Генеральный директор Coinbase продвигает китайские открытые AI-модели как решение растущих счетов

Генеральный директор Coinbase предложил экспериментировать с более дешевыми открытыми AI-моделями, чтобы сдерживать расходы на ИИ по мере роста потребления токенов.

Это предложение вызвало опасения по поводу безопасности и геополитических рисков направления корпоративных рабочих нагрузок через системы китайского происхождения.

Почему компании используют китайские AI-модели? 

Экспортный контроль США затруднил китайским компаниям доступ к американским AI-чипам, но это не помешало им создавать конкурентоспособные модели и продавать их по значительно более низким ценам. 

Например, GLM 5.2 от Zhipu стоит $1,40 за миллион входных токенов и $4,40 за миллион выходных токенов по сравнению с Opus от Anthropic 4.8 по цене $5 и $25 за тот же объем. 

GLM 5.2 набрал 62,1 балла на SWE-bench Pro, ключевом бенчмарке для программирования, превзойдя GPT-5.5 от OpenAI с результатом 58,6. Один исследователь ИИ сказал, что GLM 5.2 «как минимум не хуже Opus 4.8 и GPT 5.5.”

Другой назвал его «первой открытой моделью, которая действительно может конкурировать с закрытыми системами.”

Использует ли Coinbase китайские AI-модели

Генеральный директор Coinbase Брайан Армстронг говорит что лучший способ контролировать растущие расходы на ИИ — использовать более дешевые открытые модели, включая системы из Китая, такие как GLM 5.2. 

Армстронг сказал, что вместо того, чтобы тратить все больше и больше на ИИ, компаниям нужны «лучшие параметры по умолчанию, маршрутизация и кэширование». Его предложение использовать китайские модели, даже если они дешевле, вызвало опасения по поводу безопасности и политических рисков. 

Помимо удобной цены, GLM 5.2 использует лицензию MIT, что означает, что компании могут загружать ее, изменять и запускать на своих собственных серверах, устраняя любой риск отправки конфиденциальных данных компании во внешнее API. 

Расходы на ИИ стали реальной проблемой, заставив компании отказаться от использования технологии в операциях. 

Cryptopolitan недавно сообщалось что Uber израсходовал весь свой бюджет на ИИ-кодинг на 2026 год к апрелю и теперь ограничивает инженеров суммой $1,500 за инструмент в месяц. Meta отправила меморандум с предупреждением об «экспоненциальном росте» использования ИИ и начала внедрять контроль расходов. Amazon отменил внутренний рейтинг, который ранжировал сотрудников по потреблению ИИ, потому что люди манипулировали им, увеличивая затраты. 

Опрос KPMG показал, что только 26% компаний имеют полную видимость своих расходов на ИИ, в то время как 22% узнают о расходах только после получения счета. Goldman Sachs прогнозирует, что потребление токенов ИИ может вырасти в 24 раза к 2030 году, достигнув 120 квадриллионов токенов в месяц.

Международная корпорация данных (IDC) прогнозирует, что к 2028 году 70% ведущих предприятий, использующих ИИ, будут использовать несколько моделей, а не полагаться на одного поставщика. 

Что делает китайские AI-модели рискованными?

Облачное API Z.ai, которое позволяет разработчикам и компаниям использовать его AI-модели (включая GLM 5.2), подпадает под действие Закона о национальной разведке Китая. Это вызывает реальные опасения у любой компании, имеющей дело с конфиденциальной информацией. 

В мае законодатели США начали официальное расследование кибербезопасности рисков от китайских AI-моделей в критической инфраструктуре. 

Также существуют опасения, что модели, обученные в разных правовых системах, могут иметь нераскрытое поведение. В дополнение к этому, разработчик ИИ протестировал GLM 5.2 против GPT-5.5 на задаче отладки и обнаружил, что она «даже близко» не соответствует способности модели OpenAI выявлять проблемы, несмотря на сообщения о том, что китайские модели превосходят свои более дорогие аналоги. 

Anthropic раскрыла в открытом письме в Комитет по банковским делам Сената, что операторы Alibaba Qwen провели 28,8 миллиона обменов Claude через около 25 000 фейковых аккаунтов между апрелем и июнем. Они назвали это крупнейшей известной кампанией по краже возможностей модели. 

Самостоятельное размещение открытых весов устраняет риск маршрутизации данных через API, поскольку компании, запускающие модель на своих собственных серверах, не отправляют данные в Китай. Но опасения по поводу самих моделей остаются.