Финансовите директори бият тревога: Неконтролируемите разходи за нови агенти с изкуствен интелект

Генеративният изкуствен интелект е във фундаментална криза – не защото технологията се проваля, а защото нейната търговска архитектура се срива.

Технологични гиганти като Microsoft, Uber и GitHub вече предприемат драстични действия: годишните бюджети за инструменти с изкуствен интелект намаляват в рамките на месеци поради използването на автономни агенти, докато очакваните подобрения в производителността често са неизмерими. Виновникът е преминаването в целия отрасъл към модели на фактуриране, базирани на токени. Под прикритието на „плащане за това, което използвате“, доставчиците прехвърлят пълния финансов риск върху своите корпоративни клиенти, като таксуват само за самата изчислителна мощност – независимо дали изкуственият интелект решава правилно задачата или предоставя истинска икономическа стойност. Тази статия анализира скритите рискове от настоящата трансформация на ценообразуването на изкуствения интелект, обяснява фаталното напрежение между бюджетния контрол и приемането на изкуствения интелект и демонстрира защо ценообразуването, базирано на резултатите, е единственото устойчиво решение за бъдещето на корпоративния изкуствен интелект.

Свързано с това:

• UNFRAME.AI: Ценообразуването, базирано на токени, не работи. Моделите, базирани на резултати, го поправят

Кой плаща, когато изкуственият интелект не предоставя нищо? Разплатата на индустрия, която не разбираше собственото си създаване на стойност

Бизнес моделът на генеративния изкуствен интелект е във фундаментална криза. Не защото самата технология се проваля, а защото начинът, по който се таксува, преобръща икономическата логика: компаниите поемат целия финансов риск – доставчикът събира, независимо от резултата. През май 2026 г. Microsoft анулира вътрешните лицензи на Claude Code за хиляди служители в отдела си „Опит и устройства“. Uber изчерпа целия си бюджет за изкуствен интелект за 2026 г. за четири месеца, тъй като 5000 инженери работеха интензивно с Claude Code, генерирайки месечни разходи от 500 до 2000 долара на човек. GitHub, най-голямата платформа за разработчици в света, собственост на Microsoft, премахна фиксираното ценообразуване на 1 юни 2026 г. и премина към кредитна система, базирана на токени. Тези три събития в рамките на няколко седмици не са съвпадение – те са симптоми на структурен недостатък, дълбоко вграден в ценовата архитектура на индустрията за изкуствен интелект.

Краят на ерата на субсидиите: Когато пазарът открие цената

Първата фаза на генеративния изкуствен интелект беше до голяма степен субсидирана. Доставчици като Anthropic, OpenAI и Microsoft предлагаха услугите си значително под реалните разходи за инфраструктура, за да спечелят пазарен дял, да разберат поведението на потребителите и да изградят екосистеми за разработчици. Фиксирани такси за асистенти по кодиране, неограничени чат сесии за едноцифрени месечни суми и щедро корпоративно тестване за сметка на доставчика - всичко това беше възможно, защото рисковият капитал финансираше разликата в цената и защото истинските разходи за използване на работни процеси, базирани на агенти, все още не бяха известни.

Тази фаза вече демонстративно е приключила. GitHub изрично оправда преминаването си към таксуване, базирано на токени, като заяви, че използването, базирано на агенти, се е превърнало в норма и свързаните с това изчислителни разходи просто не могат да поддържат предишните модели с фиксирана такса. Компанията го каза директно: Кратък чат въпрос и многочасова автономна сесия за кодиране преди струваха еднакво – това беше неустойчиво. Разработчиците, които преди това можеха да работят, базирано на агенти, без ограничения за $10 до $39 на месец, видяха, че разходите им се увеличиха от едва $50 до над $3000 на месец след преминаването. Темата в общността, обявяваща промяната, събра почти 900 гласа „против“.

Gartner прогнозира глобалните разходи за изкуствен интелект от 2,52 трилиона долара през 2026 г., което е с 44% повече на годишна база. С глобални разходи от такъв мащаб, въпросът кой поема разходите и кой жъне ползите вече не е академична дискусия, а фундаментален въпрос на корпоративното управление. Само разходите за инфраструктура с изкуствен интелект се очаква да нараснат до 1,37 трилиона долара през 2026 г. В същото време, според проучване на MIT от юли 2025 г., приблизително 95% от пилотните проекти за GenAI в цялото предприятие не успяват да постигнат измерим ефект върху печалбите и загубите. Това противоречие – нарастващи разходи, липса на възвръщаемост – е в основата на проблема.

