директор и машина · финансы · запись № 028 · 1 августа 2026 · Давид Герштейн

Сколько стоит ИИ на самом деле: мои счета, минус $40 за ночь и шлюз учёта

Цифры компании и отдела продаж в этом тексте — обобщённый профиль сервисного бизнеса: 8 менеджеров, оборот ~9 млн ₽/мес, средний чек ~180 тыс. ₽, цикл сделки ~6 недель, всего в компании ~40 человек. Технические расходы на ИИ — реальные, с моего продакшена.

Назовите цифру: сколько ваша компания потратила на нейросети в прошлом месяце? Не порядок, не «немного» — цифру. Если вы не можете назвать её прямо сейчас, вы платите вслепую — и это ровно та ситуация, в которой я однажды потерял сорок долларов за одну ночь и узнал об этом утром.

Сорок долларов — не деньги. Деньги — это то, что я не знал о них до утра. Значит, с тем же успехом там могло быть четыреста, и я бы тоже узнал постфактум.

Когда спрашивают «сколько стоит внедрение ИИ», обычно имеют в виду прайс подрядчика. Я отвечу с другой стороны — со стороны собственных счетов: сколько стоит эксплуатация ИИ в месяц на реальных задачах среднего бизнеса, как эти расходы выходят из-под контроля и как выглядит учёт, который я в итоге построил.

Сразу про границы. Я говорю про рабочие процессы компании: оценку звонков, разбор документов, ежедневные сводки. Подписка на сервис, который делает ролики и картинки, устроена по-другому — там платят за штуку контента, и переносить её тариф на рабочий контур бессмысленно.

Ночь за сорок долларов

Один зациклившийся процесс может сжечь больше, чем весь месячный бюджет на профильную задачу, и вы узнаете об этом случайно, а не по сигналу системы — так у меня появился первый повод считать расходы на ИИ отдельной строкой.

Начну с истории, с которой начался мой учёт. Одна строчка кода. Процесс зациклился вечером и до утра гонял запросы к модели. Ничего не упало, никаких ошибок — просто утром баланс оказался на сорок долларов легче. Молча. Без предупреждений.

Сорок долларов — не деньги для бизнеса. Проблема в другом: я узнал об этом утром, случайно, посмотрев баланс. Тот же цикл мог крутиться неделю. А через месяц у меня уже одиннадцать сервисов ходили в модели, каждый со своим ключом, и расход был виден одной строкой в конце месяца — без ответа на вопрос, кто именно тратит.

Сколько стоит ИИ на практике: порядок цифр по задачам

Порядок цифр такой: от нескольких долларов в месяц за лёгкую задачу до примерно 300 $/мес за тяжёлый поток вроде 100% проверки звонков — то есть на два порядка меньше, чем директора обычно ожидают, услышав слово «нейросеть».

Цифры мои, с продакшена, округлены. Ваши будут отличаться, но порядок величин — нет.

Главный вывод из таблицы: эксплуатация ИИ для среднего бизнеса стоит сотни долларов в месяц, а не миллионы рублей в год. Дорогим бывает внедрение — люди, процесс, калибровка. Сама работа моделей дешева, и дешевеет дальше. На диаграмме — те же три задачи в долларах в месяц, по фактическому расходу.

Как это работает по шагам: путь одного звонка до строки расхода

От записи разговора до строки в отчёте о расходе — четыре шага и меньше минуты автоматической обработки; каждый шаг оставляет свою запись в логе, поэтому расход виден не только в конце месяца, а на любом отрезке дня.

1. Звонок записывается и сразу уходит в очередь на распознавание речи — без ручной выгрузки.
2. Транскрипт разбирается моделью по чек-листу: скрипт, возражения, запрещённые фразы — по всем ~177 разговорам в день, а не по выборке.
3. Оценка и метаданные (сервис, токены, стоимость запроса) пишутся в шлюз учёта одной транзакцией.
4. Раз в сутки агрегатор считает расход по каждому сервису и сравнивает с лимитом; при превышении — оповещение в мессенджер.

Три правила, которые дались деньгами

Заберите их себе — вам они достанутся бесплатно, мне обошлись дороже.

Три правила ниже стоили мне реальных денег и часов перепроверенной работы: дорогая модель — на исключения, дешёвая — на поток; не экономить на входных данных; и учёт — до первого запуска, а не после первого счёта.

1. Дорогая модель — на исключения, дешёвая — на поток

Самая частая ошибка — гонять флагманскую модель на всём подряд. Мы посчитали по фактическим данным, где дешёвая модель справляется не хуже: печатный текст с высоким согласием двух моделей — дешёвая; рукописный или спорный — дорогая; критичные поля — дорогая с проверкой человеком. Решение принимается расчётом на своих данных, а не вкусом. Экономия — в разы при том же качестве на выходе.

