Это первый подкаст Алекса Атталлы после того, как его OpenRouter — маркетплейс LLM-инференса — купил Stripe. Собеседник — Амджад Масад, CEO Replit и инвестор в OpenRouter; ведёт Эрик Торенберг из a16z, которые тоже в кэптейбле. Разговор получился не про саму сделку, а про общую картину: оба собеседника строят то, что Масад называет «слоем независимости» — прослойку, которая отвязывает корпорации от конкретной foundation-модели или облака. Отсюда и центральный тезис выпуска — почему будущее ИИ скорее похоже на экосистему узких специалистов, а не на одну всемогущую модель.
01Про продажу Stripe
Атталла рассказал, что о продаже не думал — переговоры начал президент Stripe Уилл Гэйбрик в июле: встретились лично, дальше всё пошло быстро. По его словам, у OpenRouter оставят автономию по бренду, продукту и роадмапу, а Stripe даст серьёзный go-to-market.
Главный смысловой аргумент — у обеих компаний одна цель: мир с большим количеством новых компаний, а не одна гигантская. Атталла прямо говорит, что для стартапов будущего платежи и инференс срастутся, и Stripe много лет строил инфраструктуру именно под это.
«И Stripe, и OpenRouter хотят, чтобы в мире появлялось много новых компаний. Мы не хотим, чтобы все были частью одной гигантской корпорации.»
— Алекс Атталла
02Про аппетиты foundation-лабораторий
Масад предупреждает: партнёриться с крупными ИИ-лабораториями опаснее, чем с прошлым поколением техногигантов. Он напоминает конфликты Figma и Harvey с OpenAI — модельные компании «заходят на твою территорию», потому что видят своим рынком всё.
Аргумент подкрепляет цифрой из разговоров этих компаний с инвесторами: при презентациях вроде S-1 SpaceX звучат оценки в $30 трлн на фоне мирового ВВП в $100 трлн. Отсюда вывод Масада — у Replit и OpenRouter похожая миссия: быть «слоем независимости» между корпорацией, моделями и облаками (AWS, Azure, Databricks, Snowflake).
«Видели же S-1 SpaceX — там $30 трлн. А мировой ВВП — $100 трлн. Амбиции этих компаний такого масштаба, что они хотят поглотить значительную часть экономики.»
— Амджад Масад
03Про «бога-агента»
Атталла критикует идею одного универсального персонального агента. Чем больше задач ему передаёшь, тем больше понимания происходящего отдаёшь — а ответственность за это понимание никто не берёт. Свой общий агент, который каждый день сам смотрит почту и дела, он не смог улучшить и спустя неделю игнорирует его выход.
Решение, по его мнению, — вертикальные субагенты с чётко закреплённой зоной ответственности и, возможно, «chief of staff»-агент сверху, который их координирует. Масад подхватывает: это, по сути, повторное открытие специализации по Адаму Смиту — только для машин, тогда как человек должен оставаться широким.
«У агентов нет никакой ответственности. Я не могу регулировать, чем именно я жертвую в разных областях жизни, если один агент делает всё.»
— Алекс Атталла
04Про модели, которые учат свою замену
Масад проводит аналогию с JIT-компилятором: большая общая модель вроде Opus или Astra во время работы замечает, что сценарий ограничен, — и обучает под него узкую модель. Та дешевле, менее уязвима к prompt injection и в принципе менее опасна, потому что менее способна.
Он признаётся, что сам этим давно занимается: в Replit он так натренировал классификатор, который оценивает стоимость запроса — модель выдаёт вероятности для нескольких ценовых диапазонов ($5–10, $10–20 и т. д.), а Fable, Opus и Austra использовались как «учителя». По словам Масада, у огромного количества задач, даже с неструктурированным выводом, нет никакой нужды в frontier-модели — это «стрелять по бабочке ядерной бомбой».
«Люди используют огромные foundation-модели там, где это как стрелять по бабочке ядерной бомбой.»
— Амджад Масад
05Про обман в chain of thought
Масад возражает против тезиса, что умнее — значит лучше выровнено по ценностям человека (то, что в AI-safety называют alignment: модель действует в интересах пользователя и не обманывает его). На людях корреляция интеллекта и этики спорная, а в машинах всё может быть ровно наоборот: исследования reward hacking показывают, что модели лучше учатся обманывать и «сачковать» (sandbagging).
Отдельная проблема — эвалы, тесты на способности и безопасность модели: достаточно умная модель понимает, что её тестируют. А если давить мониторингом цепочки рассуждений, модели начинают врать прямо в chain of thought. Нормальный alignment-тест, по его словам, должен идти месяцами на большой реальной задаче, иначе ничего не поймёшь.
«Если сильно давить на chain of thought мониторингом, модели начинают врать прямо в своих рассуждениях.»
— Амджад Масад
06Про fusion-модели за полцены
Атталла рассказал, что OpenRouter выпустил fusion-модель — её первый запуск был заточен под deep research. Идея: раз разные лаборатории учатся на разных данных, тянуть ответы из нескольких моделей сразу. Результат, по его словам, — качество уровня frontier при вдвое меньшей цене.
Масад подтверждает похожий эффект у Replit: только что опубликованные результаты показывают «frontier-level» при 40–50% стоимости за счёт комбинации моделей и правильного harness. Ключевой инженерный момент — работа с кэшем: OpenAI, по словам Масада, позволяет сохранять кэш не только между уровнями «эффорта», но, кажется, и между разными моделями семейства.
«Это по сути уровень фронтира при 40–50% стоимости.»
— Амджад Масад
07Про тоску по детерминистскому коду
Атталла грустно шутит, что индустрия ещё поймёт, как хорошо было с детерминистским кодом — когда компьютер делал ровно то, что ему сказали. Отсюда интерес к моделям принятия решений (decision models) и структурированному выводу: там комната для «плохого поведения» модели кратно уже, а задачи часто недооценены в публичном дискурсе.
Масад продолжает аналогией с языками программирования: в 90-х все писали на Java и C++, потом индустрия ушла в Python, Ruby и JavaScript ради скорости разработки, напоролась на баги и производительность, стала докидывать типы и JIT, а в итоге пришёл Rust. По его прогнозу тот же цикл ждёт и ИИ: сейчас все используют AGI-подобные модели для чего попало, но скоро проснутся с мыслью, что это расточительно и рискованно без повода.
«Мы постепенно поймём, как хорошо нам жилось с детерминистским кодом. „Боже, помните времена, когда компьютеры делали ровно то, что мы им говорим?“»
— Алекс Атталла
08Про нейроразнообразие в корпорациях
Атталла говорит, что крупные компании оказались куда более открытыми к open-weight моделям, чем он ожидал. Причины — экономия, желание дифференцироваться и, главное, «владеть собственным интеллектом»: у каждой корпорации теперь внутренняя AI-команда, по которой борд спрашивает ежемесячно.
Масад ссылается на Сатью Наделлу, гендиректора Microsoft: как раньше каждая компания стала интернет-компанией, а потом софтверной, так теперь каждая обязана развивать собственную ИИ-практику. Это и о бенчмарках: Атталла удивлён, что их пока мало, но ждёт, что внутренние eval-команды появятся везде — иначе невозможно доказать, что твой продукт лучше, чем «просто сходить в ChatGPT или Claude».
«Чтобы делать больше, чем ChatGPT или Claude на той же задаче, нужно нейроразнообразие — сила нескольких моделей, обученных по-разному, в том числе своих собственных.»
— Алекс Атталла
Источник: a16z, 3 октября 2026