Base44 запустила свою LLM: когда строить модель стартапу
29 июня 2026 года платформа для создания приложений на естественном языке Base44, купленная Wix за $80 млн год назад, начала rollout собственной языковой модели Base1. Компания из Тель-Авива, у которой на момент покупки было восемь сотрудников и полгода работы, теперь делает ставку на собственный LLM вместо использования готовых моделей от OpenAI, Anthropic или других frontier-лабораторий.
Источник: TechCrunch
Для владельца или руководителя AI-стартапа это не просто новость о конкуренте. Это сигнал к проверке собственной стратегии: когда имеет смысл разрабатывать свою модель, а когда это приведёт к лишним затратам и потере фокуса. В статье — разбор факторов, которые стоит оценить до принятия решения.
Что именно произошло и почему это важно
Base44 начала развёртывание собственной LLM под названием Base1. Модель обучена на датасете, собранном из «десятков миллионов реальных взаимодействий пользователей» на платформе. Основатель компании Маор Шломо объясняет решение так: «Обучение и владение моделью как частью всего стека позволяет нам гораздо больше оптимизировать задержку, стоимость и эффективность».
Ключевой контекст: Base44 — не лаборатория, а прикладная платформа (vibe-coding), которая позволяет пользователям создавать приложения через естественный язык. Год назад Wix купил её за $80 млн, когда компания существовала всего полгода. Теперь она переходит от использования внешних моделей к собственной разработке.
Практическое следствие: если стартап, который строит бизнес поверх чужих моделей, решает, что ему нужна своя LLM, — значит, вопрос защищённости (defensibility) бизнеса стал критическим. Венчурный партнёр Headline Джонатан Узеровичи, чей портфель включает Mistral AI, называет три ключевых ингредиента защищённости AI-стартапа: данные, дистрибуция и технологический стек.
Когда собственная модель оправдана: три условия
Не каждому стартапу нужна своя LLM. Пример Harvey — юридический tech-стартап, который отказался от планов обучать собственную модель, — показывает, что решение может быть ошибочным. Узеровичи не ожидает, что прикладные AI-компании массово превратятся в frontier-лаборатории.
Вот три условия, при которых собственная модель может быть оправдана:
1. Достаточный объём уникальных данных. Base44 использовала «десятки миллионов» взаимодействий пользователей. Это не просто логи — это данные о том, как люди формулируют запросы, какие приложения создают, где ошибаются. Если у вас нет сопоставимого объёма релевантных данных, собственная модель не даст преимущества.
2. Масштаб, при котором затраты на inference становятся значимыми. Узеровичи отмечает, что стоимость inference стала существенной частью уравнения. Корпоративные клиенты уже требуют оптимизации: «Они не обязательно видят возврат инвестиций при использовании последних моделей для всех сценариев». Если вы платите за API frontier-моделей десятки тысяч долларов в месяц, своя модель может окупиться.
3. Специализация, которую общие модели не закрывают. Шломо считает, что frontier-модели останутся общими: «Модели прогрессируют, но они останутся очень общими в том, что могут делать». Если ваш сценарий требует узкой экспертизы — например, генерация кода для конкретного фреймворка или работа с отраслевой терминологией, — специализированная модель может быть эффективнее.
Что меняется в затратах и контроле
Переход на собственную модель влияет на три ключевых параметра:
| Параметр | Использование frontier-моделей | Собственная модель |
|---|---|---|
| Затраты на разработку | Низкий порог входа, оплата по использованию | Высокие начальные инвестиции в обучение и инфраструктуру |
| Контроль над качеством | Зависимость от изменений провайдера | Полный контроль, но ответственность за поддержку |
| Скорость и задержка | Ограничена API провайдера | Возможность оптимизации под свой сценарий |
| Защищённость бизнеса | Низкая — конкуренты могут использовать те же модели | Высокая — уникальные данные и модель как барьер |
Шломо прямо говорит об оптимизациях latency, cost и efficiency. Для Base44, где пользователи создают приложения в реальном времени, задержка критична. Если ваш продукт тоже чувствителен к скорости ответа, собственная модель может дать преимущество.
