Усталость от моделей: четыре ИИ-релиза за неделю и что делать бизнесу

Что случилось: четыре флагмана за три дня

Первого сентября Anthropic выпустила Claude Fable 5.1 и Mythos 5.1. Второго Google показал Gemini 3.8 Flash, а Meta (признана экстремистской организацией, её деятельность запрещена в России) в тот же день отгрузила Muse Spark 1.3. Третьего OpenAI закрыла неделю релизом GPT-6 Astra. Если добавить конец августа, картина ещё плотнее: за две недели на витрине появились Qwen3.8 Flash, GLM-5.3 Flash и DeepSeek V4 Flash Vision – девять заметных моделей.

Отдельная линия недели – кибербезопасность. Google открыл программу Fairwind с ранним доступом к моделям для защитников критической инфраструктуры, в ней уже больше 650 партнёров. Anthropic пустила Mythos 5.1 только через программы доверенного доступа, а OpenAI отнесла Astra к «критическому» уровню киберспособностей по своей рамке готовности и выдаёт её через отдельную программу Daybreak Blue. Модели стали настолько сильными, что вендоры сами дозируют, кому их давать.

CNBC 6 сентября описал состояние покупателей одним словом – усталость. ИТ-директора, финансисты и основатели тратят часы на сравнение цен и возможностей, а сравнение теряет смысл раньше, чем заканчивается. Гендиректор Clockwork Systems Суреш Васудеван сказал об этом честно: каждый релиз настолько хорош, что скачок уже трудно различить.

Что это значит для бизнеса: модель перестала быть решением

Год назад выбор модели был стратегическим: под неё писали промпты, строили интеграции, считали экономику. Сейчас это выбор поставщика на квартал. Скажу жёстче: любая архитектура, где название модели зашито в продукт, устарела в момент запуска.

Экономика тоже сдвинулась. Fable 5.1 стоит те же $10 за миллион входных и $50 за миллион выходных токенов, что и Fable 5, но чтение из кэша упало с $1 до $0,25. Для агентных сценариев, где один и тот же контекст перечитывается сотни раз, это другая себестоимость. Sonnet 5 остался на $2 и $10: запланированное на 1 сентября повышение отменили. Прайс-лист меняется раз в месяц, и это ещё один аргумент против «женитьбы» на конкретной модели.

Самая интересная цифра недели – из отчёта McKinsey «State of AI 2026»: 32% организаций пропустили покупку хотя бы одного программного продукта, потому что собрали его внутри агентными инструментами для кода. Доля крупных компаний, масштабирующих агентов хотя бы в одной функции, выросла с 27% до 40%. Рынок «сделать или купить» разворачивается в сторону «сделать». Российского бизнеса это касается даже сильнее: к скорости релизов добавляется вопрос доступа к моделям, и заменяемость поставщика из удобства превращается в требование.

Как это выглядит на практике: продукт, который переживает смену модели

В CRT мы перестали спорить, какая модель лучше. Спорим о другом: переживёт ли продукт замену модели за день. Для этого у задачи есть три обязательных слоя. Постановка, в которой описано, что считается правильным ответом, а не «сделай красиво». Слой над моделью – один адаптер, через который проходит любой вызов, чтобы переключение поставщика было правкой конфигурации, а не переписыванием. И приёмка с тестами, которые проверяют результат, а не ощущение.

Так работает роль AI Software Engineer у нас: один инженер с ИИ-инструментами ведёт задачу от бизнес-постановки до запуска, и модель для него – сменный инструмент, как компилятор. Когда на этой неделе вышли четыре новые модели, переписывать ничего не пришлось: прогнали тесты, сравнили результат, переключили там, где выиграли. Скучно. Именно так и должно быть.

Тем, кто только заходит в тему, совет: до разработки потратьте неделю на Discovery и опишите, по каким критериям вы примете результат. Это единственная часть системы, которую не обесценит следующий релиз.