Крупнейшая криптобиржа в США тихо перешла на китайскую модель AI, сэкономив половину средств

Автор：AI Запись для начинающих

Данные, которые заставляют Кремниевую долину волноваться

Недавно генеральный директор крупнейшей в США криптовалютной биржи Coinbase Брайан Армстронг сказал фразу, которая вызвала бурю в технологическом кругу:

«Мы переключили AI модели на китайские GLM 5.2 и Kimi 2.7, расходы на AI сократились вдвое.»

Сократились вдвое? Значит, и использование тоже упало?

Как раз наоборот. Использование токенов Coinbase продолжает расти.

Экономя деньги, они используют больше — вот что действительно беспокоит OpenAI и Anthropic.

Как это сделать? Три стратегии экономии

Coinbase не просто поменяла на дешевую модель. Они создали целую систему «экономии»:

Первая стратегия: не привязываться к одной модели, пусть система сама выбирает

Coinbase разработала автоматическую маршрутизационную систему. Каждый раз, когда поступает запрос, система автоматически выбирает наиболее подходящую модель в зависимости от типа задачи, цены и состояния кэша.

Не все задачи требуют самой дорогой модели. Простые переводы можно делать дешевыми, сложные рассуждения — хорошими ------ как вы не будете ездить на спорткаре за покупками.

Вторая стратегия: увеличить коэффициент попадания в кэш с 5% до 60%

Это самый жесткий шаг. Оптимизировав стратегию кэширования, Coinbase увеличила коэффициент попадания в кэш с 5% до 60%.

Проще говоря, 60% запросов могут повторно использовать предыдущие вычислительные результаты, что значительно снижает фактические затраты на каждый вызов. Только эта оптимизация сэкономила огромные суммы.

Третья стратегия: Context Engineering (инженерия контекста)

Coinbase требует от разработчиков сокращать контекст, новые задачи открывают новые сессии, не стоит запихивать слишком много в один диалог.

Это не лень, а новая наука ------ в индустрии это называется инженерия контекста. Anthropic в одном из своих технических блогов четко указала: при управлении AI-агентами инженерия контекста более эффективна, чем инженерия подсказок.

Проще говоря: не нужно делать AI умнее, а нужно давать AI более точную информацию.

▲ Все больше компаний начинают экономить на AI моделях

Это не только Coinbase, это тренд

Coinbase не первая, кто решился на это.

Lindy, стартап в области AI с всего лишь 25 сотрудниками, CEO Фло Кривелло полностью заменил Claude на Deepseek. Он сказал CNBC: «Расходы на AI уже превысили затраты на рабочую силу, это неустойчиво.» После смены модели затраты «резко упали», сэкономив миллионы долларов.

Генеральный директор Snowflake Сридхар Рамасвами провел практическое сравнение: на 103 кодировочных задачах GLM-5.2 решила 66%, Claude Opus 4.7 — 67%. Разница? Практически отсутствует.

Но разница в цене ощутима:

Сравнение цен (за миллион токенов)

• GLM-5.2: вход $1.40 / выход $4.40
• Claude Opus 4.7: вход $5 / выход $25
• GPT-5.5: вход $5 / выход $30

Разница в выходной цене составляет 5-7 раз.

Дешево не значит плохо? Не спешите с выводами

На этом этапе вы можете спросить: если так дешево, может ли качество быть таким же?

Честно говоря, не совсем одинаково, но разница меньше, чем вы думаете.

Тесты Snowflake показали, что GLM-5.2 действительно не всегда стабильна ------ процент успешных попыток с первого раза составил 47.6%, что ниже 53.7% у Opus. Кроме того, GLM иногда «упорно» идет в неправильном направлении: в одной задаче она потратила 24 минуты на 411 вызовов инструментов и все равно провалилась. Opus справился за 49 вызовов и 9 минут.

Но в большинстве задач конечный процент успеха у обоих моделей почти одинаков. Ключ в том: готовы ли вы платить в 5 раз больше за несколько процентов стабильности?

Для многих компаний ответ становится все более ясным: не готовы.

▲ Разница в ценах на AI модели между Востоком и Западом меняет отраслевой ландшафт

Что это значит для нас, обычных людей?

Вы можете сказать: я не Coinbase, какое это имеет ко мне отношение?

На самом деле, этот тренд имеет три прямых вывода для вашего использования AI:

1. Не привязывайтесь к одной модели

Многие люди используют AI, выбирая одну модель ------ либо ChatGPT, либо Claude. Но профессионалы уже не так делают. Разные задачи требуют разных моделей, это наиболее выгодный подход.

Для повседневных вопросов используйте дешевую, для написания кода и анализа — хорошую. Как вы не будете каждый раз ходить в ресторан Мишлен.

2. Кэширование и повторное использование — ключ к экономии

Если вы часто используете AI для похожих задач (например, каждую неделю пишете отчет, каждый день Запись заметок), научитесь использовать кэш и шаблоны, это значительно снизит затраты.

3. Сокращение контекста = лучшие результаты

Многие люди, общаясь с AI, стараются запихнуть всю информацию. Но на практике, предоставление AI меньшего, но более точного объема информации дает лучшие результаты. Для новых задач открывайте новые диалоги. Не заставляйте AI искать ответы среди кучи исторических записей.

Более глубокие изменения: модель ценообразования AI переосмысляется

Эта волна «миграции моделей» подрывает всю логику ценообразования в индустрии AI.

Высокая оценка OpenAI и Anthropic основана на предположении о «постоянном быстром росте доходов». Но если все больше компаний, таких как Coinbase и Lindy, переходят на более дешевые альтернативы, это предположение становится недействительным.

Согласно сообщениям, OpenAI и Anthropic уже начали ценовую войну. В только что выпущенной серии GPT-5.6 модель Terra стоит вдвое дешевле, чем GPT-5.5, а Luna вообще ориентируется на минимальную цену.

Для пользователей это хорошая новость. Чем более жесткая конкуренция, тем ниже цены и больше выбор.

Когда американские гиганты начинают экономить на китайских моделях, это означает, что конкуренция в AI уже не является соревнованием по производительности в лаборатории, а настоящей битвой за затраты. Уметь делать то же самое за меньшие деньги — вот истинное мастерство.