Токеномика | Когда ИИ становится дороже персонала: скрытый взрывной рост затрат на ИИ и что может сделать управляемый ИИ в этой ситуации

### Бюджет Uber на ИИ исчерпан: почему стоимость токенов теперь превышает зарплаты ### Скрытые издержки для агентов ИИ: почему счета за облачные сервисы внезапно резко выросли ### 113 000 долларов за месяц работы ИИ: тревожный знак или будущее работы? ###

Невидимая ловушка издержек в компаниях: как выставление счетов на основе токенов истощает корпоративные бюджеты

Искусственный интеллект долгое время считался идеальным средством повышения производительности, но теперь он заставляет многие советы директоров покрываться холодным потом. Причина: стремительно растущие, непредсказуемые расходы на облачные сервисы и токены. Когда такие корпорации, как Uber, исчерпывают свои годовые бюджеты на ИИ всего за несколько месяцев, а технологические гиганты обнаруживают, что вычислительная мощность в некоторых областях становится дороже, чем их собственный персонал, достигается критическая точка невозврата. Первоначальная эйфория сменяется суровой реальностью, где скрытые затраты на автономных агентов ИИ и модели оплаты по факту использования угрожают прибыльности. Но есть выход: чтобы избежать ловушки токенов, на первый план выходит новая стратегическая концепция – управляемый ИИ. Узнайте, почему расчеты затрат многих компаний больше не сходятся и какие конкретные стратегии FinOps вы можете использовать, чтобы взять под контроль свои расходы на ИИ, прежде чем бюджет будет исчерпан.

Конец эры фиксированных ставок: как компании могут избежать ловушки высоких затрат на ИИ

Технологическая индустрия сейчас переживает долгожданное разочарование: искусственный интеллект перестал быть просто инструментом повышения производительности во многих компаниях и превратился в независимый, трудно поддающийся расчету фактор затрат – фактор, который в крайних случаях превышает затраты на персонал. То, что два года назад звучало бы как смелое предсказание, теперь стало суровой бизнес-реальностью 2026 года. Вопрос уже не в том, создает ли ИИ добавленную стоимость, а в том, оправдывает ли эта добавленная стоимость стремительный рост операционных расходов. И на горизонте появляется концепция, которая обещает дать ответы: управляемый ИИ.

Фундамент шаткий: почему расчеты затрат больше не сходятся

В течение двух лет технологические компании практически не задумывались о своих бюджетах на ИИ. Логика была обманчиво проста: те, кто инвестирует на раннем этапе, обеспечивают себе конкурентное преимущество; те, кто медлит, отстают. В этой атмосфере оптимизма миллиарды вкладывались в языковые модели, помощников по программированию и автономных агентов — зачастую без строгих измерений производительности и без ограничений по стоимости. Теперь настало время расплачиваться, и цифры трудно игнорировать.

Проблема становится особенно очевидной там, где ИИ используется не просто как инструмент, а как основная рабочая сила. Брайан Катанзаро, вице-президент по прикладному глубокому обучению в Nvidia, резюмировал это в одной фразе для Axios: вычислительные затраты в его команде значительно превышают затраты на персонал. Это утверждение имеет большой вес — не только потому, что оно исходит от компании, которая сама находится в центре волны развития инфраструктуры ИИ, но и потому, что оно описывает системный сдвиг, который до сих пор почти не упоминался в отчетах руководства.

Причина кроется в структуре современных моделей выставления счетов за использование ИИ. Крупные языковые модели, такие как GPT, Claude или Gemini, не взимают фиксированную плату, а используют токены — мельчайшие единицы, на которые разбивается текст в процессе обработки. Стоимость премиум-моделей составляет от 2,50 до 5,00 долларов за миллион входных токенов и от 10 до 25 долларов за миллион выходных токенов. Это звучит абстрактно, но быстро становится конкретным: любой, кто ежедневно отправляет тысячи запросов через производственную систему ИИ, запускает агентов с длительными контекстными окнами или выполняет автоматизированный анализ кода, накапливает огромные суммы — часто даже не осознавая этого до получения ежемесячного счета.

