Anthropic запускает для корпоративных клиентов отчёты, которые должны объяснить расходы на ИИ без привычной магии презентаций: сколько команда потратила токенов, что сделала за выбранный период и где рабочий процесс дал сбой. Для разработчиков и IT-руководителей это сигнал, что эпоха экспериментов «подключили ассистента — вроде всем нравится» заканчивается: бюджет на агентный кодинг всё чаще требуют защищать цифрами.
Новый набор инструментов позволит менеджерам сопоставлять активность команды, созданные результаты, стоимость использования моделей и узкие места в процессах. Anthropic также обещает рекомендации по улучшению работы. По данным TechCrunch, данные из этих отчётов не будут использоваться для обучения моделей по умолчанию — существенная оговорка для компаний, которые готовы отправлять в ИИ рабочий контекст, но не готовы случайно превратить его в тренировочный материал.
Вместе с аналитикой Anthropic вводит групповые бюджеты: расходы на токены можно будет контролировать не по отдельным пользователям, а на уровне команды. На практике это отвечает на довольно земной вопрос финансового директора: кто именно сжигает лимит, зачем и стало ли от этого меньше ручной работы, быстрее релизы или выше качество кода.
От токенов к экономике разработки
Повод у Anthropic более чем предметный. Согласно финансовым данным, которыми компания поделилась с инвесторами, во втором квартале она получила операционную прибыль. Ещё заметнее выглядит показатель удержания чистой выручки: траты одних и тех же клиентов в третьем квартале 2026 года оказались в девять раз выше, чем годом ранее. В центре этой динамики — Claude Code, инструмент для работы с кодом на базе моделей Anthropic.
Рост потребления сам по себе не доказывает ценность продукта. Компании могут закупать доступы, проводить пилоты и устраивать внутренние соревнования по написанию промптов, не приближаясь к ощутимому эффекту для бизнеса. Именно поэтому измерение расходов на ИИ становится отдельной продуктовой категорией. Руководителю недостаточно увидеть общий счёт за API или подписки: ему нужно понять, какие команды получили отдачу, какие сценарии стоят слишком дорого и где агент застревает на ревью, тестах или неясных требованиях.
Этот сдвиг подтверждает исследование Jellyfish, компании, которая выпускает инструменты для инженерных команд. В её выборке из 276 тысяч пользователей агентные инструменты для программирования, включая Claude Code и решения на моделях Anthropic, сформировали почти треть всех предложенных изменений кода, отправленных на ревью. С начала года расходы на такие инструменты выросли в десять раз и достигли примерно 2% совокупных затрат на разработку.
Для инженерного бюджета 2% ещё не выглядят катастрофой. Но главный научный сотрудник Jellyfish Николас Арколано в разговоре с TechCrunch справедливо указывает на другую цифру — десятикратный рост. Его редко закладывают в бюджет заранее. Если агентный кодинг превращается из пилота в штатный инструмент, компаниям придётся управлять им так же внимательно, как облачной инфраструктурой: задавать лимиты, искать неэффективные сценарии и сравнивать затраты с результатом, а не с количеством сгенерированных строк.
Почему сменить поставщика сложнее, чем кажется
Отчёты Anthropic решают не только задачу контроля. Они могут усилить привязку клиента к конкретной платформе. Когда команда уже настроила правила работы, интеграции, шаблоны задач и практики ревью вокруг одного инструмента, переход на альтернативу перестаёт быть простой заменой модели в настройках. Нужно переобучать людей, переносить процессы и заново проверять, как новый агент ведёт себя в реальном репозитории.
Руководитель AI-направления Jellyfish Николос Альбарран отмечает, что Claude Code и другие инструменты Anthropic пока остаются наиболее распространёнными в их данных, хотя публичные обсуждения создают впечатление более жёсткой конкуренции. Его объяснение прозаично: Anthropic рано выстроила работу с предприятиями, а компании уже вложились в стандартизацию процессов. Даже при близком качестве моделей стоимость переключения не равна нулю — у каждого продукта свои особенности работы с инструкциями, файлами конфигурации и агентными сценариями.
Крупные лаборатории частично решают эту проблему через команды инженеров-консультантов, которые помогают заказчикам внедрять ИИ внутри организации. Новая аналитика может стать более масштабируемой версией такой поддержки: она не заменит инженера, который разбирает сложный процесс вместе с командой, но покажет, куда его вообще стоит направить. Для российского IT-бизнеса логика та же, даже при использовании других поставщиков и локальных моделей: без телеметрии, лимитов и понятной метрики результата расходы на ИИ быстро превращаются в строку бюджета, которую никто не умеет объяснить.
Следующий этап конкуренции в корпоративном ИИ, похоже, пройдёт не только по качеству ответов и скорости генерации кода. Победит поставщик, который поможет заказчику доказать эффект в деньгах, сроках и качестве разработки — и не создаст при этом новую непрозрачную систему контроля за сотрудниками. Подробнее о запуске инструментов пишет .
