Сначала короткий ответ: 13 августа 2026 года компания Mixedbread выпустила модель под названием Toast 1. Это не универсальная модель, с которой можно общаться, — это специализированный поисковый агент, чья единственная задача состоит в том, чтобы перерыть ваши документы и вернуться с доказательствами. Внимания владельца бизнеса заслуживает не название продукта, а то, что он обнажил: значительная часть того, что вы сегодня платите за ИИ, уходит на сам процесс поиска, а не на мышление, и разделение этих двух задач существенно снижает затраты и одновременно повышает качество ответов.

Что на самом деле было объявлено

Согласно официальному анонсу компании, Toast 1 — это поисковый агент, обученный одной задаче: он получает вопрос, разбивает его на подзапросы, собирает доказательства из ваших источников, проверяет их, а затем передаёт отобранный пакет релевантных материалов. Он не пишет ваш итоговый ответ — он готовит сырьё, на основе которого затем рассуждает большая модель.

Компания заявляет, что именно по качеству поиска он не уступает передовым моделям или превосходит их, при этом стоит до десяти раз дешевле и работает в двенадцать раз быстрее. Это цифры поставщика, и воспринимать их следует соответственно, но более важное утверждение касается архитектуры: он не требует менять вашу инфраструктуру и работает поверх уже имеющегося у вас поискового индекса, без переноса данных куда-либо ещё.

Объявленная стартовая цена — 0,30 $ за миллион входных токенов, 0,036 $ за миллион кешированных входных токенов и 0,72 $ за миллион выходных токенов. На практике компания оценивает один запрос примерно в 0,016–0,023 $ при медианной задержке в восемь секунд, а в конфигурации с наивысшим качеством — примерно в 0,05–0,07 $ при медиане в одиннадцать секунд.

Почему это важно владельцу бизнеса: экономика поиска

Когда вы строите ассистента на основе документов своей компании, вы предполагаете, что основная часть затрат приходится на составление ответа. На деле всё наоборот. Модель читает десятки документов, чтобы найти три полезные строки, и вы платите за всё, что она прочитала, а не за то, что она использовала. Именно поэтому счёт растёт вместе с вашим архивом, ответы замедляются, а правильный ответ всё чаще теряется в шуме.

Специализированный поисковый агент переносит эту тяжёлую работу на более дешёвую и быструю модель, обученную именно для неё, а затем передаёт сжатый результат большой модели. Большая модель остаётся в процессе, но тратит свои возможности на то, что больше ничто не делает хорошо: понимание, логические выводы и формулировку решения.

Практическое правило: не платите цены передовой модели за работу, похожую на работу архивариуса. Покупайте мышление у дорогой модели, а поиск — у дешёвой.

Цифры двух независимых бенчмарков

Маркетинговые заявления можно оспорить; опубликованные бенчмарки нагляднее. В OfficeQA Pro v2, выпущенном Databricks для измерения правильности ответов на девяносто вопросов о сложных и реалистичных корпоративных финансовых ситуациях, GPT-5.6 Sol с доступным в роли субагента Toast 1 достиг правильности 70 % при затратах около 1,15 $ на задачу. Для сравнения: прежний лидер достигал 60 % примерно за 4 $ на задачу, а та же модель без поискового агента показала лишь 33 %. Добавление поискового слоя примерно удвоило точность и одновременно снизило затраты.

В бенчмарке Harvey по знаниям юридических фирм на подмножестве из тридцати трёх задач качество ответов оставалось неизменным, тогда как потребление токенов снизилось с 80,6 миллиона до 47 миллионов только за счёт улучшения поиска, а затем до 23 миллионов после добавления специализированного поискового агента — с завершением вдвое меньшим числом шагов и снижением затрат более чем на 60 %.

Обратите внимание на общий урок: способность модели рассуждать не изменилась. Изменилось качество материала, который до неё доходил. Именно это мы видим в клиентских проектах: корпоративным ассистентам, которые терпят неудачу, редко не хватает интеллекта; им не хватает правильного «питания».

Где это проявляется в вашем саудовском бизнесе

  • Договоры и соглашения. Вопрос вроде «какие из наших договоров допускают расторжение с уведомлением за тридцать дней?» — это вопрос поиска, а не рассуждения, и сегодня он отнимает часы у сотрудника юридического отдела.
  • Тендерная документация и RFP. Извлечение квалификационных требований, штрафов и сроков поставки из сотен страниц ещё до того, как вы решите, участвовать ли вообще.
  • Счета и акты выполненных работ. Отслеживание одной статьи затрат по документам за несколько лет, чтобы найти, где утекает прибыль.
  • Кадровый архив. Правила отпусков, надбавки и сроки действия видов на жительство, разбросанные по файлам и несвязанным системам.
  • Поддержка клиентов. Ассистент, который отвечает на основе руководств по продуктам и протоколов совещаний, а не выдумывает ответ.

Во всех этих случаях ваш настоящий актив — не модель, а архив. Модель можно заменить за неделю; хорошо организованный архив строится только один раз.

Три вопроса, которые стоит задать перед покупкой

Первый: сколько мне стоит один вопрос, а не сколько стоит ежемесячная подписка? Если у поставщика нет ответа в цифрах, вы не знаете, во что превратится ваш счёт при масштабировании.

Второй: отделён ли поисковый слой от модели? Разделение означает, что завтра вы сможете сменить большую модель, не перестраивая всё, и это самая надёжная защита от колебаний цен поставщиков.

Третий: где хранятся мои документы и покидают ли они это место? Это вопрос управления прежде, чем технический, и он напрямую касается ваших обязательств по Закону о защите персональных данных (PDPL), если в вашем архиве есть данные клиентов или сотрудников.

Как мы подходим к этому в Origami

Мы не продаём какую-то конкретную модель и не советуем клиентам привязывать свою работу к одному поставщику только потому, что о нём написали в новостях на этой неделе. Мы строим архитектуру, в которой модель остаётся заменяемой деталью: упорядоченный источник знаний, принадлежащий вам, независимый поисковый слой, чёткие права доступа, определяющие, кто что видит, и затраты, измеряемые в расчёте на запрос, а не по ежемесячному счёту.

Если ваша компания сидит на большом архиве, из которого так и не извлекла пользы, начните с самого узкого повторяющегося и дорогостоящего вопроса, который у вас есть, и измерьте время и затраты до и после. Небольшой измеримый шаг стоит больше, чем масштабная программа ИИ без единого привязанного к ней показателя.

Источники

  • Официальный анонс Toast 1 от Mixedbread, 13 августа 2026 года: mixedbread.com
  • Официальная страница с ценами: mixedbread.com/pricing
  • Бенчмарк OfficeQA Pro v2 от Databricks: databricks.com
  • Бенчмарк знаний юридических фирм от Harvey: harvey.ai