Пет класа риск, които моделите за ценообразуване на токени прехвърлят върху компанията

Зад безобидната фраза „плащаш за това, което използваш“ се крие систематично изместване на пет различни рискови класа от доставчика към корпоративния клиент. Всеки, който разбира този механизъм, осъзнава защо таксуването с токени не е неутрален метод за таксуване, а по-скоро структурен недостатък за купувача.

Бюджетен риск: Доставчикът контролира единицата, а не купувачът

С ценови модел, базиран на токени, компанията се ангажира с годишен бюджет за разходна единица, чиято цена доставчикът може да променя по всяко време и чието потребление се държи нелинейно с нарастващото използване. Например, през май 2026 г. Anthropic обяви, че абонатите за инструменти за агенти и интеграции на трети страни ще получават отделни месечни квоти, таксувани по стандартни API тарифи. Това е едностранна корекция на цените, която незабавно обезценява съществуващ бюджет. Uber преживя това от първа ръка: бюджет, изчислен за дванадесет месеца, се изчерпа за четири. Приемането не беше проблемът - всъщност беше знак за успех. Проблемът беше, че единицата „токен“ се мащабира експоненциално веднага щом се внедрят работни потоци, базирани на агенти, докато бюджетът беше планиран линейно.

Риск от приемането: Използването и създаването на стойност са отделени

Система, базирана на токени, таксува за изчислителна мощност, а не за резултати. Модел, който използва 100 000 токена и предоставя неправилен отговор, струва точно толкова, колкото модел, който използва 100 000 токена и предоставя правилен отговор. Това разделяне на разходите и ползите е фундаменталният икономически проблем. Това означава, че една компания може да изгради работен процес около система, базирана на токени, да управлява този работен процес и да плаща за него - без никога да види измерима добавена стойност. Фактът, че 42% от компаниите са се отказали от по-голямата част от своите инициативи за изкуствен интелект през 2025 г., което е драматично увеличение спрямо 17% през предходната година, в тази светлина е по-малко технологичен проблем, отколкото проблем с ценообразуването. Несъвършената архитектура на стимулите води до погрешни инвестиции, които стават очевидни едва след месеци работа.

Риск от прогнозиране: Неконтролируема променливост при планирането на разходите

За финансовите директори, фактурирането с токени е категория разходи, която се държи като грешки при хеджиране на валута: то е фундаментално немоделируемо, защото твърде много външни променливи влияят върху фактурирането. Всеки нов случай на употреба, всеки нов вътрешен потребител, всяка промяна в поведението на модела, всяко увеличение на размера на контекстния прозорец - всичко това тласка сметката в непредсказуема посока. Към това се добавя и така нареченото разрастване на агенти: когато компаниите внедряват работни потоци, базирани на агенти, в различни отдели, непредсказуемостта се умножава. Всеки нов агент добавя още един запис към регистъра на токените, без никаква гаранция за възвръщаемост. С Claude Opus 4.7, Anthropic въведе скок между версиите, който, поради разширените вериги на разсъждение, консумира около 30 процента повече токени от предшественика си - 30 процента увеличение на разходите за една нощ, без нито една нова транзакция или поръчка от клиент, която да го оправдае.

Риск от управлението: Защитата на данните и съответствието се мащабират в зависимост от потреблението

В регулираните индустрии – финансови услуги, здравеопазване, застраховане – всяко извикване на токен има управленско измерение: корпоративните данни се пренасочват през инфраструктура за извод на трета страна с всяко API извикване. Това означава, че колкото повече токени се консумират, толкова повече данни напускат вътрешния периметър на сигурност. В среда, регулирана от GDPR, SOC 2, HIPAA и Закона на ЕС за изкуствения интелект, това генерира разходи за съответствие, излагане на одит и рискове от отговорност, които се увеличават с интензитета на използване. По този начин фактурирането на токени и суверенитетът на данните са в структурно напрежение: тези, които използват повече изкуствен интелект, автоматично поемат по-голям регулаторен риск – проблем със стимулите, който възпрепятства сигурното и мащабируемо използване на изкуствен интелект.

