Open-source LLM против закрытых API: сколько это стоит на самом деле

Коротко: что значит «реальная стоимость» и кому это важно

Когда команда сравнивает open-source LLM против API, стоимость почти всегда считают неправильно: за open-source ставят ноль, потому что «лицензия бесплатная», а за API — цену за токены из прайса. На 2026 год это ловушка. Открытая модель вроде Llama или Qwen действительно бесплатна по лицензии, но не в эксплуатации: вы платите за GPU (покупка или аренда — ориентировочно от 60 000 ₽/мес за одну серьёзную карту в облаке), за инженеров, которые всё это держат в живом состоянии, и за простои, когда что-то падает. Это и есть TCO — совокупная стоимость владения. Закрытый API, наоборот, кажется дорогим по цене за миллион токенов, но не требует ни серверов, ни дежурного DevOps. Вывод простой: «бесплатно» и «дёшево» — разные вещи, и для 90% команд в 2026 году правильный ответ зависит не от идеологии, а от объёма нагрузки и наличия людей.

Эта статья — для тех, кто принимает решение деньгами, а не хайпом: CTO стартапа, который прикидывает окупаемость GPU-сервера; фаундера без глубокого DevOps, выбирающего между «своей» моделью и API; ML-инженера, считающего цену за 1M токенов на vLLM против OpenAI; и финдира, который просто хочет снизить расходы на нейросети. Дальше — конкретные диапазоны цен, три сценария нагрузки в цифрах, точка безубыточности и отдельный разбор про Россию: VPN, оплата картой и где open-source реально даёт независимость.

Кстати, чтобы прикинуть выгоду, необязательно сразу арендовать GPU или заводить зарубежную карту. В Zerocoder доступ к 25+ моделям — и открытым, и закрытым — собран в одном рабочем пространстве: работает из России без VPN, оплата российскими картами, а при регистрации дают бесплатные кредиты. Удобно протестировать нагрузку и цифры на реальных задачах, прежде чем что-то разворачивать у себя.

Две модели: закрытый API vs self-hosting open-source — как они устроены

Есть два принципиально разных способа получить работающую LLM в продукте, и они устроены по-разному не только технически, но и финансово. Закрытый API (OpenAI, Anthropic, Google) — это модель «плати по счётчику»: вы отправляете запрос, платите за токены, инфраструктуру держит вендор. Ноль капитальных затрат, мгновенный старт, но стоимость линейно растёт с объёмом. Self-hosting open-source — это модель «плати за мощность»: вы берёте открытую модель (на волне open-source ИИ вроде Yi-34B от 01.AI таких вариантов стало действительно много), поднимаете её на своих или арендованных GPU и платите за железо и людей — вне зависимости от того, обрабатываете вы 10 запросов в день или 10 миллионов. На 2026 год ключевое различие: API дорожает от нагрузки, self-hosting дорожает от простоя. Для низких объёмов почти всегда дешевле API; для высоких и стабильных — своя инфраструктура. Всё остальное — детали этих двух кривых.

Что вы платите за закрытый API (токены, тарифы, лимиты)

За закрытый API вы платите тремя вещами. Первая — токены: отдельно за входные (ваш промпт и контекст) и отдельно за выходные (ответ модели), причём выходные обычно в 3–5 раз дороже. Вторая — тарифная сетка: у одного вендора несколько моделей, от дешёвых «mini» до флагманов, и разница в цене между ними легко 10–20×. Третья — лимиты: rate limits по токенам в минуту, которые на старте душат нагрузку и требуют запроса на повышение. Плюсы очевидны: ноль вложений в железо, всегда свежая версия модели, SLA вендора. Минус — вы не контролируете ни цену (вендор меняет её сам), ни доступ.

Что вы платите за open-source (железо, люди, время)

За open-source вы платите тремя другими вещами, и токены в этот список не входят. Первая — железо: GPU под инференс, память, диск, сеть. Вторая — люди: инженер, который развернёт vLLM или аналог, настроит батчинг, квантизацию и мониторинг, а потом будет это обслуживать. Третья — время: недели на первый запуск и постоянный «налог» на обновления и инциденты. Взамен вы получаете полный контроль: модель не «уедет» из-под вас, данные не покидают периметр, а при высокой нагрузке цена за токен стремится к стоимости электричества. Именно поэтому open-source окупается не сразу, а после определённого порога объёма.

