Миллион мейнтейнерам и 71,5% токенов у открытых моделей: зачем мне бесплатные инструменты

Sentry отдал мейнтейнерам открытого кода миллион долларов за год, Vercel посчитал, что открытые модели обрабатывают 71,5% токенов его шлюза, Anthropic передала стандарт Agent Skills в фонд под Linux Foundation, NVIDIA открыла код Run:ai, а Red Hat двумя статьями объяснил, зачем компаниям участвовать в сообществах. Для владельца бизнеса это про деньги: чем больше работы можно сделать на открытых инструментах, тем меньше подписок в бюджете и меньше зависимости от одного поставщика.

Что вышло

Sentry 21 октября написал, что увеличил годовой бюджет на поддержку мейнтейнеров с 750 000 до 1 000 000 долларов. 495 000 ушли через thanks.dev сотням мейнтейнеров пакетов, которыми Sentry пользуется, 100 000 через ecosyste.ms Funds на критичные пакеты, остальное фондам, от Python Software Foundation с 60 000 до Alpine Linux с 5000. Open Source Pledge, который Sentry запустил, в октябре исполнилось два года: 37 компаний-участников выплатили в сумме 8 421 535 долларов. Расходы Python Software Foundation на AWS за год выросли примерно на 69%: агенты ставят пакеты, CI запускается чаще.

Vercel 15 октября опубликовал октябрьский индекс своего AI Gateway. Модели с открытыми весами обрабатывают больше семи из десяти токенов и забирают почти один доллар из четырёх; их доля в расходах выросла больше чем в четыре раза с июня. Расходы через шлюз в сентябре примерно в 13 раз выше декабрьских при средней цене токена ниже на 47%. DeepSeek-V4.1-Flash обработала почти половину всех токенов сентября и забрала 2,6% расходов.

Саймон Уиллисон 22 октября отметил новость Anthropic: стандарт Agent Skills передан в Agentic AI Foundation под Linux Foundation, туда же, куда раньше ушёл протокол MCP. Фонд Anthropic основала вместе с Block и OpenAI.

NVIDIA 13 октября сообщила, что открывает код всей платформы Run:ai для оркестрации AI-нагрузок и GPU как части NVIDIA DSX AI Factory Platform. У меня есть только анонс, условий лицензии в нём нет.

Red Hat 23 октября написал, что участие в сообществе даёт компании голос в развитии технологий, от которых она зависит, а 20 октября разобрал отчёт Linux Foundation «Navigating Open Source Software Development in the Generative AI Era» о том, что AI может расти тем же путём, что операционные системы и облачная инфраструктура. От обеих статей у меня только вступления.

Пример: расшифровка звонков в сервисной компании

Сервисная компания записывает звонки и хочет, чтобы по каждому была расшифровка и короткий разбор. Облачный сервис берёт деньги за минуту, и счёт растёт вместе с числом звонков. Локальная модель распознавания на своём сервере стоит столько, сколько стоит сервер, и от числа минут не зависит.

Открытые инструменты выгодны там, где объём растёт, а задача повторяется. Открытая модель в этом смысле ничем не отличается от Nginx или MariaDB.

Как это устроено у меня

Я люблю свои и бесплатные инструменты, и два проекта это показывают. В конце 2023 и начале 2024 года я сделал для консалтинговой компании в Лондоне систему субтитров для блогеров: на входе видео из папки Google Drive или ссылка на YouTube, на выходе файл SRT с временными метками. Речь распознавала локальная модель Whisper, без платных сервисов расшифровки, поэтому за минуту записи платить не требовалось. Сервер при этом тоже стоит денег, но отдельной платы за объём не было. Наложение субтитров на видео было в планах, но заказчик остановил проект.

Второй пример свежий. В сентябре и октябре 2026 года я спроектировал и сделал сервис «Кофе вместе»: сотрудники IT-компании заказывают кофе вскладчину у оптового поставщика Tasty Coffee, а сервис собирает общий заказ и сам заполняет корзину поставщика. Работает он на общем сервере студии с 2 ГБ памяти, в Docker за Nginx, база SQLite, приложение на React и TypeScript. Сервис экономит сотрудникам и администраторам в сумме больше 100 часов в месяц. Горжусь, когда дорогое получается сделать дёшево.

Открытое при этом не ничьё: у PDR-компании и у фермы серверы на Debian, MariaDB почти во всех моих проектах, kononov.dev работает на Next.js, Node.js и SQLite в Docker за Nginx. Sentry прав: компании, которые зарабатывают на чужом труде, должны его поддерживать.

Что я бы сделал

Посчитал бы, за какие сервисы компания платит по объёму: минуты расшифровки, страницы распознавания, токены. Там, где объём растёт, смотрел бы на открытую модель на своём сервере.

Облачные модели совсем не выкидывал бы. В парсерах для PDR-компании я использую три внешних сервиса для проверки документов и менять их на локальную модель ради экономии не стал бы без сравнения точности.

Закрепил бы версии: открытая модель, которую «просто обновили», меняет результат так же, как обновлённая библиотека.

Проверил бы лицензию каждой модели на коммерческое использование до того, как она попадёт на сервер клиента. И оставил бы в бюджете строку на поддержку того, чем пользуетесь: хотя бы для одного-двух проектов, без которых система встанет.

Связанные материалы

Про модели в разборе документов и проверку результата: статья AI в обработке данных: извлечение и проверка. Направления: AI в процессе, где результат можно проверить и Python для документов, данных и повторяемой обработки. Проекты: Субтитры SRT из видео на локальном Whisper и сервис «Кофе вместе». Рядом мои обзоры о маршрутизации между своей моделью и API и о расшифровке речи на своём сервере, а раньше я писал, зачем отделять каталог моделей и цены от релиза приложения. Если вы платите за AI-сервис по объёму и хотите понять, что из этого можно перенести на свой сервер, расскажите, какие задачи и какой объём. Обсудить задачу.