Опасность ловушки токенов genAI для предприятий

Текущие цены на токены создают у предприятий ложное чувство спокойствия. Для многих клиентов облачных сервисов сегодняшняя дешевая ИИ-модель завтра обернется кризисом затрат.

Предприятия агрессивно внедряют generative AI. На поверхности это выглядит правильным решением: технология мощная, доступная и все глубже встраивается в то, как компании создают приложения, автоматизируют процессы и поддерживают принятие решений. Команда разработки может подключить приложение к large language model за считаные дни. Продуктовая команда — добавить AI-функции за недели. Руководители видят быстрые победы, ускорение инноваций и путь к модернизации почти каждого участка компании.

Обо всех этих преимуществах говорят постоянно. А вот о том, какая экономическая ловушка формируется под этой удобной оболочкой, — гораздо реже.

Большинство предприятий воспринимают токены как техническую деталь биллинга. Это не так. Токены — это единица экономической зависимости в generative AI. Каждый запрос, ответ, суммаризация, шаг retrieval, действие workflow и решение агента измеряются и монетизируются через токены. Токены — это не просто часть инженерной «сантехники». Это пункт оплаты на границе между предприятием и платформой интеллекта провайдера. Чем сильнее AI становится ядром операций, тем больше власти у этой точки оплаты над будущими затратами.

Токены — это не просто единица цены

Токен обычно описывают как фрагмент текста, который обрабатывает модель. Для разработчиков этого объяснения обычно достаточно, но оно упускает более важную сторону для CIO, архитекторов и корпоративных советов директоров. В предприятии токены — это механизм, через который арендуются AI-возможности. Это счетчик, прикрепленный к самому интеллекту.

Это различие важно, потому что использование токенов растет быстрее, чем большинство компаний ожидает. Простой пользовательский запрос в production-системах редко остается простым. Он может запускать retrieval из внутренних хранилищ знаний, несколько вызовов модели, использование инструментов, постобработку, проверки политик и циклы агента. То, что пользователю кажется одной транзакцией, за кулисами может включать несколько слоев потребления токенов. Поэтому предприятия часто недооценивают реальную стоимость эксплуатации AI-enabled systems, особенно по мере их зрелости и распространения по подразделениям.

Сегодня эти затраты все еще кажутся управляемыми. Во многих случаях они даже удивительно низкие. Именно поэтому ловушка так опасна.

Рынок находится в фазе субсидирования

Текущие цены на токены создают у предприятий ложное чувство уверенности. Многие remote LLM providers агрессивно конкурируют за долю рынка. Им нужны разработчики, строящие решения на их API. Им нужны enterprise-приложения, жестко привязанные к их платформам. Им нужны AI agents, copilots, workflows и customer experiences, зависящие от их моделей. Чтобы этого добиться, цены остаются очень привлекательными по сравнению с получаемой ценностью.

Это не означает, что экономика generative AI стабильна. Это означает, что рынок по-прежнему формируется капиталом инвесторов, стратегическим ценообразованием и ожиданиями роста. Поставщики стремятся занять позиции, а предприятия выигрывают от этой гонки. Но ни один рынок не остается в такой фазе навсегда. В какой-то момент инвесторы начнут ожидать устойчивой прибыльности. В какой-то момент более слабые поставщики исчезнут, сольются или отступят. В какой-то момент у выживших станет больше рычагов и гораздо меньше причин сохранять цены в первую очередь ради привлечения клиентов.

Именно тогда ловушка токенов захлопывается.

Предприятия, которые в фазе субсидирования построят глубокую зависимость от remote models, могут обнаружить, что то, что казалось дешевым на уровне пилота, становится болезненно дорогим на уровне всего предприятия. Приложение, которое сегодня стоит $1,000 в месяц, через несколько лет может обходиться в 10 или 20 раз дороже — не только потому, что выросло потребление, но и потому, что рынок переоценил саму зависимость.

Легко внедрить, дорого отказаться

Cloud computing прошел похожий путь: многие предприятия принимали краткосрочное удобство за долгосрочную экономику. В первые годы аргументы были убедительными и в значительной степени верными: быстрее двигаться, снижать трение, избегать капитальных затрат и легко масштабироваться. Эти преимущества были реальными. Многие организации приняли архитектурные решения, где приоритетом была скорость, а не рычаги контроля. Они стали зависеть от managed services, инструментов конкретного провайдера и операционных моделей, которые легко внедрить, но дорого разбирать.

