Revolut пересадил 2000 разработчиков на GLM и урезал расходы на ИИ на 90%

Когда ИИ-ассистенты для кода только появились, их счета выглядели мелочью на фоне зарплат. Потом разработчики начали гонять агентов по многу часов в день, и мелочь выросла в отдельную статью бюджета. В Revolut эта статья доросла до того, что у некоторых инженеров выходило до $10 тысяч в месяц. Финтех решил, что дебет с кредитом не сходится.

Что именно сделали

По сообщениям, около 2000 разработчиков Revolut пересадили с Claude Code и Codex на открытую модель GLM от китайской Z.ai. Миллион токенов теперь обходится примерно в $0,30, что в 10 раз дешевле прежнего. Общие расходы компании на ИИ, как пишут, сократились на 90%.

Главная деталь здесь не цена, а то, что сделали с лимитами. Раньше инженеры держали в голове счётчик: стоит ли отправлять в модель весь репозиторий, запускать ещё один прогон агента, просить второй вариант решения. Когда токены дорогие, люди начинают экономить на вопросах, а это бьёт по качеству работы сильнее, чем кажется. В Revolut лимиты на токены убрали полностью.

Что это дало по цифрам

По данным из публикации, время написания кода сократилось на 60%, а время выполнения задач на 70%. Логика понятная. Если агент может свободно читать контекст, перепроверять себя и переписывать, он делает меньше глупых ошибок, а человек реже ждёт и реже вмешивается.

Простой пример. Инженеру нужно мигрировать сервис на новую версию библиотеки. При жёстком лимите он скармливает модели два-три файла и правит остальное руками. Без лимита он отдаёт агенту весь модуль вместе с тестами и просит прогнать всё до зелёного статуса. Токенов уходит в разы больше, но при цене $0,30 за миллион это уже не проблема.

Где стоит быть осторожным

Первое: цифры пока идут из пересказа и одной публикации. Независимого аудита нет, и мы не знаем, как именно Revolut считал экономию, сколько задач осталось на закрытых моделях и какой процент правок инженеры всё равно делают руками. Заголовок «заменили полностью» легко прочитать шире, чем есть на самом деле.

Второе: 90% экономии на токенах не равны 90% выигрыша. Если GLM хуже решает самые сложные задачи, часть времени уйдёт на доработку. Метрики в 60% и 70% выглядят красиво, но непонятно, на каких задачах и при каком сравнении их мерили.

Третье: для финтеха вопрос не только в цене. Открытые веса позволяют держать модель в собственном контуре, и это важный аргумент для данных клиентов. Но тогда к счёту добавляются инфраструктура, мониторинг и команда, которая всё это обслуживает. Если брать модель через API Z.ai, возникают другие вопросы к юрисдикции и комплаенсу.

Что делать на практике

Стоит посчитать, сколько у вас реально уходит на ИИ-кодинг в пересчёте на инженера. Если цифра приближается к тысячам долларов в месяц, сравнение с открытыми моделями уже оправдано.

Дальше нужен честный пилот. Возьмите реальные задачи вашей команды, прогоните их через закрытую и открытую модель и сравните не только цену, но и долю принятых изменений. Отдельно проверьте эффект от снятия лимитов: возможно, именно он даёт основную часть прироста скорости, а не конкретная модель.

И последнее. Эта история показывает, что рынок кодинг-ассистентов перестаёт быть вопросом одного лидера. Когда открытая модель закрывает большую часть повседневных задач за десятую долю цены, закрытым провайдерам придётся доказывать преимущество на самых сложных случаях, а не на среднем коде.