Момент Uber: тревожный сигнал для всей отрасли

Ни один из недавних случаев не иллюстрирует проблему так наглядно, как случай с Uber. Правеен Неппалли Нага, технический директор компании, занимающейся услугами такси, признался изданию The Information, что компания исчерпала весь свой бюджет на ИИ на 2026 год всего за несколько месяцев с начала года – в основном из-за быстрого внедрения Claude Code от Anthropic. Нага прямо заявил: «Мне пришлось начинать все сначала, потому что бюджет, который, как я думал, мне был необходим, уже исчерпан». Причиной стал не один крупный проект, а постепенное распространение инструмента по всему инженерному отделу. Uber предоставил доступ к Claude Code примерно 5000 разработчикам, и, соответственно, влияние на бюджет оказалось значительным.

Также поразительно то, что раскрыл Нага: 11 процентов всех обновлений кода Uber теперь пишутся агентами искусственного интеллекта, а не людьми. Таким образом, компания находится в процессе настоящей трансформации разработки программного обеспечения — и платит за это цену, которая перевернула все первоначальные расчеты. Парадокс очевиден: чем полезнее ИИ, тем больше он используется и тем выше затраты. Модель ценообразования, основанная на использовании, напрямую превращает успех в давление на затраты.

Джейсон Калаканис, известный инвестор из Силиконовой долины, описал похожий опыт: затраты на агента в размере 300 долларов в день при использовании API Claude от Anthropic — за работу, составляющую лишь малую часть объема, выполняемой одним сотрудником. Его вывод: в какой момент затраты на токены превышают зарплату человека, которого они призваны заменить? Этот вопрос — риторический, но математически обоснованный — стал центральным вопросом экономики ИИ в 2026 году.

Горжусь шестизначной суммой: феномен искусственного интеллекта Swan

На другом конце спектра находится Амос Бар-Джозеф, генеральный директор стартапа Swan AI, состоящего из четырех человек. Он опубликовал в LinkedIn счет от Anthropic на сумму 113 421,87 долларов за один месяц, написав, что никогда еще не гордился счетом так сильно. Компания Swan AI, специализирующаяся на автономных агентах по продажам, рассматривает свои инвестиции в ИИ как структурную замену затрат на персонал: меньше сотрудников, больше интеллекта — вот что обещает компания. Генеральный директор четко обозначил это как бизнес-модель: цель — достичь годового дохода в 10 миллионов долларов на одного сотрудника.

Тот факт, что Swan AI уже сообщает о семизначных суммах регулярного дохода и, согласно собственным заявлениям компании, недавно за одну неделю получила около 200 000 долларов годового дохода, звучит убедительно. Однако то, что Бар-Джозеф не раскрыл, остается крайне важным: маржа. Если ежемесячные расходы на ИИ в размере 113 000 долларов эквивалентны годовым затратам, превышающим 1,3 миллиона долларов, то полученный доход должен быть значительно выше — и на достаточную величину, чтобы покрыть инфраструктуру, налоги и другие расходы. Независимые источники подтвердили: компания отказалась предоставить конкретные данные о доходах. То, что преподносится как история успеха, с таким же успехом может быть неполной финансовой отчетностью.

Тем не менее, пост Бар-Йозефа свидетельствует об изменении менталитета: в некоторых сегментах технологической индустрии сумма счета за ИИ становится символом статуса – подобно тому, как количество сотрудников или офисных площадей раньше считалось показателем размера компании. Такая логика сопряжена со значительными рисками, если расходы и доходы не тесно связаны.

