Финансовые директора бьют тревогу: неконтролируемые затраты на новые агенты искусственного интеллекта

Генеративный искусственный интеллект переживает фундаментальный кризис – не потому, что технология терпит неудачу, а потому, что рушится её коммерческая архитектура.

Технологические гиганты, такие как Microsoft, Uber и GitHub, уже предпринимают радикальные меры: годовые бюджеты на инструменты ИИ сокращаются за считанные месяцы из-за использования автономных агентов, в то время как ожидаемый прирост производительности зачастую неизмерим. Виновником является повсеместный переход отрасли к моделям оплаты на основе токенов. Под видом «плати за то, что используешь» поставщики перекладывают весь финансовый риск на своих корпоративных клиентов, взимая плату только за саму вычислительную мощность — независимо от того, правильно ли ИИ решает задачу или приносит реальную экономическую выгоду. В этой статье анализируются скрытые риски текущей трансформации ценообразования в сфере ИИ, объясняется фатальное противоречие между контролем бюджета и внедрением ИИ, и демонстрируется, почему ценообразование, основанное на результатах, является единственным устойчивым решением для будущего корпоративного ИИ.

В связи с этим:

• UNFRAME.AI: Ценообразование на основе токенов не работает. Модели, основанные на результатах, исправят это

Кто платит, когда ИИ ничего не дает? Расплата отрасли, которая не понимала, как создавать ценность для себя

Бизнес-модель генеративного ИИ находится в фундаментальном кризисе. Не потому, что сама технология терпит неудачу, а потому, что способ её ценообразования переворачивает экономическую логику с ног на голову: компании несут весь финансовый риск – поставщик получает прибыль независимо от результата. В мае 2026 года Microsoft аннулировала внутренние лицензии Claude Code для тысяч сотрудников своего подразделения Experiences & Devices. Uber исчерпал весь свой бюджет на ИИ на 2026 год за четыре месяца, потому что 5000 инженеров интенсивно работали с Claude Code, что приводило к ежемесячным расходам в размере от 500 до 2000 долларов на человека. GitHub, крупнейшая в мире платформа для разработчиков, принадлежащая Microsoft, 1 июня 2026 года отменила фиксированную ставку и перешла на систему кредитования на основе токенов. Эти три события за несколько недель – не случайность, а симптомы структурного недостатка, глубоко укоренившегося в архитектуре ценообразования индустрии ИИ.

Конец эпохи субсидий: когда рынок определяет цену

Первый этап развития генеративного ИИ в значительной степени субсидировался. Такие поставщики, как Anthropic, OpenAI и Microsoft, предлагали свои услуги значительно ниже фактических затрат на инфраструктуру, чтобы завоевать долю рынка, понять поведение пользователей и создать экосистемы для разработчиков. Фиксированная плата за помощников по программированию, неограниченное количество сеансов чата за символическую сумму в месяц и щедрое корпоративное тестирование за счет поставщика — все это стало возможным благодаря тому, что венчурный капитал финансировал разницу в ценах, а истинные затраты на использование рабочих процессов на основе агентов еще не были известны.

Этот этап, очевидно, завершился. GitHub прямо оправдал переход на оплату токенами, заявив, что использование агентской системы стало нормой, и связанные с этим вычислительные затраты просто больше не могут поддерживать прежние модели с фиксированной ставкой. Компания заявила прямо: короткий вопрос в чате и многочасовая автономная сессия кодирования раньше стоили одинаково — это было нерентабельно. Разработчики, которые ранее могли работать с агентской системой без ограничений за 10–39 долларов в месяц, после перехода увидели, как их расходы выросли с 50 до более чем 3000 долларов в месяц. В ветке сообщества, посвященной объявлению об изменении, собралось почти 900 голосов против.

