Экономика AI-токенов: почему компаниям нужен AI FinOps до прихода счёта
Ключевые выводы
- •Расходы на корпоративный AI смещаются от фиксированных подписок к потреблению, измеряемому в токенах, аналогично эволюции тарификации облачных вычислений.
- •Автор прогнозирует появление дисциплины «AI FinOps», которая сделает расходы на AI видимыми, подотчётными и привязанными к бизнес-ценности, как это сделал FinOps облачной эпохи.
- •AI-агенты могут превратить один запрос сотрудника во множество транзакций модели, что делает бюджеты по числу пользователей неадекватными.
- •Правильная метрика расходов на AI — стоимость на полезный результат, а не на токен, поскольку самая дешёвая модель не всегда лучший выбор.
- •Механизмы контроля потребления, такие как кэширование, сокращение промптов, выборочное извлечение документов и маршрутизация моделей через AI-шлюзы, уже поддерживаются крупными провайдерами AI и облачных платформ.

Последние два года компании призывали сотрудников использовать искусственный интеллект. Скоро они начнут задавать совсем другой вопрос: кто платит за все эти токены?
Сегодня проблема кажется тривиальной, поскольку большинство сотрудников сталкивается с AI через ежемесячную подписку на ChatGPT, Claude или другой инструмент. Затраты выглядят предсказуемыми: купите лицензии, раздайте их сотрудникам и внесите сумму в IT-бюджет.
Но именно туда корпоративный AI не движется.
По мере того как компании встраивают AI в клиентский сервис, продажи, маркетинг, разработку ПО, юридическую работу, финансы, аналитику и внутренние процессы, технология становится всё менее похожей на традиционное ПО и всё более — на коммунальную услугу. Её потребляют: чем больше используешь, тем больше платишь. И счётчик всё чаще измеряется в токенах.
Знакомая история облачной эпохи
Корпоративный мир уже проходил через это. Более десяти лет назад компании бросились в облачные вычисления. Amazon Web Services, Microsoft Azure и Google Cloud предложили именно то, чего корпоративный IT давно хотел: вычислительные ресурсы без покупки серверов и строительства дата-центров. Запусти виртуальную машину, добавь хранилище, увеличь мощность — и плати только за то, что используешь.
Звучало это удивительно эффективно — пока не пришли счета.
Разработчики создавали серверы и забывали их отключать. Тестовые среды жили месяцами. Хранилища переполнялись. Отделы покупали облачные сервисы без централизованного контроля. Никто особо не беспокоился, пока каждое решение стоило несколько долларов, но тысячи таких решений в сумме в конце концов привлекли внимание CFO.
Этот болезненный период породил FinOps — дисциплину, построенную вокруг того, чтобы облачные расходы были видимыми, подотчётными и привязанными к бизнес-ценности, — практику, которую сегодня поддерживают организованное сообщество FinOps и органы сертификации. Автор полагает, что то же самое вот-вот произойдёт с AI — назовём это AI FinOps.
От метрик внедрения к метрикам потребления
Сегодня компании сосредоточены на внедрении AI: сколько сотрудников используют ChatGPT? Сколько запущено AI-проектов? Сколько процессов можно автоматизировать?
Это полезные вопросы, но приближается другой набор. Сколько токенов мы потребляем? Какие отделы их расходуют? Какие приложения генерируют больше всего использования? Какие модели используются? Сколько стоит транзакция с помощью AI? И самое важное — какой бизнес-результат принесли эти деньги?
Токен — это просто небольшая единица текста, обрабатываемая AI-моделью. Однако с экономической точки зрения компаниям следует начать относиться к токенам так же, как они научились относиться к часам вычислений, хранилищу и сетевому трафику в облаке: как к единицам потребления. Крупные провайдеры моделей уже публикуют тарификацию по использованию, обычно в расчёте на миллион входных и выходных токенов, что делает такой учёт технически возможным уже сегодня — не хватает, как правило, видимости того, кто и что потребил внутри организации.
Представьте компанию, которая обрабатывает с помощью AI 500 000 клиентских взаимодействий в месяц, при этом каждое взаимодействие потребляет в среднем 4 000 входных и 800 выходных токенов. Руководство может оценить месячный объём и умножить его на применимые цены моделей. А теперь увеличьте клиентский объём на 20%, добавьте ещё одно AI-приложение, дайте доступ большему числу сотрудников и внедрите AI-агента, выполняющего несколько вызовов модели для завершения одной задачи. Бюджет может измениться очень быстро.
