AI-стартап Lindy — платформа для создания AI-агентов без кода — полностью убрал Claude из своего стека и перешёл на DeepSeek. Причина прямолинейная: затраты на AI-инфраструктуру превысили расходы на весь персонал компании. CEO Фло Кривелло назвал этот шаг «вопросом выживания бизнеса» — и это не фигура речи.
Контекст
Lindy строит платформу для no-code автоматизации на базе больших языковых моделей: пользователи собирают AI-агентов для продаж, поддержки, HR, личной продуктивности. Такие продукты — по сути API-обёртки над LLM, которые делают сотни тысяч вызовов в сутки. При такой архитектуре стоимость инференса — не статья бюджета, а основа юнит-экономики. Копейки на токен умножаются на миллиарды токенов в месяц.
DeepSeek вошёл в 2025–2026 годах как одна из наиболее конкурентоспособных по цене альтернатив: публичные тарифы его API значительно ниже топовых моделей Anthropic при сопоставимом качестве на широком классе задач. Для Lindy, у которой модельный вызов происходит по каждому сценарию каждого пользователя, разница в стоимости токена — это разница между прибыльным и убыточным бизнесом.
Anthropic позиционирует Claude как premium-провайдера: безопасность, выравнивание, качество рассуждений. Это работает для enterprise-сегмента с крупными договорами и compliance-требованиями. Для AI-нативных стартапов, где токены — это прямая себестоимость, такой ценник превращается в барьер на пути к масштабированию.
Аналитика
История Lindy — не исключение. Это симптом структурного сдвига в AI-стеке. Первое поколение AI-стартапов строилось на OpenAI и Anthropic, потому что альтернатив просто не существовало. Теперь рынок предлагает конкурентоспособные открытые и полуоткрытые модели: DeepSeek, Qwen, Mistral. Стартапы, которые не пересматривают модельный стек каждые несколько месяцев, фиксируют затраты, растущие быстрее выручки.
Для Anthropic это реальное давление на API-бизнес. Корпоративные контракты и research-сегмент остаются. Но AI-native стартапы — именно тот слой, который потенциально генерирует самый массовый токен-трафик. Если он системно мигрирует к более дешёвым провайдерам, долгосрочная ценность API-направления оказывается под вопросом.
Параллельно складывается новый паттерн: компании строят мульти-модельные стеки — дешёвая модель для рутинных запросов, дорогая — только для сложных рассуждений или задач с высокими требованиями к качеству. Lindy пошла дальше и убрала дорогую модель полностью. Это говорит о том, что DeepSeek уже достаточно покрывает их product-сценарии без компромиссов, которые были бы видны пользователю.
Кейсы применения в бизнесе
B2B-SaaS стартап с AI-функциями (генерация контента, саммари, классификация, ответы на тикеты) тратит на LLM-API значительную долю операционных расходов. Аудит модельного стека с переводом рутинных задач на DeepSeek — это прямое улучшение маржи без потери качества продукта. Начать стоит с профилирования: какой процент токенов уходит на задачи, где не нужен «лучший в мире» ответ? По опыту индустрии это 70% и более.
Корпорация с legacy-инфраструктурой использует Claude через vendor-контракт с SLA. Кейс Lindy — аргумент для внутреннего аудита: какие из сценариев реально требуют premium-модели, а какие можно выполнить дешевле? Гибридный подход снижает счёт, не нарушая compliance-требования к чувствительным данным.
SMB или локальный бизнес в КР/СНГ с ограниченным бюджетом: если вы тестируете AI-автоматизацию — чат-боты, обработку заявок, отчёты — DeepSeek через OpenRouter или прямой API открывает возможность запустить пилот с реалистичной экономикой, не дожидаясь появления бюджета на дорогого провайдера.
Кейсы в личной жизни
Разработчик, который платит за несколько AI-подписок или гоняет батч-задачи: DeepSeek доступен через API-совместимые с OpenAI эндпоинты. Переключить проект на более дешёвый интерфейс для тестовых прогонов и фоновых задач — это 20–30 минут конфигурации с заметным эффектом на счёт.
Контент-мейкер или фрилансер, работающий с AI в больших объёмах (черновики, адаптации, исследования): при интенсивном использовании собственные API-ключи дешевле любой подписки. DeepSeek входит в топ по соотношению цена/качество именно на задачах генерации и редактуры текста.
Студент или исследователь: DeepSeek показывает сильные результаты на аналитических и математических задачах. Для учёбы и работы с данными — реальная альтернатива более дорогим моделям без значимых потерь в качестве рассуждений.
Как применить сегодня
- Посчитайте, сколько вы тратите на LLM-API в месяц — и разбейте по типам задач: генерация, классификация, саммари, сложные рассуждения. Скорее всего, большинство запросов не требуют топовой модели.
- Протестируйте DeepSeek на ваших рутинных сценариях через OpenRouter — сравните качество и стоимость с текущим стеком.
- Внедрите маршрутизацию: дешёвая модель по умолчанию, дорогая — только по флагу сложности или требований безопасности.
- Пересматривайте модельный стек каждые 3–6 месяцев — рынок меняется быстрее, чем большинство vendor-контрактов.
- Если вы строите agentic-продукт: считайте стоимость на одного пользователя в месяц до запуска, не после.