По прогнозам Gartner, глобальные расходы на ИИ в 2026 году составят 2,52 триллиона долларов, что на 44 процента больше, чем годом ранее. При таких масштабах глобальных расходов вопрос о том, кто несет издержки, а кто получает выгоду, перестает быть академической дискуссией и становится фундаментальным вопросом корпоративного управления. Только расходы на инфраструктуру ИИ, по прогнозам, вырастут до 1,37 триллиона долларов в 2026 году. В то же время, согласно исследованию Массачусетского технологического института от июля 2025 года, примерно 95 процентов пилотных проектов GenAI в масштабах предприятий не принесли измеримого эффекта в плане прибыли и убытков. Это противоречие — растущие расходы, отсутствие отдачи — лежит в основе проблемы.

Пять классов рисков, которые модели ценообразования на основе токенов перекладывают на компанию

За безобидной фразой «плати за то, что используешь» скрывается систематическое перераспределение пяти различных классов рисков от поставщика к корпоративному клиенту. Любой, кто понимает этот механизм, осознает, почему токенизированная оплата не является нейтральным методом выставления счетов, а скорее структурным недостатком для покупателя.

Бюджетный риск: Поставщик контролирует производство, а не покупатель

При использовании модели ценообразования на основе токенов компания устанавливает годовой бюджет для единицы затрат, цену которой поставщик может изменить в любое время, а потребление которой ведет себя нелинейно с увеличением использования. Например, в мае 2026 года Anthropic объявила, что подписчики на инструменты для агентов и интеграцию со сторонними сервисами будут получать отдельные ежемесячные лимиты, оплачиваемые по стандартным тарифам API. Это односторонняя корректировка цены, которая немедленно обесценивает существующий бюджет. Uber испытал это на собственном опыте: бюджет, рассчитанный на двенадцать месяцев, закончился за четыре. Проблема заключалась не в самом внедрении — на самом деле, это был признак успеха. Проблема заключалась в том, что единица «токен» масштабируется экспоненциально, как только внедряются рабочие процессы на основе агентов, в то время как бюджет планировался линейно.

Риск внедрения: использование и создание ценности не связаны между собой

Система, основанная на токенах, взимает плату за вычислительную мощность, а не за результаты. Модель, использующая 100 000 токенов и выдающая неверный ответ, стоит ровно столько же, сколько модель, использующая 100 000 токенов и выдающая правильный ответ. Это разделение затрат и выгод является фундаментальной экономической проблемой. Это означает, что компания может построить рабочий процесс вокруг системы, основанной на токенах, управлять этим рабочим процессом и платить за него — так и не получив никакой измеримой добавленной стоимости. Тот факт, что 42 процента компаний отказались от большинства своих инициатив в области ИИ в 2025 году, что является резким увеличением по сравнению с 17 процентами в предыдущем году, в этом свете представляет собой не столько технологическую проблему, сколько проблему ценообразования. Несовершенная архитектура стимулирования приводит к нерациональным инвестициям, которые становятся очевидными только через несколько месяцев работы.

Риск прогнозирования: неконтролируемая изменчивость в планировании затрат

Для финансовых директоров выставление счетов за токены — это категория расходов, которая ведёт себя подобно ошибкам валютного хеджирования: её принципиально невозможно смоделировать, поскольку на выставление счетов влияет слишком много внешних переменных. Каждый новый вариант использования, каждый новый внутренний пользователь, каждое изменение в поведении модели, каждое увеличение размера контекстного окна — всё это движет счёт в непредсказуемом направлении. К этому добавляется так называемое разрастание агентов: когда компании внедряют рабочие процессы на основе агентов в разных отделах, непредсказуемость многократно возрастает. Каждый новый агент добавляет ещё одну запись в реестр токенов без какой-либо гарантии возврата средств. В Claude Opus 4.7 компания Anthropic ввела скачок версии, который из-за расширенных цепочек рассуждений потребляет примерно на 30 процентов больше токенов, чем его предшественник — 30-процентное увеличение стоимости за одну ночь, без единой новой транзакции или заказа клиента, которые могли бы это оправдать.

