Взрыв бюджетов на AI-токены

"Взрыв бюджетов на AI-токены" - это динамика, которую описывает Зитрон при переходе корпораций с подписок с фиксированной оплатой на тарификацию по токенам: годовые бюджеты сгорают за месяцы, но расходы продолжают расти, поскольку никто - ни с той, ни с другой стороны сделки - не способен измерить расход токенов на отдельную задачу с точностью, достаточной для планирования.

Как это выглядит на практике

Примеры за май 2026 года:

Stripe: около 5000 технических специалистов сжигают $94 000 в день на токены - $2.8M в месяц, $33.6M в год - в основном на модели для кодинга от Anthropic. При затратах на инженерный штат около $765M это составляет 4.4%.
Salesforce: Марк Бениофф публично пообещал потратить $300M на токены Anthropic в 2026 году.
ServiceNow: CIO Келли Ромак открыто выразила сомнение (в разговоре с Лорой Брэттон из The Information), удастся ли сохранить Claude Enterprise до конца 2026 года без ограничения расходов.
Uber: спустил годовой бюджет на токены за считанные месяцы, даже не замедлив темпы трат.
Zillow: $1M в первом квартале + $749 000 в апреле + идёт к $7-10M за год при чистой прибыли за 2025 финансовый год в $23M. См. разбор кейса "AI-Чернобыль".
Goldman Sachs: в целом по индустрии затраты на AI приближаются к 10% от общих расходов на персонал и "в ближайшие несколько кварталов могут сравняться с затратами на фонд оплаты труда".

Почему бюджеты не сходятся

Структурные причины, по которым корпоративные бюджеты на токены не работают:

Расход токенов на задачу не фиксирован. Один и тот же промпт, одна и та же модель и одинаковая конфигурация могут выдавать совершенно разное количество токенов от запуска к запуску. Модели с рассуждениями (reasoning models) могут думать над одним и тем же входом десять секунд или три минуты.
Модели меняются прямо под вами. Anthropic и OpenAI выкатывают тихие обновления, меняющие поведение моделей. Оценка прошлого квартала "на эту задачу уходит X токенов" в следующем квартале может измениться вдвое без каких-либо внешних признаков для пользователя.
Нет детализированной телеметрии. По информации Брэттон, Anthropic не предоставляет телеметрию в разрезе пользователей, инструментов или задач, которую SAP, ServiceNow, Microsoft и Workday считают стандартом. Финансовые директора видят общую сумму расходов, но не понимают, из чего она сложилась.
Отсутствие SLA. По словам Ромак и Мехты, Anthropic не предлагает соглашений об уровне обслуживания (SLA). Никаких обязательств по производительности или стабильности затрат нет.
Директивы по внедрению раздувают спрос. Руководители - см. business-idiot - дали инженерам полную свободу сжигать токены без какого-либо учёта. Зафиксированы случаи, когда инженеры в Amazon и Meta накручивали показатели в рейтингах по расходу токенов, чтобы закрыть KPI по внедрению. Расходы растут, а отдачи нет.

Позадачные метрики, которые не дают поставщики, клиентам приходится восстанавливать на своей стороне по отдельным механизмам. code-mode-token-savings считает, сколько токенов вообще не попадает в контекстное окно, когда агент вызывает скрипт вместо 26 отдельных инструментов, а prompt-caching-in-agents учитывает то, за что приходится платить по полной ставке каждый раз, когда промах кэша вынуждает заново делать prefill. Обе эти цифры относятся к единичным нагрузкам, а не к сквозной телеметрии, но именно так выглядит недостающий знаменатель.

Почему нельзя измерить ROI

Зитрон подробно разбирает проблему метрик, которыми легко манипулировать:

"Жгите больше токенов" -> сотрудники пишут скрипты для сжигания токенов.
"Пользуйтесь AI каждый день" -> критерий успешности отсутствует.
"Выпускайте больше софта" -> оптимизация скорости в ущерб качеству.
"Больше pull request'ов" -> инженеры накрутят любую заданную планку.

Более глубокая проблема: без стабильной себестоимости задачи у формулы ROI нет знаменателя. Без измеримого результата задачи нет числителя. Обе части уравнения нестабильны. А обобщённое сравнение в духе "мы потратили $X и выпустили Y" не позволяет отделить вклад AI от изменений в штате или рабочих процессах.

К чему это приведёт

Прогноз Зитрона в ai-too-expensive заключается в том, что именно в 2026 году финансовым и техническим директорам придётся начать разговор об ограничении расходов - на два-три квартала раньше, чем предсказывают апологеты индустрии ("не раньше конца 2027 года"). Первая же крупная компания, публично урезавшая бюджет на AI, запустит стадный эффект. Механизм здесь тот же, что породил этот взрыв: корпоративные расходы на AI взлетели из-за оглядки на других (social proof), и точно так же они пойдут на спад.

Связанные концепции

ai-too-expensive - подробный разбор
subprime-ai-crisis - общий тезис о пузыре
knife-catching-compute - тупик со стороны предложения вычислительных мощностей, влияющий на цены для клиентов
business-idiot - класс руководителей, покупавших без метрик и контроля
ai-great-leap-forward - корпоративные директивы как оборотная сторона этой истории
ai-bubble-pale-horses - контрольный список признаков пузыря
ai-subsidy-economics - механизм субсидирования со стороны вендоров
tokenmaxxing - накрутки со стороны сотрудников, дополнительно раздувающие бюджеты