Парадокс 2026 года: модели становятся дешевле, а корпоративные расходы на AI — растут.

Причина простая: раньше сотрудник отправлял один запрос в модель. Теперь один бизнес-процесс может включать десятки обращений — поиск по базе знаний, RAG, несколько моделей, проверку ответа, вызовы инструментов и работу AI-агентов.

Gartner прогнозирует, что стоимость инференса одного агентного запроса может вырасти более чем в 5 раз к 2028 году, несмотря на снижение цены отдельных токенов. А по исследованию McKinsey, 93% опрошенных компаний уже превышали свои AI-бюджеты.

По мере перехода от экспериментов к массовому использованию расходы могут увеличиваться почти в четыре раза. Поэтому я думаю, что скоро появится ещё одна постоянная дисциплина: AI FinOps. И здесь недостаточно просто спрашивать: Какая модель дешевле за миллион токенов? Нужно считать стоимость полезного результата. Например, зачем отправлять простой запрос в самую дорогую модель, если его нормально решит небольшая локальная или более дешёвая модель?

Нормальная корпоративная архитектура постепенно выглядит так: простой запрос → дешёвая модель сложный анализ → сильная модель чувствительные данные → локальный контур критичный результат → дополнительная проверка

То есть выбор модели становится не пользовательским решением, а частью архитектуры. Система сама выбирает модель с учётом задачи, политики и стоимости. И здесь есть ещё одна ловушка. Самая дешёвая модель не обязательно даёт самый дешёвый процесс. Если дешёвая модель три раза ошиблась, пришлось повторять запросы и подключать более дорогую модель — экономии уже нет.

Поэтому главный показатель корпоративного AI, на мой взгляд, постепенно будет меняться: не цена токена, а стоимость успешно выполненной задачи.

И это уже вполне привычная для ИТ история. Когда технология становится массовой, вслед за ней всегда приходит необходимость считать деньги. С AI сейчас происходит ровно это.