Из чего складывается TCO open-source LLM

TCO (total cost of ownership) open-source LLM на 2026 год складывается минимум из трёх крупных статей, и «покупка видеокарты» — только верхушка. Первая статья — вычисления: GPU в аренду обходятся ориентировочно в 60 000–200 000 ₽/мес за одну производительную карту уровня A100/H100-класса в облаке; покупка такой карты — это единовременно от 1,5–3 млн ₽ плюс сервер, размещение и электричество. Вторая статья — люди: MLOps/DevOps-инженер, который поднимает и обслуживает инференс, — это от 200 000 ₽/мес за часть его времени, и без него система живёт ровно до первого сбоя. Третья статья — простои и риски: обновления моделей, патчи безопасности, деградация под нагрузкой. На практике «голая» аренда GPU — это лишь 40–60% реального TCO; остальное — незаметные, но неизбежные расходы. Вывод на 2026: считать open-source «бесплатной» можно только до того момента, как её кто-то запустит в проде.

GPU: покупка vs аренда (цены 2026)

Главная развилка — арендовать GPU или покупать. Ориентиры на 2026 год (диапазоны, зависят от провайдера и региона):

Правило простое: если GPU не загружен близко к 100% почти всё время, аренда почти всегда дешевле покупки — купленная карта, простаивающая по ночам, всё равно «сжигает» амортизацию.

DevOps и MLOps: скрытая статья расходов

Это та самая строка, которую забывают в расчётах чаще всего. Развернуть модель — полдела; держать её стабильной под реальной нагрузкой — это отдельная постоянная работа: очереди и батчинг запросов, квантизация ради экономии памяти, автоскейлинг под пики, логирование, алерты, дежурства. Если своего профильного инженера нет, вы либо нанимаете (дорого и не сразу), либо пытаетесь усадить за это бэкендера, который в LLM-инференсе не силён — и тогда платите скрытую цену деградацией сервиса. Как вариант — точечно нанять эксперта по автоматизации под конкретную задачу, а не держать полную ставку в штате.

Простои, обновления, безопасность

Своя LLM — это сервис, который может упасть, и падение стоит денег: пока инференс лежит, ваш продукт не работает. Добавьте регулярные обновления моделей (вышла новая версия — надо тестировать и мигрировать), патчи безопасности и защиту эндпоинта от злоупотреблений. У закрытого API всё это — забота вендора и заложено в цену токена. У self-hosting это ваша ответственность, и её тоже нужно оцифровать: заложите хотя бы 10–20% сверху к «железным» расходам как резерв на инциденты и поддержку.

Из чего складывается стоимость закрытого API

Стоимость закрытого API на 2026 год выглядит обманчиво простой — «цена за миллион токенов» — но реальный счёт формируют минимум пять факторов. Базовый — цена за входные и выходные токены, где выходные дороже в 3–5 раз. Дальше идут множители, которые люди недооценивают: длинный контекст (каждый запрос тащит за собой инструкции и историю — это входные токены, за них платят каждый раз), повторные вызовы при ошибках (retries), отдельная тарификация эмбеддингов, а также разница между дешёвыми и флагманскими моделями внутри одного вендора. Диапазон на 2026 огромен: лёгкие модели стоят копейки за миллион токенов, флагманы — в десятки раз дороже, и, что важно, вендоры регулярно пересматривают прайс — подробнее о том, почему закрытые нейросети дорожают в 2026, стоит почитать отдельно. Вывод: «цена за токен» из прайса — это стартовая, а не итоговая цифра; реальный чек умножается на длину контекста и количество вызовов.

