У розмові на подкасті 20VC засновник і CEO Replit Амджад Масад окреслює неприємну для багатьох AI‑оптимістів тезу: моделі для кодування наближаються до стелі своїх можливостей. Не до повної зупинки прогресу, а до асимптотичного плато на S‑кривій, де кожне наступне покращення стає дедалі дорожчим і менш відчутним.
Саме на цьому тлі, стверджує він, змінюється оптимальна стратегія для компаній: замість гонитви за щоразу більшими «фронтирними» моделями з’являється сенс вкладатися у власні, вузькоспеціалізовані системи, натреновані на приватних даних. Досвід Replit із власними моделями кодування, а також приклад Intercom у сфері підтримки клієнтів, показують, що кілька місяців переваги в продуктивності можуть вирішувати долю великих контрактів.
S‑крива кодування: від вибухового росту до асимптотичного плато
Масад описує еволюцію моделей для кодування як класичну S‑криву. Перші покоління систем на кшталт GPT‑3 дали відчутний стрибок: автодоповнення коду, генерація шаблонів, прискорення рутини. Наступні хвилі, включно з GPT‑3.5, ще раз змістили планку, але вже не так драматично. Далі — поступове згладжування.
На думку Масада, саме в кодуванні ми вже наближаємося до ділянки, де крива вирівнюється. Моделі стають кращими, але не настільки, щоб це радикально змінювало досвід розробника щоразу, коли виходить нова версія. Це не означає, що інновації закінчилися, але означає зміну співвідношення «вартість → виграш».
У період стрімкого росту кожен новий реліз моделі відкриває цілі класи задач, які раніше були недоступні. У фазі плато покращення частіше виглядають як зменшення кількості помилок, трохи кращий контекст, трохи менше «галюцинацій». Для кінцевого користувача це важливо, але вже не революційно.
Саме це, на думку Масада, і створює вікно можливостей для вузькоспеціалізованих рішень: коли загальні моделі «дотиснули» більшу частину потенціалу в домені, стає раціональніше оптимізуватися під конкретні задачі й дані, ніж чекати наступного прориву від гігантських універсальних систем.
Як Replit обігнав GPT‑3.5 у кодуванні — і чому це було тимчасово
Ще у 2023 році Replit вирішив перевірити, наскільки далеко можна зайти з доменною оптимізацією. Компанія натренувала власні внутрішні моделі для кодування, орієнтовані саме на задачі програмування в середовищі Replit. Результат: ці моделі перевершили GPT‑3.5 на тодішніх кодових бенчмарках.
Цей епізод важливий з двох причин.
По‑перше, він демонструє, що навіть порівняно невелика команда, яка сфокусована на одному домені, може локально обігнати універсальну модель від технологічного гіганта. За рахунок кращого розуміння задачі, специфічних датасетів, тонкого тюнінгу й інтеграції з продуктом.
По‑друге, перевага виявилася тимчасовою. Коли на ринок вийшли нові, значно потужніші моделі на кшталт Claude Opus, розрив скоротився або зник. Масад прямо визнає: намагатися конкурувати з компаніями, які витрачають «десятки, якщо не сотні мільярдів доларів» на розвиток агентів і базових моделей, було б для Replit хибною стратегією.
Цей досвід добре ілюструє динаміку ринку: власна модель може дати перевагу на кілька місяців, але фронтирні системи швидко «наздоганяють». Однак саме ці кілька місяців, стверджує Масад, можуть мати величезне значення, якщо правильно ними скористатися.
Коли вартість ще не головне: пріоритет продуктивності до моменту плато
У дискусіях про AI‑стратегію часто звучить теза: спочатку використовуємо дорогі фронтирні моделі як еталон, а потім переходимо на дешевші open‑source‑альтернативи, які дають «достатньо близьку» якість за менші гроші. Масад погоджується, що така логіка має сенс, але лише за певних умов.
Його позиція жорстка: питання вартості є вторинним щодо питання продуктивності — доти, доки домен не досяг асимптотичного плато. Поки моделі в конкретній сфері (наприклад, кодування) ще здатні робити великі стрибки в якості, фокус на економії може виявитися стратегічною помилкою. Компанія, яка заощаджує на моделі, але програє в результаті, ризикує втратити користувачів, ринок і темп інновацій.
