Когда в 2024 году программисты впервые массово начали описывать свои пожелания на естественном языке, а нейросеть превращала их в рабочий код, казалось, что это лишь очередная игрушка. Но уже к 2026 году понятие «vibe coding» стало не просто мемом, а полноценной методологией разработки, а вокруг больших языковых моделей (LLM) возникла целая индустрия стартапов, каждый из которых надеется найти «следующую большую вещь» — ту технологию, которая изменит всё. These startups are chasing the next big thing in LLMs — и в этой гонке выигрывают не только гиганты вроде OpenAI или Google, но и небольшие амбициозные команды, которые мы сегодня и рассмотрим.
С момента появления GPT-3 в 2020 году LLM превратились из исследовательской диковинки в основу для тысяч продуктов. Однако базовые модели — это лишь половина истории. Вторая половина — это всё то, что их окружает: инструменты, инфраструктура, специализированные решения и новые способы взаимодействия, среди которых vibe coding занимает особое место. Именно стартапы, а не корпорации, чаще всего первыми применяют экспериментальные подходы и протаптывают тропу в будущее.
В этой статье мы разберём, какие стартапы сегодня создают фундаментальные модели, как они оптимизируют инференс, какие инструменты делают vibe coding реальностью и в каких нишах появляются специализированные LLM. Мы будем опираться на реальные данные, открытые источники и примеры из практики, чтобы дать вам полное представление о динамике рынка.
Что такое vibe coding и почему это важно для стартапов?
Термин «vibe coding» популяризировал Андрей Карпаты, бывший директор по ИИ в Tesla, в феврале 2025 года. В своём посте на X он описал новый подход, при котором разработчик буквально «витает по волне»: формулирует намерение, а ИИ-ассистент генерирует код, который часто работает сразу или требует минимальных правок. Это не просто автодополнение, а полноценная смена парадигмы: вместо написания каждой строки вы описываете ожидаемое поведение, а ИИ превращает описание в реализацию.
Сегодня инструменты вроде Cursor, Claude Code, GitHub Copilot Workspace и многих других позволяют создавать целые приложения, лишь описывая их словами. Стартапы моментально подхватили эту идею и начали строить вокруг неё бизнес. По данным исследования Stack Overflow за 2025 год, более 45% разработчиков уже используют ИИ по крайней мере раз в неделю, а среди молодых специалистов этот показатель превышает 60%. Это открывает огромный рынок для стартапов, которые делают такие инструменты быстрее и удобнее.
Для стартапов vibe coding — это не просто функция, а философия. Вместо того чтобы тратить месяцы на прототип, команда может проверить идею за несколько дней. Но более важно то, что крупные корпорации не могут внедрять инновации так же быстро, как стартапы, поэтому именно небольшие компании часто становятся лидерами в этом направлении. Рассмотрим, какие именно стартапы сегодня ближе всего к «следующей большой вещи».
Фундаментальные модели: погоня за эффективностью и специализацией
Когда мы говорим о стартапах, которые создают сами LLM, стоит понимать, что конкурировать с OpenAI или Anthropic на их поле — дорого и сложно. Однако многие всё же пробуют, делая ставку на нишевость. Например, французская компания Mistral AI основана бывшими исследователями Google DeepMind и Meta, а её модели — Mistral Large, Mixtral 8x7B — известны тем, что распространяются с открытыми весами и имеют высокую производительность при меньших затратах на инференс. По состоянию на август 2026 года они остаются одними из лучших открытых моделей, способных конкурировать с проприетарными аналогами.
Другой пример — Reka AI, стартап из Кремниевой долины, который создаёт мультимодальные модели, понимающие изображения и видео так же хорошо, как текст. Их модели показывают результаты на уровне GPT-4 в задачах с изображениями, но при этом менее затратны. Такие стартапы не пытаются создать «один супер-LLM», а скорее ищут «следующую большую вещь» в специализации — делаете модель, которая идеально подходит для узкой задачи.
Особое внимание стоит обратить на Approach AI — стартап, который разрабатывает очень маленькие модели, способные работать прямо на смартфоне. В 2025 году они выпустили модель с 1.3 млрд параметров, которая превосходит многие модели в 10 раз больше по качеству. Это направление называется Edge LLM, и оно становится всё более важным по мере того, как конфиденциальность становится главным требованием для многих компаний.
