McKinsey выпустила отчёт об экономике агентного AI, и его главная цифра должна насторожить каждого, кто закладывает бюджет на внедрение: около 60 процентов стоимости агентной задачи тратится уже после того, как первый ответ сгенерирован, на его проверку и доработку. Как передаёт ANI через The Economic Times 17 июля, следующая фаза корпоративного внедрения AI будет решаться юнит-экономикой, а не способностями моделей.
Момент выбран не случайно. Два года большинство компаний занимались доступом к моделям, пилотами и первыми внедрениями. Теперь агенты выходят в продакшн, и вопросы задают другие люди. По данным отчёта, CFO и CIO всё жёстче требуют доказательств измеримой отдачи от вложений в AI, при этом у многих компаний до сих пор нет систем, отслеживающих бизнес-эффект решений, принятых с участием AI.
Масштабирование агента стало финансовым решением
"Решение о масштабировании агента всё чаще становится сложным и быстро меняющимся экономическим решением, а не техническим", говорится в отчёте. Это тихий, но реальный сдвиг в том, кто владеет темой AI внутри компании. Пока узким местом были точность и задержки, дорожную карту вела инженерия. Когда узкое место - цена завершённой задачи, за стол садятся финансы, и выживают проекты, способные показать свою математику.
Почему цена за токен перестала работать
В отчёте отмечается: агентные задачи могут потреблять почти в 1000 раз больше токенов, чем обычный чат или рассуждение над кодом. Агент не отвечает один раз: он планирует, вызывает инструменты, читает результаты, повторяет попытки и тащит длинный контекст через каждый шаг. "Цена за токен перестала быть полезной мерой того, что предприятия реально платят за генеративный AI", говорится в отчёте. Проще говоря, счётчик, на который до сих пор смотрит большинство покупателей, измеряет не то.
Шесть драйверов стоимости по версии McKinsey
Отчёт раскладывает операционные расходы агентных систем на шесть факторов:
Interested in implementing similar AI solutions? Discover how PATech Labs can help your business leverage cutting-edge artificial intelligence.
Learn About Our Services- Долгоживущий контекст. Перенос истории и рабочей памяти между шагами - один из крупнейших вкладов в стоимость.
- Доработка дороже генерации. Изменить сгенерированный ответ дороже, чем создать первый черновик: около 60 процентов стоимости задачи связано с доработкой ответов.
- Вариативность затрат. Одна и та же задача стоит по-разному в зависимости от выбранных инструментов, пути рассуждения и числа повторных попыток.
- Тяжёлое рассуждение на простых задачах. Расширенное рассуждение окупается на сложных проблемах и сжигает деньги на рутине.
- Оркестрация. То, как агенты координируются с инструментами, моделями и друг другом, ощутимо двигает счёт. Эффективное распределение задач режет расходы без потери результата.
- Структура информации. Дизайн промпта, длина контекста, форматирование и даже язык меняют расход токенов. "Неанглийский текст, например, дробится на больше токенов на единицу смысла, поэтому один и тот же разговор в некоторых языках стоит дороже", отмечает отчёт.
Одна и та же задача никогда не стоит одинаково
Пункт про вариативность стоит подчеркнуть отдельно: он ломает классическое ИТ-бюджетирование. У обычного софта есть известная цена транзакции. У автономного агента - нет: удачный прогон закрывается за три шага, неудачный уходит в циклы ретраев и вызовов инструментов. EdexLive подаёт управление расходом токенов и путями рассуждения как новый базовый навык AI-инженера, и цифры это подтверждают: контроль стоимости становится отдельной инженерной дисциплиной.
Что это значит для бизнеса, внедряющего AI-агентов
В PATech агенты работают в продакшне каждый день: голосовые агенты отвечают на бизнес-звонки, а контентный конвейер сам исследует, пишет и рендерит. Отчёт совпадает с тем, что мы видим в собственных счетах, поэтому вот наш практический разбор.
Первое: измеряйте цену завершённой задачи, а не токена или запроса. Дешёвая модель с пятью ретраями дороже сильной, которая закрывает задачу с первого прохода. Второе: маршрутизируйте по сложности - глубокое рассуждение оставьте шагам, которым оно реально нужно, а рутину отдайте маленьким быстрым моделям. Третье: поставьте жёсткий бюджет на цикл доработки. Раз около 60 процентов стоимости живёт в проверке и доработке, лимит на ретраи и честное определение "достаточно хорошо" - это прямой финансовый рычаг, а не компромисс по качеству. Четвёртое: относитесь к контексту как к складу - подрезайте то, что агент тащит между шагами, потому что каждый сохранённый абзац оплачивается заново на каждом следующем шаге.
Ничто из этого не аргумент против агентов. Это аргумент против внедрения без приборов. Эту фазу выиграют компании, которые знают свою цену за результат с точностью до цента, как логистика знает цену доставленной посылки. Сторону спроса мы разбирали в материале о расходах на корпоративных AI-агентов, которые достигнут 206 миллиардов долларов в 2026 году; этот отчёт - та дисциплина предложения, которую такие расходы потребуют.
Итог
Агентный AI выходит из стадии демо, и счёт уже выставляют. Посыл McKinsey не в том, что агенты слишком дороги: их затраты ведут себя иначе, и их нужно проектировать, измерять и закреплять за владельцем. Команды, которые сейчас построят телеметрию затрат, маршрутизацию и бюджеты доработки, будут масштабироваться с предсказуемой экономикой. Команды, которые это пропустят, обнаружат, что узкое место - не модель, а их CFO.