Расходы на агентский ИИ растут: Microsoft, Meta и Amazon пересматривают политику внедрения нейросетей

Технологические корпорации, активно внедрявшие ИИ-инструменты для оптимизации рабочих процессов, столкнулись с неожиданными финансовыми последствиями этой стратегии. Изначальный расчет на повышение производительности сменился необходимостью контролировать расходы, которые для многих организаций стали непредсказуемо высокими.

Конфликт интересов: внутренняя разработка против сторонних решений

Масштаб проблемы стал очевиден на примере Microsoft. Компания призывает сотрудников переходить на собственный инструмент Copilot CLI, ограничивая использование сторонних решений, таких как Claude Code. Хотя официально это преподносится как стандартизация стека, по имеющимся данным, ключевым фактором стал стремительный рост затрат на API-запросы при использовании внешних продуктов. По мере того как штат сотрудников осваивает продвинутые ИИ-инструментарии, суммарные счета за токены демонстрируют стабильный рост, что вынуждает корпорации пересматривать приоритеты в пользу проприетарного ПО.

Экономика «агентских» систем

Ситуация усугубляется распространением агентских архитектур, где ИИ совершает цепочку действий для достижения результата. Если обычный чат-бот с LLM потребляет предсказуемое количество токенов, то агентные реализации могут расходовать ресурсы в тысячи раз интенсивнее, так как каждый этап выполнения задачи требует новых обращений к модели. Яркий пример — проект OpenClaw: разработчик Питер Штейнбергер сообщал, что расходы его команды на токены за один месяц превысили 1,3 миллиона долларов.На практике это значит, что при текущем соотношении стоимости токенов и реального прироста КПД, использование ИИ для некоторых задач обходится компании дороже, чем оплата труда живого специалиста. Это ставит под сомнение целесообразность тотальной автоматизации, преследовавшей цель сокращения фонда оплаты труда.

Парадокс Джевонса в эпоху генеративного ИИ

Происходящее сейчас напоминает классический парадокс Джевонса: повышение эффективности (в данном случае удешевление генерации одного токена) приводит не к экономии ресурсов, а к резкому увеличению спроса на них. Исторически это прослеживалось в эффективности паровых двигателей в эпоху индустриализации и в авиационной отрасли, где снижение расхода топлива на пассажирокилометр привело к общему росту спроса на перелеты, а не к уменьшению потребления керосина. Аналогично, стремление компаний к «токенмаксингу» превратилось в корпоративную метрику. С подачи CEO Nvidia Дженсена Хуанга, призывавшего тратить на ИИ-инструменты суммы, сопоставимые с половиной годовой зарплаты инженера, сотрудники начали использовать нейросети повсеместно. В таких структурах, как Amazon, Meta и Microsoft, были зафиксированы случаи, когда персонал прибегал к помощи ИИ даже для выполнения избыточных, второстепенных задач, чтобы соответствовать внутренним KPI по уровню использования нейросетей.

Неопределенность стратегии

Пока корпоративный сектор находится в стадии адаптации к новым реалиям. Если кривая снижения стоимости токенов не сможет опережать темпы роста их потребления, финансовая модель агрессивного внедрения ИИ окажется несостоятельной. Сейчас компании стоят перед дилеммой: продолжать ли инвестировать в автоматизацию, которая требует огромных операционных затрат, или возвращаться к балансу, где человеческий труд вновь становится экономически предпочтительным инструментом выполнения рабочих задач.*Компания Meta признана экстремистской организацией и запрещена в РФ