Технический контекст
Я посмотрел исходное интервью Карпа на CNBC от 1 июля и тут важна одна вещь: он не просто эмоционально наехал на OpenAI и Anthropic. Он ткнул в боль, которую я регулярно вижу в проектах по AI implementation: компании покупают доступ к моделям, но не получают управляемую систему.
Его главный тезис звучит грубо, но по делу. Рынок слишком долго продавал токены как будто это и есть продукт, хотя для бизнеса продуктом должна быть не генерация текста, а рабочий application layer поверх данных, прав доступа, логов, маршрутизации и SLA.
Карп буквально сказал, что “что-то пошло полностью не так”, а предприятия устали платить за токены, которые не создают ценности. Отдельно он упёрся в контроль над compute, models, data stack и alpha. И вот это уже не пиар-реплика, а нормальный архитектурный разговор.
Формулировку про open-weight модели ему часто пересказывают в более резком виде, чем он сказал сам. Но по смыслу всё сходится: если компания не хочет сливать чувствительные процессы наружу, она начинает смотреть на более управляемый стек, где можно контролировать модель, окружение и стоимость inference.
Я бы перевёл его мысль совсем просто. Если вся ваша AI integration сводится к “давайте прикрутим API и посмотрим”, вы почти гарантированно придёте к tokenmaxxing: много запросов, красивые пилоты, слабая экономика и мутные границы по IP.
Меня здесь зацепило не возмущение Карпа, а то, что он наконец озвучил вслух разговор из закрытых созвонов с CEO. Там уже давно спрашивают не “какая модель умнее”, а “что именно мы контролируем, сколько это стоит на масштабе и чему мы учим чужую систему своими данными”.
Влияние на бизнес и автоматизацию
Для бизнеса я вижу три прямых последствия. Первое: меньше слепых экспериментов с дорогими API и больше интереса к open-weight и гибридным схемам. Второе: AI automation будут оценивать по снижению времени цикла и ошибок, а не по числу промптов.
Третье: выиграют те, кто умеет собирать AI architecture вокруг процесса, а не вокруг модной модели. Проиграют команды, которые построили всю логику на одном вендоре и не продумали переносимость, аудит и доступ к данным.
Я как раз на таких развилках обычно и торможу проекты, чтобы не тащить клиента в красивую ловушку. В Nahornyi AI Lab мы решаем эти задачи на практике: где нужен закрытый API, где локальный контур, где достаточно узкого агента, а где лучше вообще не трогать LLM.
Если у вас AI сейчас ест бюджет, но не даёт управляемого результата, давайте разберём процесс по слоям. В Nahornyi AI Lab я могу помочь выстроить AI solution development так, чтобы у вас оставался контроль над данными, стоимостью и реальной ценностью, а не просто счётчик токенов.