Время, когда стартап должен был выбрать между открытыми моделями и API frontier компаний вроде OpenAI, похоже, проходит. На практике всё чаще встречаются гибридные подходы: компании комбинируют разные модели для разных задач, кастомизируют открытые веса под конкретные нагрузки, а то и сразу строят на нескольких слоях одновременно. Это даёт больше гибкости, но и создаёт новую сложность — нужно думать не только о качестве и цене отдельной модели, но и о том, как вся архитектура будет развиваться, когда появятся более эффективные решения.

На TechCrunch Disrupt 2026 (13-15 октября в Сан-Франциско) несколько панелей разбирают именно эту проблему. Например, сессия про multi-model подход соберёт основателей Together AI и Pathway с инвестором CapitalG — они поговорят о том, когда открытые модели реально выигрывают у proprietary, как это влияет на операционные издержки и почему гибкость становится конкурентным преимуществом. Идея простая: если ты не привязан к одной модели, ты быстрее адаптируешься, когда на рынке появится что-то лучше.

Но выбор модели — это только верхушка айсберга. Реальный вопрос посложнее: что вообще должен строить стартап сам, а что арендовать? Мanos Koukoumidis из Oumi проведёт практическую сессию про три варианта — использование frontier API, кастомизацию открытых моделей или создание собственной. Логика в том, что чем больше ты владеешь стеком, тем больше контроля и дифференциации, но тем больше нужно ресурсов и времени. Это не универсальный ответ, это архитектурное решение, которое зависит от того, что ты хочешь добиться.

Nvidia тоже будет участвовать с разговором о том, как выбор модели влияет на долгосрочную стратегию продукта. На первый взгляд просто: frontier API дороже, но ты не держишь ответственность за обновления; открытые модели дешевле и дают контроль, но требуют больше инженерных ресурсов. На самом деле — сложнее: это влияет на всё, от инфраструктурных требований до того, где ты вообще можешь создать differentiation, который конкуренты не смогут скопировать за неделю.

Отдельно интересна сессия про то, как сам ИИ начинает оптимизировать железо, на котором работает. Ricursive Intelligence рассказывает про связь между архитектурой модели и дизайном чипов — это не просто отвлечённая идея, а реальный сдвиг в том, как развивается индустрия. Для стартапов это может значить, что новые возможности доходят до них быстрее, потому что чип-разработка ускоряется.

В России этот тренд уже заметен. Компании, которые строят ИИ-приложения (от автоматизации контента до аналитики данных), сталкиваются с той же дилеммой: взять готовый API из-за границы, использовать открытые модели типа Llama, или вложиться в собственное. Если выбираешь открытые модели — можно развёртывать локально, что упрощает работу с регулированием и данными. Если идёшь на API — нужно думать о том, как изменения в ценах или доступности повлияют на экономику продукта. На практике многие российские проекты идут гибридным путём: основной сервис на открытой модели, но для специальных задач (где по качеству нужно лучше) подключают и внешние API. Это требует правильной архитектуры, но обеспечивает нужную гибкость на нынешнем этапе нестабильности рынка.

Конференция соберёт более 10 тысяч участников, включая основателей, инвесторов и операторов. Это не просто про ИИ, это про то, как выглядит нормальный процесс принятия архитектурных решений в 2026 году — когда выбор уже не бинарный, а многомерный, и твоя способность остаться гибким может стоить дороже, чем сам выбор модели.