Apple начала сокращать лимиты на ИИ для части сотрудников: у некоторых инженеров дневной бюджет на использование моделей уже снизили с $300 до $200. Для IT-команд это показательный сигнал: даже компании с крупнейшими бюджетами на R&D переходят от гонки за максимальным потреблением токенов к подсчёту экономического эффекта от каждого запроса.
О решении сообщает 9to5Mac со ссылкой на Bloomberg. По данным источников издания, Apple планирует дальнейшие ограничения для отдельных инженерных групп: их дневные расходы на ИИ-инструменты могут сократить до $100. У многих команд за пределами разработки такой потолок уже действует, а в некоторых случаях обсуждается снижение до $25 в день. Сотрудники, которым больший бюджет действительно нужен для работы, смогут запросить исключение у руководства.
Какие именно сервисы подпадают под новые правила, публично не раскрывается. Внутри Apple сотрудники используют несколько внешних ИИ-платформ, включая Claude от Anthropic, ChatGPT от OpenAI и Gemini от Google. Одновременно части команд рекомендуют выбирать более дешёвые модели либо запускать модели локально на устройствах — там, где это позволяет задача и требования к данным.
На первый взгляд $100 или даже $200 в день на одного инженера выглядят щедро. Но корпоративная арифметика быстро меняется при тысячах сотрудников, агентных сценариях и длинных контекстах. Один разработчик может за рабочий день прогнать десятки итераций: попросить модель разобрать репозиторий, сгенерировать тесты, объяснить падение сборки, подготовить миграцию, затем несколько раз уточнить результат. Если агент при этом читает большие файлы, вызывает инструменты и держит контекст задачи, цена такой «разговорной» разработки растёт незаметно, но стабильно.
В Кремниевой долине за последний год это даже получило собственное название — tokenmaxxing: сотрудники стремились потреблять как можно больше токенов, иногда воспринимая это как показатель личной эффективности. На фоне быстрого прогресса Claude Code, OpenAI Codex и Cursor привычка понятна: ИИ-агенты стали достаточно полезны, чтобы встроить их в ежедневный цикл разработки. Но количество потраченных токенов не равно количеству закрытых задач. Лидерборд по расходам на модель легко превращает инженерию в соревнование за самый дорогой промпт.
Apple здесь не одинока. В материале приводится пример Accenture, которая, по сообщениям СМИ, сократила централизованно оплачиваемый доступ к Claude до $29 на сотрудника в месяц; расходы сверх этого должны оплачивать конкретные проекты или команды. Такая схема делает цену ИИ видимой для того, кто получает результат. Она не запрещает использовать мощную модель, но заставляет сравнивать её с более дешёвой альтернативой, локальным запуском или обычным поиском по документации.
Сокращение расходов выглядит особенно контрастно на фоне общих затрат Apple. По итогам 2026 финансового года её расходы на исследования и разработки выросли на 32%, до $45,8 млрд; среди причин названы более высокие затраты на инфраструктуру и ИИ. То есть речь не обязательно о сворачивании AI-стратегии. Скорее компания пытается отделить инфраструктурные инвестиции и продукты с понятным эффектом от повседневного потребления моделей внутри организации.
Реакция сотрудников, по данным Bloomberg, неоднозначная. Некоторые собеседники издания не видят серьёзной проблемы: далеко не все выбирали прежний лимит в $300 полностью. Другие воспринимают новые лимиты на ИИ как часть более широкого режима экономии и связывают их с опасениями о возможных сокращениях. Последнее пока остаётся интерпретацией работников, а не подтверждённым планом Apple.
Для разработчиков главный вывод довольно приземлённый: бесплатный или безлимитный доступ к сильной модели в корпоративной среде становится исключением. Командам придётся точнее выбирать, где агент окупается: например, при разборе незнакомого легаси-кода, подготовке тестов, ревью типовых изменений или автоматизации повторяющихся операций. А для коротких справочных запросов, форматирования и задач с узким контекстом всё чаще будет достаточно дешёвой модели. Полезной практикой станут общие правила: какие задачи разрешено отдавать во внешние сервисы, какая модель считается стандартной и как замерять выигрыш не по токенам, а по времени доставки и качеству кода.
В этом смысле лимиты на ИИ — не столько история об экономии нескольких долларов, сколько следующая стадия корпоративного внедрения генеративных моделей. После фазы «дайте всем доступ» начинается менее эффектная, но более важная работа: построить процессы, в которых ИИ ускоряет команду, а не просто добавляет новую строку в облачный счёт.
