Генеральный директор компании Pylon, разрабатывающей ПО для поддержки клиентов, Марті Каусас недавно привлек внимание к проблеме бюджетирования ИИ, с которой, вероятно, столкнутся многие предприятия. Как он отметил, годовой счет Pylon за Anthropic, по прогнозу, должен вырасти примерно с $400,000 до $1.4 million после того, как компания превысит 150 seats. Рост был вызван не резким скачком использования. Вместо этого он был связан со структурным изменением ценообразования: при количестве более 150 seats Pylon перейдет с плана, включающего использование, на корпоративный план, где токены тарифицируются отдельно по стандартным API rates.

Оценка Каусаса была прямой: после нескольких лет поощрения сотрудников активнее использовать инструменты ИИ Pylon начала вводить лимиты расходов и требовать одобрения для дополнительного потребления.

Ситуация Pylon иллюстрирует более широкий процесс, который сейчас разворачивается. Многие компании изначально внедряли ИИ на очень выгодных условиях — пакетное использование, вводные цены, щедрые корпоративные скидки и сравнительно ограниченное развертывание. По мере завершения этих условий и перехода пилотных проектов в production-системы реальная стоимость enterprise AI становится заметнее.

Одновременно сама базовая технология становится дешевле. Стоимость inference значительно снизилась, конкуренция между поставщиками моделей остается высокой, а у компаний теперь больше возможностей направлять задачи на более маленькие и эффективные модели. Крупные провайдеры, включая OpenAI, Anthropic и Google, за последние два года неоднократно снижали API prices для своих флагманских моделей, а open-source альтернативы от Meta и других компаний усилили дополнительное давление на снижение цен.

Парадокс заключается в том, что ИИ может становиться дешевле в отдельном использовании, но значительно дороже в эксплуатации в рамках всей организации. По мере того как модели становятся более способными, компании поручают им больше задач, расширяют доступ к ним для большего числа сотрудников и встраивают их в большее количество продуктов. Рост объема и сложности может легко опережать экономию от более низких цен за единицу.

Это явление не уникально для ИИ. Вычисления стали дешевле, и организации стали потреблять их намного больше. Цены на хранение данных снизились, и компании начали сохранять гораздо больше информации. Стоимость bandwidth уменьшилась, и видео стало доминировать в интернет-трафике. Эффективность стабильно расширяет рынки — такой закономерностью экономисты наблюдают с XIX века, когда более эффективные угольные двигатели, парадоксальным образом, увеличивали общее потребление угля, а не сокращали его. ИИ, вероятно, пойдет по тому же пути, но с важным отличием: значительную часть его потребления руководителям будет трудно наблюдать.

Традиционное корпоративное ПО обычно имеет цену, привязанную к видимой единице: seat, транзакции или клиентскому аккаунту. Agentic AI systems, напротив, могут порождать расходы автономно и неравномерно. Два сотрудника с одной и той же лицензией могут потреблять радикально разное количество compute. Система может становиться более способной, одновременно требуя более длинных контекстов, дополнительных шагов рассуждения и большего числа обращений к внешним инструментам.

Это создает совершенно новую управленческую проблему. Предприятия больше не могут считать, что покупка доступа к ИИ равнозначна контролю над его стоимостью.

На первом этапе внедрения enterprise AI это было легко игнорировать. Большинство организаций проводили эксперименты и распределяли ограниченное число лицензий. Это показывало, будут ли люди пользоваться ИИ, но не отвечало на вопрос, который теперь имеет значение: создает ли такое использование достаточную экономическую ценность.

По мере того как бюджеты на ИИ переходят из экспериментальной категории в существенную, предприятиям придется заменить метрики внедрения unit economics. Для системы поддержки клиентов релевантными показателями могут быть стоимость одного успешно решенного случая, время решения и rate of escalation. Для моей компании Smartling, занимающейся переводом на базе ИИ, это могут быть стоимость создания контента при согласованном уровне качества, время, необходимое для выхода на новый рынок, или объем контента, который компания может экономически сделать доступным на каждом языке.

Эти показатели труднее рассчитывать, чем простое использование. Они требуют, чтобы компании определили желаемый результат до внедрения технологии, установили базовый уровень и учли как стоимость самой технологии, так и человеческий труд, который остается вокруг нее.

Последние несколько лет я провел, помогая строить Smartling вокруг ИИ. Главная задача заключалась не во внедрении ИИ в организацию и не в убеждении людей им пользоваться, а в определении того, где ИИ материально менял экономику работы.

Более дешевый перевод, например, малоценен, если он требует столько человеческой доработки, что экономия исчезает. Правильный показатель — не количество слов, прошедших через ИИ-систему, а стоимость и бизнес-ценность создания пригодного к использованию многоязычного контента.

Тот же принцип применим ко всему предприятию. Любое внедрение ИИ должно начинаться с экономической гипотезы: какая стоимость снизится, какое ограничение будет устранено или какой источник выручки вырастет? Затем его следует оценивать именно по этой гипотезе, а не по объему потребленного ИИ.

Следующий этап enterprise AI, следовательно, будет определяться не тем, какие компании достигнут наивысшего adoption. Он будет определяться тем, какие компании понимают экономику того, что они внедрили.

Организации, которые смогут связать расходы на ИИ с выручкой, маржой, capacity или стратегическим преимуществом, продолжат инвестировать, даже если их абсолютные расходы будут расти.

ИИ не обязан стать дешевым, чтобы оправдать свое место в компании. Ему нужно стать экономически понятным. Компании, которые добьются этого, не обязательно будут тратить меньше всех на ИИ, но будут знать, что именно покупает каждый дополнительный доллар.

Мнения, выраженные в комментариях Fortune.com, принадлежат исключительно их авторам и не обязательно отражают взгляды и позиции Fortune.

Этот материал был первоначально опубликован на Fortune.com