
Бизнес отказывается от ChatGPT: массовый переход к китайским моделям в июне
В июне компании начали массово отказываться от OpenAI в пользу китайских LLM, экономя на API и переосмысливая весь ИИ‑стек.
В июне 2026 года экономический спад стал главным драйвером изменений в ИИ‑индустрии. По данным Habr AI, крупные компании перестали гоняться за брендом OpenAI и начали массово переходить на китайские крупные языковые модели (LLM) – такие как Qwen‑2, Baichuan 2 и другие. Основным мотивом стал резкий рост расходов на API‑доступ к ChatGPT и сопутствующие сервисы. По оценкам аналитиков, средняя экономия на запросах достигает 30‑40 % при переходе к отечественным и китайским провайдерам.
Три ключевых инфраструктурных сдвига, отмеченных в дайджесте, сформировали новый ландшафт:
- Оптимизация стоимости – компании активно внедряют гибридные решения, совмещая облачные сервисы с локальными кластерами, где работают китайские модели, что позволяет снизить зависимость от внешних поставщиков.
- Пересмотр стека – вместо единого провайдера выбираются модульные компоненты: модели, токенизаторы, векторные базы и инструменты оркестрации (LangChain, n8n). Это повышает гибкость и упрощает миграцию.
- Снижение барьеров входа – открытый код и локальные развертывания китайских LLM позволяют небольшим компаниям и стартапам конкурировать с крупными игроками, используя собственные вычислительные мощности.
Microsoft, осознав угрозу потери доли рынка, ускорила выпуск собственного программного обеспечения для работы с альтернативными моделями, включая интеграцию с Azure AI и инструменты для упрощённого переноса моделей в облако. Тем не менее, переход к китайским LLM сопровождается вопросами совместимости, лицензирования и качества генерации, что требует от разработчиков более тщательного тестирования.
Итоги июня показывают, что «пузырь ИИ» действительно начал лопаться: бренды перестали быть единственным фактором выбора, а экономическая целесообразность и гибкость инфраструктуры вышли на первый план.
Для AI‑разработчиков это сигнал к переоценке используемых сервисов: стоит изучить китайские модели и построить гибридный стек. Студентам курсов полезно освоить инструменты оркестрации, такие как LangChain, чтобы быстро переключаться между провайдерами. Однако будьте готовы к дополнительным затратам на тестирование качества и совместимость.