Цена за 1M входных/выходных токенов

Ключевая метрика для сравнения с self-hosting — стоимость за 1M токенов. Держите в голове три вещи. Первое: считать надо раздельно вход и выход, потому что в чат-сценарии выход небольшой, а в генерации длинных текстов — наоборот. Второе: между моделями одного вендора разброс достигает 10–20×, поэтому под простые задачи (классификация, короткие ответы) грех платить как за флагман — правильный подбор модели под задачу экономит больше, чем любая инфраструктурная оптимизация. Третье: именно на этой метрике self-hosting и API сходятся в одной точке, о которой ниже. Разумный подход — заранее решить, как выбрать закрытую модель под конкретную задачу, а не гонять всё через самую дорогую.

Скрытые множители: контекст, retries, эмбеддинги

Три множителя, которые превращают «дешёвый» API в неприятный счёт:

• Контекст. Если вы в каждый запрос кладёте системный промпт на 2000 токенов плюс историю диалога, вы платите за них снова и снова. При тысячах запросов это основная статья расхода.
• Retries. Таймауты и ошибки приводят к повторным вызовам. Один неудачно настроенный ретрай-механизм способен удвоить счёт незаметно.
• Эмбеддинги. Если у вас RAG-поиск, векторизация документов тарифицируется отдельно, и на больших базах это заметная сумма.

Хорошая новость: все три оптимизируются — кэширование промптов, разумные лимиты ретраев и батч-обработка эмбеддингов режут счёт на десятки процентов без потери качества.

Сравнение на цифрах: 3 сценария нагрузки

Универсального ответа «что дешевле» не существует — есть ответ под ваш объём. На 2026 год разница между тремя типовыми сценариями кардинальная: то, что разоряет на пет-проекте, окупается на высоконагруженном сервисе, и наоборот. Ниже — три реалистичных профиля с порядком цифр (диапазоны приблизительные, курс/тарифы меняются, но соотношение устойчиво). Общий принцип, который подтверждается на всех трёх: при низком объёме побеждает API (вы не платите за простаивающее железо), при среднем — «зависит от людей и стабильности нагрузки», при высоком и ровном — начинает выигрывать self-hosting. Если ваша задача — например, писать длинные тексты нейросетью или пачками генерировать статьи, обратите внимание: у вас большой выход токенов, и экономика сдвигается в сторону, где важнее цена за выходной токен, а не за входной.

Пет-проект / MVP (низкий объём)

Профиль: до ~50–100 тыс. запросов в месяц, короткие ответы. Через API это буквально сотни рублей — тысячи в месяц, ноль забот об инфраструктуре. Через self-hosting вам всё равно придётся оплачивать GPU-сервер целиком (от 60 000 ₽/мес), даже если он загружен на 3%. Итог однозначный: на этом объёме своя LLM дороже в разы, а то и на порядок. Вердикт — API или управляемый доступ, точка. Разворачивать железо здесь не окупается ничем, кроме желания «поиграться».

Продукт со стабильной нагрузкой (средний объём)

Профиль: миллионы токенов в день, ровная нагрузка. Здесь начинается настоящая математика. Через API вы можете выйти на десятки — сотни тысяч рублей в месяц. Через self-hosting один-два арендованных GPU (условно 120 000–250 000 ₽/мес) плюс частичная ставка инженера могут дать сопоставимую или чуть меньшую сумму — но только если железо загружено плотно и не простаивает. Именно в этой зоне решают детали: наличие DevOps, стабильность нагрузки, требования к данным. Честный вывод — «зависит», и считать надо на своих цифрах, а не по чужим кейсам.

Высоконагруженный сервис (точка окупаемости GPU)

Профиль: десятки-сотни миллионов токенов в сутки, круглосуточно. Здесь API по цене за токен становится дорогим удовольствием, а купленные или долгосрочно арендованные GPU, загруженные почти на 100%, дают цену за токен в разы ниже. Это классическая зона, где self-hosting выигрывает — при условии, что у вас есть команда, которая держит это стабильно. На таком объёме экономия окупает и железо, и инженеров, и резерв на простои. Именно ради этого сценария open-source и разворачивают всерьёз.

