Anthropic и OpenAI на этой неделе расширили выбор моделей для бизнеса: Claude Opus 5.5 соответствует более старшей Fable 5.1 при более низких эксплуатационных затратах, а GPT-6 Sol и GPT-6 Luna разделяют задачи рассуждений и массовой обработки. Palo Alto Networks сообщила, что в ходе внутреннего тестирования ни одна отдельная модель не выявила более 40% уязвимостей в сложных средах. Сдвиг важен потому, что ИТ-командам теперь нужно подбирать модель под каждую нагрузку и момент переключения, превращая выбор в архитектуру, а не в разовую закупку.
Как вендоры делят модели по цене и скорости
Anthropic представила Claude Opus 5.5 как производительность уровня Fable без соответствующих затрат на эксплуатацию, а OpenAI позиционировала Sol для более сильных рассуждений и Luna для быстрой обработки в больших объемах. Обе модели Sol и Luna имеют более низкие тарифы API, чем их аналоги GPT-5.6, причем Luna рассчитана на массовое резюмирование, классификацию и извлечение данных. Salesforce показала платформенную сторону, расширив поддержку нескольких моделей, а партнерство с NVIDIA приводит открытые модели в Agentforce и Missionforce. Palo Alto Networks во вторник добавила второй пример: сервис кибербезопасности, который сочетает Claude Mythos, GPT-5.6-Cyber и модели с открытыми весами и назначает каждую задачу защиты выбранной модели.
Схема отделяет промпты и логику процессов от базовых моделей. Между приложениями и моделями находится слой оркестрации, который направляет каждый запрос с учетом задачи, требуемых возможностей, ограничений на данные и других требований приложения. Поскольку через него идут запросы к разным поставщикам, слой фиксирует, какая модель обработала каждый вызов, и позволяет сравнивать работу на похожих нагрузках. Такое разделение позволяет заменить модель без переработки приложения, как это описал основатель и технический директор Glokal AI Джит Паттанаик. Для агентов тот же принцип действует детальнее, поскольку планирование, поиск информации, рассуждение и действия могут направляться разным моделям.
Ведущие поставщики теперь конкурируют уровневыми линейками, построенными вокруг цены, производительности и специализации, а не вокруг единственной флагманской модели. Вендоры корпоративного ПО отвечают платформами, которые принимают модели нескольких поставщиков и снижают привязку к одному из них. Паттанаик отметил, что многие наборы моделей складываются без центрального замысла, когда отдельные команды выбирают поставщиков под свои приложения, а управление добавляется позже. Резервные варианты помогают, когда модели выводятся из эксплуатации, меняются условия или прерывается доступ. Тестирование Palo Alto Networks подтверждает аргумент качества: если каждая модель находит уязвимости, пропущенные другими, их сочетание может поднять покрытие выше потолка 40%, зафиксированного для любой отдельной модели.
Что мультимодельный подход меняет для компаний
Для операционных команд прямой эффект состоит в маршрутизации на уровне нагрузок. Компания может оставить более сильную модель для сложных рассуждений или кода, а массовое резюмирование, классификацию или извлечение отправить более быстрой и дешевой модели, такой как Luna. Цены OpenAI на Sol и Luna на фоне GPT-5.6 показывают, насколько велик разрыв между уровнями. Подход также снижает зависимость от одного поставщика, поскольку часть нагрузок можно перевести на более дешевую или сильную модель без перестройки всех приложений. Небольшая фирма может работать с двумя уровнями и простыми правилами, а крупной организации нужны центральная маршрутизация, учет использования и единые controls доступа в разных отделах и у разных поставщиков.
Ограничение начинается с данных, а не с цены. Паттанаик поставил чувствительность данных на первое место, поскольку она может полностью исключить модель, затем идут надежность и задержка, а возможности и стоимость сводятся к выбору самой недорогой модели, подходящей для задачи. Командам все равно нужно определять, какие модели получают доступ к конкретным данным, следить за поведением на разных нагрузках и единообразно применять controls защиты. Агентные процессы добавляют риск трассировки: подбор отдельной модели под каждый шаг помогает качеству, но ошибка одной модели может стать входом для следующей, что затрудняет диагностику. Перед внедрением стоит спросить, как фиксируются решения о маршрутизации, как сравнивается качество и как соблюдаются границы данных.
Практическим признаком станет то, станут ли абстракция и измерение обычной практикой. Паттанаик указал на слой абстракции, отделяющий приложения от моделей, и на evals, отслеживающие качество на разных нагрузках. Если вендоры и ИТ-команды будут регулярно показывать сравнения моделей, журнал решений о маршрутизации и спокойные замены после смены цен или доступности, мультимодельный стек закрепился. Отсутствие таких controls будет означать, что выбор вырос быстрее управления.
