Миллионы долларов на токены: почему компании начинают переплачивать за ИИ
Искусственный интеллект должен помогать бизнесу экономить время и деньги. Но крупнейшие технологические компании столкнулись с обратным эффектом: чем активнее сотрудники используют нейросети, тем быстрее растут расходы.
В технологической индустрии даже появился термин TokenMaxxing, описывающий стремление использовать как можно больше вычислительных ресурсов ИИ, далеко не всегда оправданное реальной пользой.
И масштабы проблемы уже впечатляют.
Когда ИИ становится слишком дорогим
По сообщениям зарубежных СМИ, Uber израсходовал годовой бюджет на ИИ-инструменты для разработчиков всего за четыре месяца 2026 года.
Компания активно внедряла Claude Code от Anthropic, однако интенсивность использования оказалась значительно выше первоначальных расчетов.
Другой пример: сотрудники Meta за один месяц использовали около 60 триллионов токенов. По условным расчетам на основе публичных тарифов дорогих моделей Anthropic, такой объем мог бы стоить примерно 900 миллионов долларов.
Важно понимать, что это не подтвержденные расходы Meta, а расчетный эквивалент. Тем не менее цифра хорошо иллюстрирует масштабы потребления вычислительных ресурсов.
Активное использование ИИ еще не означает, что компания получает соответствующую экономическую выгоду.
Почему бизнес переплачивает за нейросети
Одна из распространенных ошибок заключается в использовании самых мощных моделей практически для любых задач.
Современные решения OpenAI и Anthropic значительно отличаются по стоимости. При этом для написания короткого письма, сортировки обращений или извлечения информации из документа далеко не всегда нужна флагманская модель.
Использовать дорогостоящий ИИ для простейших операций примерно то же самое, что нанимать выдающегося математика для подсчета сдачи в магазине.
Проблема особенно заметна в корпоративных системах, где ежедневно выполняются тысячи автоматических запросов.
Даже небольшая переплата за одну операцию превращается в существенную сумму при масштабировании.
Как использовать ИИ эффективнее
Сократить расходы можно несколькими способами:
Разделять задачи по сложности. Простые запросы обрабатывать доступными моделями, сложные передавать более мощным.
Управлять контекстом. Не отправлять нейросети длинную историю переписки, если для решения задачи достаточно нескольких сообщений.
Использовать кеширование. Избегать повторной обработки одинаковых данных.
Ограничивать длину ответов. Не генерировать несколько абзацев там, где достаточно короткого результата.
Контролировать стоимость. Отслеживать расходы не только на токены, но и на каждую выполненную бизнес-операцию.
При этом наибольшую эффективность дает системный подход. Например, при интеграции ИИ в бизнес-процессы можно предусмотреть автоматический выбор подходящей модели, лимиты расходов и использование более дорогих решений только тогда, когда это действительно необходимо.
Таким образом, бизнес получает не просто автоматизацию, а управляемую систему с прогнозируемой стоимостью работы.
Главное не количество токенов, а результат
Развитие ИИ сопровождается интересным парадоксом: отдельные модели становятся дешевле, но общие расходы компаний могут продолжать расти.
Причина в том, что ИИ все чаще используется не для одиночных ответов, а для сложных цепочек действий. Один запрос может включать поиск информации, анализ документов, несколько обращений к модели и взаимодействие с внешними сервисами.
Поэтому оценивать эффективность только по цене токена неправильно.
Гораздо важнее понимать, сколько стоит обработанная заявка, подготовленный документ или завершенная автоматическая операция.
Будущее корпоративного ИИ не обязательно за самыми дорогими моделями. Скорее, за умением правильно распределять задачи и получать максимальный результат при разумных расходах.
Именно такой подход постепенно становится основой экономически эффективной автоматизации бизнеса.