Сингапур: Эксперты отмечают, что более дешевые китайские модели искусственного интеллекта могут существенно повлиять на рынок внедрения ИИ в Азии, особенно в Индии и Юго-Восточной Азии, где компании чувствительны к стоимости масштабного использования технологий.
В основе обсуждения лежит стоимость токенов ИИ — единицы, за которые компании платят при обработке, чтении и генерации данных системами искусственного интеллекта.
По данным экспертов, китайские компании, включая MiniMax и Moonshot, предлагают стоимость на уровне примерно 2–3 долларов США за миллион выходных токенов. Для сравнения, модели Google Gemini 3.5 Flash оцениваются примерно в 9 долларов, Claude Sonnet 4.5 от Anthropic — около 15 долларов, а GPT 5.5 от OpenAI — около 30 долларов за миллион токенов, согласно данным отраслевых отчетов и ценовым документам.
Входные токены формируются на основе запросов пользователя, а выходные — на основе ответов системы, при этом выходные токены обычно дороже.
По оценкам основателя компании Neuron7.ai Амита Вермы, небольшая команда продаж из 50 сотрудников может расходовать около 450 миллионов токенов в месяц. При использовании GPT 5.5 это может обходиться примерно в 3150 долларов в месяц и около 38 000 долларов в год, тогда как китайские модели могут быть в 2–3 раза дешевле.
Эксперты связывают более низкую стоимость китайских моделей с эффективной архитектурой, более дешевой энергетической и вычислительной инфраструктурой, а также государственными субсидиями и ценовой конкуренцией.
Отмечается, что по мере перехода компаний от простых чат-ботов к более сложным агентам ИИ, способным выполнять многошаговые операции, потребление токенов и затраты могут значительно возрастать.
Некоторые оценки показывают, что сложные корпоративные сценарии могут включать десятки и сотни внутренних операций на один запрос, что резко увеличивает расход токенов.
По данным отраслевых исследований, компании в Азии активно внедряют ИИ: около 46% организаций в Юго-Восточной Азии и около 47% в Индии уже используют ИИ в рабочих процессах или продуктах.
Эксперты отмечают, что рост использования ИИ-агентов может привести к существенному увеличению затрат на токены, особенно в корпоративных системах обслуживания клиентов, программирования, аналитики и автоматизации.
Согласно оценкам, крупные команды разработчиков могут расходовать от десятков тысяч до более миллиона долларов в год на использование ИИ, в зависимости от модели и масштаба применения.
При этом большинство поставщиков ИИ предлагают корпоративные скидки, которые обычно зависят от объема использования, срока контрактов и дополнительных услуг.
Эксперты подчеркивают, что более низкая стоимость китайских моделей может ускорить внедрение ИИ в таких сферах, как колл-центры, образование, логистика, электронная коммерция, юридические и финансовые услуги.
Однако отмечаются и ограничения: качество работы моделей, языковая поддержка, задержки, регулирование, безопасность данных и геополитические риски.
По словам специалистов, ключевым показателем эффективности становится не цена токена, а стоимость получения корректного и полезного результата.
Также указывается, что более дешевые модели могут требовать большего числа попыток или дополнительной проверки человеком, что снижает экономический эффект.
Китайские модели, включая Qwen, DeepSeek, Kimi, GLM и MiniMax, становятся более распространенными в Азии благодаря стоимости и доступности, особенно в условиях роста спроса на масштабируемые ИИ-системы.
При этом американские компании, такие как OpenAI, Anthropic и Google, сохраняют лидерство в сегменте высокоточных и сложных задач, включая программирование, научные расчеты и корпоративные решения высокого уровня.
Эксперты отмечают, что рынок может разделиться на сегменты: более дорогие модели для сложных задач и более дешевые — для массовых и рутинных операций.
По мнению специалистов, более доступные модели подходят для задач обработки данных, перевода, классификации, анализа документов и поддержки клиентов, тогда как более сложные системы используются для исследований и критически важных решений.
Отдельно подчеркивается, что в некоторых случаях экономия на стоимости может сопровождаться снижением качества результатов, хотя разница в производительности между ведущими моделями остается относительно небольшой.
Также отмечается, что более дешевые модели лучше подходят для задач с большим объемом данных и меньшими требованиями к точности, например, анализ новостей или финансовых потоков.
В регулируемых отраслях, таких как финансы, здравоохранение и государственный сектор, стоимость не является единственным фактором, важнее соблюдение требований по защите данных и локальному хранению информации.
Некоторые страны выражают опасения по поводу использования китайских моделей ИИ из-за вопросов безопасности и геополитических рисков, хотя распространение открытых моделей снижает часть этих опасений.
Открытые модели позволяют компаниям запускать системы локально и настраивать их под собственные требования, уменьшая зависимость от внешних сервисов.
Эксперты также отмечают, что размещение инфраструктуры за пределами Китая может снижать ценовые преимущества из-за более высоких затрат на энергетику и вычисления.
В итоге аналитики считают, что в Азии будет формироваться смешанный рынок ИИ, где компании будут использовать разные модели в зависимости от задач: дорогие — для сложных вычислений, дешевые — для массовых операций, а локальные — для регулирования и безопасности.
По оценкам специалистов, выбор технологий будет определяться не брендом модели, а тем, насколько эффективно она решает бизнес-задачи и снижает общие издержки.
