Около 95% корпоративного ИИ в крупных компаниях по-прежнему крутится на самых дорогих frontier-моделях, даже когда задача не требует такого уровня. Из-за этого бюджеты на ИИ у многих предприятий заканчиваются не к концу года, а уже через месяц-два. Для русскоязычной IT-аудитории сигнал неприятный, но полезный: эпоха «подключим топовую модель везде, а потом разберемся» быстро упирается в экономику.
Об этом сообщает CNBC Technology со ссылкой на двух руководителей компаний, работающих в центре нынешней enterprise AI-волны. Арвинд Джайн, CEO Glean, говорит, что главная тема для корпораций сейчас не новые сценарии автоматизации, а раздутые бюджеты на ИИ. По его словам, компании рассчитывали, что стоимость использования моделей будет снижаться по мере развития рынка, но на практике произошло обратное: новые релизы передовых моделей оказываются примерно вдвое дороже в пересчете на токен, чем предыдущие.
В результате финансовые директора получают выбор, которого в IT раньше почти не было. Исторически технологии стоили лишь долю от общих операционных расходов, поэтому вопрос обычно звучал так: какую систему внедрить и как быстро она окупится. Теперь разговор меняется. Джайн формулирует его грубо, но честно: выбирать приходится между расходами на токены и расходами на людей. И речь не о немедленных увольнениях, а о том, что рост затрат на модели начинает съедать будущий рост штата. То есть компания может не сократить текущую команду, но отказаться от следующего набора инженеров, аналитиков или специалистов поддержки, потому что деньги уже ушли в AI-строку бюджета.
Матан Гринберг, CEO Factory AI, описывает ту же ситуацию как классическую задачу распределения ограниченного ресурса. По его словам, внутри руководящих команд вопрос теперь звучит почти бухгалтерски: что оптимизировать сильнее, число сотрудников или расходы на ИИ в расчете на одного сотрудника. За последний год, утверждает он, компании прошли через три фазы. Сначала советы директоров требовали от CEO срочно «что-то сделать с ИИ», чтобы не выглядеть отстающими. Потом началась фаза tokenmaxxing: использовать генеративные модели везде, где можно, почти не глядя на цену. Сейчас наступает третья стадия, куда более прозаичная: пересмотр того, где действительно нужен премиальный интеллект, а где задача спокойно решается более дешевой моделью.
Именно здесь появляется самая неприятная для рынка мысль. Проблема не в том, что корпоративный ИИ не работает. Наоборот, он работает достаточно хорошо, чтобы его продолжали покупать и раскатывать по подразделениям. Проблема в другом: в текущем виде он часто не окупает сам себя. Джайн прямо говорит, что ценность от ИИ пока отстает от затрат, которые несет бизнес. Для рынка, привыкшего смотреть на генеративный ИИ как на почти безусловный драйвер роста, это уже не технический нюанс, а вопрос модели спроса. Если продукт полезен, но слишком дорог в масштабировании, то покупать его будут не по максимуму, а по бюджету. А это совсем другой сценарий для поставщиков моделей, чьи оценки строятся на предположении, что корпоративный спрос останется огромным и мало чувствительным к цене.
На практике узкое место выглядит довольно приземленно. По словам Джайна, львиная доля корпоративных запросов все еще отправляется в самые дорогие модели даже тогда, когда задача сводится к суммаризации, рутинному поиску по внутренним данным, черновому написанию текста или базовому анализу. Самый очевидный способ экономии, по его оценке, это маршрутизация: сложные запросы отправлять в дорогой слой, простые — в дешевый. Потенциал экономии он оценивает в 10 раз. Это и есть главный тезис всей истории: рынок enterprise AI пока решал в первую очередь задачу качества, а теперь вынужден срочно решать задачу диспетчеризации. Не «какая модель умнее», а «какая модель достаточно умна именно для этой операции».
Гринберг приводит показательное сравнение: разницу между двумя соседними поколениями флагманских моделей он сопоставляет с разницей между профессором с 13-летним и 15-летним стажем. Для специалиста, который внимательно смотрит на качество ответа, она может быть заметна. Для обычного корпоративного пользователя — далеко не всегда. Это важный сдвиг для разработчиков внутренних AI-сервисов и продуктовых команд. В 2024 и 2025 годах многие проекты продавались внутри компаний через обещание «лучшего интеллекта». В 2026-м этого уже недостаточно. Если инженерная команда не может показать, почему конкретный сценарий действительно требует дорогой модели, CFO очень быстро задаст неприятный, но логичный вопрос: а зачем мы платим премию?
Для российского и русскоязычного рынка здесь сразу несколько практических выводов. Во-первых, экономическая архитектура AI-продукта становится не менее важной, чем точность ответов. Если компания строит copilot, поиск по знаниям, сервис для code review или внутренний helpdesk, ей почти наверняка придется проектировать многоуровневую схему вызовов моделей, а не жить на одной «самой умной». Во-вторых, выиграют не только разработчики самих моделей, но и те, кто умеет делать оркестрацию, кэширование, фильтрацию запросов, дедупликацию и контроль затрат на уровне платформы. В-третьих, бюджеты на ИИ больше нельзя защищать абстрактным тезисом про «неизбежное будущее». Нужны метрики: стоимость одного полезного ответа, стоимость автоматизированного кейса, доля задач, где дорогая модель реально повышает outcome.
Наконец, эта история бьет и по кадровой повестке. Несколько лет рынок обсуждал, сколько людей ИИ заменит. Но для корпоративных финансов сейчас, похоже, важнее другой сюжет: не кого заменить, а какой рост команды не состоится из-за дорогих токенов. Если этот тренд закрепится, AI-стратегия компаний будет оцениваться не только по скорости внедрения, но и по тому, насколько аккуратно она обращается с операционными расходами. И тогда победят не те, кто громче всех кричал про AGI в каждом бизнес-процессе, а те, кто раньше других научился отличать действительно сложную задачу от дорогой привычки. .