Эпоха безлимитного AI заканчивается: почему компании начинают считать стоимость каждой генерации

Корпоративный AI входит в менее романтичную фазу: после экспериментов начинается экономика. Пока нейросетями пользовались десятки энтузиастов, компания могла считать успехом сам факт внедрения. Сотрудники получили доступ, начали писать промпты, появились первые внутренние помощники — значит, трансформация идёт.

Но массовое использование меняет сам объект управления. Когда доступ получают сотни и тысячи сотрудников, появляются AI-агенты, API-интеграции и несколько моделей под разные задачи, возникает уже не только технологический вопрос. Бизнесу нужно понимать: кто, для каких задач и сколько использует AI — и какой результат компания получает за эти деньги.

Это важный сдвиг. Первая волна была посвящена распространению технологии. Следующая, вероятно, будет посвящена производительности самого AI-ресурса: где дорогая модель оправдана, где достаточно дешёвой, какие генерации превращаются в рабочий результат, а какие создают только дополнительный счёт.

От максимального использования AI — к максимальной отдаче

На раннем этапе компаниям было важно снизить барьер входа: дать сотрудникам инструменты, разрешить экспериментировать, собрать первые сценарии и сформировать привычку обращаться к AI. В такой логике рост числа пользователей действительно был полезной метрикой.

Но есть предел, после которого активность перестаёт быть доказательством эффективности. Один сотрудник может решить задачу одним запросом, другой — двадцатью. Команда может использовать дорогую модель для типовой обработки текста, хотя с задачей справилась бы более дешёвая. AI может генерировать материалы, которые затем никто не использует. Наконец, технология может ускорять процесс, который компании стоило сначала упростить или вообще отменить.

Поэтому стоимость корпоративного AI складывается не только из лицензий. При использовании API к ней добавляются токены и вычисления; при агентных сценариях — длинные цепочки автоматических обращений к моделям; при массовом доступе — тысячи небольших ежедневных операций, каждая из которых почти незаметна сама по себе.

Даже длина ответа AI превращается в экономический параметр

Один из самых наглядных примеров новой логики — борьба с избыточной многословностью AI-ассистентов. Чем длиннее ответ, тем больше выходных токенов генерирует модель и тем выше стоимость сценария при тарификации по токенам.

Поэтому разработчики и команды экспериментируют с системными инструкциями, которые требуют отвечать короче: без повторов, приветствий и лишних пояснений. В отдельных экспериментах с так называемым Caveman-подходом сокращение многословности уменьшало число выходных токенов примерно на 65–75%.

Переносить эту цифру напрямую на экономию корпоративного AI нельзя: итоговая стоимость зависит от модели, размера входного контекста, кэширования и конкретного сценария. Но сам пример показателен. То, что раньше считалось вопросом стиля ответа, становится параметром экономики.

Та же логика распространяется дальше: размер контекста, выбор модели, число повторных запросов, маршрутизация задач, использование агентов. При масштабе архитектурные мелочи превращаются в деньги.

Компании уже начинают пересматривать правила использования AI

Первыми с этим сталкиваются организации, которые раньше других масштабировали генеративный AI. Их опыт показывает характерную проблему: стимулировать использование технологии оказалось проще, чем доказать, что каждый дополнительный запрос создаёт ценность.

Почему метрика «сколько сотрудники используют AI» начинает устаревать

На первом этапе внедрения она полезна. Если компания купила корпоративный инструмент, а сотрудники его игнорируют, трансформация действительно не происходит. Но высокий уровень использования ещё не доказывает обратного.

Для бизнеса важнее различать как минимум три уровня. Доступ отвечает на вопрос, могут ли сотрудники пользоваться AI. Использование показывает, пользуются ли они им фактически. Результат — изменилось ли что-нибудь в скорости, качестве, стоимости процесса или объёме работы.

Зрелость начинается в момент, когда компания умеет связать эти уровни. Не просто увидеть, что отдел маркетинга потратил больше токенов, а понять, что изменилось в его работе. Не просто отметить высокий уровень использования у рекрутеров, а сопоставить его со временем закрытия вакансий, стоимостью операций или высвобождёнными часами.

Следующий слой — управленческий контур AI

Чтобы считать экономику, компании нужна наблюдаемость. Общего счёта за месяц недостаточно. Важно видеть расходы по сотрудникам и командам, понимать, какие модели используются, отделять работу сотрудников от API-интеграций и отслеживать автоматические сценарии.

Затем появляется второй слой — правила. Кто получает доступ к дорогим моделям? Какие задачи можно решать через внешние сервисы? Где нужны дневные или месячные лимиты? Что происходит при превышении бюджета? Какие сценарии требуют отдельного согласования?

И третий слой — обратная связь. Если команда регулярно упирается в лимит, это не обязательно означает злоупотребление. Возможно, именно там AI создаёт максимальную ценность и бюджет стоит увеличить. И наоборот: большой расход без видимого изменения результата — повод изучить сценарий глубже.

Практический инструмент

GPTunneL: когда компании нужно видеть не только общий счёт за AI

Переход к управляемому AI упирается в практическую проблему: невозможно контролировать расходы, если компания видит только итоговую сумму. Для анализа нужна детализация на уровне сотрудников, команд и API-ключей.

В корпоративном кабинете GPTunneL администратор может просматривать историю чатов и генераций сотрудников, видеть используемые модели и контролировать корпоративное потребление AI. Расходы детализируются по каждому сотруднику, команде и ИИ-модели, а отчёты можно экспортировать в Excel и CSV. Компания платит по счёту для юрлиц без абонентской платы, а с единого корпоративного баланса списываются только фактически потраченные токены.

