Токеномика ИИ-моделей: почему расход токенов вырос в 30 раз и кто на самом деле выигрывает

Раз в несколько месяцев стоит откладывать текущие задачи и смотреть на рынок языковых моделей сверху — через объективные цифры использования, а не через шум анонсов. Именно это делает в своём разборе каналов OpenRouter инженер IndyDevDan, и выводы получаются неожиданными: токеномика ИИ-моделей сейчас устроена не так, как рисуют заголовки про «пузырь ИИ».

Токеномика ИИ-моделей: что говорят цифры

Главный график прост и от этого особенно убедителен. Год назад через OpenRouter проходило 4,5 триллиона токенов в неделю. Сейчас — 146 триллионов. Это не экспонента в чистом математическом смысле, но очень близко к ней: рост примерно в 30 раз за год. И это публичные цифры одного брокера моделей — у Anthropic и OpenAI, которые считают свой прямой корпоративный трафик отдельно, реальные объёмы наверняка выше.

Отсюда растёт неприятный, но честный вопрос: оправдана ли оценка Anthropic перед IPO в 2 триллиона долларов при убытках в десятки миллиардов? Простая прикидка на салфетке показывает: чтобы заработать заявленные 60+ миллиардов годовой выручки на одних только премиальных токенах Opus, компании нужно обрабатывать объёмы, сопоставимые со всем трафиком OpenRouter или даже превышающие его. Это не доказательство краха, но и не доказательство устойчивости — ответ появится только тогда, когда станет ясно, продолжится ли этот почти экспоненциальный спрос.

Кто выигрывает гонку ИИ-моделей

Если смотреть на еженедельные лидеры по доле использования, картина удивительно стабильна: DeepSeek, OpenAI и Google почти без исключений занимают первые три строчки. Не потому, что остальные слабее, а потому, что именно эти модели попали в «золотую середину» — баланс цены, скорости и качества, достаточного для 90% реальных задач. Здесь важно не путать позицию в рейтинге с реальной силой игрока: Anthropic, например, находится ниже из-за методологии подсчёта, а не из-за слабого продукта — крупный бизнес работает с ней напрямую, минуя брокеров моделей.

Вывод для инженера практичнее, чем кажется: нет одной «лучшей» модели на все случаи. Выигрывает тот, кто комбинирует несколько моделей под разные задачи, а не тот, кто выбирает одного фаворита и использует его везде.

Новый класс моделей — классификаторы вроде Jev

Отдельного внимания заслуживает всплеск интереса к моделям-классификаторам — компактным zero-shot системам принятия решений, где заметнее всего модель Jev от TypeSafe. Это не языковая модель в привычном смысле, а быстрый и надёжный маршрутизатор: она дешёво и почти без задержек решает, какой следующий шаг или какую модель применить внутри агента. На относительно простых промптах такая связка экономит до 20% расходов на токены — не за счёт более дешёвой генерации текста, а за счёт того, что дорогая модель вызывается только тогда, когда это действительно нужно.

Бесплатные токены — не бесплатны

Параллельно растёт популярность бесплатных моделей вроде загадочной Space Bunny Alpha. Механика предсказуема: если доступ бесплатен, промпты и данные становятся товаром поставщика. Для разовых экспериментов это приемлемый компромисс, но для рабочих данных — нет: платить за токены почти всегда дешевле, чем платить конфиденциальностью.

Вывод: токеномика важнее объёма

Главный тезис разбора в том, что рост расхода токенов сам по себе ничего не говорит о пузыре — вопрос в том, превращается ли этот расход в полезную работу. Больше токенов не равно больше ценности: можно жечь бюджет на модель уровня флагмана там, где хватило бы дешёвого классификатора, а можно выстроить конвейер, где каждая модель решает ровно свою задачу. Именно второй подход — осознанная токеномика ИИ-моделей — и есть то конкурентное преимущество, которое стоит строить в агентных системах прямо сейчас, не дожидаясь, чем закончится спор о пузыре.