Риск управления: защита данных и соблюдение нормативных требований масштабируются по мере потребления

В регулируемых отраслях — финансовых услугах, здравоохранении, страховании — каждый вызов токена имеет аспект управления: корпоративные данные передаются через инфраструктуру обработки данных третьих сторон при каждом вызове API. Это означает, что чем больше токенов используется, тем больше данных покидает внутренний периметр безопасности. В среде, регулируемой GDPR, SOC 2, HIPAA и Законом ЕС об ИИ, это порождает затраты на соблюдение требований, риски аудита и ответственности, которые возрастают с интенсивностью использования. Таким образом, выставление счетов с помощью токенов и суверенитет данных находятся в структурном противоречии: те, кто использует больше ИИ, автоматически принимают на себя больший регуляторный риск — проблема стимулирования, которая препятствует безопасному и масштабируемому использованию ИИ.

Риск неблагоприятного исхода: молчание поставщиков ИИ относительно последствий

Наименее обсуждаемый риск является наиболее существенным. Модели ценообразования на основе токенов измеряют потребление, а не создание ценности. Поставщик получает оплату независимо от того, оказывает ли программа ИИ компании измеримое влияние на прибыль или убытки, или же она пополняет длинный список корпоративных пилотных проектов GenAI, которые не принесли измеримой отдачи. Исследование MIT оценивает этот показатель в 95 процентов. Другими словами, в подавляющем большинстве случаев компания платит, не получая никакой подтвержденной экономической выгоды, и у поставщика нет никаких стимулов, связанных с его бизнес-моделью, чтобы это изменить.

Логика ценообразования в отрасли: рынок, который не осознавал собственной ценности

Основная причина нынешнего ценового кризиса кроется в истоках рынка GenAI. Отрасль начала продвигать свои продукты, не понимая их реальной стоимости использования в производственных корпоративных средах. Фиксированные ставки и модели ценообразования на основе токенов были задуманы как стратегии выхода на рынок, а не как устойчивые коммерческие структуры. Сам GitHub признал, что существующие модели с фиксированными ставками поглощают фактические затраты на вывод данных, и что этот механизм не является устойчивым для поставщиков в долгосрочной перспективе.

Это создало парадоксальную ситуацию: чем успешнее внедрение, тем выше риск убытков для поставщика и тем выше бюджетный риск для компании. Uber — самый яркий пример: внедрение Claude Code увеличилось с 32 до 84 процентов разработчиков, 70 процентов выделенного кода было сгенерировано ИИ, а повышение производительности было реальным и измеримым. И все же технический директор Uber Правеен Неппалли Нага описал ситуацию следующим образом: «Я вернулся к началу, потому что бюджет, который я считал необходимым, уже исчерпан». Технология работала. Модель ценообразования — нет.

Это также объясняет, почему Microsoft решила аннулировать лицензии Claude Code для своего подразделения Experiences & Devices и перевести разработчиков на GitHub Copilot CLI. Официальной причиной названо «унификация набора инструментов» — внутри компании это было финансовое решение. Тысячи инженеров, разрабатывающих Windows, Microsoft 365, Teams, Outlook и Surface, активно использовали Claude Code с момента его пилотного запуска в декабре 2025 года, и затраты на токены исчерпали годовой бюджет задолго до конца года. Microsoft, компания, которая инвестировала 13 миллиардов долларов в OpenAI и управляет облаком, на котором работает большинство лабораторий фронтенда ИИ, проанализировала цифры и приняла решение, основываясь на стоимости, а не на воспринимаемой ценности.

Ориентированные на результат модели ценообразования: другая коммерческая архитектура, без скидок

Термин «ценообразование, основанное на результате» часто неправильно понимается на рынке. Речь идёт не о более низких ценах на токены, скидочных пакетах или отсрочке платежа. Это принципиально иная коммерческая архитектура: поставщик получает оплату за выполненную задачу — только если определённый бизнес-результат подтверждён в рамках определённого рабочего процесса. А не за вычислительные затраты, понесённые на этом пути.