Зміщення акценту на вартість, на його думку, стає раціональним тоді, коли:
- у конкретному домені не очікується суттєвих проривів у найближчій перспективі;
- загальні моделі вже «вибрали» більшу частину потенціалу, і додаткові покращення будуть незначними;
- з’являється можливість побудувати власну модель, яка буде достатньо доброю й водночас дешевшою в експлуатації.
Саме так Масад інтерпретує, наприклад, кроки Intercom у сфері підтримки клієнтів: компанія може вирішити, що в її домені фронтирні моделі вже не дадуть радикального прориву, і тому варто інвестувати у власну систему, яка краще пристосована до її даних і процесів.
Intercom, 3–6 місяців переваги й чому це може вирішити долю контракту
Для ілюстрації сили спеціалізації Масад наводить приклад Intercom. Компанія публічно заявила, що її власна, спеціально натренована модель для підтримки клієнтів перевершує фронтирні моделі на цьому завданні протягом періоду 3–6 місяців.
Це не «вічна» перевага: через пів року нові універсальні моделі можуть знову вийти вперед. Але в реальному бізнес‑контексті ці кілька місяців мають вагу.
Масад пояснює це через практику так званих bake‑off — порівняльних тестів, які проводять великі корпоративні замовники. Коли підприємство обирає інструмент на роки вперед, воно часто запускає паралельні пілоти з кількома постачальниками, вимірює якість, швидкість, точність, інтеграцію в робочі процеси. У таких умовах навіть відносно невелика перевага в продуктивності може стати вирішальною.
На ринку, де рішення приймаються на рівні багатомільйонних контрактів, «бути на 3–6 місяців попереду» означає:
- встигнути виграти ключові угоди, поки конкуренти ще не підтягнули якість;
- закріпитися в інфраструктурі клієнта, після чого заміна постачальника стає дорогою й ризикованою;
- отримати доступ до нових даних і сценаріїв використання, які далі підживлюють власну модель.
Масад переконаний, що саме така тимчасова, але реальна перевага й робить спеціалізовані моделі привабливими, особливо в доменах, де загальний прогрес моделей сповільнюється.
Від фронтирних моделей до власних: як плато змінює оптимальну стратегію
Ключова теза Масада: коли домен, як‑от кодування, наближається до асимптотичного плато, змінюється баланс між ставкою на «універсальний фронтир» і ставкою на власні, вузькоспеціалізовані моделі.
Поки фронтирні системи швидко покращуються, будувати власну модель часто не має сенсу. Навіть якщо вдасться обігнати ринок на кілька місяців, наступний реліз від великого гравця може миттєво «змити» цю перевагу. У такій ситуації краще інвестувати в продуктову оболонку, інфраструктуру, UX, а не в саму модель.
Але коли:
- приріст якості від нових фронтирних моделей стає невеликим;
- відкриті моделі досягають рівня, достатнього для більшості задач;
- у компанії накопичується значний масив власних, унікальних даних,
— тоді картина змінюється. З’являється сенс:
- брати сильну, але вже не «космічно» дорогу базову модель (часто open‑source);
- тонко тюнити її на власних даних, процесах і метриках;
- оптимізувати її під конкретні сценарії, де важлива не загальна «розумність», а стабільна якість у вузькому наборі задач.
Масад прямо пов’язує це з кодуванням: якщо моделі для програмування справді виходять на плато, то саме тут відкривається простір для компаній, які мають великі масиви кодових даних, історій правок, патернів помилок і можуть перетворити це на конкурентну перевагу через fine‑tuning.
Replit, bake‑off і чому виграє не той, хто дешевший, а той, хто кращий
Replit працює в сегменті, де конкуренція особливо жорстка: інструменти для розробників і «vibe‑coding» платформи, які обіцяють автоматизувати значну частину програмування. За словами Масада, корпоративні клієнти Replit регулярно влаштовують bake‑off, порівнюючи його продукт з «усім, що тільки можна уявити» на ринку.