2. Не экономить на входных данных

Обратная сторона. Я пробовал сжимать аудио и сканы перед обработкой — расход падает, а вместе с ним падает качество расшифровки и распознавания. Дальше эту разницу доплачивают люди: перепроверкой, спорами с несправедливыми оценками, ручным разбором. Экономия на входных данных — самая дорогая экономия из возможных.

3. Учёт ставится до первого запуска, а не после первого счёта

После ночи за $40 я перевёл все сервисы на единый шлюз: каждый запрос к моделям идёт через одну точку, расход считается по каждому сервису отдельно, на всплеск приходит оповещение в мессенджер, у сервисов есть лимиты. Одиннадцать сервисов переехали без переписывания их логики.

Скрытые расходы: когда сотрудники платят за ИИ из своего кармана

Если сотрудник тратит личные деньги на токены и серверы, чтобы не ждать согласования, — это не инициативность, а сигнал: в компании нет быстрого и понятного пути одобрить небольшой расход на ИИ, и человек решает проблему в обход процесса.

У нас так и получилось. Один из разработчиков потратил около 60 тысяч рублей собственных денег на токены и серверы для системы — просто чтобы не останавливать работу в ожидании подписи. Когда это вскрылось, встал вопрос о лимите: ставить максимальный тариф в 10 тысяч рублей в месяц «с запасом на будущее» или смотреть на факт. Факт составил 500 рублей. Установка тарифа «на всякий случай» в двадцать раз выше факта — тот же самый порок, что и полное отсутствие лимита: решение принимается не по данным, а по страху.

Вывод простой: лимит и порог согласования должны считаться от фактического расхода за последние недели, а не от абстрактного «пусть будет с запасом». Для мелких сумм — условно, до нескольких тысяч рублей в месяц на сервис — быстрее и дешевле дать сотруднику право тратить без согласования, чем терять время на подпись. Но именно поэтому шлюз учёта обязателен: право тратить без подписи не должно означать «тратить без записи в логе».

Быстрые победы: не всё требует расчёта ROI

Если настройка автоматизации занимает 20 минут, а устраняет систематическую задержку выплат партнёрам или клиентам, считать окупаемость не нужно — нужно просто сделать это в начале недели, до планёрки.

Пример из практики, не про модели напрямую, но из той же категории «автоматизация вместо расчётов»: в реферальной программе партнёры узнавали о положенном вознаграждении с опозданием — только когда клиент сам просил вернуть деньги, ссылаясь на обещание менеджера. Решение заняло около 20 минут работы: бот стал сразу уведомлять партнёра о закрытии проекта его реферала, без ручного контроля со стороны бухгалтерии. Не каждая автоматизация требует таблицы с формулой — иногда достаточно спросить «сколько минут займёт исправить», и если ответ меньше часа, просто сделать это.

То же правило применимо к учёту расходов на ИИ: прежде чем заказывать дашборд на неделю разработки, проверьте, нельзя ли закрыть 80% боли одним оповещением в мессенджер за 20 минут — как в примере со шлюзом выше.

ИИ-связка: промпт для разбора аномалий расходов

Модель, которая раз в сутки читает лог трат по всем сервисам и находит аномалии — скачок токенов, новый сервис без лимита, всплеск у конкретного ключа — экономит ровно то время, которое раньше уходило на ручное сравнение таблиц: обычно 20–30 минут в день у одного человека.

У меня это Google Таблица: скрипт раз в сутки выгружает туда лог из шлюза (сервис, дата, токены, стоимость, модель), а отдельная ячейка с промптом отправляет срез за последние 7 дней в модель и получает разбор. Структура входных данных простая — построчный JSON без предварительной агрегации, модель сама считает средние и отклонения.

Ты — аналитик расходов на API нейросетей.
Тебе дан JSON-массив записей за 7 дней:
[{"service":"call-scoring","date":"2026-07-20","tokens":812000,"cost_usd":9.8,"model":"cheap"}, ...]

Задача:
1. Посчитай средний дневной расход по каждому service за первые 5 дней.
2. Найди дни, где расход превысил среднее более чем на 40%.
3. Для каждой аномалии укажи service, date, во сколько раз превышение,
   и одну вероятную причину (рост потока / зацикливание / смена модели).
4. Если аномалий нет — верни пустой массив anomalies.

