Казалось бы, рынок полноценно вошел в эпоху тотальной автоматизации, где каждый работник, от джуниор-медиабайера до топменеджера, имеет в арсенале собственный набор умных помощников. Однако реальность оказалась несколько дороже ярких презентаций. Вместо заветного роста производительности компании столкнулись с тем, что их финансовые бюджеты таяли на глазах из-за неконтролируемого потребления ресурсов. Бизнес вынужден тормозить процессы и вводить жесткие лимиты.
Когда счет за токены превышает ожидания
Долгое время тренд на инновации подразумевал единую стратегию: дать команде полную свободу действий, подключить самые мощные модели и вознаграждать сотрудников за активное тестирование новых инструментов. Компании внедряли внутренние лидерборды, раздавали безлимитный доступ к кодинг-агентам и радовались количеству сгенерированных задач.
Но модель ценообразования на основе потребления (usage-based billing) быстро показала свою сторону. В отличие от классического софта с фиксированной месячной подпиской, ИИ-агенты и автономные воркфлоу осуществляют сотни фоновых обращений к моделям во время выполнения одной простой задачи.
Цифры говорят сами за себя:
В Uber выделенный на год бюджет на AI-инструменты разошелся всего за первые четыре месяца, после чего компания была вынуждена ввести жесткие лимиты в размере $1,500 на месяц для одного сотрудника.
Walmart полностью отказался от неограниченного доступа к агентам в пользу фиксированных токен-алокаций.
В корпоративном сегменте расходы на одного активного пользователя искусственного интеллекта утилитарно достигают $7,500 ежемесячно.
Парадокс: ИИ дешевеет, а затраты растут
Рыночная стоимость самих моделей за последние годы существенно снизилась, однако общие корпоративные чеки увеличились в разы. Логика здесь проста: когда инструмент стоит копейки, пользователи начинают запускать его на каждую мелочь, генерируя гигантские объемы ненужных запросов.
Дополнительно ситуацию ухудшает так называемая «петля расточительства», когда один сотрудник генерирует огромный документ с помощью ИИ, а другой — отправляет его на детальное описание другой нейросети, при этом реальная польза для бизнеса остается нулевой. По данным исследований рынка, значительная часть компаний уже сталкивалась с тем, что из-за неожиданных расходов на модели приходилось экстренно замораживать или полностью отменять отдельные продуктовые инициативы.
Как бизнес оптимизирует затраты без остановки процессов
Этап слепого увлечения технологиями завершился, и на смену ему пришла строгая дисциплина FinOps. Технологические гиганты перешли к точечному контролю затрат:
Перераспределение бюджетов: Расходы на генеративные инструменты больше не покрываются централизованно — их привязывают к конкретным проектным или командным сметам.
Фильтрация моделей: Вместо того, чтобы запускать самые дорогие флагманские модели для рутинных задач, компании автоматически перенаправляют запросы на более легкие и дешевые варианты (right-sizing).
Отмена внутренних стимулов: Лидерборды по количеству использованных промптов ушли в прошлое, а компании вводят строгие лимиты на количество токенов в неделю.
Искусственный интеллект не исчезает из корпоративных кабинетов, но эпоха «бесплатного безлимита» окончательно завершилась — теперь каждая сгенерированная строка кода или текста проходит жесткую проверку на окупаемость.
🤔 Ирония в том, что как только автоматизация начала экономить время людей, компаниям пришлось нанимать отдельных людей для контроля за тем, сколько эта автоматизация стоит.
🖋 UAFF — будь в курсе арбитражных инсайтов