Точка безубыточности: когда своя LLM реально дешевле API

Точка безубыточности своей LLM на 2026 год наступает там, где ежемесячная стоимость плотно загруженного GPU-парка (аренда/амортизация + инженеры + резерв на простои) становится ниже, чем счёт за тот же объём токенов через API. Практическое правило: пока GPU не загружен близко к 100% почти круглосуточно, вы платите за воздух, и API дешевле. Порог сильно зависит от модели и задачи, но ориентир такой — self-hosting начинает обгонять API по деньгам на устойчиво высоких объёмах (десятки миллионов токенов в сутки и выше), и почти никогда — на низких. Ниже этого порога закрытый API выгоднее почти всегда: у него нет фиксированной платы за простой. Критично важен один параметр — коэффициент загрузки: сервер, работающий 30% времени, автоматически удорожает вашу «дешёвую» токеновую цену в три раза. Вывод на 2026: своя LLM дешевле API не «в принципе», а только при высокой и стабильной утилизации плюс наличии людей, которые её обслуживают.

Простой тест на безубыточность: возьмите месячный счёт за API и месячную стоимость эквивалентного GPU-парка вместе с людьми. Если первый устойчиво больше второго — считайте self-hosting всерьёз. Если нет — вы просто добавите себе работы за те же или большие деньги.

Фактор России: VPN, оплата и доступность

Для команд из России ключевой фактор в 2026 году — не только цена за токен, но и сама доступность: часть закрытых API официально недоступна из РФ и требует обходных схем и зарубежной карты, тогда как управляемый доступ через российский сервис снимает оба барьера. Это переворачивает обычное сравнение: даже если по чистой цене за токен зарубежный API выглядит привлекательно, к нему нужно прибавить стоимость и риски доступа — VPN, иностранное юрлицо или карту, вероятность блокировки платежа. Open-source в этом смысле даёт независимость (модель работает на вашем железе, никто её не отключит), но возвращает нас к полному TCO с GPU и инженерами. Золотая середина для большинства российских команд на 2026 — не «свой сервер против зарубежного API», а управляемый доступ к обеим категориям моделей через платформу, которая работает из РФ без VPN и принимает оплату российской картой. Вывод: в России к цене всегда добавляется коэффициент доступности, и его нельзя игнорировать в расчётах.

Доступ к закрытым API из РФ

Прямой доступ к ряду зарубежных API из России ограничен: нужны VPN, иностранное юрлицо или посредники. Каждый из этих слоёв — это не только неудобство, но и риск: сегодня работает, завтра нет, а ваш прод завязан на этот канал. Для пет-проекта терпимо; для бизнеса, где недоступность стоит денег и репутации, — серьёзный фактор, который обязан попасть в расчёт наравне с ценой токена.

Оплата российской картой

Отдельная боль — оплата. Многие зарубежные вендоры не принимают карты РФ, и командам приходится городить схемы с иностранными картами или посредниками, теряя на комиссиях и времени. Управляемый доступ через российский сервис решает это в лоб: оплата российской картой, закрывающие документы для юрлица, предсказуемый счёт в рублях. Для финдира это часто важнее, чем разница в пару процентов по цене за токен.

Где open-source даёт независимость

Главный неценовой аргумент за open-source — суверенность. Модель на вашем железе не зависит от санкций, тарифных решений вендора и блокировок платежей; данные не покидают периметр, что критично для медицины, финансов и госсектора. Это реальная ценность — но она не бесплатна: вы платите за неё тем самым TCO. Поэтому open-source ради независимости имеет смысл там, где требования к данным или к бесперебойности перевешивают экономику, а не «просто чтобы было своё».

Пошагово: как посчитать вашу стоимость за час

Чтобы сравнить open-source и API на своих цифрах, не нужен целый аудит — достаточно часа и таблицы. Порядок такой:

1. Замерьте объём. Сколько запросов в месяц, сколько входных и выходных токенов на запрос (посмотрите в логах или прикиньте по типовому промпту и ответу).
2. Посчитайте счёт за API. Умножьте объёмы на цену за вход и выход выбранной модели. Не забудьте контекст в каждом запросе и запас на retries (+10–20%).
3. Посчитайте TCO self-hosting. Аренда/амортизация GPU + доля ставки инженера + резерв на простои (10–20%). Разделите на реальный коэффициент загрузки, а не на 100%.
4. Сравните и добавьте коэффициент доступности. Для РФ прибавьте к зарубежному API стоимость и риск VPN/карты.
5. Проверьте гипотезу на реальных задачах, прежде чем что-то разворачивать.

