Неприятная правда об ИИ: почему за экономию на людях компании переплачивают тысячи

Эйфория замены людей

За последние два года крупные компании не раз объясняли сокращения тем, что часть процессов теперь можно автоматизировать. Где-то речь шла прямо о замене людей ИИ, где-то — осторожнее, о «повышении эффективности». Но общая логика везде была одинаковой: один сотрудник с доступом к Copilot, Claude или ChatGPT якобы может выполнять работу команды.

Читайте также: Заберет ли ИИ вашу работу: кто в зоне риска уже сегодня

И эта история касается не только IT. ИИ используют в банках, медиа, ритейле, HR, юридических отделах, поддержке клиентов, маркетинге. По данным McKinsey, еще в 2025 году 88% опрошенных организаций уже регулярно использовали AI хотя бы в одной бизнес-функции.

Но за громкими лозунгами об эффективности, продуктивности и скорости скрывается и менее удобная часть истории. ИИ действительно может ускорять работу, но он не работает «бесплатно» даже после покупки подписки.

Токены вместо зарплат

Самая болезненная часть AI-расходов — это токены. В классическом софте бюджет можно легко посчитать заранее. Есть лицензия на пользователя, ежемесячная оплата, контракт на год. В генеративном ИИ компания платит за то, сколько данных модель получила, сколько текста сгенерировала и сколько раз агент повторил задачу, прежде чем дошел до результата.

На первый взгляд токены довольно дешевые. Но бизнес платит не за один токен и даже не за один миллион. Он платит за сотни миллионов, миллиарды, а в отдельных случаях — за десятки миллиардов токенов в месяц. Так, Сэм Альтман недавно сказал, что крупнейший потребитель токенов в OpenAI использует около 100 млрд токенов в месяц, и это далеко не самый большой показатель в мире.

С человеком расходы понятнее. Сотрудник получает зарплату за месяц, и она не растет после каждого дополнительного абзаца, файла или уточнения. Более того, многим знакома ситуация, когда сложную задачу доделывают после рабочего дня или в выходные просто потому, что нужно закрыть дедлайн и сделать нормально.

ИИ работает иначе. Его оплата практически идеально «справедлива» — тот случай, когда сотрудник не дает себя недооценить. Каждый фрагмент информации, каждая новая попытка и каждое исправление имеют свою цену. При этом компания платит не только за хороший ответ, но и за слабый, ошибочный или лишний. Если результат не подошел, его нельзя просто вернуть на бесплатную доработку. Нужно уточнить запрос, снова прогнать модель и снова заплатить.

Именно поэтому финансовым директорам все сложнее контролировать AI-расходы. В свежем анализе The Wall Street Journal писал, что компании сталкиваются с проблемой нового типа: использование ИИ растет быстрее, чем способность финансовых команд его измерять. По данным KPMG, которые приводит издание, только 26% компаний полностью понимают свои расходы на AI.

Особенно дорогими становятся агенты, которые не просто отвечают на запрос, а выполняют последовательность действий: читают файлы, ищут ошибки, переписывают код, запускают тесты, снова анализируют результат. Исследование arXiv также показывает, что агентные задачи в программировании могут потреблять в тысячи раз больше токенов, чем обычный чат с моделью. Еще хуже то, что расходы на одну и ту же задачу могут отличаться в десятки раз, а большее количество токенов не гарантирует лучшего ответа.

Скрытая цена внедрения

Есть еще один пласт расходов. ИИ не интегрируется в компанию сам по себе. Ему нужны данные, доступы, интеграции с CRM, почтой, таск-трекерами, базами знаний и внутренними правилами. Также компания платит за серверы или облачные ресурсы, где хранятся данные, работают внутренние инструменты и обрабатываются запросы. Нужны люди, которые все это настраивают, поддерживают, ведут бюджет, обучают сотрудников, следят за безопасностью и вовремя оплачивают сервисы. Потому что если кредиты заканчиваются, останавливается часть или даже весь рабочий процесс.

А дальше начинается контроль качества. Компании нужны не только специалисты по ИИ, но и эксперты в самой отрасли. Юрист должен проверить юридический текст, редактор — материал, разработчик — код, финансовый аналитик — расчеты. ИИ может ускорить черновую работу, но не отменяет ответственности за результат.

Когда гиганты начинают считать

Показательный кейс — Uber. По данным Forbes, компания исчерпала годовой AI-бюджет 2026 года уже к апрелю после быстрого распространения Claude Code среди примерно 5000 инженеров. Инструмент был популярным, им активно пользовались, продуктивность якобы росла. Проблема заключалась в том, что финансовая модель не поспела за реальным потреблением.

Microsoft тоже начала откатывать часть внутреннего использования Claude Code. The Verge сообщил, что компания отменяет большинство лицензий и переводит инженеров на GitHub Copilot CLI. Официально речь идет о стандартизации инструментов, но источники издания связывают решение также с финансами: дедлайн совпал с завершением финансового года Microsoft.

Даже Nvidia, которая зарабатывает на AI-буме больше большинства участников рынка, признает проблему с расходами. Вице-президент компании Брайан Катанзаро, по данным TechSpot, сказал, что для его команды стоимость вычислений уже значительно превышает стоимость самих сотрудников.

Экономия есть, но она не автоматическая

Это не означает, что ИИ невыгоден. Эффективность действительно есть: модели ускоряют кодинг, работу с текстами, анализ документов, поддержку клиентов и многие рутинные задачи. Но эта эффективность не бесплатная и не такая дешевая, как может казаться.

Поэтому компаниям не стоит спешить увольнять людей и бездумно переносить работу на ИИ. Сначала нужно понять, какие процессы действительно можно автоматизировать, сколько это будет стоить и кто будет контролировать результат. Оптимизировать придется не только работу людей, но и сами AI-расходы: лимиты, модели, запросы, повторные попытки, качество данных и облачные ресурсы.

И все это тоже должны делать люди. Они решают, где ИИ экономит время, а где просто создает новые расходы. Они проверяют ответ, берут на себя ответственность за результат и понимают контекст, которого нет у модели.