Экономика ИИ-агентов: как считать выгоду до запуска - IT Speaker, новости информационных технологий

Экономика ИИ-агентов: как считать выгоду до запуска

Редакция

12:30 / 20 ноября 2026

ИИ-агенты могут сами обрабатывать заявки, проверять документы и выполнять операции в корпоративных системах. Но такая автоматизация не всегда сокращает расходы – иногда она обходится дороже процесса, который должна заменить. О том, как считать экономику ИИ-агентов и где проходит граница безубыточности, IT Speaker рассказал ИИ-эксперт KODE Иван Манжетов.

Фотография freepik

По данным, которые Anthropic получила на собственных системах в рабочей среде, обычные ИИ-агенты потребляют примерно в четыре раза больше токенов, чем чат-боты, а мультиагентные системы – примерно в 15 раз. Это измерения на конкретных задачах, а не универсальное соотношение.

Разница объясняется объемом работы. Чат-бот интернет-магазина объясняет покупателю правила возврата. Агент сам проверяет заказ, запрашивает недостающие данные, создает заявку в учетной системе и уведомляет клиента. Для этого он многократно обращается к модели и корпоративным системам, а иногда повторяет действия – и все равно может передать задачу сотруднику. Агент дороже чат-бота, зато может завершить операцию сам, а не оставить работу человеку. Поэтому для бизнеса важна не цена одного запроса к модели, а стоимость корректно завершенной операции.

От пилота до продакшена

По исследованию «Инфосистемы Джет» и Smart Ranking (август 2026 года), полуавтономных ИИ-агентов используют или пилотируют 59% крупных российских компаний, но в промышленную эксплуатацию их вывели только 15%. 44% отказываются от внедрения из-за незрелых процессов, проблем с данными и сложной интеграции.

Успешные примеры есть: в «Электрорешениях», как сообщал «Коммерсантъ» со ссылкой на представителя компании, агенты сократили обработку заявок с 40 до 5-7 минут, около 40% обращений закрывается без оператора. Но стоимость решения не раскрывается, поэтому об окупаемости судить нельзя.

Экономика одной заявки

Условный интернет-магазин обрабатывает 10 тыс. обращений в месяц, каждое обходится в 120 рублей. Итого – 1,2 млн рублей.

Компания внедряет агента, который сам завершает 80% обращений. Возьмем тариф YandexGPT Pro 5.1 в Yandex AI Studio – 0,8 рубля за тысячу токенов. Допустим, агент тратит в среднем 20 тыс. токенов на обращение (в реальном проекте это измеряют на пилоте). Модель обойдется в 16 рублей на обращение, или 160 тыс. рублей в месяц.

Оставшиеся 20% обращений обрабатывают сотрудники – еще 240 тыс. рублей. Инфраструктура и сопровождение – 200 тыс. рублей в месяц. Разработка – 2,4 млн рублей разово.

Итого 600 тыс. рублей в месяц вместо 1,2 млн. Экономия – 600 тыс., инвестиции окупятся за четыре месяца. Но только если освободившееся время сотрудников используется для другой полезной работы.

Все решает доля задач, которые агент закрывает сам:

  • 40% – расходы 1,08 млн рублей, экономия 120 тыс., окупаемость 20 месяцев;

  • 30% – точка операционной безубыточности: расходы равны прежним, инвестиции не возвращаются;

  • 25% – 1,26 млн рублей в месяц, на 60 тыс. дороже, чем до внедрения.

Второй ограничитель – токены. При 80% автоматизации на модель можно потратить максимум 760 тыс. рублей, или около 95 тыс. токенов на обращение. Выше этого порога автоматизация дороже ручной работы.

Считать нужно только корректно завершенные операции: если сотрудник исправляет ошибку агента, это тоже себестоимость.

Три условия для масштабирования

Допустим, инвестиции нужно вернуть за 12 месяцев. Тогда проект должен экономить 200 тыс. рублей в месяц, а агент – корректно завершать не менее 46,7% обращений. Это порог для конкретной финансовой модели, а не норматив: у другой компании он будет иным.

По итогам пилота проверьте три условия: достигнута ли нужная доля автоматизации, укладываются ли расходы в бюджет и приемлемо ли качество. Если нет – пересмотрите процесс, сократите число обращений к модели или исключите сложные сценарии.

Ловушка дешевых токенов

Допустим, более дешевая модель экономит 4 рубля на обращении – 40 тыс. рублей в месяц. Но она чаще ошибается и передает людям еще 500 обращений – это 60 тыс. рублей. В итоге процесс подорожал на 20 тыс.

Сравнивать модели нужно по стоимости корректно выполненной задачи. Простые операции можно решить обычными правилами без нейросети, классификацию – доступной моделью, а сложный анализ поручить мощной. Для операций с высокой ценой ошибки нужны проверки или участие человека.

Чек-лист реководителя

Какой проверяемый результат должен давать агент?

Сколько эта операция стоит сейчас и какие затраты реально исчезнут?

Нужен ли здесь агент или хватит обычной автоматизации по правилам?

Какую долю операций агент корректно завершает на пилоте с реальными задачами?

Сколько стоит эксплуатация с учетом инструментов, интеграций и сопровождения?

При какой доле автоматизации и себестоимости проект окупится?

Главный ограничитель – не цена

По данным Epoch AI, стоимость сопоставимой производительности ИИ с 2023 года снижалась примерно на 47% за квартал. Это не значит, что коммерческие тарифы падают так же быстро, но технология становится доступнее. При этом агенты выполняют все больше действий и подключают новые инструменты, поэтому стоимость операции может расти. Gartner еще в 2025 году прогнозировала, что к концу 2027 года более 40% агентных проектов отменят из-за расходов, неясной ценности или рисков.

Цена вычислений вряд ли станет главным ограничением для всех проектов: она важна в массовых дешевых операциях. В сложных процессах на первый план выходят интеграции, качество данных и надежность. Поэтому главным ограничением станет не цена токенов сама по себе, а способность компании получить от агентов положительный экономический эффект.

Поделиться новостью