Когда ИИ-агент выходит дороже сотрудника: разбор кейсов

Обещание автономных агентов звучит одинаково у всех вендоров: поручите задачу, освободите людей, снизьте расходы. На практике встречается обратная картина — агент, который сжигает больше денег, чем стоил бы живой исполнитель за ту же работу. Причина не в «плохом ИИ», а в арифметике: платить приходится за каждый токен, за каждую попытку и за каждую человеческую проверку сверху. Разберём, где именно экономика переворачивается.

Из чего складывается реальная стоимость агента

Когда сравнивают агента с сотрудником, обычно смотрят на цену подписки. Но подписка — верхушка. Полная стоимость складывается из нескольких слоёв, и каждый из них умеет расти незаметно.

• Токены на рассуждение. Агент^* не отвечает одним запросом. Он планирует, вызывает инструменты, читает результат, переспрашивает себя. Одна «задача» легко разворачивается в десятки обращений к модели.
• Повторы и циклы. Если агент застрял, он часто пробует снова — и снова оплачивает контекст. Плохо ограниченный цикл может крутиться до лимита.
• Человек-контролёр. В ответственных задачах результат всё равно проверяет специалист. Его время — прямая статья расходов, которая никуда не делась.
• Переделка. Если ошибка агента дошла до клиента или в отчётность, стоимость исправления бывает выше, чем сделать сразу руками.

Агент дешевле человека ровно до того момента, пока задача предсказуема, проверяема автоматически и не требует, чтобы кто-то нёс за неё ответственность.

Кейс 1. Многошаговый агент против простого скрипта

Типичная ловушка — поручить агенту то, что делается детерминированным кодом. Разбор входящих писем, раскладка по папкам, извлечение суммы из инвойса. Агент на большой модели тратит контекст на «размышления» там, где регулярное выражение и парсер справятся за доли копейки.

Здесь дороже человека агент оказывается редко, а вот дороже обычной автоматизации — почти всегда. Ошибка внедрения в том, что задачу изначально не нужно было отдавать модели рассуждающего класса.

Как это выглядит в деньгах

Стоимость обращений к API считается за токены — точные тарифы зависят от модели и провайдера и меняются часто, сверяйте их на официальной странице цен вендора. Важна не абсолютная цифра, а структура: длинный контекст плюс десятки шагов на одну задачу превращают «копеечный» вызов в ощутимую сумму на объёме в тысячи операций в день.

Кейс 2. Поддержка первой линии с высокой ценой ошибки

Агент отлично снимает поток типовых вопросов. Но как только в диалог попадает нестандартная ситуация — спор о возврате, юридический нюанс, эмоциональный клиент — агент либо галлюцинирует^**, либо эскалирует. В обоих случаях подключается человек. Если доля таких обращений высока, вы платите дважды: за токены агента и за оператора, который всё равно разбирается.

Экономика ломается, когда автоматизировать удаётся не 80% обращений, а 30%, а остальные 70% всё равно уходят людям — но уже после того, как агент потратил контекст и время клиента.

Кейс 3. Автономная разработка «под ключ»

Кодовые агенты, которые сами планируют, пишут и запускают код, впечатляют на демо. На реальной кодовой базе многошаговая сессия может стоить заметных денег за один прогон — а результат приходится ревьюить строкой за строкой. Если senior-разработчик тратит на проверку и правку сгенерированного столько же, сколько написал бы сам, экономия исчезает, а расход на токены остаётся.

Здесь агент выигрывает на рутине (шаблонный код, тесты, миграции) и проигрывает на архитектурных задачах, где цена неверного решения — недели переделки.

Где граница: сравнение сценариев

Кому агент пригодится, а кому нет

Пригодится, если задача повторяема, результат можно проверить автоматически (тестом, схемой, сверкой), а цена одной ошибки низкая. Пример: массовая первичная классификация обращений, черновики ответов, генерация тестовых данных, рутинные операции с понятным критерием «правильно».

Не пригодится, если каждая задача уникальна, ошибку заметит только эксперт, а за результат кто-то отвечает деньгами или репутацией. Пример: финальные юридические заключения, финансовая отчётность, решения по спорным возвратам, критичная бизнес-логика без покрытия тестами.

Как посчитать до внедрения

1. Оцените среднее число шагов агента на одну задачу и умножьте на цену обращений — не берите стоимость одного запроса за стоимость задачи.
2. Заложите долю задач, которые всё равно уйдут человеку, и прибавьте его время.
3. Добавьте стоимость проверки результата — если ревью обязательно, оно часть расходов.
4. Отдельно посчитайте цену редкой, но дорогой ошибки на реальном объёме.
5. Сравните итог не с зарплатой «в лоб», а с альтернативой: обычной автоматизацией, где она возможна.

Часто выясняется, что выигрышный сценарий — гибрид: агент делает черновик и берёт на себя объём, человек принимает решения и отвечает за исключения. Тогда суммарная стоимость падает, а не растёт.

^* Агент — программа на основе языковой модели, которая не просто отвечает на запрос, а сама планирует шаги, вызывает внешние инструменты и действует по циклу до достижения цели.

^** Галлюцинация — уверенно сформулированный, но недостоверный ответ модели, не основанный на реальных данных.