Краткое содержание анализа
Недавно многие компании столкнулись с серьезными проблемами в процессе перехода на использование технологий искусственного интеллекта (ИИ): они начали рассматривать количество потребляемых ИИ-системами токенов как критерий эффективности работы сотрудников, в результате чего расходы на токены вышли из-под контроля, и компании потратили огромные суммы денег (например, одна компания потратила 500 миллионов долларов в месяц). В то же время производители ИИ-моделей (такие как Anthropic) и чипов (например, Nvidia) получили значительную прибыль за счет этих расходов. Amazon первой осознала ошибку и устранила рейтинг компаний по количеству потребляемых токенов, переключивсь на оценку реальной результативности работы ИИ-систем. Это показывает, что ключ к повышению эффективности использования ИИ не в количестве потребляемых токенов, а в их интеграции в бизнес-процессы для решения конкретных задач.
I. Выход из-под контроля расходов на токены: причина в ориентации на критерии эффективности (KPI)
Давайте сначала разберем, что такое токены. Можно считать их своего рода «топливом» для ИИ-систем: каждый раз, когда система обрабатывает текст или пишет код, она потребляет определенное количество токенов; чем больше токенов используется, тем выше расходы.
Почему происходит такой неконтролируемый рост расходов? Основная причина — использование количества потребляемых токенов в качестве критерия эффективности работы сотрудников:
- Руководитель компании предоставил всем сотрудникам доступ к ИИ-системе Claude без установления ограничений, в результате чего сотрудники многократно повторяли неудачные попытки выполнения задач и потратили 500 миллионов долларов;
- Внутри компании Meta был создан рейтинг сотрудников по количеству потребляемых токенов; лидер рейтинга ежемесячно тратил 28,1 миллиарда токенов и почти 500 тысяч долларов;
- Сотрудники компании MiHuyou создали несколько ИИ-ассистентов для совместной работы над проектами, в результате чего было потрачено 2 миллиона юаней за одну ночь;
- Компания Uber предоставила ИИ-инструменты 5000 инженерам, и расходы на токены превысили годовой бюджет на 2026 год заранее.
Еще хуже то, что сама модель ИИ-ассистентов требует значительных ресурсов: для выполнения задач необходимы многократные операции (анализ данных, вызов инструментов и т. д.), что приводит к гораздо более высокому потреблению токенов по сравнению с обычными формами взаимодействия с ИИ-системами.
II. Производители ИИ-технологий получают прибыль за счет расходов других компаний
Расходы компаний на токены становятся источником дохода для производителей ИИ-систем:
- Компания Anthropic за первый квартал получила 4,8 миллиарда долларов дохода; ожидается, что во втором квартале этот показатель удвоится и достигнет 10,9 миллиардов долларов благодаря продажам API и использованию ИИ-систем;
- Компания Nvidia за последний квартал получила 81,6 миллиарда долларов дохода из-за высокого спроса на GPU для работы ИИ-систем.
Производители ИИ-технологий также преподносят увеличение расходов на токены как признак их передовых достижений, однако для компаний-пользователей эти расходы являются издержками, а не активом; только если они приводят к повышению эффективности бизнеса, такие расходы могут считаться полезными.
III. Amazon отказалась от рейтингов: критерии эффективности превратились в формальность
Ранее Amazon использовала рейтинг KiroRank, основанный на количестве потребляемых инженерами токенов, и требовала, чтобы каждый сотрудник еженедельно использовал ИИ-системы для работы. В результате сотрудники начали массово потреблять токены, выполняя ненужные задачи лишь ради улучшения своих показателей.
В итоге Amazon пришла к выводу, что такой подход является формальностью, и заменила рейтинг на оценку реальной результативности работы инженеров (например, количества созданного полезного кода). За этим стоит так называемый «закон Гудхарта»: когда критерий эффективности превращается в самоцель, он теряет свою практическую ценность (раньше соревновались по количеству рабочего времени, теперь — по количеству потребляемых токенов).
Другие компании также последовали примеру Amazon: Shopify изменила свой рейтинг на более нейтральный индикатор эффективности работы ИИ-систем и ввела механизмы предотвращения чрезмерного потребления ресурсов; Duolingo отменила оценку эффективности использования ИИ-инструментов; Microsoft сократила лицензирование внешних ИИ-сервисов.
IV. Подлинное повышение эффективности ИИ не связано с количеством токенов, а с их интеграцией в бизнес
Многие компании неправильно понимают процесс перехода на использование ИИ: они думают, что достаточно создать учетные записи для доступа к ИИ-системам и активно потреблять токены, чтобы считать переход на ИИ успешным. Однако это не так:
- У компании Uber количество написанного с помощью ИИ кода увеличилось, но пользователи не получили более полезных функций;
- Согласно данным компании GitClear, использование ИИ привело к увеличению количества необходимых доработок кода в 9 раз и повторения кода в 8 раз; это лишь замена человеческой неэффективности на более дорогую форму неэффективности.
Подлинное повышение эффективности заключается в интеграции ИИ-технологий в бизнес-процессы: компании, такие как OpenAI и Anthropic, набирают специалистов, которые помогают клиентам оптимизировать процессы, разграничивать права доступа к ресурсам и обеспечивать их интеграцию в бизнес-системы.
Вывод
Повышение эффективности использования ИИ не связано с количеством потребляемых токенов, а с решением конкретных бизнес-задач. Действительные достижения — это улучшение процессов работы компаний (сокращение времени на выполнение задач, снижение количества необходимых доработок, ускорение поставок).
Заключительное замечание
Переход на использование ИИ-технологий не означает соревнование в том, кто больше потратит денег, а в том, кто лучше решает бизнес-проблем с помощью ИИ. Не позволяйте расходам на токены превращаться в простые цифры в отчетах других компаний — они должны служить инструментом для оценки реальной эффективности использования ИИ-технологий.