Если на шаге 3 вы понимаете, что своего инженера под LLM-инференс нет, — это не приговор, а сигнал: либо оставаться на управляемом доступе, либо точечно нанять эксперта по автоматизации под настройку и посчитать это как часть TCO, а не как «бесплатный» ресурс.

Частые ошибки в расчётах (и как не переплатить)

Большинство ошибок при сравнении open-source и API — одни и те же, и почти все они «в пользу» неверного решения развернуть своё. Вот главные:

• Считать open-source бесплатной. Лицензия — ноль, эксплуатация — нет. Без строки на GPU и людей расчёт заведомо неверен.
• Забыть про загрузку GPU. Делить стоимость сервера на «идеальные» 100% утилизации, хотя реально он загружен на треть.
• Игнорировать стоимость инженера. «Наш бэкендер справится» — до первого ночного инцидента.
• Брать цену токена из прайса без множителей. Контекст, retries и эмбеддинги легко удваивают счёт.
• Гонять всё через флагманскую модель. Простые задачи стоят в 10–20× дешевле на лёгких моделях.
• Не считать коэффициент доступности для РФ. VPN и карта — это тоже деньги и риск.

Если на любом из пунктов вы не уверены в цифрах — это как раз тот случай, когда дешевле привлечь того, кто поможет с автоматизацией и посчитает честно, чем разворачивать инфраструктуру «на глаз» и переплачивать месяцами.

Гибридный путь: единый доступ вместо «или-или»

На практике выбор редко бывает бинарным «своя LLM против API» — самая устойчивая по деньгам стратегия на 2026 год гибридная: дешёвые open-source-модели на потоковые массовые задачи, закрытые флагманы — точечно там, где нужно максимальное качество, и всё это под единым доступом, а не десятком разрозненных подписок. Разрозненность сама по себе дорого стоит: отдельные аккаунты, отдельные карты, отдельные лимиты, VPN под каждый сервис. Именно поэтому имеет смысл прикинуть, сколько на самом деле стоят подписки на нейросети, когда их несколько. Управляемый доступ к каталогу 25+ нейросетей в одном рабочем пространстве закрывает ту самую боль российских команд: без VPN, оплата картой РФ, единый счёт. А чтобы связать модели в рабочий процесс без своего сервера, необязательно писать инфраструктуру с нуля — можно собрать пайплайн без своего сервера на n8n, Make и AI-агентах. Для команд, которым нужны роли, лимиты и закрывающие документы, есть отдельные решения для бизнеса и команд.

Смысл гибрида в том, что вы платите за качество только там, где оно правда нужно, а массовый объём гоните через дешёвые модели — и при этом не тащите на себя GPU-парк, пока не дорастёте до его точки безубыточности.

Что дальше: как принять решение под свой кейс

Свести всё к одному решению проще, чем кажется, если опираться на объём, а не на моду. Три коротких правила на 2026 год:

• Низкий или нестабильный объём — берите API или управляемый доступ. Своё железо не окупится, зато добавит работы.
• Высокий и стабильный объём + есть команда — считайте self-hosting всерьёз, он реально дешевле после точки безубыточности.
• Вы из России и/или без сильного DevOps — гибридный управляемый доступ почти всегда выигрывает по деньгам и нервам: без VPN, оплата картой, единый счёт.

Практичный первый шаг — не покупать GPU и не заводить зарубежную карту, а протестировать нагрузку и цифры на живых задачах через один доступ к открытым и закрытым моделям, а уже потом решать, стоит ли что-то разворачивать у себя. Прикинуть бюджет под свой объём удобно на странице тарифов Zerocoder: там видно стоимость под реальную нагрузку без обязательств по железу.

FAQ