Рынок стремительно развивается: инвестиции в ИТ в размере 6,31 триллиона долларов служат тревожным сигналом

Индивидуальное давление на затраты отражается в макроэкономической картине. По данным Gartner, глобальные расходы на ИТ вырастут до 6,31 триллиона долларов в 2026 году – рост на 13,5 процента по сравнению с 2025 годом. Особенно резкий рост наблюдается в секторе центров обработки данных: ожидается, что расходы на серверные системы увеличатся на 36,9 процента, а общий объем центров обработки данных, по прогнозам, впервые превысит 650 миллиардов долларов. В то же время Gartner прогнозирует рост расходов на модели генеративного искусственного интеллекта на 80,8 процента.

Эти цифры не описывают органический инвестиционный цикл, движимый ожиданиями высокой добавленной стоимости. Они описывают рынок, который все еще движется на полной скорости, в то время как тормоза — другими словами, осознание затрат — срабатывают лишь постепенно. Параллельно с данными Gartner, исследование показывает, что глобальные расходы на ИИ вырастут на 44 процента в 2026 году, в то время как бюджеты на обучение и развитие сотрудников увеличатся всего на 5 процентов. Компании, которые увеличивают свои расходы на технологии почти в десять раз быстрее, чем расширяются возможности людей, использующих эти технологии, рискуют столкнуться с масштабным нерациональным распределением ресурсов.

Аналитическая компания Forrester Research выражается еще более прямолинейно: менее 15 процентов лиц, принимающих решения в области ИИ, сообщили об измеримом улучшении показателя EBITDA от инвестиций в ИИ за последние двенадцать месяцев. Менее трети даже могут связать стоимость своих расходов на ИИ с конкретными изменениями в отчете о прибылях и убытках. Следствие: Forrester прогнозирует, что компании отложат 25 процентов своих запланированных расходов на ИИ с 2026 по 2027 год — коррекция рынка, вызванная растущим беспокойством среди финансовых директоров.

Токеномика: невидимая ловушка издержек в повседневном бизнесе

Чтобы понять масштаб проблемы, стоит внимательнее взглянуть на структуру моделей выставления счетов на основе токенов. Они особенно коварны для бизнеса по двум причинам: во-первых, их масштабирование не линейно зависит от ценности, а скорее от использования. Каждое некорректно сформулированное сообщение, каждое неоправданно долгое контекстное окно, каждый цикл повторной попытки из-за ошибок влекут за собой затраты — независимо от того, пригоден ли результат для использования или нет. Во-вторых, их сложно интегрировать с традиционными системами FinOps, которые измеряют производительность виртуальными машинами, вычислительными экземплярами или пользовательскими лицензиями, а не текстовыми сегментами.

Конкретный пример из практики: Azure OpenAI взимает плату за входные и выходные токены отдельно, при этом выходные токены обычно в три-пять раз дороже входных. В то же время системные запросы, которые выполняются перед каждым запросом пользователя, могут потреблять значительное количество входных токенов — без видимости этого для пользователей во фронтенде. Любой, кто запускает тысячи агентов с длинными системными запросами, будет постоянно платить за это, даже когда агенты в данный момент не выполняют никаких полезных действий.

С окончанием эры фиксированных ставок структура затрат становится все более сложной. Компания Anthropic уже перешла от модели корпоративного выставления счетов с фиксированной платы к ценообразованию на основе токенов — ожидается, что другие провайдеры последуют ее примеру в течение шести месяцев. То, что раньше служило своего рода буфером — фиксированная плата, которая также покрывала чрезмерное использование, — теперь в прошлом. Менеджеры по бюджету, которые все еще рассчитывали свои затраты на ИИ по старой модели, сталкиваются со структурной переоценкой всей своей стратегии в области ИИ.

