Как китайские AI-модели меняют экономику продуктов: опыт Lork.dev

Введение: сдвиг в AI-инфраструктуре

Долгое время выбор AI-модели был почти религиозным вопросом: OpenAI, Anthropic или Google. Но в 2025 году картина изменилась. Западные компании всё чаще внедряют китайские модели в продакшн — и это не про «догонялки», а про прагматичную экономику.

Речь идёт не о том, какая модель «умнее» по бенчмаркам. Вопрос теперь звучит иначе: какая модель даёт нужное качество за 10–20% цены?

Кейсы: как крупные компании снижают AI-spend

Coinbase и дешёвые модели

Coinbase использует более доступные модели, такие как GLM 5.2 и Kimi 2.7, чтобы сократить расходы на AI без урезания лимитов для инженеров. Логика проста: не душить usage, а оптимизировать стоимость каждого inference. Это позволяет сохранять высокую производительность команды при контролируемом бюджете.

Cursor / Anysphere и Kimi K2.5

Cursor, известный AI-ассистент для кода, признал, что Composer 2 частично построен на модели Kimi K2.5. Причина — не экзотика, а сочетание качества и цены. Модель показала хорошие результаты на задачах кодинга, но стоила значительно дешевле альтернатив.

Airbnb и мультимодельный подход

Airbnb использует набор из 13 моделей для AI-саппорта, включая Alibaba Qwen. Это иллюстрирует важный принцип: даже крупный consumer-продукт не выбирает одну «самую умную» модель, а собирает стек под конкретные задачи. Qwen здесь — не странная модель с Hugging Face, а open-weight семейство, которое берут из-за цены, скорости и возможности кастомизации.

Почему китайские модели становятся нормой

DeepSeek, Kimi, Qwen — эти названия всё чаще звучат в обсуждениях закупок. Они перестали быть экзотикой и стали частью стандартного procurement-процесса. Ключевые критерии выбора:

• latency (задержка)
• цена за inference
• качество на конкретном workload
• лицензия и data policy
• возможность self-host или private deployment
• предсказуемость unit economics

Китайским моделям не нужно быть «лучше во всём». Им достаточно быть достаточно хорошими и радикально дешевле. Это делает их очень неприятными для западных лидеров, которые традиционно полагались на премиум-брендинг.

Как Lork.dev использует DeepSeek

Мы в Lork.dev идём по тому же пути. Активно используем DeepSeek там, где он закрывает задачу по качеству и сильно выигрывает по экономике. Для AI-продукта это не вкусовщина, а вопрос маржи.

Если inference стоит в разы дешевле, ты можешь:

• дать пользователю больше генераций
• дольше держать бесплатный слой
• агрессивнее тестировать гипотезы
• не сжигать экономику на каждом запросе

Например, при создании лендингов или проверке гипотез на Lork.dev мы используем DeepSeek для задач, где не требуется максимальная «креативность» модели, но важна скорость и низкая стоимость. Это позволяет нам предлагать пользователям больше возможностей без роста цены.

Вывод: следующий этап — P&L

Похоже, следующий этап AI-гонки будет не в бенчмарках, а в P&L. Компании, которые научатся эффективно комбинировать модели, получат преимущество за счёт лучшей экономики. Китайские модели — не панацея, но важный инструмент для оптимизации AI-spend.

Если вы строите AI-продукт, присмотритесь к DeepSeek, Qwen или Kimi. Возможно, они помогут вам снизить затраты и улучшить unit economics без потери качества.

Источники: Business Insider про Coinbase, Business Insider про Cursor / Kimi, Times of India про Airbnb / Qwen.

---

Материал подготовлен по мотивам поста Жэмбэ Михайлова в Telegram.

Больше заметок автора — в Telegram-канале.