Почему агенты меняют уравнение
С AI-агентами задача становится ещё значимее. Человек задаёт один вопрос и получает один ответ. Агент же, напротив, может получить одну инструкцию, разбить её на несколько задач, искать документы, вызывать разные системы, проверять свою работу и многократно обращаться к AI-модели. Один запрос сотрудника может незаметно превратиться во множество AI-транзакций.
Поэтому бюджетирование, основанное просто на количестве пользователей AI, в итоге станет неадекватным. Компаниям нужно измерять токены по приложениям, отделам, рабочим процессам и бизнес-результатам. Финансам нужны прогнозы. IT нужны механизмы контроля использования. Бизнес-подразделениям нужна подотчётность.
Маркетинговый отдел, рассылающий миллионы персонализированных сообщений, должен знать свои расходы на AI. Контакт-центр должен знать стоимость AI на решённое обращение. Команды разработчиков должны знать стоимость AI на задачу разработки. Банк, использующий AI для проверки документов, должен знать стоимость на обработанную заявку.
Стоимость на полезный результат, а не на токен
Однако AI FinOps не должен превращаться в очередную корпоративную программу сокращения расходов. Самая дешёвая модель не всегда лучшая. Если потраченные на AI 10 песо экономят 500 песо рабочего времени сотрудников, снижение расходов на AI до пяти песо может быть бессмысленным. Если более дорогая модель допускает меньше ошибок и решает больше клиентских проблем, более высокая плата может оказаться лучшим решением.
Правильная метрика — не стоимость на токен, а стоимость на полезный результат.
Существуют и очевидные способы контролировать потребление. Компаниям не нужна самая мощная модель для каждой задачи — простая классификация, извлечение данных и суммаризация могут прекрасно работать на меньших моделях. Промпты можно сокращать. Документы можно извлекать выборочно, вместо того чтобы раз за разом отправлять в модель сотни страниц. Длинные беседы можно суммаризировать, повторяющиеся инструкции и контекст можно кэшировать, а приложения могут устанавливать лимиты токенов. AI-шлюзы могут маршрутизировать задачи на разные модели в зависимости от сложности и стоимости. Некоторые из этих рычагов — кэширование, повторное использование контекста промптов, маршрутизация моделей — уже поддерживаются функциями и инструментами, которые крупные AI-провайдеры и облачные платформы представили для корпоративных разработчиков.
Всё это звучит не так захватывающе, как разговоры об автономных агентах или искусственном общем интеллекте. Но CFO в итоге делают скучные вещи важными.
Облачные вычисления прошли тот же путь: сначала азарт, затем внедрение, затем неконтролируемые расходы, затем управление. AI, вероятно, пройдёт его быстрее.
Что дальше
Легко представить, что скоро компании развернут дашборды потребления AI, показывающие использование токенов, стоимость на рабочий процесс, утилизацию моделей, отклонения от бюджета и бизнес-ценность. Отделы могут получать AI-бюджеты так же, как получают бюджеты на командировки, маркетинг или облако. И кто-то в итоге будет отвечать за всё это.
Этот человек может работать в финансах, IT или в центре компетенций по AI. Должность может отличаться, но дисциплина будет той же: AI FinOps.
Компаниям следует начинать выстраивать эту компетенцию уже сейчас — пока счёт за AI не вырастет настолько, что CFO не задаст вопрос, на который никто не хочет отвечать: куда делись все эти токены?
Выраженные здесь взгляды являются личным мнением автора и не обязательно отражают позицию его организации, а также FINEX.
Рейнальдо К. Лугту-мл. — основатель и CEO компании Hungry Workhorse, консалтинговой фирмы в области цифровой, культурной трансформации и трансформации клиентского опыта. Он является членом (fellow) Института цифровой трансформации (США). Он возглавляет программу AI, цифровой трансформации и управления FINEX Academy. Преподаёт стратегический менеджмент и цифровую трансформацию в программе MBA Университета Де Ла Саль. С ним можно связаться по адресу rey.lugtu@hungryworkhorse.com.