Структура операционных расходов меняется: затраты смещаются от зарплат к оплате вычислений. Однако падение стоимости ИИ-моделей не приводит к автоматической экономии бюджетов.
2 мин
Структура операционных расходов компаний начинает фундаментально меняться. Затраты постепенно смещаются от традиционной оплаты труда сотрудников к оплате токенов, данных и вычислительных мощностей для искусственного интеллекта. Однако этот переход сопровождается серьезными экономическими противоречиями.
Согласно гипотезе исследователей, в обозримом будущем от 20% до 30% традиционных расходов на персонал могут быть заменены затратами на ИИ-агентов. Но на разных уровнях корпоративного управления этот процесс сталкивается с разными барьерами. Высшее руководство видит четкую цель в кратном росте продуктивности и требует быстрых изменений. Руководители среднего звена сталкиваются с суровой реальностью: расходы на токены не вписываются в существующие бюджетные статьи, а масштабирование пилотных проектов вязнет в долгих циклах согласований. На уровне сотрудников возникает сильный дисбаланс, когда топ-5% продвинутых пользователей потребляют больше ресурсов ИИ, чем все остальные вместе взятые.
visualization
Главная проблема текущего этапа — это парадокс стоимости задачи. Заявленная стоимость использования больших языковых моделей (LLM) падает примерно в десять раз с каждым новым поколением. При этом реальные счета компаний остаются стабильно высокими или даже растут.
Этому феномену есть три объяснения. Во-первых, бизнес по умолчанию выбирает самые передовые и дорогие модели (frontier models) для любых задач, игнорируя более дешевые альтернативы. Во-вторых, по мере усложнения рабочих процессов ИИ-агенты выполняют многошаговые рассуждения и исправление ошибок, что кратно увеличивает расход токенов на один запрос. В-третьих, обнаружив полезность технологии, команды начинают применять ИИ для все большего числа сценариев, провоцируя рост общего потребления.
visualization
Чтобы разорвать этот круг, требуется активное управление экономикой токенов. Показателен пример компании AT&T. При объеме вычислений в 8 миллиардов токенов в день компания перестроила архитектуру: теперь крупные модели выступают в роли диспетчеров, направляя задачи более компактным и специализированным моделям. Одно это архитектурное решение позволило снизить затраты на 90% и увеличить пропускную способность в три раза. Экономия достигается не отказом от ИИ, а правильным подбором инструмента.
Для успешной адаптации компаниям необходимо изменить подход к финансовому планированию. Требуется создание выделенного бюджета на вычисления, защищенного от стандартных процедур сокращения издержек. Также критически важен портфельный подход к выбору моделей: передовые решения следует оставлять для сложных аналитических задач, а модели прошлого поколения или решения с открытым исходным кодом использовать для массовых рутинных операций. Те организации, которые смогут быстрее адаптировать свои операционные процессы к этим принципам, получат значительное преимущество перед конкурентами.
visualization
Компании начинают тратить больше на ИИ-вычисления, чем на расширение штата, но общие расходы не падают из-за неэффективного использования самых дорогих моделей для простых задач.
Использование передовых ИИ-моделей для написания обычных электронных писем эквивалентно полетам первым классом в любой командировке — настоящая экономия кроется в архитектуре распределения задач.