Почему инвесторы требуют ответов: кризис корпоративного управления

В публичных компаниях проблема выходит на новый уровень: это вопрос ответственности перед акционерами. Советы директоров и финансовые директора задают вопросы об измеримой добавленной стоимости инвестиций в ИИ с такой частотой и настойчивостью, которые были бы немыслимы еще два года назад. Согласно опросу финансовых директоров, проведенному Grant Thornton в первом квартале 2026 года, 68 процентов финансовых директоров ожидают дальнейшего увеличения расходов на ИТ и цифровую трансформацию — это самый высокий показатель за 21 квартал, охваченный опросом. На первый взгляд, эта цифра звучит оптимистично, но она воспринимается иначе, если учесть сопутствующий посыл: финансовые директора активно участвуют в принятии решений по вопросам ИИ, которые ранее были исключительной ответственностью директоров по информационным технологиям или технических директоров.

Брэд Оуэнс из Asymbl описывает глубокий сдвиг в понимании ситуации среди топ-менеджеров: ключевой вопрос теперь заключается не только в стоимости ИИ, но и в истинной ценности сотрудника – будь то человек или цифровая личность. Хотя окончательного ответа пока нет, этот вопрос задают гораздо чаще. Это свидетельствует о сдвиге парадигмы: ИИ больше не рассматривается как эксперимент по собственному усмотрению, а как управляемый бизнес-актив – с соответствующими требованиями к измеримости и обоснованию.

Кризис подотчетности очевиден с точки зрения статистики: согласно отчету Larridin «Состояние корпоративного ИИ 2025», 72% всех компаний активно уничтожают ценность из-за неэффективного использования ИИ. Это звучит радикально, но вполне правдоподобно, если учесть, что многие компании измеряют внедрение инструментов ИИ, а не фактическое изменение производительности или создание бизнес-ценности. Существует существенная разница между наблюдением за тем, что сотрудники используют инструмент ИИ, и демонстрацией того, что этот инструмент приводит к измеримому улучшению финансовых показателей компании.

Айсберг скрытых издержек: что скрывают прайс-листы токенов

В общественном дискурсе основное внимание уделяется стоимости API для языковых моделей. Это лишь верхушка айсберга. Гораздо большая часть фактических операционных затрат на ИИ скрыта под поверхностью и просто игнорируется во многих бизнес-кейсах.

По данным Gartner, более 75 процентов всех корпоративных рабочих нагрузок ИИ выполняются в облаке. Это добавляет затраты на инфраструктуру к затратам на модель: вычислительные ресурсы, хранилище, сети, CDN и очереди сообщений. Для систем на основе агентов с 10 000–20 000 диалогов в месяц чистые затраты на инфраструктуру составляют от 200 до 500 евро в месяц — в дополнение к затратам на API LLM. Для масштабируемых развертываний с сотнями тысяч взаимодействий эти цифры соответственно увеличиваются.

В предложениях поставщиков редко фигурируют дополнительные расходы, такие как: интеграция и оркестрация корпоративных систем (от 10 000 до 60 000 евро), тестирование и валидация (от 5 000 до 15 000 евро), инфраструктура развертывания (от 10 000 до 30 000 евро), текущее техническое обслуживание, переобучение моделей и обновления безопасности (от 10 000 до 50 000 евро в год и более). Компания Technova Partners подсчитала, что в долгосрочной перспективе затраты на внедрение составляют лишь 25–35 процентов от общей стоимости владения — 65–75 процентов возникают в процессе текущей эксплуатации. Тот, кто считает, что самые большие расходы остались позади после первоначального развертывания, систематически недооценивает реальность.

Разница становится еще более существенной, когда речь идет об автономных агентах искусственного интеллекта. Salesforce взимает два доллара за разговор за свой продукт Agentforce — на первый взгляд, это кажется разумным. Но скрытые затраты на лицензии облачных сервисов, необходимые компоненты CRM, интеграционные работы и постоянный контроль значительно увеличивают фактические расходы. Gartner прогнозирует, что к концу 2027 года более 40 процентов всех проектов по внедрению агентов ИИ будут прекращены — аналитики называют основными причинами растущие затраты и неясную добавленную стоимость.

