Перспектива
ИИ уже влияет на ваш отчет о прибылях и убытках. Большинство компаний читают лишь половину этого отчета.
Предприятия, вырывающиеся вперед благодаря ИИ, отслеживают рост, клиентский опыт и окупаемость капитала, а не только затраты на него.
Время чтения: 7 минут
29 июля 2026 г.
Почему бюджеты на ИИ выходят из-под контроля
Ошибка заключается в управлении ИИ как технологическими расходами, а не как экономической системой. ИИ не похож на программное обеспечение, которое имеет гораздо более предсказуемую структуру затрат: покупка рабочих мест, оплата лицензионных сборов, фиксированный счет, а расходы растут только при увеличении штата или продлении контрактов.
С ИИ эта предсказуемость исчезает. Расходы растут не только из-за количества людей, но и из-за того, о чем они спрашивают, насколько глубоко модель рассуждает и какой объем работы проходит через системы ИИ. Все чаще пользователями становятся не люди, а агенты и автоматизированные рабочие процессы, которые потребляют вычислительные мощности круглосуточно, без привязки к конкретному рабочему месту или лицензии.
Почти в каждом внедрении, которое мы анализировали, включая наши собственные, небольшая доля пользователей и процессов генерирует основную часть расходов: менее 10% пользователей и рабочих процессов создают подавляющее большинство затрат. Этот спрос неумолим; в некоторых наших средах запросы на повышение индивидуальных лимитов расходов поступают сотнями каждый день.
По мере того как ИИ глубже проникает в предприятие, потребление растет с каждым новым рабочим процессом, агентом и модальностью. Чат-боты становятся агентами. Агенты превращаются в команды агентов. Текст расширяется до мультимодальной генерации с изображениями, видео и аудио. А на периферии автономные роботы используют ту же инфраструктуру вычислений, где каждое решение и исключение несет токеновые затраты, которые бизнес не планировал. По мере умножения вариантов использования кривая потребления растет экспоненциально. По прогнозам Goldman Sachs projects потребление токенов достигнет примерно 120 квадриллионов токенов в месяц к 2030 году, что примерно в 24 раза превышает текущий уровень. Компании, которые принимают текущее использование за базовый уровень, планируют свою деятельность в мире, который скоро перестанет существовать.
Безопасность добавляет еще одну скрытую статью расходов, и это то, чем ни одна организация не может позволить себе пренебречь. Чем больше моделей, агентов, данных и подключенных систем добавляет компания, тем больше ей приходится защищать. Эта работа по обеспечению безопасности — постоянное сканирование, ужесточение контроля доступа, мониторинг угроз и быстрое реагирование — создает теневую стоимость для каждого внедрения. Она редко появляется в первоначальном плане расходов, но растет с каждым новым агентом и подключением.
Это парадокс Джевонса в форме ИИ: подобно тому, как более эффективные паровые двигатели увеличили потребление угля в Британии, а не сократили его, падение цен на токены побуждает компании использовать больше ИИ, а не меньше, поскольку работа, которая раньше была слишком дорогой, внезапно становится финансово оправданной.
Наше моделирование показало, что если бы цены на токены упали на 25% сегодня, только 15% организаций сохранили бы сэкономленные средства. Остальные реинвестировали бы их в новые варианты использования, расширенные рабочие нагрузки или более качественные модели. Призыв к сотрудникам использовать меньше ИИ — не выход; это ограничивает прирост производительности, который должен обеспечить ИИ. Решение заключается в том, чтобы направлять этот новый спрос на самую дешевую модель, которая хорошо справляется с задачей, чтобы тот же бюджет позволял выполнять больше полезной работы — и получать более измеримую отдачу.
Вторая сила имеет не меньшее значение: граница Парето, лучший баланс между стоимостью и ценностью. Большинство компаний переплачивают там, где работа этого не оправдывает, или неправильно распределяют задачи, упуская выгоду. Наиболее продвинутые компании устраняют этот разрыв, подбирая для каждой задачи подходящую модель по правильной цене, а затем сдвигают саму кривую за счет сжатия промптов, более умного кэширования и дистилляции моделей.
Вот конкретный пример: сводный отчет за квартал, на который раньше у трех финансовых аналитиков уходило 15 часов, теперь занимает у одного человека два часа при стоимости токенов в пару сотен долларов против тысяч долларов сэкономленного времени. Это тот баланс, который измеряет граница эффективности. Отдача заключается не в сэкономленных токенах, а в высвобожденном потенциале, перенаправленном на более ценную работу. При измерении относительно результата, который предприятие уже отслеживает, именно это реинвестирование превращает расходы на токены в прибыль.
