Почему затраты на токены разрушают бюджеты финансовых директоров в 2026 году

Затраты на токены ИИ за менее чем год превратились из незначительной технологической детали в проблему бюджета на уровне совета директоров. Двенадцать месяцев назад «затраты на токен» не были пунктом в бюджете большинства финансовых директоров — сейчас они появляются в самых непредвиденных местах: в новостях, внутренних меморандумах, заморозках бюджета и на конференц‑звонках по результатам.

Uber предоставил своим инженерам доступ к Claude Code в конце 2025 года. К апрелю 2026 года компания израсходовала весь годовой бюджет на ИИ‑кодирование за четыре месяца. В ответ она ввела ограничение расходов в размере 1 500 долларов на сотрудника, в месяц, на инструмент, как впервые сообщил Bloomberg. Разрешив использование одновременно двух агентных инструментов кодирования (например, Claude и Cursor), этот потолок удваивается до 3 000 долларов в месяц, то есть 36 000 долларов в год на одного инженера. По оценкам, в Uber работает около 4 000 инженеров, что соответствует расходам на ИИ в размере 144 млн долларов.

Расходы Meta могут быть еще больше. Внутренний меморандум предупредил, что затраты на токены ИИ находятся на пути к миллиардам долларов в 2026 году. Причина кроется в механике того, как агенты работают в масштабе. Когда ИИ‑агент подключается к базе кода, чтобы исправить ошибку или написать программное обеспечение, он обрабатывает тысячи токенов фонового контекста с каждым отдельным запросом. Теперь представьте это в организации размера Meta, добавьте корпоративный импульс к инженерам использовать Claude, и использование токенов не просто растет — оно взрывается.

Согласно Индекс AI Ramp, который отслеживает реальные платежи поставщиков более чем за 70 000 компаний, 1 % компаний, принимающих AI, сейчас тратят примерно 7 500 долларов США на сотрудника в месяц на AI, и эти расходы растут на 14,1 % ежемесячно. Руководители AI‑рекрутингового стартапа Mercor публично заявили, что расходы на токены AI начинают приближаться к, или превышать, компенсацию сотрудников в некоторых организациях.

Из этого можно извлечь урок. Если крупнейшие технологические компании мира могут быть удивлены этими расходами, то и любой другой может. Потребление токенов стало действительно новой категорией расходов, которой не было в любом P&L два года назад. Оно не ведет себя так же, как расходы на программное обеспечение, к которым финансовые команды десятилетиями привыкли моделировать и учитывать в традиционных расчетах ROI. Понимание почему затраты на токены ИИ ведут себя так иначе, чем традиционные расходы на программное обеспечение — первый шаг к их контролю.

Почему затраты на токены ИИ так трудно предсказать

Бюджетирование традиционного программного обеспечения основывается на простом предположении: стоимость масштабируется с численностью персонала. Десять новых сотрудников означают десять новых мест по известной цене. Это легко прогнозировать и планировать по мере роста компаний или лицензирования новых программных платформ.

Токены ИИ опровергают это предположение. Стоимость масштабируется с использованием, а не с численностью персонала, и использование сильно неоднородно, трудно предсказать, а в случае автономных агентов даже не связано с человеком за клавиатурой. Один инженер, проводящий агентную сессию кодирования, может сжечь тысячи долларов за месяц без предупреждения, потому что счётчик работает независимо от полезности результата. Многие модели также генерируют тысячи скрытых, невидимых токенов просто для «размышления» шаг за шагом перед ответом, умножая стоимость каждого запроса.

Это та часть, которую большинство организаций не учли в ценах: каждый доллар новых расходов на агентный ИИ должен откуда‑то поступать. Для большинства финансовых директоров это не просто погрешность, поглощаемая фондом инноваций; речь идет о миллионах долларов новых расходов, которых не было два года назад. Это становится реальной альтернативой между численностью персонала, другими технологическими инвестициями или дискреционным бюджетом в других частях бизнеса.

Три уровня риска расходов на ИИ в предприятии

Изучая, как организации действительно тратят на ИИ, мы видим более ясную возникающую схему. Риск расходов на ИИ распределён неравномерно. Он концентрируется в определённых областях, и, вероятно, только один из трёх уровней сейчас находится под контролем в типичной организации.

Бизнес‑пользователи в отделах продаж, маркетинга и операций в основном используют инструменты, оцениваемые за место: от 20 до 30 долларов на пользователя в месяц, фиксированно. Это уровень, который финансы уже умеют планировать, потому что он ведёт себя точно так же, как любой другой пункт SaaS, приобретённый ими за последние двадцать лет.