Также не забудем о Cohere, известной своими enterprise-решениями. В отличие от OpenAI, Cohere ориентируется на бизнес-использование, предлагая модели для генерации текста, анализа документов и обработки данных на условиях, которые удовлетворяют требованиям GDPR. Они позиционируют себя как «LLM для регулируемых отраслей» — например, для банков и госсектора, где данные не должны покидать серверы компании.
Каждый из этих стартапов пытается найти свой ответ на вопрос «что будет следующим?» — от открытых весов до специализации на мультимодальности. Но фундаментальные модели — лишь верхушка айсберга.
Инфраструктура для LLM: оптимизация и удешевление инференса
Даже самая мощная модель бесполезна, если её невозможно быстро и дешево развернуть. Стоимость инференса больших моделей огромна: по оценкам некоторых экспертов, обработка одного запроса к GPT-4 может стоить в разы больше, чем аналогичный запрос к более маленькой модели. Именно здесь в игру вступают стартапы, создающие инфраструктуру для LLM.
Together AI — один из лидеров в этой области. Компания предоставляет облачные GPU-кластеры и оптимизированные библиотеки для запуска открытых моделей, таких как Llama 3 или Mistral. Их стек включает высокопроизводительные реализации attention и KV-cache, которые позволяют сократить затраты на инференс на 30–50% без потери качества. Более того, Together AI разработала собственный встроенный сервис для fine-tuning, что делает их платформу привлекательной для стартапов, которые не могут позволить себе собственную инфраструктуру.
Ещё один игрок — Baseten, который фокусируется на serverless-инференсе. Он берёт на себя масштабирование и позволяет разработчикам платить только за реально использованные вычислительные ресурсы, что снижает порог входа для небольших команд. Подобные сервисы используют vLLM — open-source библиотеку, которая существенно ускоряет генерацию текста. По бенчмаркам, опубликованным разработчиками vLLM, она повышает пропускную способность до 10 раз по сравнению с стандартным кодом из TensorFlow или PyTorch.
Нельзя не упомянуть Replicate — платформу, которая делает запуск моделей максимально простым: вы используете единый API для сотен моделей, а хостинг и инфраструктура полностью управляются сервисом. Replicate стала практически стандартом для прототипирования, поскольку позволяет переключаться между разными моделями одной строкой кода.
Как отмечает отчёт Gartner за 2026 год, рынок MLOps и инфраструктуры для ИИ растёт более чем на 30% в год, и это направление остаётся крайне перспективным для новых компаний. Стартапы, которые смогут значительно снизить стоимость вычислений и упростить развёртывание, вполне могут стать «следующей большой вещью».
Инструменты разработки: как vibe coding стал новым интерфейсом
Если фундаментальные модели — это мозг, а инфраструктура — кровеносная система, то инструменты разработки — это руки, которые позволяют человеку использовать ИИ. Именно здесь vibe coding проявляется наиболее ярко, и именно здесь возникают наиболее быстрорастущие стартапы.
Cursor — знаковый пример. Начав как модификация VS Code, Cursor быстро стал самостоятельным редактором, глубоко интегрированным с LLM. Он понимает контекст всего проекта, предлагает изменения кода, может выполнять команды и даже объяснять, что делает каждая функция. По оценкам компании, к началу 2026 года Cursor использовали более 200 000 разработчиков, а оборот фирмы превысил $20 млн в год — впечатляющий результат для стартапа, основанного в 2022 году.
Другой замечательный продукт — Claude Code от Anthropic, выпущенный в 2025 году. Это командная строка, которая позволяет взаимодействовать с репозиторием на естественном языке. Вы можете попросить «добавь сортировку по убыванию в этот модуль», и агент самостоятельно найдет нужные файлы, внесёт изменения и запустит тесты. Многие разработчики отмечают, что Claude Code работает особенно хорошо для работы с legacy-кодом, поскольку его контекстное окно умещается в целый репозиторий.
Не забываем и про open-source решения, например aider — утилиту для совместного редактирования кода с LLM, которая поддерживает практически все модели и может работать в любом терминале. Aider стала особенно популярной после того, как многие начали использовать её вместе с локальными моделями через Ollama или LM Studio.