Когда автономность становится проблемой стоимости: цена агентов искусственного интеллекта

Особенно дорогостоящими являются полностью автономные агенты ИИ, которые принимают решения и выполняют действия без постоянного контроля со стороны человека. В отличие от чат-ботов, которые расходуют токены эпизодически, агенты ИИ делают это непрерывно — во время планирования, мониторинга, исправления ошибок и обратной связи. Анализ сценариев автономного развертывания показал, что неконтролируемые агенты могут обходиться в 120 000–270 000 долларов в год на вычислительные ресурсы, помимо скрытых затрат на инфраструктуру, которые могут быть на 200–400 процентов выше, чем предлагают поставщики.

Заблуждение о том, что эти агенты действительно автономны и, следовательно, экономически эффективны, сохраняется. В действительности, даже самые передовые системы требуют человеческого контроля, регулярной корректировки и контекстного вмешательства. Человеческий фактор не исчезает — он меняется. Непосредственное выполнение задач превращается в контроль, калибровку и обеспечение качества работы машин. Эта работа менее заметна, но не менее реальна. Любой, кто рассматривает агентов как дешевую замену человеческому труду, не учитывая затраты на мониторинг, занимается «творческой бухгалтерией».

Платформа управляемого ИИ — Изображение: Xpert.Digital

Здесь вы узнаете, как ваша компания может быстро, безопасно и без высоких барьеров для входа внедрить индивидуальные решения на основе искусственного интеллекта.

Управляемая платформа искусственного интеллекта — это комплексное и беззаботное решение для вашего бизнеса в сфере искусственного интеллекта. Вместо того чтобы возиться со сложными технологиями, дорогостоящей инфраструктурой и длительными процессами разработки, вы получаете готовое решение, адаптированное под ваши потребности, от специализированного партнера — зачастую всего за несколько дней.

Основные преимущества с первого взгляда:

⚡ Быстрая реализация: от идеи до готового к использованию приложения за считанные дни, а не месяцы. Мы предлагаем практические решения, которые создают немедленную добавленную стоимость.

🔒 Максимальная безопасность данных: Ваши конфиденциальные данные остаются с вами. Мы гарантируем безопасную и соответствующую законодательству обработку данных без их передачи третьим лицам.

💸 Отсутствие финансового риска: вы платите только за результат. Полностью исключаются высокие первоначальные инвестиции в оборудование, программное обеспечение или персонал.

🎯 Сосредоточьтесь на своем основном бизнесе: сконцентрируйтесь на том, что у вас получается лучше всего. Мы берем на себя всю техническую реализацию, эксплуатацию и обслуживание вашего решения на основе ИИ.

📈 Перспективность и масштабируемость: ваш ИИ растет вместе с вами. Мы обеспечиваем непрерывную оптимизацию и масштабируемость, а также гибко адаптируем модели к новым требованиям.

Более подробная информация здесь:

• Платформа управляемого искусственного интеллекта

Управляемый ИИ: концепция, разработанная для контроля над расходами

На этом фоне концепция управляемого ИИ приобретает стратегическое значение. Речь идёт не об одной технологии, а о комплексной модели управления всей цепочкой поставок ИИ в компании — от выбора модели и оперативного проектирования до постоянного мониторинга затрат и оценки результатов. Услуги управляемого ИИ предоставляются сторонними поставщиками, которые полностью берут на себя развертывание, мониторинг и обслуживание решений в области ИИ, предоставляя экспертные знания в вопросах экономической эффективности, безопасности и соответствия нормативным требованиям.

По оценкам KPMG, современные управляемые сервисы могут снизить общие операционные расходы на 15–45 процентов за счет оптимизации процессов, сокращения технического долга и повышения эффективности работы с искусственным интеллектом и облачными технологиями. Это звучит заманчиво, но добавленная стоимость не материализуется автоматически. Для этого необходима четкая структура управления, определенные обязанности и культура прозрачности затрат, которая распространяется даже на уровень отдельных токенов.

