В субботу, 25 июля, сервисы OpenAI — ChatGPT, платформа для разработчиков Codex и публичное API — легли одновременно и по всему миру. Вместо ответов пользователи получали ошибку 503 с внутренним кодом biscuit_baker_service_me_circuit_open, интерфейс ChatGPT зависал на анимации загрузки боковой панели, а часть запросов отклонялась с формулировкой «слишком много одновременных запросов». Официальная страница статуса OpenAI зафиксировала проблему почти сразу и перешла из режима «расследуется» в режим «отслеживается» примерно через час — именно столько потребовалось на восстановление.
По данным статус-страницы OpenAI, инцидент затронул 12 компонентов API, 15 компонентов ChatGPT и 4 компонента Codex одновременно — то есть проблема носила инфраструктурный, а не точечный характер, скорее всего связанный с общим бэкендом маршрутизации запросов.
Суббота стала не единичным эпизодом, а кульминацией недели сбоев. В среду ChatGPT и API генерации изображений показывали повышенный процент ошибок. В четверг — новый всплеск ошибок в API и в модуле проверки кода Codex Review. Двумя днями ранее, 23 июля, ChatGPT уже переживал отдельный крупный сбой. Итого — четыре зафиксированных инцидента за четыре календарных дня, при том что статус-страница компании отражает порядка 166 инцидентов за девять месяцев с осени 2025 года — то есть в среднем около 18 сбоев в месяц.
ChatGPT обслуживает порядка 900 миллионов активных пользователей еженедельно, а отдельный агентный режим, где модель самостоятельно выполняет многошаговые задачи без пошагового контроля человека, использует уже около 10 миллионов человек. При таком масштабе даже часовой сбой означает миллионы прерванных рабочих сессий — от студентов, готовящих домашние задания, до компаний, встроивших API в производственные процессы: службы поддержки, генерацию кода, автоматизацию документооборота. Учащающиеся сбои совпадают по времени с резким ростом нагрузки на инфраструктуру OpenAI на фоне конкурентной гонки моделей — те же дни отмечены релизом Claude Opus 5 от Anthropic и скорым выходом открытых весов Kimi K3 от Moonshot AI.
Прямой доступ к OpenAI из России ограничен, но множество отечественных компаний пользуются GPT-моделями через партнёрские API-шлюзы, VPN-инфраструктуру или встроенные интеграции в зарубежные SaaS-продукты — от коллтрекинга до аналитики контента. Участившиеся сбои — весомый аргумент в пользу диверсификации LLM-поставщика: компании, завязавшие критичные бизнес-процессы исключительно на одну модель без резервного варианта, рискуют получить простой в самый неподходящий момент. Именно этот аргумент последние месяцы использует Сбер, продвигая GigaChat как локально размещённую и не зависящую от зарубежной инфраструктуры альтернативу для российского корпоративного рынка.
Проблема усугубляется тем, что доступ через посредников зачастую менее прозрачен, чем прямая работа с официальным API: клиент российского шлюза узнаёт о сбое OpenAI постфактум, из статус-страницы компании или новостей, а не из собственной системы мониторинга. Это снижает и без того ограниченную возможность быстро понять, где именно произошёл отказ — на стороне OpenAI, у посредника или в собственной интеграции — что напрямую увеличивает время реакции на инцидент для конечного бизнеса.
Показательно, что серия сбоев OpenAI пришлась ровно на те же дни, когда Anthropic выпустила флагманскую Claude Opus 5, а Moonshot AI готовилась к выпуску открытых весов Kimi K3 — крупнейшей открытой модели в истории. Аналитики отмечают, что подобная синхронность обычно свидетельствует о резком росте нагрузки на инфраструктуру провайдеров: конкуренты одновременно анонсируют новые возможности, пользователи массово тестируют и сравнивают модели, а бэкенд-системы, рассчитанные на более равномерный трафик, не справляются с пиковыми всплесками запросов именно в такие недели.
Сама по себе статистика в 166 инцидентов за девять месяцев говорит о системной проблеме, а не о разовом технологическом сбое: при среднем показателе около 18 инцидентов в месяц надёжность крупнейшей в мире ИИ-платформы фактически остаётся ниже стандартов, которые обычно предъявляют к критичной облачной инфраструктуре корпоративного уровня. Для компаний, встраивающих генеративный ИИ в собственные production-системы, это означает необходимость закладывать сценарии деградации и отказа в архитектуру продукта изначально, а не относиться к стабильности LLM-провайдера как к данности.