Qodo, стартап после раунда Series B на $70 млн, ограничивает инженеров бюджетом в $10 000 на AI-токены в месяц и предлагает считать ROI ИИ не по восторгу в Slack, а по простой дроби: выгоды делить на издержки. Для русскоязычных команд это полезный холодный душ: AI-кодинг уже не игрушка для энтузиастов, а строка расходов, которую рано или поздно спросят у CTO, CFO или фаундера.
По данным The New Stack, CEO Qodo Итамар Фридман называет лимит «щедрым»: большинство разработчиков компании до него не добираются. Смысл ограничения не в том, чтобы экономить на каждом запросе к модели, а в том, чтобы видеть потребление и понимать, какой сценарий автоматизации действительно окупается. В переводе с языка стартапов на язык обычного инженерного бюджета: токены не должны вести себя как корпоративная пицца по пятницам, которую никто не считает.
Qodo занимается качеством и governance для AI-сгенерированного кода: продукт помогает проверять, можно ли безопасно принимать код, написанный или измененный с участием AI-агентов. Поэтому компания смотрит на проблему не со стороны красивых демо, а со стороны скучного, но важного места в SDLC: pull request, ревью, баги, инциденты, скорость поставки. Фридман говорит, что Qodo пропускает собственные PR через свои инструменты и использует продукт внутри всего цикла разработки.
При этом расходы компании на AI-инфраструктуру растут совсем не символически: Qodo сообщает о росте примерно в 5 раз год к году для затрат, связанных с обслуживанием клиентов. Причины ожидаемые: больше пользователей, агенты выполняют более длинные задачи, сценарии становятся тяжелее. Параллельно компания пытается снижать стоимость проверенного pull request за счет маршрутизации запросов и более эффективного inference. Это и есть реальная экономика AI-продукта: не «мы подключили модель», а «сколько стоит единица полезного результата».
Внутренний стек Qodo выглядит узнаваемо для любой технологической компании, которая уже впустила AI в рабочий контур. Там есть Slack, Notion, централизованная база знаний, Google Workspace, модели нескольких провайдеров, включая Google, а также coding assistants. Claude Code, по словам Фридмана, пока остается самым популярным инструментом внутри компании, но OpenAI Codex быстро набирает долю. CEO отслеживает это двумя способами: опрашивает команду из примерно 130 человек и сравнивает ответы с реальными данными использования.
Главная мысль Фридмана: ускорение написания кода еще не равно ускорению разработки продукта. Qodo видит примерно двукратный рост числа pull request каждые несколько месяцев и одновременно снижение багов и инцидентов. Именно эту пару метрик CEO предлагает держать в голове, когда обсуждается ROI ИИ. Если AI генерирует больше кода, но ревью, тестирование и согласования начинают тонуть, бизнес получает не продуктивность, а очередь из задач, просто перенесенную на следующий этап.
Формула Фридмана намеренно простая: AI benefits / AI costs = AI ROI. Для разработки он берет логику из книги The Phoenix Project: полезная работа вроде фич и инфраструктуры делится на отрицательную работу вроде инцидентов и багов. Чем больше полезного результата и меньше исправлений, тем лучше показатель. Для стартапов Фридман советует не строить академическую модель на 40 параметров, а выбрать 6-8 слагаемых и начать их регулярно считать. Да, это грубо. Но грубая таблица обычно честнее, чем совещание, где все кивают на «рост продуктивности» и никто не открывает счет за API.
Обратная сторона формулы неприятнее. Если компания покупает дорогие кредиты для coding agents, получает более быстрое написание кода, но теряет скорость на ревью, security-checks, approve-процессах и доработках, дробь уходит вниз. Формально AI везде, презентация красивая, бюджет освоен, но выпуск продукта не ускорился. Для российских и русскоязычных IT-команд с ограниченными бюджетами это особенно практичный вывод: считать нужно не количество AI-инструментов в подписке, а изменение throughput на всем потоке разработки.
Qodo уже столкнулась с таким откатом в другой зоне — автоматизации электронной почты. Компания сначала пошла в полную автоматизацию, но затем вернулась к более осторожному режиму AI-помощника: системы плохо попадали в тон письма и не всегда корректно извлекали задачи из сообщений. Фридман формулирует ограничение просто: автоматизация ломается там, где нужен человеческий judgment или где не хватает контекста. Это важная поправка к моде на агентов: без актуальных данных, прав доступа и понятных правил модель может уверенно производить шум.
Интересно, что Qodo не заставляет сотрудников пользоваться AI по приказу. Подход жестче и честнее: компания ожидает, что работа будет сделана максимально эффективно, а способ остается за человеком. Если сотрудник начинает отставать, от него ждут, что он попробует автоматизацию. Такой баланс, вероятно, станет нормой: не «все обязаны писать промпты», а «покажи результат и объясни, почему выбранный способ рационален».
История Qodo полезна не тем, что у компании нашлась идеальная формула. Идеальной формулы нет, особенно когда модели, цены и рабочие процессы меняются быстрее квартального планирования. Но ROI ИИ постепенно превращается из модного вопроса для конференций в операционную метрику: кто научится связывать токены с pull request, багами, инцидентами и временем поставки, тот раньше поймет, где AI приносит деньги, а где просто красиво сжигает бюджет. Подробности и цитаты Фридмана опубликованы у .