Концепция FinOps, первоначально разработанная для анализа затрат на облачные вычисления, все чаще применяется в сфере искусственного интеллекта. Фонд FinOps описывает основные элементы эффективного управления затратами на ИИ следующим образом: четкая структура ответственности за расходы на ИИ, детальное отслеживание вплоть до уровня токенов или графических процессоров, внедрение моделей поэтапного финансирования с регулярными проверками на случай неудачи, а также создание общекорпоративного Совета по инвестициям в ИИ. Эти меры носят не технический, а организационный характер, что объясняет, почему многие компании терпят неудачу, несмотря на наличие инструментов: им не хватает процессов и культуры, а не инструментов.

Технические рычаги: как систематически оптимизировать потребление токенов

На техническом уровне существует отлаженный набор инструментов для оптимизации стоимости токенов, который, однако, пока не повсеместно используется во многих компаниях.

Первый и наиболее эффективный рычаг — это разработка подсказок. Излишне длинные системные подсказки, избыточная контекстная информация или дублирующие инструкции расходуют входные токены, не улучшая выходные данные. Профессиональная разработка подсказок может сократить потребление токенов на 20–40 процентов, сохраняя при этом качество выходных данных. В сочетании с кэшированием подсказок — механизмом, который повторно использует часто применяемые компоненты подсказок — можно добиться значительной экономии.

Второй рычаг — это маршрутизация моделей: понимание того, что не для каждой задачи требуется самая мощная и дорогая модель. Простые задачи классификации, форматирования или суммирования можно решить одинаково хорошо как с помощью экономичных моделей, стоимость которых составляет от 0,15 до 1,00 доллара за миллион входных токенов, так и с помощью премиальных моделей, стоимость которых в семь-тридцать раз выше. Интеллектуальная система маршрутизации, которая автоматически назначает запросы наиболее экономичной и функциональной модели, может значительно снизить среднюю стоимость одного запроса.

Третий рычаг: управление контекстным окном. Многие архитектуры агентов передают полную историю разговора с каждым запросом — даже если лишь её часть имеет отношение к текущей задаче. Такие методы, как ранняя остановка, усечение подсказок и выборочная выборка контекста, уменьшают количество выходных токенов без ущерба для качества. Deloitte Insights подчеркивает, что модель локальной фабрики ИИ может обеспечить более чем 50-процентную экономию затрат в течение трех лет по сравнению с решениями на основе API — после достижения критического объема производства токенов.

Четвертый рычаг: управление посредством бюджетных ограничений и обнаружения аномалий. Автоматизированные системы, которые запускают оповещения, приостанавливают рабочие нагрузки или перенаправляют на более экономичные модели при достижении определенных пороговых значений, являются наиболее эффективной защитой от перерасхода бюджета, подобного тому, что происходит в Uber. Такие системы существуют — просто их слишком редко внедряют до того, как поступает первый шоковый счет.

Финансовые операции для ИИ: управление как стратегическое конкурентное преимущество

За техническим инструментарием скрывается более глубокий сдвиг в корпоративном управлении: расходы на ИИ должны управляться как полноценный центр затрат – со всеми инструментами, которые компании используют для управления персоналом, закупками или капиталовложениями. Это звучит очевидно, но это не так. Многие компании до сих пор учитывали расходы на ИИ в расплывчатых инновационных бюджетах, которые не подвергались строгому мониторингу рентабельности инвестиций.

Tredence описывает уровень зрелости структуры управления ИИ с помощью конкретных KPI: снижение барьеров для принятия решений (сокращение уклонения от бюджетных ассигнаций и непредвиденных расходов), инвестиционная направленность (доля бюджета ИИ, выделяемая на масштабные внедрения, по сравнению с расходами на чисто экспериментальные проекты) и уверенность в управлении (четкая структура ответственности за каждую инициативу в области ИИ). Компании, измеряющие эти показатели, могут более четко, посредством прямого сравнения, показать, насколько стратегически обоснованы их расходы на ИИ, и, таким образом, быстрее получать одобрение бюджета от финансовых руководителей.