На протяжении десятилетий корпоративное программное обеспечение работало по принципу «система и SLA»: поставщик отвечает за экономику единицы продукции и гарантирует, что решение обеспечивает обещанные результаты. Системы ERP, платформы CRM, бухгалтерское программное обеспечение — ни в одной из этих категорий никогда не выставлялись счета на основе обращений к базам данных, вызовов API или вычислительных циклов. Они выставляют счета на основе пользователей, модулей или результатов производительности. Ценообразование в сфере ИИ должно соответствовать тому же стандарту.

Однако модель ценообразования, основанная на результате, экономически целесообразна только в том случае, если поставщик может самостоятельно компенсировать отклонения – то есть, если он создал платформу, эффективность которой позволяет ему учитывать этот риск. Большинство поставщиков не могут этого сделать. Их производственные затраты – это тот же самый символический счетчик, который несет компания, и они просто перекладывают этот счетчик на потребителей. Ценообразование, основанное на результате, требует от поставщика увязывать свой доход с результатом. Это существенно отличается от модели ценообразования, и именно поэтому она до сих пор редко встречается на рынке.

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

Практическая модель: как работает ориентированная на результат реализация проектов с использованием ИИ

Платформы, последовательно реализующие принцип, ориентированный на результат, используют иную логику взаимодействия. Вместо аренды инфраструктуры и простого учета затрат, они сначала определяют наиболее эффективный рабочий процесс для конкретного случая использования компанией — то есть процесс, который может обеспечить измеримый результат в кратчайшие сроки. Затем готовое к использованию решение развертывается в инфраструктуре компании: в корпоративном облаке, локально, в частном облаке или в виде полностью управляемого SaaS-решения, при этом данные никогда не покидают периметр компании. Оплата начинается только после получения результата и удовлетворения клиента.

Эта модель имеет далеко идущие последствия для распределения рисков. Она заставляет поставщика сосредоточить свои ресурсы на действительно создающих ценность сценариях использования, а не на тех, которые потребляют много токенов. Она создает прямое совпадение интересов между поставщиком и клиентом: обе стороны получают прибыль, когда ИИ действительно работает; ни одна из сторон не получает прибыли за счет другой, когда он не работает. Для регулируемых отраслей предпосылка о том, что данные не покидают периметр компании, также обеспечивает архитектуру соответствия, совместимую с GDPR, SOC 2, HIPAA и Законом ЕС об ИИ.

Ключевое преимущество хорошо внедренных, ориентированных на результат платформ заключается в их кумулятивной структуре знаний: каждый успешно завершенный рабочий процесс опирается на общую внутреннюю базу знаний, ценность которой возрастает с каждой последующей задачей. Это резко контрастирует с внедрением на основе токенов, которое, хотя и влечет за собой затраты, не закрепляет институциональные знания внутри компании.

Перспектива финансового директора: Токенизированное выставление счетов как проблема, относящаяся к категории бюджетных расходов

Для специалистов в области финансов токенизированное выставление счетов представляет собой совершенно новый тип операционных расходов, для которых не существует устоявшихся структур управления. Затраты на облачные сервисы — вычислительные ресурсы, хранилище, сеть — за последние пятнадцать лет значительно повысили свою профессиональную значимость. FinOps как дисциплина породила методы, инструменты и организационные подразделения, которые делают расходы на облачные сервисы предсказуемыми и контролируемыми. Полного аналога для затрат на выполнение агентов ИИ до сих пор нет.

Потребление токенов не зависит от количества пользователей, а скорее от сложности подсказок, длительности контекстных окон, количества одновременно работающих агентов и сложности цепочек рассуждений. Это означает, что компания, переводящая 100 инженеров с простого автозаполнения на рабочие процессы на основе агентов, может увеличить свои ежемесячные затраты на ИИ в пять-двадцать раз — без добавления ни одного нового пользователя. Стандартные предположения планирования, основанные на количестве пользователей или объеме сессий, в этом контексте структурно несостоятельны.

