Открытые модели ИИ догоняют закрытые: почему стартапы переходят на мультимодельный подход

На конференции TechCrunch Disrupt 2026, которая пройдёт 13-15 октября в Сан-Франциско, четыре сессии целиком посвящены одному вопросу: как стартапу решить, строить собственную модель, арендовать чужую или комбинировать несколько. Это не теоретическая дискуссия. Открытые модели ИИ догоняют закрытые, закрытые продолжают уходить вперёд, а продукты, которые умеют вызывать разные модели под разные задачи, становятся нормой.

TechCrunch анонсировал программу с конкретными спикерами и форматами: от живых опросов аудитории до готового фреймворка (набора критериев для принятия решения), который участники смогут забрать с собой.

Что именно обсуждают на четырёх сессиях?

• Мультимодельный подход. Сессия «The Real Tokenmaxxing» соберёт Мо Джомаа (партнёр фонда CapitalG), Випула Веда Пракаша (сооснователь и CEO Together AI) и Зузанну Стамировску (CEO и сооснователь Pathway). Тема: почему компании используют несколько моделей одновременно и как балансировать стоимость, производительность и гибкость.

• Арендовать, настроить или строить с нуля? Манос Кукумидис, CEO и сооснователь Oumi, проведёт сессию с опросами аудитории и разбором сценариев для стартапов. Обещает дать три принципа принятия решений, которые основатель может применить на следующем же архитектурном совещании.

• Открытые модели ИИ против закрытых на практике. Надер Халил (директор по работе с разработчиками, NVIDIA) и Сидни Сайкс (глобальный руководитель партнёрств с венчурными фондами, NVIDIA) разберут, что именно основатели выбирают сегодня, какие компромиссы несёт каждый путь и как выбор модели влияет на долгосрочную стратегию продукта.

• Когда ИИ проектирует собственное железо. Анна Голди (основатель и CEO Ricursive Intelligence) и Азалия Мирхосейни (основатель и CTO) расскажут, как ИИ уже оптимизирует чипы и почему архитектура модели и архитектура железа сближаются.

Почему мультимодельный подход меняет экономику?

Раньше стартап привязывался к одному поставщику: выбрал закрытую модель (closed-source, доступную только через платный API) или открытую модель ИИ (open-source, с доступным кодом и весами) и строил вокруг неё продукт. Теперь, по словам организаторов Disrupt, всё больше компаний вызывают разные модели для разных задач внутри одного продукта.

Это влияет не только на качество ответов. Гибкость определяет операционные расходы, скорость внедрения улучшений и способность быстро переключиться на лучшую модель, когда она появляется.

Для российских стартапов этот подход особенно актуален: доступ к западным закрытым API может быть ограничен, и умение комбинировать открытые модели ИИ с локальными сервисами становится не преимуществом, а необходимостью.

Сравнение с российскими аналогами

По моим наблюдениям, российские разработчики уже сейчас комбинируют YandexGPT для русскоязычных задач с открытыми западными моделями для кода и аналитики на английском. Дискуссия на Disrupt даёт структуру для таких решений.

Что делать с этим прямо сейчас, по ролям?

Автору Дзена. Если вы используете один ИИ-сервис для генерации текстов и он вас не устраивает, попробуйте разделить задачи: один инструмент для черновиков, другой для редактуры, третий для картинок. Мультимодельный подход работает не только для стартапов.

Маркетологу. Привязка к одному API означает зависимость от его цен и ограничений. Проверьте, можете ли вы заменить закрытый сервис открытой моделью хотя бы для части задач: это снижает риск внезапного отключения.

Предпринимателю в РФ и СНГ. Три принципа, которые обещает дать Oumi на Disrupt, сводятся к вопросам: что вы контролируете, что можете заменить и за что платите постоянно. Примените их к своему стеку, даже не посещая конференцию: составьте список моделей, которые используете, оцените, какие из них заменимы открытыми аналогами, и протестируйте замену на некритичной задаче.

Как попробовать мультимодельный подход?

1. Определите три главные задачи, для которых вы сейчас используете ИИ (генерация текста, анализ данных, работа с изображениями).
2. Для каждой задачи найдите альтернативную модель: если используете закрытый API, проверьте открытую модель ИИ с похожими возможностями (например, Llama или Mistral для текста).
3. Протестируйте обе модели на одинаковых промптах (промпт, текстовая инструкция для нейросети) и сравните качество, скорость и стоимость.
4. Настройте переключение: даже простой скрипт, который отправляет запрос в запасную модель при сбое основной, уже даёт гибкость.

Частые вопросы

Открытые модели ИИ уже догнали закрытые?

По данным TechCrunch, открытые модели ИИ улучшаются, а закрытые продолжают развиваться. Организаторы Disrupt ставят вопрос не «что лучше», а «что лучше для конкретной задачи». На практике для ряда специализированных задач дообученная открытая модель может работать не хуже закрытого API, но универсального ответа пока нет.

Нужно ли стартапу строить свою модель?

Именно этот вопрос разберёт Манос Кукумидис из Oumi. Он предупреждает: создание собственной модели даёт контроль и конкурентное отличие, но требует времени, людей и ресурсов. Для большинства небольших команд разумнее начать с дообучения (fine-tuning) открытой модели под свои данные.

Как это применимо в России?

Доступ к западным закрытым API из РФ нестабилен, и это делает мультимодельный подход не роскошью, а страховкой. Комбинация YandexGPT или GigaChat с открытыми моделями, которые можно запустить на собственном сервере, даёт и независимость, и запасной вариант.

Конференция пройдёт 13-15 октября, и к тому моменту ландшафт моделей наверняка снова изменится. Именно поэтому гибкость архитектуры ценнее любого конкретного выбора, сделанного сегодня.