В исследовании, основанном на интервью примерно с 40 компаниями, Goldman Sachs проанализировал структурный сдвиг в ценообразовании на ИИ: поставщики переходят от оплаты за пользователя к оплате за результат — они больше не продают доступ пользователям, а продают единицы труда. Это создает новые возможности для компаний напрямую связывать расходы на ИИ с результатами бизнеса, но также усложняет расчеты. Те, кто приобретает ИИ как «единицу труда», должны знать стоимость этой единицы труда. Большинство компаний пока не обладают этими знаниями.

Новая арифметика труда: человек против машины – но иначе, чем ожидалось

Популярное сравнение затрат на ИИ и затрат на персонал часто бывает чрезмерно упрощенным: замена человека ИИ экономит 90 процентов. Этот расчет верен при очень специфических условиях — и неверен при других. Для повторяющихся, четко определенных задач, таких как ввод данных, стандартное обслуживание клиентов или простая генерация кода, практика показывает, что системы ИИ фактически обходятся от 3000 до 25 000 долларов в год, в то время как полностью учтенные затраты на штатную должность человека (включая льготы, офисное помещение и текучесть кадров) составляют от 75 000 до 95 000 долларов. За пять лет общие инвестиции в штатную должность составляют от 375 000 до 475 000 долларов, по сравнению с 15 000–100 000 долларов для эквивалентной системы ИИ.

Однако это преимущество уменьшается по мере того, как задачи становятся более сложными, контекстно-зависимыми или творческими. Системы ИИ, которые полагаются на дорогостоящие премиальные модели для обеспечения высокого качества результатов и одновременно требуют интенсивного человеческого контроля, могут быстро стать дороже, чем люди, которых они призваны заменить. Феномен, описанный менеджером Nvidia Катанзаро, возникает именно тогда, когда многомерные задачи — исследования в области глубокого обучения, решения в области архитектурного проектирования, стратегическое мышление — поддерживаются ИИ, но требуют такой большой вычислительной мощности, что затраты превышают затраты на персонал.

Ключевым фактором является структура задачи: чем более стандартизирована и объемна задача, тем очевиднее экономическое преимущество ИИ. Чем более креативна, стратегична и контекстно-зависима задача, тем более расплывчатыми становятся расчеты. Компании, которые планируют бюджет на ИИ в качестве замены персонала, не учитывая специфику задач, попадают в классическую ловушку издержек.

Ценовой парадокс: более дешевые токены, но более высокие общие затраты

Одна из самых удивительных динамик проблемы стоимости ИИ — это ценовой парадокс, который компания Deloitte в своем анализе описала как «Падение цен, рост потребления». Стоимость токенов действительно падает: поставщики моделей, такие как OpenAI и Anthropic, неоднократно снижали цены на токены за последние два года, в некоторых случаях на 80–90 процентов по сравнению с ценами запуска. В то же время общие расходы на ИИ резко растут.

Причина кроется в структуре потребления: по мере снижения цен интенсивность использования непропорционально возрастает. Разрабатываются новые варианты использования, которые были бы экономически нецелесообразны при более высоких ценах. Количество агентов, пользователей, вызовов моделей и длительность контекстов растут быстрее, чем падают цены. Это классический эффект отскока из энергетической экономики: более дешевая энергия не приводит к снижению потребления, а к его увеличению. Абсолютная база затрат растет, даже если предельная единица потребления становится дешевле.

Для финансовых директоров это означает, что переговоры о ценах с поставщиками ИИ не решают проблему на структурном уровне. Снижение цены токена на 20 процентов более чем компенсируется увеличением его использования на 25 процентов. Структурное снижение затрат достигается только за счет управления, а не за счет более выгодных цен покупки.

