Компании начали нормировать ИИ: счета за токены догнали хайп

Корпоративный ИИ столкнулся с приземляющим вопросом: кто оплачивает все эти эксперименты. Wall Street Journal пишет, что некоторые компании уже достигли годового бюджета на ИИ за несколько месяцев, а у других счета за модели выросли в два-три раза. На этом фоне бизнес начинает нормировать доступ, отслеживать расход и разбирать, какие сценарии действительно дают отдачу.

Это не отменяет интерес к ИИ. Наоборот, именно массовое внедрение делает проблему видимой. Последние два года руководители требовали от сотрудников активнее использовать ChatGPT, Claude, Copilot и внутренние AI-инструменты, чтобы не отстать от конкурентов. Теперь выясняется, что «пусть все пробуют» плохо сочетается с агентными задачами, длинными контекстами, автоматическими цепочками запросов и оплатой за токены.

Почему счета растут так быстро

В простом чат-боте сотрудник задаёт вопрос и получает ответ. В агентном сценарии модель может читать документы, вызывать инструменты, переписывать код, проверять результат, запускать поиск и снова возвращаться к задаче. Для пользователя это выглядит как один запрос, но внутри может быть десятки обращений к модели и большой объём входного и выходного текста.

Отсюда и термин tokenmaxxing, который WSJ использует для описания ситуации, когда сотрудники или команды быстро наращивают расход токенов. Чем длиннее контекст, чем больше файлов и чем автономнее задача, тем выше стоимость. Особенно это заметно в разработке, аналитике, поддержке клиентов и внутренних офисных процессах, где один успешный AI-сценарий легко превращается в привычку для целой команды.

Проблема не только в абсолютной цене. Компании плохо видят связь между расходом и результатом. Если AI-инструмент помогает быстрее закрывать тикеты, писать код или готовить документы, стоимость можно защищать. Если же сотрудники используют модели «потому что надо пользоваться ИИ», бюджет превращается в отдельный риск.

От энтузиазма к правилам

Следующий этап корпоративного ИИ будет менее эффектным, но важнее для реального внедрения. Компаниям придётся решать, кто получает доступ к дорогим моделям, какие задачи можно отдавать агентам, где нужны лимиты, а где экономия убьёт пользу. Это похоже на переход облаков от раннего восторга к FinOps: сначала все радовались гибкости, потом начали считать каждый лишний сервер.

Для работников это тоже меняет правила. Одного умения «попросить нейросеть» становится мало. Ценнее становится способность поставить задачу так, чтобы модель не жгла контекст впустую, выбрать подходящий уровень модели, остановить агентную цепочку вовремя и показать измеримый результат. В компаниях появится новая бытовая дисциплина: не только prompt engineering, но и cost engineering.

Big Technology отдельно указывает на важный тренд: чат-боты и агенты постепенно сливаются. Если ассистент не только отвечает, но и бронирует, покупает, отправляет письма, пишет код или работает в браузере, стоимость одного «разговора» растёт вместе с ответственностью. Поэтому вопрос бюджета быстро становится вопросом контроля, безопасности и доверия.

Что это значит для рынка

Эта история важна тем, что ИИ выходит из презентационного режима. Пока компании показывали пилоты, расходы можно было списывать на эксперименты. Когда инструменты попадают в повседневную работу тысяч сотрудников, они становятся такой же инфраструктурой, как облако, CRM или корпоративная связь.

Поставщики моделей тоже почувствуют давление. Клиенты будут требовать более прозрачного биллинга, дешёвых режимов для простых задач, локальных или специализированных моделей и нормальных инструментов учёта. В выигрыше окажутся не только самые мощные модели, но и те сервисы, которые помогают понять цену одного выполненного действия.

Для обычного читателя вывод простой: эпоха «ИИ бесплатен, потому что он где-то в чате» заканчивается. Настоящая стоимость появляется там, где модель начинает делать работу. И именно сейчас компании учатся отличать полезную автоматизацию от дорогой имитации прогресса.