Спустя годы многие предприятия обнаружили, что их cloud-расходы намного выше ожиданий, а варианты выхода гораздо уже, чем обещалось. Это произошло не потому, что cloud провалился. Архитектурная зависимость со временем стала финансовой зависимостью.

Generative AI повторяет этот паттерн, только быстрее. Порог интеграции ниже, давление на внедрение выше, а темп экспериментов в компаниях гораздо интенсивнее. В результате предприятия подключают remote LLM к приложениям, workflows и agentic systems, почти не задумываясь о том, как эти расходы будут вести себя через 5–10 лет.

Agentic AI делает ситуацию хуже

Чем сильнее предприятия переходят от простых систем «запрос-ответ» к agentic architectures, тем опаснее становится ловушка токенов. Agents — это не системы с одним вызовом. Они планируют, обдумывают, извлекают информацию, вызывают инструменты, оценивают результаты, повторяют шаги и часто координируются с другими агентами. Каждый из этих шагов потребляет токены. Затраты больше не растут ровно и линейно. Они накапливаются.

Это важно еще и потому, что agentic AI все чаще представляют как будущее enterprise-автоматизации. Во многих случаях это действительно так. Но если предприятие строит agentic systems преимущественно на удаленно размещенном интеллекте, оно одновременно строит будущие бизнес-процессы на чужой модели ценообразования. Это серьезный стратегический риск. Чем успешнее такие системы становятся, тем труднее их заменить. А чем труднее их заменить, тем больше ценовая власть смещается к провайдеру.

Так бизнесы и оказываются операционно зависимыми от структуры затрат, которую они не контролируют.

Привлекательность AI sovereignty

Ответ не в том, чтобы отвергать публичные модели или делать вид, что внешние провайдеры не играют никакой роли. Они, очевидно, играют. Всегда будут случаи, когда аренда frontier AI capability имеет смысл. Но предприятиям нужно перестать считать аренду default-решением для каждой задачи.

AI sovereignty — это альтернатива, которой следует уделять гораздо больше внимания. Она означает создание, настройку, развертывание и управление моделями внутри предприятия для тех сценариев, где долгосрочный контроль важнее доступа к абсолютному фронтиру. Предприятиям нужно признать, что большинству бизнес-приложений не требуется world-class general-purpose model. Им нужна модель, которая достаточно хороша для конкретной задачи, согласована с данными предприятия, управляется правилами предприятия и работает по предсказуемой цене.

Это совершенно другой способ мышления.

Self-hosted или enterprise-controlled модель может не обладать богатым набором функций крупнейших публичных предложений. Ей может не хватать широты, полировки или маркетинговой привлекательности. Но для многих внутренних бизнес-задач это не имеет значения.

Вот главный вопрос, который должен определять вашу архитектурную стратегию: может ли sovereign AI model надежно, безопасно и экономически эффективно решать задачу в долгосрочной перспективе? Если ответ «да», владеть такой возможностью может быть намного стратегичнее, чем бесконечно арендовать то, что мощнее, чем вам нужно. По сути, предприятие становится собственным провайдером для самых важных рабочих нагрузок.

Готовьтесь к изменению рынка

Слишком многие компании по-прежнему рассматривают generative AI architecture как тактическую IT-задачу. Это не так. Такие решения напрямую влияют на структуру затрат, операционную гибкость, контроль данных и долгосрочную конкурентоспособность. Если AI становится мультипликатором эффективности по всему бизнесу, то экономика AI становится стратегической для самого бизнеса.

Компании, которые сделают это правильно, не обязательно будут самыми быстрыми внедренцами. Они поймут разницу между экспериментом и зависимостью. Они будут использовать внешние модели там, где это оправдано, но будут инвестировать и в sovereign capabilities там, где важна собственность. Они будут мыслить как архитекторы, а не как потребители.

Вывод такой: дешевые токены идут с условиями. Это вход в модель зависимости, которая обычно будет выглядеть совсем иначе, когда провайдеры перестанут назначать цены ради роста и начнут назначать их ради рычагов влияния. Предприятия не могут продолжать принимать сегодняшнюю скидку за завтрашнюю реальность. Советам директоров и executive teams нужно действовать сейчас, чтобы опередить проблему. Ключевой вопрос не в том, создает ли generative AI ценность. Очевидно, создает. Настоящий вопрос в том, сможет ли предприятие по-прежнему позволить себе эту ценность и контролировать ее, когда рынок созреет.

Материал — перевод статьи с английского.

Оригинал: Beware of the genAI token trap