Бюджет на agentic AI: во что реально обойдётся автономия

Компании массово переносят в планы на следующий год строку «agentic AI» — системы, которые не просто отвечают на запрос, а сами планируют шаги, вызывают инструменты и доводят задачу до результата. Проблема в том, что бюджет на такой проект нельзя свести к цене подписки на ChatGPT или Claude. Агент, который в цикле обращается к модели десятки раз ради одной задачи, тратит на порядок больше токенов, чем чат-бот, а к счёту за модель добавляются интеграции, инфраструктура и люди, которые всё это чинят. Ниже — как собрать реалистичную смету и где закладываются главные сюрпризы.

Термин «агент*» пока размыт: под ним понимают и связку «модель плюс несколько инструментов», и полностью автономный воркфлоу с памятью и самопроверкой. От того, что именно вы строите, зависит и порядок цифр.

Из чего складывается счёт

Наивный бюджет выглядит как «столько-то мест по подписке в месяц». Для агентных систем это почти всегда неверно, потому что основной драйвер расходов — не число пользователей, а число вызовов модели на задачу.

• Токены модели. Агент в цикле «планирование — действие — наблюдение» может сделать 5–50 обращений к LLM ради одной пользовательской задачи. Каждое обращение тащит за собой историю, инструкции и результаты инструментов, поэтому потребление контекстного окна** растёт нелинейно.
• Инфраструктура и оркестрация. Очереди, хранилище состояния, векторная база для RAG***, мониторинг вызовов. Это отдельная статья, которая живёт даже когда агент простаивает.
• Интеграции. Подключение к CRM, почте, базам, внутренним API. Здесь деньги уходят не на модель, а на разработку и поддержку коннекторов.
• Люди. Инженеры, которые пишут и отлаживают агента, и — отдельно — те, кто проверяет его выводы. Автономность не отменяет надзор, а перераспределяет его.
• Оценка и безопасность. Тесты качества, логирование действий, ограничения на опасные операции. Без этого пилот легко превращается в источник инцидентов.

Главная ошибка планирования — считать agentic AI по цене чата. Разница в потреблении токенов между ответом на вопрос и автономным выполнением задачи легко достигает одного-двух порядков.

Строить самим или брать платформу

Развилка на старте: собирать агента на голых API моделей и open-source-фреймворках либо покупать готовую платформу с оркестрацией, коннекторами и мониторингом внутри. Ни один вариант не «правильный» по умолчанию — они смещают деньги между статьями бюджета.

Цены на модели и платформы меняются каждые несколько месяцев, поэтому фиксировать в годовом бюджете конкретную стоимость за миллион токенов рискованно. Заложите пересчёт хотя бы раз в квартал и сверяйте актуальные тарифы на официальных страницах поставщиков — OpenAI, Anthropic, Google и облачных провайдеров публикуют их отдельно.

Как оценить расход на токены заранее

Единственный честный способ получить цифру — прогнать репрезентативную выборку реальных задач через прототип и замерить фактическое потребление. Порядок действий:

1. Возьмите 20–50 типичных задач, которые агент будет решать.
2. Прогоните их через прототип с включённым логированием всех вызовов модели.
3. Посчитайте среднее и максимальное число токенов на задачу — не только среднее, потому что хвост распределения бьёт по бюджету сильнее.
4. Умножьте на ожидаемый объём задач в месяц и на актуальную цену выбранной модели.
5. Добавьте запас 30–50% на итерации, ошибки и повторные попытки агента.

Без такого замера любая цифра в бюджете — угадайка. Разброс между оптимистичным и реальным сценарием у агентных систем часто кратный, а не на проценты.

Где обычно недосчитываются

Три статьи, которые чаще всего забывают заложить и которые потом ломают смету:

• Повторные запуски. Агент, который зашёл в тупик и перезапустил цикл, тратит токены дважды. Чем сложнее задача, тем чаще это происходит.
• Надзор и разметка. Кто-то должен проверять, что агент сделал правильно, особенно в первые месяцы. Это рабочие часы людей, а не строка в счёте за API.
• Наблюдаемость. Логи, трейсы вызовов, дашборды затрат. Без них вы узнаете о перерасходе из счёта, а не заранее.

Кому это пригодится, а кому нет

Agentic AI оправдан не везде, и годовой бюджет стоит защищать конкретными сценариями, а не общими словами про «эффективность».

Пригодится:

• Поддержка первой линии, где агент собирает контекст из нескольких систем и готовит черновик ответа, а человек утверждает.
• Рутинные многошаговые операции: сверка данных между системами, подготовка отчётов, разбор входящих заявок по правилам.
• Исследовательские задачи, где ценна автономность в поиске и агрегации, а ошибка не критична и легко проверяется.

Скорее не пригодится:

• Операции с высокой ценой ошибки без надёжной проверки — финансовые проводки, юридически значимые действия.
• Простые однократные запросы, где обычный вызов модели без агентной обвязки решает задачу дешевле.
• Процессы, где нет структурированных данных и API: агенту не за что зацепиться, и вы платите за галлюцинации.

* Агент — программа на базе языковой модели, которая сама выбирает последовательность действий и вызывает внешние инструменты, чтобы выполнить задачу, а не просто выдаёт текстовый ответ.

** Контекстное окно — объём текста (в токенах), который модель обрабатывает за один вызов: инструкции, история и данные. Чем оно заполненнее, тем дороже вызов.

*** RAG (retrieval-augmented generation) — подход, при котором модель перед ответом подтягивает релевантные документы из внешней базы, чтобы отвечать по актуальным данным.