Сколько стоит ИИ-агент и как посчитать его эффект

Когда меня спрашивают, сколько стоит ИИ-агент, почти всегда имеют в виду цену разработки. Это только первая строка сметы. Полная стоимость владения выглядит так:

• Внедрение: разбор процесса, подключение к CRM и учётным системам, настройка, экзамен на реальных кейсах. У меня внедрение стоит от 250 000 ₽.
• Модель: оплата токенов или собственного сервера с моделью.
• Инструменты и инфраструктура: вызовы API, поиск по базе знаний, песочница, хранение журналов.
• Повторы и неудачи. Запуски, которые до результата не дошли, но счёт за них пришёл.
• Люди вокруг агента. Кто-то проверяет черновики, разбирает исключения, поддерживает и дорабатывает. Эту строку забывают чаще остальных.

На SaaS-секции Apsara это сказали без обиняков: токены, маршрутизация между моделями, оценка качества и ручная проверка съедают маржу. Кто считает только цену модели, не видит большую часть затрат.

Ли Вэйнань из Alibaba разложил по секундам одну агентную задачу по коду длиной 130 секунд. Языковая модель работала всего 12% времени (16 с). Выполнение инструментов заняло 37% (48,5 с), ожидание и повторы - 43% (56 с). Его вывод мне нравится своей прямотой: оптимизировать только модель - значит оптимизировать самую маленькую часть системы.

Бао Юаньсун из Alibaba Cloud на логистическом форуме показал формулу, которой я пользуюсь почти без изменений:

«Эффект агента = прирост выручки + эффект эффективности - полная стоимость. При запуске ставить метрики и на эффективность, и на выручку.»

Сяо Вэнькэ из службы доставки ZTO добавил то, о чём забывают на старте: внедрение ещё не эффект. Эффект проверяется цепочкой «постоянное использование → реальное исполнение → улучшение метрики → бизнес-результат». Агент установлен, а сотрудники открывают его раз в неделю? Эффекта нет, сколько бы ни стоила разработка.

• Доля принятых черновиков. В медицинской сети PKU Healthcare врачи проверяют и подписывают AI-черновики медкарт. Доля принятых выросла с 61% на старте до 85% в среднем. По-моему, это самый трезвый KPI из всех: он показывает, сколько работы агент действительно снял с людей.
• Выручка, а не только экономия. Биржа грузов Manbang тиражировала опыт лучших продавцов на тысячи менеджеров: конверсия 8% выросла на 5-15 п.п., ROI 3,5.
• Каждый следующий сценарий дешевле. Там же новый сценарий обходится на 30% дешевле предыдущего, потому что инфраструктура и данные уже готовы.

Был и обратный пример, за который спикеру отдельное спасибо. Taobao Shangou показал, что при полной автоматизации из примерно 2000 задач разработки ИИ мог взять около 1000, а приёмку прошли только 66. Срок поставки сократился на 30%, но не в разы. Без метрики «принято с первого раза» такой результат легко записать в успехи.

Самый наглядный пример - бенчмарк игровой платформы TapTap. Модель Qwen3.8-Max прошла уровень в 83,3% случаев при $1,17 за кейс, Qwen3.8-Flash - в 82,5% при $0,10. Разница в качестве 0,8 п.п., в цене - около 12 раз. Я бы на месте большинства заказчиков начинал с быстрой модели и переходил на дорогую, только когда видно, где именно она нужна.

• Делить работу между моделями. В Beike сильная модель отвечает за сложные рассуждения, а быстрая - за извлечение данных, сжатие и фоновые задачи.
• Пересматривать модель. В Full Truck Alliance замена базовой модели при тех же промптах и обвязке снизила стоимость той же задачи примерно до 1/4.
• Сравнивать поставщиков. У разных поставщиков API одной и той же модели пропускная способность на одинаковом запросе различалась до 4,9 раза, задержка первого токена - до 4,3 раза.