Такой уровень детализации помогает увидеть, где растёт потребление, какие подразделения формируют расходы, какие сценарии требуют отдельного анализа и где нужны ограничения. Для HR и руководителей команд это ещё и способ понять, какие отделы уже работают с AI каждый день где инструмент простаивает и нужно обучение.

Для управления доступом можно назначать дневные бюджетные лимиты и открывать конкретные модели отдельным сотрудникам или командам. Закрывающие документы формируются автоматически, а УПД и акты с НДС уходят в ЭДО Диадок или СБИС первого числа каждого месяца без участия бухгалтерии.

Так компания получает более прозрачную картину использования AI, видит, кто и какими моделями пользуется, сколько это стоит и где расходы требуют дополнительного внимания.

Подробнее о GPTunneL для бизнеса

Реклама. Данные о рекламодателе и ЕРИД будут добавлены при публикации.

Что это означает для HR: обучить промптингу уже недостаточно

Для HR этот сдвиг принципиален. Ещё недавно одной из главных задач было снизить сопротивление технологиям: дать людям доступ к AI, показать сценарии применения, научить формулировать запросы и проверять ответы.

Теперь появляется следующий уровень зрелости — научить команды использовать AI экономически осмысленно. Сотруднику важно понимать не только как получить хороший ответ, но и какую задачу вообще стоит передавать модели, когда достаточно более простого инструмента, где AI действительно экономит время, а где создаёт дополнительную работу.

Для руководителя задача сложнее. Ему необходимо проектировать работу команды вокруг сочетания людей и AI: какие операции автоматизировать, какие решения оставить человеку, как изменятся роли, нормы производительности и требования к навыкам.

Поэтому управление стоимостью AI нельзя полностью оставить ИТ или закупкам. Техническая инфраструктура может находиться в их зоне ответственности, но экономика использования во многом определяется поведением сотрудников и устройством работы. А значит, HR оказывается одним из участников этой системы.

Какие метрики нужны бизнесу вместо одного показателя использования

Универсальной системы пока нет: эффект AI сильно зависит от функции и сценария. Но уже сейчас можно разделить показатели на несколько уровней — от расходов до результата.

В перспективе могут появляться и непривычные показатели — например, стоимость результата на миллион токенов или выручка на единицу AI-расходов. Но важно не попасть в новую ловушку: сама по себе эффективность потребления токенов тоже не является бизнес-результатом.

Если сотрудник сократил расход AI вдвое, но тратит больше собственного времени, компания могла ничего не выиграть. Поэтому правильная единица анализа — не токен, а рабочий результат и полная стоимость его получения.

AI становится таким же управляемым ресурсом, как люди, время и инфраструктура

Пока генеративный AI использовался точечно, его можно было финансировать как эксперимент. Масштабирование меняет модель. Тысячи пользователей, несколько моделей, AI-агенты, API-интеграции и постоянно работающие ассистенты требуют владельцев, бюджетов, правил доступа, аналитики и критериев эффективности.

Здесь возникает важное различие между экономией на AI и экономикой AI. Первая означает попытку потратить меньше. Вторая — способность направлять больше ресурсов туда, где технология создаёт высокий эффект, и меньше туда, где потребление не оправдано.

Поэтому «экономный AI» — не режим тотального ограничения. Если дорогая модель сокращает цикл разработки на дни или позволяет команде выполнять существенно больший объём работы, её использование может быть экономически оправданным. Задача — сделать эту связь видимой.

Что компании стоит проверить уже сейчас

Переход от экспериментов к управляемой модели можно начать без сложной системы ROI для каждого промпта. Для начала достаточно понять, видит ли компания собственное потребление AI и умеет ли связывать его с рабочими сценариями.

• Есть ли единая картина расходов? Или бюджеты распределены между личными подписками, корпоративными лицензиями, API и разными подразделениями.
• Можно ли увидеть потребление по командам и пользователям? Общая сумма не показывает, где именно формируется расход.
• Разделяются ли модели по сложности задач? Самая мощная модель не должна автоматически становиться моделью по умолчанию для любой операции.
• Есть ли правила доступа и лимиты? И понятен ли сотрудникам смысл этих правил.
• Определены ли рабочие сценарии? Компания должна знать не только кто пользуется AI, но и для чего.
• Измеряется ли результат? Хотя бы для наиболее дорогих или массовых сценариев: время, стоимость операции, объём выпуска, качество.
• Пересматриваются ли сами процессы? Ускорять с помощью AI ненужную операцию — плохая экономия.

Главный вывод: больше AI больше не означает более зрелую компанию

Корпоративный AI проходит знакомый путь: сначала доступ, затем массовое использование, затем — требование доказать экономический результат. На этом этапе число пользователей, генераций и токенов перестаёт быть достаточным доказательством цифровой зрелости.

Для HR это означает изменение собственной роли. Недостаточно обучить сотрудников работе с нейросетями. Вместе с бизнесом придётся определять, где AI действительно повышает производительность, какие сценарии стоит масштабировать, какие расходы оправданы и какие правила использования нужны командам.

Возможно, следующий этап AI-трансформации будет выглядеть менее эффектно, чем предыдущий. Вместо гонки за количеством пилотов — бюджеты и аналитика. Вместо «AI для каждого» — разные модели под разные задачи. Вместо числа генераций — стоимость результата.

Источники и примечание редакции

Материал объединяет публичные кейсы корпоративного использования генеративного AI и редакционный анализ HR-КУХНИ.

Важно. Высокая активность использования AI сама по себе не доказывает рост производительности, а снижение числа токенов не означает пропорционального снижения полной стоимости работы. Экономический эффект необходимо оценивать в контексте конкретного процесса, качества результата и затрат рабочего времени.