Верни строго JSON:
{"anomalies":[{"service":"","date":"","factor":0,"likely_cause":""}],"checked_days":7}

Пример ответа на боевых данных:

{
  "anomalies": [
    {
      "service": "doc-parser",
      "date": "2026-07-24",
      "factor": 2.3,
      "likely_cause": "зацикливание"
    }
  ],
  "checked_days": 7
}

Дальше — дело техники: если anomalies не пустой, скрипт шлёт это же сообщение в мессенджер. Отдельно эту связку я не считаю новой экономией: она снимает те же 20–30 минут ручной сверки, что и обычный дашборд, просто делает это без участия человека каждый день.

Инженерная обвязка: шлюз, лимиты, алерты

Обвязка — это единая точка входа для всех вызовов модели, лимиты на уровне сервиса и оповещение при приближении к порогу; без этих трёх элементов учёт превращается в наблюдение за уже случившимся фактом.

Шлюз у меня — тонкая прокси-прослойка: каждый из 11 сервисов стучится не напрямую к провайдеру модели, а на внутренний адрес со своим service_id в заголовке. Прокси логирует запрос и потом сама идёт к провайдеру. Если провайдер недоступен — до трёх повторов с задержкой, дальше сервис получает понятную ошибку вместо зависания.

Лимит настроен на два уровня: мягкий (80% от месячного бюджета сервиса) — только сообщение, жёсткий (100%) — сервис переходит на дешёвую модель или останавливается, в зависимости от критичности задачи.

Когда бот находит баг дороже своей собственной стоимости

Иногда главная выгода от простого бота — не экономия на людях, а находка технической проблемы, которая иначе всплыла бы через месяцы в виде испорченной отчётности; сам бот при этом стоит единицы долларов в месяц, а цена необнаруженной проблемы не поддаётся быстрой оценке.

У нас так вскрылась проблема с CRM: даты создания лидов самопроизвольно менялись при синхронизации. Разработчик настроил бота на ежечасную выгрузку данных и сравнение снимков — и обнаружил, что сделки «мигрируют» в другие дни, сдвиг варьируется от 18 до 36 часов. В интерфейсе CRM версия показывала корректные даты, но через несколько часов цифры расходились сами по себе, без вмешательства человека.

Стоимость такого бота попадает в ту же категорию, что и ежедневная отчётность из таблицы выше — единицы-десятки долларов в месяц. Но если бы этот сдвиг не поймали, отчёты о скорости обработки лидов были бы систематически искажены — а решения на основе таких отчётов стоят дороже любого счёта за API.

Экономика: что стоит система учёта и что она окупает

Настройка шлюза учёта заняла ~8 часов работы разработчика, эксплуатация системы оценки звонков — ~300 $/мес (около 27 000 ₽ по курсу 90), а эффект — высвобождение времени менеджеров, эквивалентное ≈ 240 000 ₽/мес фонда оплаты труда (оценка).

Считаю так: менеджер обходится компании примерно в 100 тыс. ₽/мес (оклад, налоги, переменная часть). Для отдела из 8 менеджеров это 800 000 ₽/мес фонда. Если автоматическая проверка 100% звонков снимает 30% рутины по прослушиванию и ручной оценке — той самой, которую раньше делал старший менеджер или сам руководитель отдела, — высвобождается ресурс на 240 000 ₽/мес. Это эффект только автоматической оценки звонков: скрипты продаж, обучение и прочие изменения в отделе в этот расчёт не входят.

Масштаб риска, который система должна ловить раньше человека

Для масштаба: отдел из 8 менеджеров при обороте ~9 млн ₽/мес и среднем чеке ~180 тыс. ₽ закрывает около 50 сделок в месяц. Если 10% из них зависает — 5 сделок, — риск составляет ≈ 900 000 ₽/мес (оценка). Именно такие зависшие сделки должна ловить проверка 100% потока звонков, а не выборочная: пропущенное в 1 звонке из 10 возражение клиента в выборочном контроле не всплывёт вообще.

Что мы не считаем эффектом: если высвобожденные 30% времени менеджеры тратят на то же количество звонков без роста конверсии, или если это время просто перераспределилось на другую рутину без роста продаж и без сокращения часов — это не эффект в деньгах, а перераспределение нагрузки, которое стоит доказывать отдельным замером конверсии до/после.

Где это ломается на практике

Три ситуации, в которых вы почти наверняка окажетесь, если начнёте считать всерьёз. Каждая из них у меня была.

Система учёта и оценки звонков ломается не там, где ждут, — не на самой модели, а на трёх местах: единая точка отказа, ложные срабатывания оценки и цена, зависящая от чужого прайса.