Риск от резултата: Мълчанието на доставчиците на ИИ относно въздействието

Най-малко обсъжданият риск е най-значимият. Моделите за ценообразуване на токени измерват потреблението, а не създаването на стойност. Доставчикът получава плащане, независимо дали програмата за изкуствен интелект на компанията има измеримо въздействие върху печалбите и загубите или се присъединява към дългия списък с пилотни проекти на корпоративния GenAI, които не са успели да генерират измерима възвръщаемост. Проучване на MIT определя тази цифра на 95 процента. С други думи, в по-голямата част от случаите компанията плаща, без да получава каквато и да е проверима икономическа стойност – и доставчикът няма стимул, свързан с бизнес модела, да промени това.

Ценовата логика на индустрията: Пазар, който не познаваше собствената си стойност

Основната причина за настоящата ценова криза се крие в произхода на пазара на GenAI. Индустрията предлагаше продуктите си на пазара, преди да разбере истинската им цена на използване в продуктивни корпоративни среди. Фиксираните цени и моделите на ценообразуване, базирани на токени, бяха замислени като стратегии за навлизане на пазара, а не като устойчиви търговски структури. Самият GitHub призна, че съществуващите модели с фиксирана цена абсорбират действителните разходи за извод и че този механизъм не е устойчив за доставчиците в дългосрочен план.

Това създаде парадоксална ситуация: колкото по-успешно е внедряването, толкова по-висок е рискът от загуба за доставчика и толкова по-висок е бюджетният риск за компанията. Uber е най-яркият пример: внедряването на Claude Code се е увеличило от 32 на 84 процента от разработчиците, 70 процента от ангажирания код е генериран от изкуствен интелект, а печалбите от производителност са реални и измерими. И въпреки това, техническият директор на Uber, Правийн Непали Нага, описа ситуацията по следния начин: „Върнах се на чертожната дъска, защото бюджетът, който смятах за необходим, вече е изчерпан.“ Технологията проработи. Моделът на ценообразуване не.

Това обяснява и защо Microsoft реши да анулира лицензите на Claude Code за своето подразделение „Experiences & Devices“ и да мигрира разработчиците към GitHub Copilot CLI. Официалната причина, посочена като „обединяване на инструментариума“ – вътрешно това беше финансово решение. Хиляди инженери, разработващи Windows, Microsoft 365, Teams, Outlook и Surface, използваха интензивно Claude Code от пилотното му пускане през декември 2025 г., а разходите за токени бяха изчерпали годишния бюджет доста преди края на годината. Microsoft, компанията, която е инвестирала 13 милиарда долара в OpenAI и управлява облака, на който работят повечето лаборатории за фронт-енд разработка на изкуствен интелект, разгледа числата и взе решение въз основа на разходите, а не на възприеманата стойност.

Модели на ценообразуване, ориентирани към резултатите: Различна търговска архитектура, без отстъпка

Терминът „ценообразуване, базирано на резултатите“, често се разбира погрешно на пазара. Не става въпрос за по-ниски цени на токени, пакети с отстъпки или отложено плащане. Това е фундаментално различна търговска архитектура: Доставчикът получава заплащане за всяка завършена задача – ако и само ако определен бизнес резултат е потвърден в рамките на определен работен процес. Не за изчислителните усилия, направени по пътя.

В продължение на десетилетия корпоративният софтуер работи на принципа „система и SLA“: Доставчикът е отговорен за икономиката на единицата и гарантира, че решението предоставя обещаните резултати. ERP системи, CRM платформи, счетоводен софтуер – нито една от тези категории никога не е таксувана въз основа на достъп до база данни, API извиквания или изчислителни цикли. Те таксуват въз основа на потребители, модули или резултати от производителността. Ценообразуването на ИИ трябва да се придържа към същия стандарт.

Моделът на ценообразуване, базиран на резултатите, обаче е икономически жизнеспособен само ако доставчикът може сам да поеме отклонението – тоест, ако е изградил ефективност на платформата, която му позволява да интернализира риска. Повечето доставчици не могат да направят това. Техните производствени разходи са същият символичен еквивалент, който компанията поема – и те просто прехвърлят еквивалента. Ценообразуването, базирано на резултатите, изисква доставчикът да обвърже собствените си приходи с резултата. Това е съществено различен рисков профил – и обяснява защо този модел на ценообразуване все още е рядкост на пазара.

