ИИ становится корпоративным расходом: как считать стоимость агентов после пилота

98% компаний уже управляют бюджетом на искусственный интеллект — в 2024 их было всего 31%. Это наглядно показывает, что за два года ИИ прошел путь от экспериментальной статьи бюджета до регулярного технического расхода.

Особенно заметен переход для корпоративных агентов. На пилоте компания оплачивает модель, несколько интеграций и небольшую команду, а после запуска агент ежедневно обращается к данным, вызывает инструменты и обслуживает реальных пользователей.

Поэтому стоимость промышленного решения нельзя сводить к тарифу модели. После пробного запуска нужно считать весь операционный контур — и связывать его с результатом бизнес-процесса.

Почему пилот почти всегда дешевле эксплуатации

Пилот отвечает на вопрос, может ли агент в принципе решить задачу. Для этого достаточно ограниченной выборки, контролируемых сценариев и небольшого объема трафика. Ошибки при этом разбирает проектная команда, а часть данных готовится вручную.

В промышленной эксплуатации агент зависит от CRM, ERP, базы знаний и внешних API. Появляются пиковые нагрузки и техническая поддержка. То, что на пилоте не попадало в смету, становится постоянной статьей расходов.

Многие предпочитают считать бюджет по формуле «число запросов x цена модели». Этот вариант показывает стоимость генерации ответов — а вот стоимость работы агента по-прежнему остается неизвестной.

Из чего складывается реальная стоимость

1. Использование моделей. В рамках одной задачи агент может несколько раз обратиться к нейросети: построить план, получить данные, проверить результат и исправить ошибку. Чем длиннее контекст и больше повторов, тем дороже завершенный сценарий. 
2. Инфраструктура и интеграции. Агенту нужны хранилища, очереди, журналы событий, векторная база, API-шлюзы и вычислительные ресурсы. В закрытом контуре добавляются серверы, резервирование и поддержка среды, в облаке — переменные расходы на вычисления и передачу данных.
3. Корпоративные знания. Документы нужно обновлять, очищать от дублей, размечать по правам и отделять актуальные версии от устаревших. Когда меняется регламент или продукт, агенту требуется новый контекст. Иначе сотрудники начинают проверять ответы вручную — и ожидаемая экономия исчезает.
4. Контроль качества. После релиза необходимо измерять долю успешно завершенных задач, причины отказов и качество действий агента. Для этого создают тестовые наборы, сохраняют трассировку сценариев и повторно оценивают систему после смены модели, промпта или источника данных. 
5. Человек в контуре. Некоторые операции требуют подтверждения, сложные случаи уходят специалисту, ошибки — на разбор. Эти часы тоже входят в стоимость. EY относит человеческий контроль, управление изменениями, восстановление после сбоев и постоянную эксплуатацию к скрытым расходам агентного ИИ. Они могут не отражаться в счете поставщика модели, но все равно влияют на общий бюджет.
6. Безопасность и эксплуатация. Сюда относятся управление правами, журналирование, мониторинг аномалий, проверки и реагирование на инциденты. McKinsey рекомендует предусматривать для агентов постоянную трассируемость, контроль доступа, аварийное отключение и регулярный пересмотр защитных механизмов.

Считать нужно не запрос, а завершенную задачу

Токены полезны для технического мониторинга, но почти ничего не говорят бизнесу. Кроме того, дешевый запрос не ценен, если сотрудник затем исправляет ответ или выполняет операцию заново.

Рабочая единица расчета — стоимость успешно завершенной задачи: закрытого обращения поддержки, подготовленного комплекта документов, проверенного требования или обработанной заявки. В упрощенном виде формула выглядит так:

Стоимость задачи = все расходы на агента за период / число корректно завершенных задач

В числитель входят модели, инфраструктура, лицензии, поддержка, работа экспертов, контроль качества и обработка ошибок. В знаменатель — только задачи, достигшие нужного результата. Если агент подготовил ответ, но человек целиком его переписал, такой сценарий нельзя считать автоматизированным.

Отдельно стоит измерять долю повторных запусков, передачу человеку и стоимость ошибки. Два агента могут использовать одну модель, но первому хватает одного прохода, а второму нужны повторы и проверка. Цена токена одинакова, экономика процесса — нет.

Мини-гайд: как собрать бюджет после пилота

Шаг 1. Фиксируем стоимость процесса без ИИ: сколько времени тратят сотрудники, сколько задач выполняют, как дорого обходятся ошибки. Без этой точки сравнения нельзя понять, экономит агент деньги или просто создает новые ИТ-расходы.

Шаг 2. Разделяем задачи по сложности. Типовой запрос можно поручить более дешевой модели, сложный — сильной модели с проверкой, критичный — выполнять только после подтверждения сотрудника. Использование одного дорогого сценария для всех задач приводит к переплате, одного дешевого — к потере качества.

Шаг 3. Формируем базовый. пиковый и неблагоприятный сценарии бюджета. Последний должен учитывать рост числа повторов, увеличение контекста, передачу задач человеку и сбои внешних систем. Такой коридор реалистичнее фиксированной суммы: после запуска меняются и нагрузка, и поведение пользователей.

Шаг 4. Распределяем расходы по продуктам, подразделениям и бизнес-сценариям. State of FinOps называет видимость затрат, их распределение и расчет ценности главными сложностями управления ИТ-бюджетом. Пока все агенты оплачиваются из одной статьи, неэффективный сценарий легко скрывается за результатами полезных.

Подытожим

После пилота ИИ-агент становится цифровым участником процесса. Он ежедневно потребляет корпоративные данные и время специалистов — а потому его бюджет ближе к расходам на облачную платформу или операционную команду, чем к покупке обычной лицензии.

Экономика же сходится, когда уменьшается стоимость качественно выполненной бизнес-задачи. Именно поэтому мониторинг расходов на искусственный интеллект крайне необходим в любой компании, где его внедряют.

Начинать расчет стоит еще на пилоте: фиксировать число шагов, участие людей, стоимость ошибок и зависимость от инфраструктуры. Тогда после релиза не окажется, что агент успешно автоматизировал процесс и при этом сделал его существенно дороже.