Так ли выгодны ИИ‑сотрудники, и чем компании платят в долгосрочной перспективе? Разбираемся в токеномике

Почему стоимость растет быстрее — магия токеномики

При обычных текстовых запросах траты могут быть минимальными, но стоит увеличить объем контекста или дать сложную аналитическую задачу — и счет растет быстро. ИИ‑система должна обрабатывать каждую входящую и выходящую единицу текста как токен: длинные запросы, большие массивы данных, история переписки — все это увеличивает плату. В профессиональных чатах разработчиков и исследователей уже обсуждаются случаи, когда глубокий анализ или многократные итерации между агентами приводили к расходам в сотни долларов за вечер, без видимого или ключевого результата.

Простые задачи — не всегда дешевые

Есть распространенное мнение: для заказа из магазина ИИ‑бот просто выбирает товары по списку, это недорого. В реальности многие модели не имеют прямого доступа к корпоративным базам данных. Им приходится имитировать действия человека: переходить по страницам, делать скриншоты, интерпретировать HTML, а затем снова и снова обрабатывать текст и изображения, используя промежуточные энерго‑дорогие модели.

Это не только замедляет работу, но и многократно увеличивает потребление токенов и вычислительных циклов по сравнению с прямым доступом к API или SQL‑базе. Теперь это не просто «пробежаться по списку», а ряд итераций: сделать скрин, с помощью компьютерного зрения выделить составляющие, добавить в контекст, построить результат для текущего состояния, сравнить с тем, насколько мы далеки от результата, и снова повторить итерации.

Яркий кейс массовой генерации

Этот случай продемонстрировал, как быстро растут расходы на вычисления при массовом использовании. Миллионы генераций создают нагрузку на инфраструктуру провайдеров ИИ, что отражается в стоимости токенов, абонентских платах и даже стабильности работы сети.

Так, генеративный ИИ требует огромных объемов воды и электроэнергии: только в 2025 году его «водный аппетит» составил от 312,5 до 764,6 млрд литров — это больше, чем годовой мировой спрос на бутилированную воду. Для сравнения: один дата‑центр Google может расходовать 5,5 млн м³ воды в год, что сопоставимо с потребностями 23 тыс. человек, а лицензия Amazon на весну 2025 года позволяла использовать 755 720 кубометров — достаточно для орошения 230 га кукурузы. Такие нагрузки не только увеличивают расходы провайдеров, но и обостряют проблему дефицита воды: за последние 50 лет рекордные засухи участились вдвое, а 70% грунтовых вод уже находятся на грани исчерпания. В итоге корпорации вынуждены платить региональным властям огромные суммы за водоснабжение, что нередко отодвигает нужды местных жителей на второй план.

С одной стороны, это демонстрирует мощь технологий; с другой — напоминает, что ИИ‑услуги не безлимитны и не бесплатны. И часто эта стоимость может быть отложенной.

Долгосрочная стоимость данных и контроля

ИИ‑сотрудники учатся на данных компании, и это создает свои риски. Например, модели могут непреднамеренно запоминать и воспроизводить чувствительную информацию, что ведет к юридическим и репутационным проблемам. Например, исследование IBM (2025) показало, что 22% компаний сталкивались с утечкой данных через ИИ‑агентов, а средняя стоимость инцидента составила 1,8 млн долларов.

Кроме того, опытные ML‑инженеры часто говорят: иногда проще самому написать алгоритм, чем объяснять модели десятки нюансов, которые человеку очевидны с первого взгляда, чтобы просто получить один нужный график.

Гибридный подход: человек + ИИ

Самый продуктивный сценарий — не замена людей, а расширение их возможностей. ИИ хорошо снимает рутинную нагрузку, а человек остается за аналитикой, стратегией и контролем качества. В такой модели расходы на токены становятся предсказуемыми, а ценность ИИ — ощутимой. Появляется возможность перенести внимание на творчество и качество. Показательный пример — Siemens: ИИ‑ассистенты для инженеров снизили расход токенов на 60% за счет локальных моделей, а производительность выросла на 35%.

Важно помнить: даже самый умный ИИ‑сотрудник не обладает интуицией, корпоративной памятью и чувством ответственности. Он не способен предвидеть косвенные последствия своих решений и не отвечает за них перед акционерами или клиентами. Доверять ему ключевые стратегические задачи без человеческого надзора — значит рисковать не только бюджетом на токены, но и устойчивостью бизнеса в целом.

Выводы для бизнеса: как отличить выгоду от убытка

Когда ИИ выгоднее реального сотрудника. Оправданное использование — это короткие запросы без лишних итераций, шаблонные задачи вроде первичной сортировки писем или черновиков внутренних инструкций. Решение этих задач не требует большого количества токенов, а стоимость ошибки крайне низкая.

Неоправданное применении ИИ — любые ситуации, где модель вынуждена имитировать действия человека в интерфейсе — например, скриншоты, навигация по сайту, или где цепочка вызовов превышает 5–10 шагов. Если задаче нужно больше 15 обращений к ИИ для одного конкретного результата, дешевле заплатить оператору или написать обычный скрипт через API.

Прежде чем принять решение, выполните простые расчеты: узнайте, сколько стоил бы один такой заказ при оплате токенов. Если выходит дороже 20–30 % от почасовой ставки сотрудника на аналогичной работе, отдавайте его человеку. Потому что при сложных запросах стоимость токенов может вырасти в 2‑3 раза, а в случае высокой нагрузки инфраструктуры — даже больше.

Как оценивать эффективность на практике. Самый простой способ — взять 3 бизнес‑показателя, которые легко измерить за неделю пилота:

1. Реальная стоимость завершенного действия. Общие траты на токены поделите на количество задач, которые ИИ решил сам, без доработок.
2. Коэффициент лишних движений. Разделите фактическое число вызовов модели на минимально необходимое. Если можно сделать за 2 вызова, а ИИ сделал 10, значит, эффективность низкая.
3. Возврат на токен. Рассчитайте, сколько стоит сэкономленное время сотрудника в деньгах и сравните с затратами на токены. В ряде ситуаций сотрудник с тем же успехом мог бы делать работу сам, а деньги остались бы в компании.

Что делать прямо сейчас. Выделите на пилот не больше 1000‑5000 долларов. Ограничьте объем контекста для ИИ — не давайте ему за раз больше 5 страниц текста или длинную историю переписки. И введите жесткое правило: если за месяц 3 разных задачи потребовали больше 50 итераций без первого верного решения, значит, этот сценарий не для нейросетей. Его нужно или переписать, или просто поручить человеку.

Таким образом, ИИ становится выгодным, когда его работа дешевле и быстрее сотрудника без накрутки токенов, что случается при длинных уточнениях, обходе интерфейса и многократных перепроверках.

ИИ‑сотрудники действительно могут быть выгодными инструментами. Но компании платят не только за токены, но и за время на поддержку, инфраструктуру, контроль данных и инженерные ресурсы. Понимание токеномики, ограничений моделей и организационных рисков — ключ к тому, чтобы превращать хайп вокруг искусственного интеллекта в управляемый ресурс, а не в дорогостоящую проблему. Возможно, скоро будут востребованы уроки для сотрудников с примерами и контрпримерами того, с чем справляется ИИ, а что лучше осознанно решать самостоятельно.