Управлявана AI платформа - Изображение: Xpert.Digital

Тук ще научите как вашата компания може да внедри персонализирани решения с изкуствен интелект бързо, сигурно и без високи бариери за навлизане.

Управляваната AI платформа е вашето цялостно и безпроблемно решение за изкуствен интелект. Вместо да се занимавате със сложни технологии, скъпа инфраструктура и продължителни процеси на разработка, вие получавате готово решение, съобразено с вашите нужди, от специализиран партньор – често само в рамките на няколко дни.

Ключовите предимства накратко:

⚡ Бързо внедряване: От идея до готово за употреба приложение за дни, а не за месеци. Ние предлагаме практични решения, които създават незабавна добавена стойност.

🔒 Максимална сигурност на данните: Вашите чувствителни данни остават при вас. Гарантираме сигурна и съвместима обработка без споделяне на данни с трети страни.

💸 Без финансов риск: Плащате само за резултати. Високите първоначални инвестиции в хардуер, софтуер или персонал са напълно елиминирани.

🎯 Фокусирайте се върху основния си бизнес: Концентрирайте се върху това, което правите най-добре. Ние се грижим за цялостното техническо внедряване, експлоатация и поддръжка на вашето AI решение.

📈 Готов за бъдещето и мащабируем: Вашият изкуствен интелект расте с вас. Ние гарантираме непрекъсната оптимизация и мащабируемост и гъвкаво адаптираме моделите към новите изисквания.

Повече информация тук:

• Управлявана платформа с изкуствен интелект

Практически модел: Как работи ориентираното към резултатите предоставяне на ИИ

Платформите, които последователно прилагат принципа, основан на резултатите, следват различна логика на ангажираност. Вместо да наемат инфраструктура и просто да използват измервателния уред, те първо идентифицират работния процес, генериращ най-висока стойност за конкретния случай на употреба на компанията – т.е. процесът, който може да осигури измеримо въздействие най-бързо. След това в инфраструктурата на компанията се внедрява готово за производство решение: в корпоративния облак, локално, в частен облак или като напълно управлявано SaaS предложение, като данните никога не напускат периметъра на компанията. Плащането започва едва след като резултатът е наличен и клиентът е доволен.

Този модел има дългосрочни последици за споделянето на риска. Той принуждава доставчика да съсредоточи ресурсите си върху наистина създаващи стойност случаи на употреба, а не върху такива, които консумират много токени. Създава пряко съгласуване на интересите между доставчика и клиента: и двамата печелят, когато ИИ действително работи; никой не печели за сметка на другия, когато не работи. За регулираните индустрии, предпоставката, че данните не напускат периметъра на компанията, също така осигурява архитектура за съответствие, съвместима с GDPR, SOC 2, HIPAA и Закона на ЕС за ИИ.

Ключово предимство на добре внедрените, ориентирани към резултатите платформи е тяхната кумулативна структура на знания: Всеки успешно завършен работен процес се основава на споделена вътрешна база от знания, която става все по-ценна с всяка следваща задача. Това е в пряк контраст с внедряванията, базирани на токени, които, макар и да натрупват разходи, не затвърждават институционалните знания в компанията.

Перспективата на финансовия директор: Фактурирането с токени като категоричен бюджетен проблем

За финансовите специалисти, таксуването с токени представлява категорично нов вид оперативен разход, за който не съществуват установени структури за управление. Разходите за облачни услуги – изчисления, съхранение, мрежа – са професионализирани през последните петнадесет години. FinOps като дисциплина е породил методи, инструменти и организационни единици, които правят разходите за облачни услуги предвидими и контролируеми. Все още липсва пълен еквивалент за разходите за изпълнение на AI агенти.

Консумацията на токени не се мащабира с броя на потребителите, а по-скоро с амбицията на подканите, дължината на контекстните прозорци, броя едновременно работещи агенти и сложността на веригите за разсъждение. Това означава, че компания, която прехвърля 100 инженери от просто автоматично довършване към работни процеси, базирани на агенти, може да умножи месечните си усилия за изкуствен интелект с коефициент от пет до двадесет – без да добавя нито един нов потребител. Стандартните допускания за планиране, базирани на броя на потребителите или обема на сесиите, са структурно погрешни в този контекст.

