Бизнес учится считать стоимость ИИ: от цены токена — к стоимости результата

Компании потратили несколько лет, считая внедрение ИИ через количество пользователей, запросов и токенов. Теперь возникает другой вопрос: сколько полезной работы на самом деле выполняет ИИ за каждый потраченный доллар?

Это уже не вопрос для IT-отдела — это задача для CFO.

Четыре вопроса OpenAI

OpenAI предложила компаниям четыре показателя для оценки ИИ: 1. Сколько полезной работы выполнено? 2. Сколько стоит успешно выполненная задача? 3. Как часто ИИ выполняет работу правильно? 4. Растёт ли объём выполненной работы на каждый доллар по мере масштабирования? Главный сдвиг здесь — от стоимости токена к стоимости результата.

Почему цена токена почти ничего не говорит бизнесу

Представим две модели. Первая подготовила юридический анализ за $4. Вторая — за $0,70. Если смотреть только на расходы на токены, вторая кажется почти в шесть раз эффективнее. Но если первый документ юрист принял почти без изменений, а второй пришлось два часа проверять и переписывать, экономика становится противоположной. Условно: час работы юриста стоит $200 — и два часа правок перекрывают всю экономию на токенах в разы. Поэтому более содержательная метрика выглядит так: стоимость успешно выполненной задачи. В неё должны попадать не только токены, но и вычисления, использование инструментов, повторные запросы, работа агента, человеческая проверка и исправление ошибок. OpenAI формулирует экономический вопрос ещё шире: растёт ли ценность работы, которую выполняет ИИ, быстрее стоимости её производства? Это уже язык CFO, а не разработчика.

Почему этот вопрос возник именно сейчас

Масштаб расходов становится слишком большим, чтобы относиться к ИИ как к экспериментальному IT-бюджету. По оценке Goldman Sachs, глобальные расходы, связанные с ИИ, в 2026 году приближаются к $1 трлн. Accenture приводит другую цифру: только 23% руководителей высшего звена сообщают о широком и устойчивом бизнес-эффекте от ИИ в своих организациях. Получается разрыв: расходы на ИИ растут быстрее способности бизнеса доказать отдачу от этих расходов.

8,7 трлн токенов в неделю

Хороший пример масштаба даёт сама Accenture. Одна из её внутренних AI-платформ обрабатывает около 8,7 трлн токенов в неделю. Компания разработала AI Token Navigator, который решает, какой модели отправить конкретную задачу: frontier-модели, модели среднего уровня или open-weight. Логика проста: далеко не каждой задаче нужен самый мощный ИИ. Маршрутизация запросов позволяет компании снизить стоимость примерно в шесть раз по сравнению со сценарием, при котором все задачи отправлялись бы самым дорогим моделям. То есть оптимизируется уже не модель. Оптимизируется экономика выполнения работы.

Появляется Tokenomics

3 июня 2026 года Linux Foundation объявила о намерении создать отдельную Tokenomics Foundation, а 4 августа фонд был официально запущен при поддержке более 30 организаций-основателей, среди которых IBM, JPMorgan Chase, Oracle, SAP, ServiceNow, Accenture, Broadcom и другие. Задача — создать открытые стандарты, бенчмарки и практики для экономики AI-инфраструктуры, то есть для затрат на её измеримую сегодня часть. Linux Foundation прямо пишет: токены стали новой единицей технологических расходов. Но здесь есть важная оговорка. Tokenomics Foundation сама признаёт, что токены составляют только часть полной стоимости ИИ — просто сегодня это наиболее заметная и легко измеряемая часть. Стандартизация токенов нужна как база, на которую дальше наслаиваются метрики результата — так же как учёт часов работы когда-то стал базой для расчёта стоимости проекта, а не его финальным мерилом. Поэтому сравнение моделей исключительно по цене миллиона токенов постепенно теряет смысл. Условные $X / 1 млн токенов должны превратиться в $X / успешно выполненную задачу. Примечательно, что среди основателей Tokenomics Foundation нет ни OpenAI, ни Anthropic, ни Microsoft. Разработчики моделей и организация по открытым стандартам движутся разными путями к одной цели.

От IT-бюджета к стоимости труда

Если ИИ используется как помощник сотрудника, расходы можно оставить внутри IT-бюджета. Но агентный ИИ постепенно начинает выполнять целые процессы: искать информацию, писать код, обрабатывать документы, анализировать данные, отвечать клиентам, проводить исследования. Тогда возникает другой способ оценивать затраты. Сегодня CFO видит: 10 000 сотрудников × зарплата = фонд оплаты труда. Завтра рядом может появиться: человеческий труд + машинный труд = совокупная стоимость выполненной работы. Пока это не бухгалтерский стандарт. Токены не становятся новой зарплатой, а AI-агенты — формальными сотрудниками. Но управленческая логика действительно движется в эту сторону. Аналитики Bain & Company прогнозируют, что к 2028–2029 годам доля операционных затрат компаний-первопроходцев, связанная с использованием ИИ, может вырасти до 20–30% против 1–2% сегодня. Если агент выполняет работу аналитика за 20 минут и $3, компании нужно знать не количество использованных им токенов. Ей нужно знать: сколько стоило выполнение работы, которую раньше выполнял человек. И что произошло с качеством, скоростью, выручкой и маржой.

Цена интеллекта падает, потребление растёт

Есть ещё один парадокс. Модели становятся дешевле с каждым поколением. Но использование ИИ растёт настолько быстро, что снижение цены единицы вычислений перекрывается ростом объёма работы. Это классический эффект удешевления ресурса: когда ресурс становится дешевле, его начинают использовать гораздо больше. Поэтому следующим большим корпоративным вопросом после «какую модель выбрать?» может стать совсем другой: какую экономическую ценность производит каждый доллар машинного труда? И если компании научатся это измерять, у ИИ появится то, чего ему до сих пор не хватало, — собственная система управленческого учёта. Тогда CFO сможет сравнивать машинный и человеческий труд на одном языке цифр.