Это имеет конкретные последствия для планирования бюджета. Структура расходов требует механизмов контроля, аналогичных тем, что используются для энергопотребления: измерение в реальном времени, оповещения о превышении пороговых значений, квоты для команд и жесткие ограничения на уровне агентов. Компании, которые не внедрят эти механизмы до начала использования, столкнутся с последствиями, когда бюджет уже будет исчерпан — как, например, Uber. У компании не было ограничений для каждой команды, централизованного отслеживания и видимости потребления в реальном времени до тех пор, пока технический директор преждевременно не сообщил об исчерпании годового бюджета.

Динамика рынка: кто обладает властью в этой ценовой трансформации?

Текущая ценовая трансформация несимметрична. Крупные гипермасштабные компании, такие как Microsoft, Google и Amazon, обладают структурными рычагами, которые отличают их от более мелких поставщиков: они контролируют каналы дистрибуции, корпоративные контракты, облачную инфраструктуру и инструменты для разработчиков. Microsoft закрыла Claude Code не потому, что Copilot лучше — внутренние опросы показали, что разработчики предпочитают Claude Code. Компания закрыла его, потому что контролирует дистрибуцию и не может контролировать или стратегически использовать стоимость токенов для конкурирующего продукта.

Эта динамика имеет важное значение для интерпретации ценовой трансформации в целом. Для крупных поставщиков услуг отказ от фиксированных тарифов и введение токенизированной оплаты — это не ценовая реформа, а оптимизация доходов. Те, кто контролирует инфраструктуру, на которой работают эти модели, кто управляет биллинговыми системами и кто структурно владеет корпоративными контрактами, получают выгоду от оплаты по факту потребления. Противоположная модель — ценообразование, ориентированное на результат, — ставит под угрозу эти позиции в отношении доходов, поскольку она заставляет поставщика нести риск, вместо того чтобы перекладывать его на других.

Для средних предприятий и корпораций, не входящих в число крупных игроков рынка, это существенный вопрос влияния при заключении следующего контракта. Согласно анализу JP Morgan, нагрузка на инфраструктуру ИИ может создать экономические трения еще до того, как будут достигнуты обещанные результаты. Те, кто не будет активно обсуждать распределение рисков в следующем контракте на ИИ, примут стандартную позицию, которая будет структурно для них невыгодна.

Основной посыл инвестиционной экономики: если эффективность не является целью, она становится проблемой

Существует контраргумент к критике стоимости токенизированной системы оплаты, который следует воспринимать серьезно. В Uber искусственный интеллект сгенерировал 70 процентов утвержденного кода и 11 процентов всех обновлений бэкэнда в режиме реального времени. Инженер в Сан-Франциско обходится компании значительно дороже в год, чем 2000 долларов в месяц на оплату токенов. Если кодирование с использованием ИИ повысит производительность даже на несколько процентов по сравнению с самым дорогим ресурсом компании, окупаемость инвестиций может перевесить затраты.

Аргумент не ошибочен — он неполный. Во-первых, он верен только в том случае, если повышение производительности действительно поддается количественной оценке и причинно связано с набором инструментов, что в большинстве компаний редко измеряется систематически. Во-вторых, он предполагает, что сэкономленное инженерное время приводит к фактической экономии затрат или непосредственно к дополнительному доходу, а не, как во многих организациях, просто к увеличению объема работы, что, в свою очередь, потребляет больше ресурсов системы ИИ. В-третьих, сопоставимость допустима только в том случае, если результат работы ИИ подтвержден: сгенерированный, но не используемый продуктивно код не эквивалентен ценности работы опытных инженеров.

Таким образом, основной аргумент в пользу ценообразования, ориентированного на результат, остается в силе: если доход реален, поставщик может подтвердить это договором и связать свой доход с ним. Если же он не может или не хочет этого сделать, этому есть структурные причины, которые работают во вред покупателю.

Стратегические последствия для корпоративного управления

События первой половины 2026 года позволят руководству компании сделать четкие оперативные выводы.

Во-первых, для управления расходами с помощью ИИ требуется специальная дисциплина FinOps, которая должна быть структурирована аналогично облачной FinOps, но требует собственных методологий. Потребление токенов нелинейно, зависит от конкретного агента и версии модели. Панелей мониторинга недостаточно; необходимы ограничения бюджета в режиме реального времени на уровне команды и агента, автоматические механизмы завершения при превышении пороговых значений и журналы аудита на уровне отдельного запуска.