Това има конкретни последици за планирането на бюджета. Структурата на разходите изисква подобни механизми за контрол като тези за енергията: измерване в реално време, предупреждения за прагове, квоти за екипи и твърди ограничения на ниво агент. Компаниите, които не внедрят тези мерки преди началото на внедряването, ще се сблъскат с последствията, когато бюджетът вече е изчерпан – подобно на Uber. Компанията нямаше ограничения за екип, нямаше централизирано проследяване и нямаше видимост в реално време за потреблението, докато главният технологичен директор не отчете преждевременно годишния бюджет като изчерпан.

Пазарна динамика: Кой държи властта в тази ценова трансформация

Настоящата ценова трансформация не е симетрична. Големи хиперскалери като Microsoft, Google и Amazon имат структурно предимство, което ги отличава от по-малките доставчици: Те контролират каналите за дистрибуция, корпоративните договори, облачната инфраструктура и инструментите за разработчици. Microsoft не спря Claude Code, защото Copilot е по-добър – вътрешни проучвания показват, че разработчиците предпочитат Claude Code. Компанията го спря, защото контролира дистрибуцията и не може да контролира или стратегически да използва разходите за токени за конкурентен продукт.

Тази динамика е важна за интерпретирането на ценовата трансформация като цяло. За хиперскалерите, отклонението от фиксираните цени и въвеждането на токенизирано таксуване не е ценова реформа, а оптимизация на приходите. Тези, които контролират инфраструктурата, върху която работят моделите, които управляват системите за таксуване и които държат корпоративните договори, структурно се възползват от таксуването въз основа на потреблението. Противоположният модел – ценообразуване, ориентирано към резултатите – застрашава тези позиции на приходи, защото принуждава доставчика да поеме риска, вместо да го прехвърля.

За средните предприятия и корпорациите, които не са сред хипермащабируемите компании, това е сериозен проблем с мощността, когато става въпрос за следващото подновяване на договора. Според анализ на JP Morgan, напрежението върху инфраструктурата с изкуствен интелект може да създаде икономически проблеми, преди обещаната възвръщаемост да бъде изпълнена. Тези, които не договарят активно разпределението на риска в следващия договор за изкуствен интелект, ще приемат стандартна позиция, която е структурно неблагоприятна за тях.

Посланието от инвестиционната икономика: Ако ефективността не е цел, тя се превръща в проблем

Съществува контрааргумент срещу критиките към разходите при фактурирането, базирано на токени, който трябва да се вземе сериозно. В Uber изкуственият интелект генерира 70% от ангажирания код и 11% от всички актуализации на backend-а. Един инженер в Сан Франциско струва на компанията значително повече годишно от 2000 долара на месец за токени. Ако кодирането, задвижвано от изкуствен интелект, увеличи производителността дори с едноцифрен процент от най-скъпия ресурс на компанията, възвръщаемостта на инвестицията може да надхвърли разходите.

Аргументът не е грешен – той е непълен. Първо, той е верен само ако повишаването на производителността е действително количествено измеримо и причинно-следствено свързано с инструментариума, което рядко се измерва систематично в повечето компании. Второ, той предполага, че спестеното време за инженеринг се превръща в реализирани икономии на разходи или пряко свързани допълнителни приходи – а не, както в много организации, просто води до повече работа, което от своя страна консумира повече токени от системата с изкуствен интелект. Трето, сравнимостта е валидна само ако резултатът от работата на изкуствения интелект е валидиран: кодът, който е генериран, но не се използва продуктивно, не е еквивалентен на стойността на работата на старши инженери.

Следователно основният аргумент за ценообразуването, ориентирано към резултатите, остава валиден: Ако възвръщаемостта е реална, доставчикът може да я обоснове договорно и да обвърже приходите си с нея. Ако не може или не иска да го направи, има структурни причини за това, които работят в ущърб на купувача.

Стратегически последици за корпоративното управление

Събитията от първата половина на 2026 г. ще предоставят на ръководството на компанията ясни оперативни заключения.

