Финтех-компания Belo на 15 часов лишилась доступа к Claude более чем для 60 сотрудников. Блокировку позже сочли вероятным ложным срабатыванием, но даже при наличии Gemini быстро переключить людей не вышло: мешали история запросов, привычные инструменты и интеграции. Этот эпизод показывает, что ИИ-автоматизация бизнеса уже стала не экспериментом, а потенциальной точкой отказа для команд, включая российские.
О случае сообщает Habr / Карьера со ссылкой на публичные заявления технического руководителя Belo и материалы Mint за апрель 2026 года. В уведомлении компания увидела формулировку о нарушении правил использования без содержательных деталей; для апелляции предложили заполнить форму. Доступ восстановили примерно через 15 часов. Это не независимое расследование причин блокировки, поэтому делать выводы о действиях поставщика было бы преждевременно. Но сам сценарий достаточно реален: компания зависит не только от API, а от накопленного вокруг него рабочего контура.
Проблема начинается там, где ИИ перестаёт быть помощником для отдельных задач. Агенты принимают обращения первой линии поддержки, помогают продажам, обрабатывают документы, участвуют в бухгалтерских операциях и пишут или проверяют код. Пока сервис доступен, схема выглядит убедительно: программа не уходит в отпуск, работает круглосуточно и масштабируется быстрее штатного расписания. Когда доступ ограничен, тариф меняется или новая версия модели хуже справляется с привычной задачей, выясняется, что запасного процесса у компании может уже не быть.
Причём запасной поставщик сам по себе не решает проблему. Gemini у Belo был, однако переход оказался не мгновенным. Модель нужно встроить в существующие сценарии, перенести или заново собрать контекст, проверить качество ответов, права доступа и вызовы внутренних систем. Для кодового агента это ещё и правила репозитория, тесты, CI/CD и привычки разработчиков. Формально заменить API можно быстро; вернуть предсказуемый результат в критичном процессе — заметно сложнее.
Дешёвый токен не равен дешёвому процессу
Экономика подталкивает компании усиливать ИИ-контуры. По данным Stanford AI Index 2025, стоимость миллиона токенов модели с результатом примерно на уровне GPT-3.5 в MMLU сократилась с 20 долларов в ноябре 2022 года до 0,07 доллара в октябре 2024-го. Это не динамика цены одной и той же модели, а сравнение систем сопоставимого уровня на конкретном тесте, но направление понятно: вычислительный интеллект дешевел очень быстро.
Тарифы Anthropic тоже иллюстрируют конкуренцию поколений: при запуске Claude 3 Opus в марте 2024 года миллион входных токенов стоил 15 долларов, выходных — 75 долларов. В приведённых Habr / Карьера актуальных ценах для Claude Opus 5.5 указаны 4 и 20 долларов. Сравнивать эти модели как одинаковые нельзя, однако бизнесу важнее другой вывод: прайс за токены меняется быстрее, чем процессы, которые команды успели вокруг него выстроить.
Альтернативы из Китая добавляют ценовое давление. В начале ноября 2026 года DeepSeek V4 Pro предлагался по 0,66 доллара за миллион некэшированных входных токенов и 1,98 доллара за миллион выходных вне пиковых часов; в пиковые часы цена удваивалась. Для Claude Sonnet 5.5 номинальные значения — 2 и 10 долларов. Но из этих цифр нельзя вывести стоимость одинаково решённой задачи. Разные модели потребуют разного объёма контекста, числа попыток, проверок и ручных исправлений.
Особенно плохо эта арифметика работает для агентных систем. Пользователь видит одну заявку: «разбери инцидент», «обнови договор», «исправь ошибку». Агент в ответ читает файлы, вызывает инструменты, сохраняет контекст, повторяет шаги после неудач и отправляет результат на проверку. Цена токена может падать, а полная стоимость операции — расти вместе со сложностью сценария и затратами на контроль. Поэтому ИИ-автоматизация бизнеса требует считать не только расход API, но и стоимость успешного действия, долю переделок, время человека на верификацию и цену простоя.
Автоматизация не должна уничтожать резерв
Самый неприятный риск связан не с 15 часами недоступности. Если компания сократила поддержку, аналитиков или разработчиков под обещание автономных агентов, быстро вернуть прежнюю мощность не получится. Специалисты могут работать в других местах, сменить специализацию или не захотеть возвращаться туда, где их роль уже однажды признали временной. При следующем удешевлении моделей руководство снова увидит в сокращении очевидную экономию, а рынок труда учтёт риск повторного увольнения в зарплатных ожиданиях и готовности людей идти в такую компанию.
Для CTO и руководителей разработки практический вывод довольно приземлённый. Критичные процессы стоит проектировать с ручным режимом, регулярно проверять переносимость промптов и данных между поставщиками, фиксировать метрики качества на собственных кейсах и заранее решать, кто работает при отключении модели. Нужны также лимиты на автономные действия и понятный владелец каждого агентного контура. Это не отказ от ИИ, а обычная инженерная гигиена — примерно такая же, как резервное копирование или план восстановления после сбоя.
ИИ-автоматизация бизнеса будет расширяться, потому что выгода от неё слишком заметна. Но конкурентным преимуществом окажется не количество агентов в презентации, а способность заменить модель, пережить блокировку и не обнаружить в день сбоя, что вместе с рутиной компания вывела из штата собственную способность работать.