29% руководителей компаний не понимают, как считать и контролировать расходы на ИИ при масштабировании таких проектов. Для рынка это неприятный сигнал: бизнес уже дошел до этапа, где красивые демо закончились, а счета за модели, токены и агентные сценарии стали предметом разговоров на уровне CFO и совета директоров.
Об этом, как пишет The Register, говорится в исследовании KPMG среди 2145 топ-менеджеров из 20 стран. Почти треть опрошенных признала, что по мере расширения корпоративных AI-внедрений им все сложнее понимать структуру операционных затрат. Еще около трети назвали слабое понимание стоимости и экономики ИИ одним из барьеров для внедрения AI-агентов. И это уже не спор о моде на генеративные модели, а довольно приземленный вопрос: сколько все это стоит в реальной эксплуатации и кто за это отвечает.
Причина понятна. За последние месяцы часть крупных поставщиков AI-сервисов стала отходить от простой подписочной схемы в пользу usage-based pricing, то есть тарификации по фактическому потреблению. The Register отдельно упоминает Anthropic, OpenAI и GitHub. Пока сервис стоил фиксированную сумму в месяц, бюджетирование выглядело почти по-старому: закупили лицензии, выдали доступ, посчитали. Но когда цена зависит от числа запросов, объема контекста, выбранной модели, частоты вызовов API и поведения агентных цепочек, расходы на ИИ начинают жить собственной жизнью. Для финансового блока это означает, что предсказать месячный счет становится заметно сложнее, чем подписку на SaaS.
На этом фоне компании начали пересматривать планы внедрения без лишней романтики. По данным KPMG, почти половина организаций переносила сроки или меняла фазы AI-проектов, если затраты оказывались выше ожидаемой отдачи. При этом KPMG прямо оговаривается: речь не о падении доверия к ИИ как таковому. Скорее, бизнес взрослеет и перестает покупать все подряд под вывеской AI. Деньги концентрируются там, где можно доказать эффект, а не просто показать пилот на презентации. Показательно и то, что одним из самых быстрорастущих факторов влияния на AI-стратегию стали более дешевые, но качественные модели: этот пункт прибавил 7 процентных пунктов по сравнению с первым кварталом.
Для разработчиков, продактов и IT-директоров здесь нет ничего неожиданного, но есть важный организационный вывод. Usage-based модель ломает привычную границу между разработкой и финансами. Если команда строит внутреннего AI-агента для поддержки, продаж или аналитики, стоимость такого инструмента определяется уже не только зарплатами и сроками внедрения. На итоговый бюджет влияют длина промптов, число итераций, частота fallback-запросов, выбор между дорогой и дешевой моделью, объем логирования, ретраи, автоматические проверки и даже то, насколько хорошо продуманы ограничения для пользователей. Иными словами, архитектура теперь напрямую превращается в счет. Ошибка в проектировании агентного контура может сначала выглядеть как инженерная мелочь, а в конце месяца прийти как финансовый сюрприз.
При этом сами поставщики инфраструктуры явно не собираются сбавлять темп. The Register напоминает, что Amazon планирует около $200 млрд капитальных затрат в 2026 году, в основном под мощности для AI в дата-центрах AWS, что на 50% больше, чем годом ранее. У Microsoft ожидаемый общий capex составляет $190 млрд, рост на 61% к предыдущему году. Это важный контекст: гиперскейлеры продолжают заливать рынок вычислениями и одновременно все активнее помогают клиентам придумывать, куда эти вычисления применить. Amazon уже объявила об инвестиции в $1 млрд в подразделение AWS Forward Deployed Engineering, которое должно ускорять внедрение AI-агентов у заказчиков. Microsoft, в свою очередь, выделяет $2,5 млрд на новую операционную структуру Microsoft Frontier Company для работы с клиентскими AI-проектами. Проще говоря, поставщики строят мощности с расчетом, что корпоративный спрос нужно не просто дождаться, а буквально доформировать руками собственных инженеров.
Есть и вторая проблема, не менее неприятная, чем непредсказуемый счет: управление и ответственность. KPMG отдельно указывает на пробелы в AI-governance, то есть в повседневных правилах использования систем, которые могут ошибаться и выдавать уверенный, но неверный результат. В отчете вопрос ставится без философии: кто может вмешаться в работу модели, кто владеет расходами, как проверяются ответы AI и что происходит, если система дала сбой. Формально у большинства организаций какие-то механизмы уже есть, но до реально встроенных процессов, судя по исследованию, дошли немногие. Для бизнеса это означает знакомый риск: инструмент уже влияет на решения, а регламент по нему все еще живет в презентации, а не в операционной практике.
На этом месте у KPMG есть и неудобный репутационный фон. В июне исследовательская компания GPTZero заявила, что в отчете KPMG от октября 2025 года под названием Total Experience: Redefining Excellence in the Age of Agentic AI только 5 из 45 ссылок корректно вели к заявленным источникам. Остальные, по утверждению GPTZero, содержали ошибки, размытые ссылки или детали, которые нельзя было проверить. После этого KPMG сняла отчет с части своих сайтов и заявила, что относится к точности публикаций серьезно, а использование AI должно сопровождаться человеческой проверкой и верификацией независимых источников. История неприятная, но для текущего сюжета даже полезная: она показывает, что проблемы с контролем AI касаются не только клиентов, но и консультантов, которые этих клиентов учат «ответственному внедрению».
Для русскоязычной IT-аудитории вывод довольно практичный. Если компания всерьез внедряет генеративные модели или AI-агентов, ей уже недостаточно выбрать поставщика и выдать команде доступ. Нужны FinOps-подход для AI, лимиты потребления, наблюдаемость на уровне сценариев, понятная модель владения затратами и регулярная переоценка того, где AI действительно окупается. Пока рынок продает идею, что искусственный интеллект ускоряет все подряд, бизнес начинает задавать более взрослый вопрос: не сколько задач можно автоматизировать, а сколько стоит каждая полезная автоматизация и кто подпишется под ее результатом.