отечественные коммерческие модели часто построены на открытых весах: та же Cotype от МТС дообучена на Qwen. Открытость под капотом становится нормой.
Как перестроить бюджет и разговор с подрядчиком
Понимая, из чего складывается счёт, вы перестаёте платить за слово «нейросеть» и начинаете платить за детали, которые можно оценить порознь. С подрядчиком стоит первым делом выяснить, за что уходят деньги: за доступ к флагманской модели или за обвязку вокруг неё. Хороший исполнитель спокойно разложит счёт. Тот, кто прячет всё в строку «интеллектуальная система под ключ», скорее всего продаёт премию за громкое имя.
Дальше проверьте привязку к вендору. Спросите, что будет, если завтра закрытый доступ подорожает вдвое или закроется: переключается ли ваша связка на другую модель, включая открытую, без переписывания с нуля. У грамотного подрядчика смена модели под капотом – это настройка. И попросите развести массовое и разовое: рутину большого объёма увести на дешёвую или открытую модель, а дорогой доступ оставить там, где нужна максимальная надёжность.
Критерий на выходе короткий. Закрытому вендору платят за надёжность, скорость запуска и безопасность данных. Прогонять же массовую однотипную рутину через премиальную модель означает переплату, которую открытая снимает за долю цены. Российский рынок маркетинговых коммуникаций в 2025-м перевалил за 2,4 трлн рублей (АКАР), и доля AI-расходов в нём будет только расти. Тем важнее понимать, за что в этой строке вы платите.
Если считаете, за что уходит строка «доступ к ИИ» в бюджете, подписывайтесь на мой блог – здесь я разбираю венчур, AI и экономику технологий с позиции инвестора и основателя.