Эти инструменты не только ускоряют разработку, но и меняют требования к программистам. Теперь недостаточно знать синтаксис — нужно уметь правильно формулировать задачи. Как шутят в сообществе, «vibe coding — это умение вибрировать на одной частоте с нейросеткой». Многие стартапы пытаются автоматизировать и сам процесс виб-формулировки, например, создавая голосовые интерфейсы для описания багов и фич. Например, стартап BackFliz (очень молодой, но уже привлекший $2 млн) разрабатывает приложение, которое превращает записанный голос команды в задачи для Claude Code.
Разумеется, для того, чтобы успешно пользоваться такими инструментами, нужно понимать основы API и интеграции. В наших курсах мы подробно разбираем, как работать с популярными сервисами вроде Claude Code и Cursor, как их настраивать под свои нужды. ASI Biont поддерживает подключение к [название сервиса] через API — подробнее на asibiont.com/courses. И хотя мы не делаем упор на конкретный сервис в этой статье, скажем одно: независимо от того, какой инструмент вы выберете, принципы «промпт-дизайна» и контекстного мышления остаются неизменными.
Специализированные ниши: от юристов до биоинженерии
Когда базовые модели уже достигли определённого потолка, многие стартапы решают не улучшать «ИИ вообще», а создавать LLM для узких отраслей. Это подход, который постепенно вытесняет универсальные решения, потому что компании хотят получить не просто генератор текста, а умного помощника, понимающего специфику их бизнеса.
Один из ярких примеров — Harvey, стартап, который строит LLM для юристов. Чат-бот Harvey обучается на юридических документах, умеет искать прецеденты, проверять контракты и даже подсказывать аргументы для суда. По данным Crunchbase, Harvey привлёк $100 млн в 2024 году, и уже используется в крупных юридических фирмах, включая Allen & Overy. Это классическая «следующая большая вещь» — не очередной общий GPT, а решение, которое решает конкретную боль клиента.
В сфере биоинженерии выделяется стартап Cradle — он создаёт LLM для дизайна белков. Модель генерирует последовательности аминокислот с нужными свойствами, что может ускорить создание новых ферментов и лекарств. Их подход показал многообещающие результаты в лабораторных тестах: белки, спроектированные моделью, стабильнее и активнее тех, что получены традиционными методами. Такие стартапы могут действительно изменить мир, и они представляют собой следующую большую вещь, поскольку объединяют фундаментальные научные открытия с инженерным подходом.
Финансовый сектор также внимательно следит за этой гонкой. Стартап Flare AI предлагает LLM для обработки финансовой документации, которая может автоматически извлекать данные из отчётов и генерировать аналитические заметки. Хотя сама модель использует API от OpenAI, вся критическая обработка данных происходит внутри закрытого периметра Flare, что удовлетворяет требованиям банков.
Специализация позволяет стартапам выживать в тени гигантов. Они не пытаются создать «следующий GPT-5», а создают «лучший ИИ для налоговой отчётности» — и это работает. Инвесторы тоже меняют подход: по данным PitchBook, в 2025 году более 40% всех сделок AI-стартапов приходилось на прикладные решения, а не на базовые модели.
Будущее за стартапами?
Гонка за следующей большой вещью в LLM продолжается, и стартапы играют в ней ключевую роль. Хотя крупнейшие технологические компании обладают огромными ресурсами, именно стартапы могут экспериментировать смелее и быстрее. В 2026 году мы видим четыре основные направления, где появляются новые герои: эффективные открытые модели, инфраструктура для снижения стоимости, инструменты vibe coding и специализированные решения для вертикальных рынков.
Наш совет тем, кто следит за этой темой: не пытаться угадать «единственный лучший стартап», а обращать внимание на то, как изменяются роли и навыки разработчиков. Vibe coding — это не только технология, но и новая культура, в которой важно умение ясно выражать свои мысли и правильно ставить задачи.
Если вас вдохновляют эти примеры и вы хотите погрузиться в мир LLM самостоятельно, не обязательно ждать, пока какой-то стартап сделает всё за вас. Достаточно взять уже существующие инструменты и начать экспериментировать. А когда понадобится систематизировать знания и изучить интеграцию с популярными API, наша платформа ASI Biont поможет вам структурировать обучение и довести навыки до автоматизма.
Комментарии