Стратегический прогноз: что сейчас делают по-другому хорошо управляемые компании

Компании, которые серьезно относятся к стоимости ИИ, в 2026 году будут действовать несколько иначе, чем в среднем. Во-первых, они не будут рассматривать расходы на ИИ как статью расходов ИТ, а как стратегические инвестиции с четко определенными ожиданиями по рентабельности. Каждая инициатива в области ИИ будет иметь спонсора в бизнесе, а не в ИТ-отделе, и четко определенное обоснование проекта с измеримыми критериями успеха.

Во-вторых, они внедрили прозрачность токенов: панели мониторинга в реальном времени, которые показывают распределение расходов на уровне команды, приложения и сценария использования. Платформы FinOps, такие как Finout, позволяют использовать виртуальные метки на уровне токенов без необходимости внесения изменений в код, что делает возможными модели возмещения расходов, в которых бизнес-подразделения напрямую учитывают свои затраты на ИИ. Такая внутренняя прозрачность часто оказывается более эффективной, чем внешние переговоры о ценах.

В-третьих, ведущие компании внедряют портфельную модель для моделей: они не используют одну флагманскую модель для всех задач, а скорее сочетание экономичных моделей для стандартных задач, моделей премиум-класса для сложных требований и специализированных моделей с открытым исходным кодом для случаев использования, требующих обработки больших объемов данных. Компания Deloitte рекомендует использовать модели с открытым исходным кодом там, где требования к качеству могут быть удовлетворены с помощью более мелких, точно настроенных моделей, что приводит к значительной экономии средств и меньшей зависимости от коммерческих поставщиков.

В-четвертых, эти компании внедрили модели поэтапного финансирования: вместо выделения годовых бюджетов на ИИ заранее, финансирование предоставляется ежеквартально, с обязательными этапами проверки, которые позволяют продолжить внедрение только в том случае, если продемонстрирован измеримый вклад. Фонд FinOps называет этот принцип «финансированием на случай неудачи» — он стимулирует досрочное прекращение неэффективных проектов в области ИИ, вместо того чтобы тратить деньги впустую.

Рынок в поисках равновесия

Общая картина показывает, что отрасль все еще находится в процессе определения истинной ценности ИИ в промышленных масштабах. Технические возможности моделей впечатляют и быстро развиваются. Однако экономическая управляемость получаемых затрат отстает – не из-за недостатка инструментов, а из-за недостаточной организационной зрелости, необходимой для последовательного внедрения этих инструментов.

Компании, которые наращивают расходы на ИИ без надлежащего управления, рискуют превратить предполагаемое конкурентное преимущество в скрытую проблему с прибыльностью. И наоборот, те, кто с самого начала инвестирует в управление токенами, маршрутизацию моделей, процессы FinOps и четкое измерение рентабельности инвестиций, создают инфраструктуру, которая остается экономически эффективной даже при увеличении использования ИИ.

В ближайшие кварталы балансы ИИ станут центральной темой в советах директоров. Не потому, что ИИ терпит неудачу, а потому, что он стал слишком успешным, и его издержки затрудняют контроль. По оценкам Forrester, к концу 2026 года рынок переживет реальную коррекцию: неооблачные решения — специализированные поставщики, ориентированные на графические процессоры, — будут все больше отбирать долю рынка у крупных гипермасштабных компаний и предлагать более доступную инфраструктуру для рабочих нагрузок ИИ. Это усилит ценовую конкуренцию и даст компаниям новые рычаги влияния.

Ключевым навыком на ближайшие два-три года станет не использование ИИ. Практически каждая компания уже этим занимается. Ключевым навыком станет использование ИИ таким образом, чтобы соотношение затрат и выгод оставалось стабильно положительным. Управляемый ИИ — во всех его формах — это не просто желательная функция, а структурное решение структурной проблемы.

Konrad Wolfenstein

Я с удовольствием стану вашим личным консультантом.

со мной по адресу wolfenstein∂xpert.digital связаться

Просто позвоните мне по номеру +49 7348 4088 965 .

LinkedIn