Результат, який він описує, показовий: Replit виграє більшість таких змагань не тому, що дешевший, а тому, що продукт стабільно попереду ринку за можливостями. Це добре узгоджується з його тезою про пріоритет продуктивності над вартістю на етапі, коли домен ще не повністю «раціоналізувався».
У такій моделі:
- компанія спершу агресивно інвестує в те, щоб бути на передньому краї за якістю й функціональністю;
- приймає на себе високі витрати на моделі, інфраструктуру, експерименти;
- а вже потім, коли продукт досягає певної зрілості, переходить до фази оптимізації маржі.
Масад проводить паралель із попередніми технологічними циклами — хмарою, мобайлом, SaaS. Спочатку ринок винагороджує зростання й інновації, а вже пізніше — ефективність. На його думку, AI‑інструменти для кодування зараз перебувають саме в тій фазі, де виграють ті, хто готовий платити за найкращу якість, а не ті, хто першими починає економити.
Коли власні моделі стають логічним кроком
Попри скепсис щодо спроб «наздогнати фронтир» у загальному випадку, Масад не відкидає ідею власних моделей — навпаки, він вважає, що їхня роль зростатиме саме в доменах, які вийшли на плато.
Він описує кілька умов, за яких fine‑tuning на приватних даних стає особливо привабливим:
По‑перше, коли загальні моделі вже досить хороші, але не ідеальні для конкретного домену. У кодуванні це може означати, що модель добре пише код загалом, але не оптимально працює з конкретним стеком, внутрішніми бібліотеками, стилістичними вимогами.
По‑друге, коли компанія має унікальний масив даних, який не доступний фронтирним гравцям. У випадку Intercom це історичні діалоги підтримки, у випадку Replit — величезний масив коду, сесій редагування, історій виправлення помилок у їхньому середовищі.
По‑третє, коли очікуваний прогрес фронтирних моделей у цьому домені виглядає обмеженим у найближчій перспективі. Якщо немає підстав вірити, що через рік універсальна модель раптом стане в рази кращою саме в цій задачі, інвестиція у власну систему виглядає раціональнішою.
У такому сценарії компанія може:
- отримати модель, яка в її домені стабільно краща за фронтирні аналоги хоча б на кілька місяців;
- знизити залежність від зовнішніх постачальників;
- потенційно отримати виграш у вартості, якщо інференс власної моделі виявиться дешевшим.
Масад підкреслює, що це не універсальний рецепт: рішення потрібно переглядати кожні 3–6 місяців, оскільки ландшафт AI змінюється надто швидко. Але саме поява плато в окремих доменах робить таку стратегію дедалі привабливішою.
Висновок: плато як нова можливість, а не кінець інновацій
Теза про те, що моделі для кодування виходять на плато, може звучати як сигнал втоми ринку. Насправді ж, у трактуванні Амджада Масада це радше зміна фази: від епохи «універсальних проривів» до епохи «локальної оптимізації».
Поки фронтирні моделі стрімко покращувалися, раціонально було просто інтегрувати найкращу з них і будувати навколо продукт. Тепер, коли в окремих доменах прогрес сповільнюється, з’являється простір для компаній, які:
- глибоко розуміють свою предметну область;
- мають унікальні дані;
- готові інвестувати у власні, спеціалізовані моделі й fine‑tuning.
Приклади Replit і Intercom показують, що 3–6 місяців переваги в якості можуть бути достатніми, щоб виграти великі корпоративні контракти й закріпитися в інфраструктурі клієнтів. У такому світі питання «яка модель найдешевша?» відходить на другий план. Набагато важливішим стає інше: «чи дає ця модель мені відчутну, хай і тимчасову, перевагу в моєму домені?».
Якщо кодування справді входить у фазу асимптотичного плато, наступний раунд боротьби розгорнеться не за розмір моделі, а за якість даних, глибину спеціалізації й здатність перетворювати тимчасову технічну перевагу на довгострокову бізнес‑позицію.
Джерело
Replit CEO: Why the SaaS Apocalypse is Justified & Why Coding Models are Plateauing | Amjad Masad