Во-вторых, пилотные проекты, использующие токенизированную систему оплаты, не позволяют получить надежные прогнозы производственных затрат. Пилотный проект, стоимость которого составляет 1000 евро в месяц, может масштабироваться в 100 раз по сравнению с первоначальным использованием в производственной среде, тем самым превышая запланированные ресурсы. Планирование расходов на ИИ должно основываться на предположениях о производственной среде, а не на использовании в пилотном проекте.

В-третьих, каждое продление контракта с поставщиками ИИ имеет стратегический аспект переговоров, который в настоящее время используется недостаточно. Вопрос, который каждая компания должна задать своему поставщику ИИ на следующей встрече, прост и точен: сколько я заплачу, если это не сработает? Поставщик, не желающий разделить риски, имеет конфликт интересов с покупателем, который нельзя игнорировать в серьезном процессе закупок.

В-четвертых, суверенитет данных — это отдельная переменная, связанная со стоимостью и риском, а не просто вопрос соблюдения нормативных требований. Компании в регулируемых отраслях, использующие сервисы на основе токенов в публичном облаке, накапливают усилия по соблюдению нормативных требований, подвергаются аудиту и потенциально несут ответственность с каждой единицей использования. Суверенный ИИ — то есть инфраструктура ИИ, работающая в пределах собственного периметра компании, — к 2026 году достигнет технологического паритета с облачными фронтенд-моделями: согласно индексу Stanford HAI 2026 AI, разрыв в производительности между лучшими моделями с открытым взвешиванием и наиболее передовыми проприетарными системами сократится в среднем до трех месяцев.

Прогноз: что означает трансформация цен для 2027 года

Рынок находится в состоянии перемен. Переход от фиксированных тарифов к токенизированной оплате — это краткосрочная победа для провайдеров: доходы растут с увеличением использования. Однако в среднесрочной перспективе это станет катализатором трех параллельных процессов, которые коренным образом изменят структуру ценообразования.

Во-первых, конкурентное давление усилится из-за моделей с открытым исходным кодом. Если стоимость проприетарных токенов для развертывания агентских систем в масштабах предприятия достигнет шестизначных сумм в год, а модели с открытым исходным кодом обеспечат сопоставимую производительность на локальном оборудовании, то расчет общей стоимости владения склонится в пользу локальной инфраструктуры – особенно для европейских компаний, которые отдают приоритет соблюдению GDPR и суверенитету данных.

Во-вторых, ориентированные на результат модели ценообразования будут набирать популярность на рынке, поскольку они предоставляют корпоративным клиентам переговорную позицию, которую по определению не обеспечивает токенизированная оплата. Хотя в настоящее время лишь немногие поставщики обладают достаточной платформой для прибыльного предложения этой модели, конкуренция заставит их подражать.

Во-третьих, управление ИИ, включая измерение рентабельности инвестиций в ИИ, отслеживание вклада в создание ценности и договорное определение показателей успеха, станет отдельной бизнес-областью, сравнимой с защитой данных или кибербезопасностью. Gartner прогнозирует, что к 2027 году глобальные расходы на ИИ достигнут 3,34 триллиона долларов. При таком масштабе руководители корпораций больше не будут рассматривать ИИ как статью бюджета без поддающихся проверке показателей успеха.

Ключевой вопрос не в том, заменят ли токенизированные системы оплаты моделями, ориентированными на результат — экономическая логика подсказывает, что это произойдет. Вопрос в том, будут ли компании активно влиять на этот переход или позволят ему быть навязанным им пассивно постоянно растущими ценами. Те, кто сейчас адаптирует архитектуру контрактов своих инвестиций в ИИ, дергают за правильный конец веревки.

Я с удовольствием стану вашим личным консультантом.

Вы можете связаться со мной по адресу wolfenstein∂xpert.digital или

Просто позвоните мне по номеру +49 7348 4088 965 .

LinkedIn