В совокупности эти силы объясняют, почему токеномика сейчас имеет стратегическое значение. По мере того как компании оптимизируют процессы, чтобы достигать большего меньшими средствами, граница эффективности сдвигается: качество улучшается, затраты падают, появляются новые варианты использования, а потребление растет. Дисциплина заключается в понимании того, где ИИ создает ценность, когда нужно фиксировать экономию и как ее реинвестировать.
Правило модели
Первое правило — соответствие уровня интеллекта ценности и риску выполняемой работы. Вот отправная точка: по нашим оценкам, в разных отраслях только 10-20% корпоративных задач достаточно сложны, чтобы оправдать использование передовых или близких к передовым моделей.
Полезный тест: если задачу можно разбить на четко определенные этапы, скорее всего, подойдет модель меньшего размера; обращайтесь к передовым моделям только тогда, когда работа неразрывно сложна, когда декомпозиция разрушает понимание сути, когда ошибки накапливаются в длинных цепочках агентов или когда ответ находится на пересечении юридических, финансовых и регуляторных суждений.
Несколько паттернов соответствуют этому критерию. Сложное рассуждение — один из них; когда директор по стратегии взвешивает конкурентную позицию, макротренды и финансовые показатели объекта поглощения, чтобы определить реальный стратегический риск, задача требует удержания противоречивых данных для вынесения неочевидного суждения. Также агентские рабочие процессы с высокой стоимостью ошибки; когда один сбой в середине цепочки портит весь результат. Еще один пример — синтез длинного контекста; пакет документов для комплексной проверки (due diligence) на 200 страниц требует строгости и согласованности по всему документу.
Направление работы на нужный уровень интеллекта — это стратегический выбор, а не техническое предпочтение. Руководителям нужна операционная дисциплина: классифицировать работу по сложности и риску, направлять ее на соответствующий уровень интеллекта, а затем настраивать и контролировать потребление с течением времени. Самое сложное — понять, какая работа наиболее важна.
Компании, которые не могут отличить рутинные задачи от когнитивно сложных и более ценных, будут допускать ошибки в обоих направлениях: используя дорогие модели там, где они не нужны, и более слабые модели там, где на кону стоит преимущество. Опыт Accenture показывает, что не только возможности модели определяют, кто выиграет гонку ИИ. Экономическая дисциплина — вот что важно.
Та же дисциплина помогла телекоммуникационному оператору сократить ежегодные расходы на ИИ на 68%. В каждом случае прорыв происходил благодаря пониманию потребления на уровне рабочих процессов, а затем маршрутизации, настройки или перепроектирования работы до того, как потери становились обычными операционными расходами.
Мандат высшего руководства
В большинстве компаний расходы на ИИ попадают в технологический бюджет, в то время как ценность проявляется в других местах — в обслуживании клиентов, инженерии, маркетинге или любом другом бизнес-подразделении, использующем инструмент. Финансовый директор видит расходы, ИТ-директор видит использование, а бизнес-лидеры видят результаты, но эти взгляды редко объединяются на уровне предприятия.
Компании, вырывающиеся вперед, создают связующее звено: общие метрики, форумы по управлению и права на принятие решений, которые связывают использование ИИ с ростом, опытом и результатами использования капитала. Этот переход от разрозненных усилий к корпоративным возможностям позволяет интеллекту проникать в бизнес и преобразовываться в измеримые результаты. Наиболее продвинутые компании идут дальше и рассматривают затраты на ИИ как возмещаемые, а не просто контролируемые: они внедряют потребление токенов в процессы оценки и ценообразования работы, поэтому расходы на ИИ сопоставляются с создаваемой им ценностью, а не аккумулируются в центральной технологической статье бюджета.
Что лидеры должны сделать сейчас
Четыре операционные дисциплины превращают масштаб в измеримую отдачу:
Как достигается преимущество
Экономика ИИ не стабилизируется без целенаправленных усилий. В течение следующего десятилетия компании разделятся на две группы: те, кто рассматривает ИИ как очередную технологическую статью расходов, и те, кто управляет им как источником измеримой бизнес-отдачи. Первые будут бороться с растущими затратами. Вторые заставят ценность ИИ расти быстрее, чем его стоимость, и превратят масштаб в устойчивое преимущество.
Отчет Goldman Sachs: The AI Spending Boom Just Got Bigger: Goldman Sees $800 Billion Flowing In This Year
Наш опрос: Accenture Pulse of Change
Accenture смоделировала, как рост потребления токенов повлияет на организации по мере того, как ИИ переходит в разряд повседневных операционных расходов. Выводы основаны на поведенческом моделировании на базе ИИ 6000 профилей руководителей высшего звена в Северной и Южной Америке, регионе EMEA и Азиатско-Тихоокеанском регионе в организациях с годовым доходом от 1 миллиарда долларов США и выше. Это моделирование было проведено с помощью Aaru, чья платформа создает синтетические профили, отражающие демографические, психографические и поведенческие характеристики целевой группы руководителей с использованием общедоступных, частных и проприетарных данных.