Първо, контролът на разходите, управляван от изкуствен интелект, изисква специална дисциплина FinOps, която трябва да бъде структурирана подобно на облачните FinOps, но изисква собствени методологии. Консумацията на токени е нелинейна, специфична за агента и зависима от версията на модела. Таблата за управление са недостатъчни; необходими са ограничения на бюджета в реално време на ниво екип и агент, механизми за автоматично прекъсване при превишаване на прагове и регистрационни файлове за одит на ниво единично изпълнение.

Второ, пилотните проекти, използващи таксуване с токени, не предоставят надеждни прогнози за производствените разходи. Пилотен проект, струващ 1000 евро на месец, може да се мащабира до 100 пъти първоначалното си потребление в производствена среда, като по този начин надвишава бюджетните ресурси. Планирането на разходите за ИИ трябва да се основава на допускания за производство, а не на пилотно потребление.

Трето, всяко подновяване на договор с доставчици на ИИ има измерение на стратегически преговори, което в момента е недостатъчно използвано. Въпросът, който всяка компания трябва да зададе на своя доставчик на ИИ на следващата среща, е прост и точен: Колко ще платя, ако не работи? Доставчик, който не желае да сподели риска от неуспех, има конфликт на интереси с купувача, който не може да бъде игнориран в сериозен процес на обществена поръчка.

Четвърто, суверенитетът на данните е отделна променлива, свързана с разходите и риска, а не само с въпроса за съответствието. Компаниите в регулирани индустрии, които използват услуги, базирани на токени, в публичния облак, натрупват усилия за съответствие, излагане на одит и потенциални рискове от отговорност с всяка единица употреба. Суверенният ИИ – тоест инфраструктурата на ИИ, управлявана в рамките на собствения периметър на компанията – ще достигне технологичен паритет с облачните фронт-енд модели до 2026 г.: Според индекса на ИИ на Станфорд HAI за 2026 г., разликата в производителността между най-добрите модели с отворено тегло и най-модерните собствени системи ще се е стеснила до средно три месеца.

Перспектива: Какво означава ценова трансформация за 2027 г

Пазарът е в процес на промяна. Преминаването от фиксирани цени към таксуване с токени е краткосрочна победа за доставчиците – приходите се увеличават с потреблението. В средносрочен план обаче това е катализатор за три паралелни развития, които ще променят фундаментално ценовата структура.

Първо, конкурентният натиск ще се увеличи поради моделите с отворен код. Ако разходите за собствени токени за внедряване на агенти в цялото предприятие достигнат шестцифрена сума годишно, а моделите с отворен код предоставят сравнима производителност на локален хардуер, изчислението на общата цена на притежание ще се наклони в полза на локалната инфраструктура – ​​особено за европейските компании, които дават приоритет на спазването на GDPR и суверенитета на данните.

Второ, моделите на ценообразуване, ориентирани към резултатите, ще се разрастват на пазара, защото те предоставят на корпоративните клиенти преговорна позиция, която токенното таксуване по дефиниция не предлага. Въпреки че само няколко доставчици в момента имат ефективността на платформата, за да предлагат този модел печелившо, конкуренцията ще наложи имитация.

Трето, управлението на ИИ – включително измерване на възвръщаемостта на инвестициите от ИИ, проследяване на приноса за създаване на стойност и договорно дефиниране на показатели за успех – ще се превърне в отделна бизнес област, сравнима със защитата на данните или киберсигурността. Gartner очаква глобалните разходи за ИИ да достигнат 3,34 трилиона долара до 2027 г. В този мащаб корпоративните ръководители вече няма да приемат ИИ като бюджетна категория без проверими показатели за успех.

Ключовият въпрос не е дали фактурирането, базирано на токени, ще бъде заменено от модели, ориентирани към резултатите – икономическата логика подсказва, че това ще се случи. Въпросът е дали компаниите ще оформят активно този преход или ще позволят той да им бъде наложен пасивно чрез постоянно нарастващи сметки. Тези, които адаптират договорната архитектура на своите инвестиции в изкуствен интелект сега, дърпат правилния край на въжето.

Konrad Wolfenstein

С удоволствие бих служел като ваш личен съветник.

Можете да се свържете с мен на wolfenstein∂xpert.digital или

Просто ми се обадете на +49 7348 4088 965 .

LinkedIn