Второй риск — зависимость от чужого прайса: провайдер модели меняет тарифы, и то, что стоило 300 $/мес, может стать 450 $/мес без предупреждения. Лимиты и оповещения не защищают от роста цены, только от неконтролируемого роста объёма — это разные риски, и закрывать их нужно разными способами: фиксировать тариф в договоре там, где это возможно, и держать план Б на дешёвую модель.

Как посчитать бюджет для своей задачи

Теперь про ваши цифры. Считать надо не «сколько стоит нейросеть», а сколько стоит одна ваша операция — оценка звонка, разбор документа, сборка отчёта. Дальше умножаете на объём потока и сравниваете с тем, во что эта работа обходится сейчас руками.

Бюджет считается не из прайса подрядчика, а из объёма собственного потока: объём в сутки × цена запроса дешёвой и дорогой модели на вашей выборке — и через 15 минут у вас есть цифра, а не ожидание.

1. Возьмите один процесс и посчитайте объём: сколько звонков, документов, писем в день.
2. Прогоните неделю реального потока на дешёвой и на дорогой модели параллельно. Это стоит единицы долларов и даёт вам собственную, а не вымышленную цену качества.
3. Умножьте на месяц и добавьте 30% на рост и повторные прогоны.
4. Поставьте лимит на уровне двух ожидаемых месячных расходов и оповещение на уровне одного.

Если подрядчик называет вам стоимость эксплуатации, не спросив объём потока, — он называет случайное число. А если внедрение окупается только при «миллионах операций в будущем» — это не окупаемость, это пилот, который выдают за продакшен.

Чек-лист на понедельник

Пять действий, которые можно сделать до обеда понедельника, без бюджета на подрядчика и без ожидания «большого внедрения».

• Прогнать один реальный поток (звонки, документы, письма) через дешёвую и дорогую модель параллельно на 50–100 примерах и сравнить качество.
• Завести единую точку входа для вызовов модели, даже если сервисов пока два.
• Поставить лимит расходов на уровне двух ожидаемых месячных сумм и оповещение — на уровне одного.
• Логировать каждый вызов (сервис, дата, токены, стоимость, модель) в таблицу, а не смотреть общий баланс раз в месяц.
• Отделить эффект в деньгах от эффекта в часах: если часы фактически не высвободились, эта цифра не идёт в отчёт руководству.

Резюме короткое. Видеть, сколько стоит ИИ в вашей собственной операции, — управленческий навык, а не бухгалтерия: пока вы не знаете себестоимость одного звонка или одного документа, вы не можете сказать, окупается ли работа, и любые разговоры о пользе остаются разговорами. Навык ставится один раз и дальше работает на каждой следующей задаче.

Сделайте на этой неделе одно: найдите, сколько именно ушло за прошлый месяц и на какие задачи. Даже если это будет неточная прикидка по трём счетам — вы удивитесь, сколько решений станет очевидными сразу после появления этой цифры. У меня стало очевидным, что половину задач надо гонять через модель попроще, — и счёт упал вдвое без потери качества.

Как поставить учёт нормально, с разбивкой по сервисам и стоп-краном на превышение, — разбираю по шагам в бесплатном курсе.

Частые вопросы

Сколько стоит ИИ в месяц для среднего бизнеса?

На живых задачах — от единиц до пары сотен долларов в месяц на процесс; например, полная (100%) автоматическая оценка ~177 разговоров в день обходится примерно в $300/мес. Дорогое — не API, а внедрение.

Как избежать неожиданного счёта за ИИ?

Поставить единый шлюз учёта расходов для всех сервисов с лимитами и оповещениями ещё до первого запуска в продакшен — иначе зациклившийся скрипт незаметно сожжёт бюджет за одну ночь.

Что делать, если сотрудник тратит личные деньги на ИИ-инструменты без согласования?

Не хвалить и не наказывать сразу — сначала спросить, почему проще заплатить самому, чем согласовать. Обычно это значит, что порог одобрения расходов завышен: у нас лимит в 10 тысяч рублей в месяц обсуждали «с запасом», хотя фактический расход был 500 рублей.

Это то же самое, что цена генерации видео и картинок нейросетью?

Нет. Здесь считаются расходы на ИИ внутри рабочих процессов компании: оценка звонков, разбор документов, отчётность — там платят за поток операций. В сервисах генерации роликов и изображений платят за штуку контента, тариф устроен иначе, и переносить эти цифры на рабочий контур нельзя.

Сколько стоит ИИ, если считать не подписку, а свой процесс?

Возьмите объём одной операции в сутки и умножьте на цену запроса на своей выборке: неделя параллельного прогона дешёвой и дорогой модели стоит единицы долларов и даёт вашу собственную цену, а не ожидание.

#деньги #ии и нейросети #инструменты