Разработчики, использующие агентные инструменты кодирования, являются источником историй в стиле Uber, и вся категория только что переключилась с фиксированной платы на тарификацию по использованию. GitHub Copilot перешел на тарификацию по токенам в июне 2026 года, и разработчики прогнозируют рост счетов с 29 до 750 долларов в месяц, а в интенсивных агентных сессиях — с 50 до 3 000 долларов в месяц. Uber здесь не исключение, а ранний показатель того, куда движется вся категория.

Автономные агенты — это уровень, который почти никто ещё не моделировал. У агента нет понятия «место». Он работает без присмотра, запускает суб‑агентов, повторно пытается при сбоях и потребляет токены всё время, независимо от того, создаёт ли он что‑то ценное. Это слой с наименьшим объёмом данных о расходах и наименьшими прецедентами бюджетирования.

Проще говоря: уровень, с которым финансовые директора наиболее комфортно работают, также является наименьшим финансовым риском. Два уровня, действительно разрывающие бюджеты, — это те, которые отказываются от предсказуемого ценообразования в тот момент, когда использование растёт быстрее всего.

Закрытие разрыва в управлении затратами на ИИ

Общей нитью, проходящей через Uber, Meta и более широкий набор данных Ramp, является отсутствие прозрачности. Большинство организаций не имеют уровня между сотрудником или агентом, который открывает инструмент. Ограничения расходов, подобные тем, что использует Uber, являются грубым, постфактум решением проблемы, которая на самом деле требует чего‑то на более раннем этапе.

Это тот разрыв, который новая категория инструментов, часто называемая оркестрацией агентов или агентскими шлюзами, предназначена устранить: маршрутизация каждой задачи к самому дешёвому моделям, способным её выполнить, обеспечение ограничений расходов до их превышения и предоставление финансовому отделу измерителя в реальном времени вместо ежемесячного сюрприза.

Эта категория развивается быстро и уже делится на несколько отдельных уровней. Один уровень — это контролируемые по стоимости шлюзы, которые находятся между приложениями организации и её поставщиками моделей, добавляя ограничения расходов для каждой команды, автоматическую маршрутизацию к более дешёвым моделям для простых задач и кэширование ответов — те же рычаги, которые Uber использовал вручную, вводя своё ограничение. Второй уровень — оркестрация агентов, сосредоточенная на координации нескольких агентов, работающих совместно, при этом видимость расходов всё больше встроена, а не добавлена сверху. И более новый, ориентированный на финансы уровень начинает рассматривать расходы на ИИ так, как команды FinOps давно рассматривают расходы на облако: распределённые по командам и функциям, запланированные в бюджете и проверяемые ежемесячно, а не обнаруживаемые постфактум.

Затем существует архитектурный подход, направленный на ограничение расходов за счёт снижения зависимости от крупных LLM. Некоторые компании начали создавать гибридную архитектуру SLM/LLM, где небольшие языковые модели обучаются на узком наборе корпоративных задач (например, внутренние политики, обслуживание клиентов, обработка кредитных документов, разбор транспортных накладных). Экономика может быть весьма привлекательной.

Согласно сравнению корпоративных LLM 2026, при одном миллионе ежемесячных диалогов стоимость размещённых передовых LLM составляет от 15 000 до 75 000 долларов в месяц, тогда как доработанная небольшая языковая модель, развернутая внутри компании, стоит от 150 до 800 долларов в месяц при том же объёме. Goldman Sachs, например, управляет расходами на ИИ в масштабе через централизованный шлюз моделей, который классифицирует каждый запрос по типу задачи и направляет его к наиболее экономичному решению, от лёгких моделей с открытым исходным кодом до передовых LLM, всё это внутри собственного периметра безопасности.

Общей нитью является то, что большинство современных инструментов созданы инженерами для инженеров, чтобы ускорить их продуктивность за счёт использования агентов. Слой, которого большинству организаций всё ещё не хватает, — это слой, построенный для прямого ответа на вопрос CFO: какая команда, какой бюджет, как прогнозировать расходы и какой бизнес‑кейс поддерживается этими расходами? Именно этот разрыв, вероятно, будет иметь наибольшее значение, поскольку расходы на агентный ИИ продолжают расти.

Два года назад этого не существовало как отдельной статьи расходов. Сегодня затраты на токены ИИ являются одним из самых быстрорастущих и наименее понятных пунктов баланса, и управление стоимостью ИИ быстро становится основной финансовой дисциплиной, а не побочным проектом. Мы видели аналогичную историю, когда облачные технологии только начали внедряться и расходы взлетели в первой волне. Организациям, планирующим внедрение агентного ИИ, стоит уже сейчас обсудить это между инженерными и финансовыми подразделениями и разработать подход к управлению. Uber и Meta уже продемонстрировали, к чему приводит решение проблемы постфактум, а не заранее.