Риски и что может пойти не так
Решение Base44 — не универсальный рецепт. Вот что стоит проверить до того, как принимать аналогичное решение:
Риск 1: Недооценка frontier-моделей. Узеровичи предупреждает: нельзя недооценивать frontier-модели. Пример Harvey показывает, что даже в узкой юридической области отказ от собственной модели может быть правильным решением. Frontier-лаборатории быстро улучшают свои модели, и ваша специализированная модель может устареть.
Риск 2: Конкуренция со стороны тех же лабораторий. Cursor и xAI (Grok) теперь принадлежат SpaceX, Claude Code стал игроком в vibe-coding. Frontier-лаборатории получают доступ к данным и обратной связи, которые используют для улучшения своих моделей. Ваша ниша может быть занята до того, как вы закончите обучение.
Риск 3: Затраты на инфраструктуру. Обучение и поддержка собственной модели требуют не только денег, но и команды. Base44 — часть Wix, у неё есть ресурсы. Для небольшого стартапа затраты на инженеров MLOps, GPU-кластеры и поддержку могут превысить выгоду.
Риск 4: Данные не дают преимущества. Если ваши данные не уникальны или их объём недостаточен, собственная модель не создаст защищённости. Конкуренты могут собрать аналогичные данные или использовать те же открытые датасеты.
Что проверить на этой неделе: практический чек-лист
Если вы рассматриваете разработку собственной модели для своего AI-продукта, вот пять конкретных проверок:
- [ ] Оцените объём уникальных данных. Есть ли у вас хотя бы миллионы релевантных взаимодействий? Не просто логов, а данных, которые отражают специфику вашего сценария.
- [ ] Посчитайте текущие затраты на inference. Сколько вы платите за API frontier-моделей в месяц? При каком объёме собственная модель окупится?
- [ ] Проверьте, насколько ваша задача специфична. Может ли общая модель (GPT-4, Claude, Gemini) решить её с приемлемым качеством? Если да, своя модель не нужна.
- [ ] Оцените скорость изменений у конкурентов. Если frontier-лаборатории уже входят в вашу нишу (как Anthropic с Claude Code), ваше окно возможностей может быть узким.
- [ ] Посчитайте стоимость команды и инфраструктуры. Обучение модели — это не разовый проект. Вам понадобятся инженеры, GPU, мониторинг и поддержка.
Что делать, если решение ещё не принято
Не торопитесь следовать примеру Base44. Вот три шага, которые можно сделать без крупных инвестиций:
- Проведите аудит данных. Соберите статистику по взаимодействиям пользователей. Оцените, какие паттерны повторяются и могут быть эффективно обработаны специализированной моделью.
- Протестируйте гипотезу на маленьком датасете. Возьмите открытую модель (например, Llama или Mistral) и дообучите её на своих данных. Это покажет, даёт ли специализация реальное улучшение.
- Поговорите с корпоративными клиентами. Узеровичи отмечает, что enterprise-клиенты уже требуют оптимизации затрат. Если ваши клиенты готовы платить за специализированное решение, это аргумент в пользу собственной модели.
Источники
Генерация изображения
- Модель:
flux-schnell - Провайдер:
replicate
Темы журнала
Что почитать дальше
- Claude Code без Anthropic API: подключение китайских LLM GLM 5 и экономия
- Claude пишет 80% кода в Anthropic: почему ревью стало узким местом
- Anthropic исследование Claude Code: 4% разницы — риск для production
- Claude Opus 4.8: почему новая модель Anthropic стала лучшим AI для кодинга
- Clipia MCP для Claude Code, Cursor и Codex: генерация фото и видео через AI-агента вместо отдельного сервиса
