Неприємна правда про ШІ: чому за економію на людях компанії переплачують тисячі

Ейфорія заміни людей

За останні два роки великі компанії не раз пояснювали скорочення тим, що частину процесів тепер можна автоматизувати. Десь ішлося прямо про заміну людей ШІ, десь — обережніше, про «підвищення ефективності». Але загальна логіка всюди була однакова: один працівник із доступом до Copilot, Claude чи ChatGPT нібито може робити роботу команди.

Читайте також: Чи забере ШІ вашу роботу: хто в зоні ризику вже сьогодні

І ця історія стосується не лише IT. ШІ використовують у банках, медіа, ритейлі, HR, юридичних відділах, підтримці клієнтів, маркетингу. За даними McKinsey, ще у 2025 році 88% опитаних організацій уже регулярно використовували AI хоча б в одній бізнес-функції.

Але за гучними гаслами про ефективність, продуктивність і швидкість ховається й менш зручна частина історії. ШІ справді може прискорювати роботу, але він не працює «безкоштовно» навіть після купівлі підписки.

Токени замість зарплат

Найболючіша частина AI-витрат — це токени. У класичному софті бюджет можна легко порахувати заздалегідь. Є ліцензія на користувача, місячна оплата, контракт на рік. У генеративному ШІ компанія платить за те, скільки даних модель отримала, скільки тексту згенерувала і скільки разів агент повторив задачу, перш ніж дійшов до результату.

На перший погляд, токени доволі дешеві. Але бізнес платить не за один токен і навіть не за один мільйон. Він платить за сотні мільйонів, мільярди, а в окремих випадках — за десятки мільярдів токенів на місяць. Так, Сем Альтман нещодавно сказав, що найбільший споживач токенів в OpenAI використовує близько 100 млрд токенів на місяць, і це далеко не найбільший показник у світі.

З людиною витрати зрозуміліші. Працівник отримує зарплату за місяць, і вона не зростає після кожного додаткового абзацу, файлу чи уточнення. Ба більше, багатьом знайома ситуація, коли складну задачу доробляють після робочого дня або у вихідні просто тому, що треба закрити дедлайн і зробити нормально.

ШІ працює інакше. Його оплата практично ідеально «справедлива» — той випадок, коли працівник не дає себе недооцінити. Кожен шматок інформації, кожна нова спроба й кожне виправлення мають свою ціну. При цьому компанія платить не лише за хорошу відповідь, а й за слабку, помилкову або зайву. Якщо результат не підійшов, його не можна просто повернути на доопрацювання безкоштовно. Треба уточнити запит, знову прогнати модель і знову заплатити.

Саме тому фінансовим директорам дедалі важче контролювати AI-витрати. У свіжому аналізіThe Wall Street Journal писав, що компанії стикаються з проблемою нового типу: використання ШІ росте швидше, ніж здатність фінансових команд його вимірювати. За даними KPMG, які наводить видання, лише 26% компаній мають повне розуміння своїх витрат на AI.

Особливо дорогими стають агенти, які не просто відповідають на запит, а виконують послідовність дій: читають файли, шукають помилки, переписують код, запускають тести, знову аналізують результат. ДослідженняarXiv також показує, що агентні задачі в програмуванні можуть споживати в тисячі разів більше токенів, ніж звичайний чат із моделлю. Ще гірше, витрати на одну й ту саму задачу можуть різнитись у десятки разів, а більша кількість токенів не гарантує кращої відповіді.

Прихована ціна впровадження

Є ще один пласт витрат. ШІ не інтегрується в компанію сам по собі. Йому потрібні дані, доступи, інтеграції з CRM, поштою, таск-трекерами, базами знань і внутрішніми правилами. Також компанія платить за сервери або хмарні ресурси, де зберігаються дані, працюють внутрішні інструменти й обробляються запити. Потрібні люди, які це налаштовують, підтримують, ведуть бюджет, навчають співробітників, стежать за безпекою і вчасно оплачують сервіси. Бо якщо кредити закінчуються, зупиняється частина або й весь робочий процес.

А далі починається контроль якості. Компанії потрібні не лише спеціалісти з ШІ, а й фахівці в самій галузі. Юрист має перевірити юридичний текст, редактор — матеріал, розробник — код, фінансовий аналітик — розрахунки. ШІ може пришвидшити чорнову роботу, але не скасовує відповідальність за результат.

Коли гіганти починають рахувати

Показовий кейс — Uber. За данимиForbes, компанія вичерпала річний AI-бюджет 2026 року вже до квітня після швидкого поширення Claude Code серед приблизно 5000 інженерів. Інструмент був популярним, ним активно користувалися, продуктивність нібито зростала. Проблема полягала в тому, що фінансова модель не встигла за реальним споживанням.

Microsoft теж почала відкочувати частину внутрішнього використання Claude Code.The Verge повідомив, що компанія скасовує більшість ліцензій і переводить інженерів на GitHub Copilot CLI. Офіційно йдеться про стандартизацію інструментів, але джерела видання пов’язують рішення також із фінансами: дедлайн збігся із завершенням фінансового року Microsoft.

Навіть Nvidia, яка заробляє на AI-бумі більше за більшість учасників ринку, визнає проблему з витратами. Віцепрезидент компанії Брайан Катанзаро, за данимиTechSpot, сказав, що для його команди вартість обчислень уже значно перевищує вартість самих співробітників.

Економія є, але вона не автоматична

Це не означає, що ШІ невигідний. Ефективність справді є: моделі пришвидшують кодинг, роботу з текстами, аналіз документів, підтримку клієнтів і багато рутинних задач. Але ця ефективність не безкоштовна й не така дешева, як може здаватися.

Тому компаніям не варто поспішати звільняти людей і бездумно переносити роботу на ШІ. Спершу треба зрозуміти, які процеси справді можна автоматизувати, скільки це коштуватиме і хто контролюватиме результат. Оптимізувати доведеться не лише роботу людей, а й самі AI-витрати: ліміти, моделі, запити, повторні спроби, якість даних і хмарні ресурси.

І все це теж мають робити люди. Вони вирішують, де ШІ економить час, а де просто створює нові витрати. Вони перевіряють відповідь, беруть на себе відповідальність за результат і розуміють контекст, якого немає в моделі.

Автор:

Київська Міра