Почему экономика токенов в ИИ ломает юнит-экономику

Успех AI‑проекта всё чаще измеряют не числом инженеров, а счётом за вычисления. Команда из четырёх человек может генерировать расходы уровня крупного отдела: например, Swan AI заплатила $113 000 за токены за месяц. Это не исключение, а новая норма — экономика токенов в ИИ и рост инфраструктурных затрат переворачивают привычную логику юнит‑экономики.

Моя позиция проста: вычисления становятся новой зарплатой. Значит, решения о росте, найме и цене продукта нужно принимать через контроль вычислительных расходов, а не через увеличение команды.

Это меняет сам рынок. Когда Google выделяет $750 млн на продвижение AI‑агентов и раздаёт кредиты на внедрение, конкуренция идёт не только за людей, но и за доступ к вычислениям. Для фаундеров и продуктовых команд ключевой вопрос теперь другой: не «сколько людей нанять», а «сколько токенов мы можем позволить себе до выхода в прибыль».

Главный конфликт здесь — разрыв между идеей «маленькая команда строит большой продукт» и реальной стоимостью эксплуатации моделей. Дальше разберём, как считать новую юнит‑экономику и где возникают ограничения роста.

Почему команда больше не главный фактор роста

Кажется, что масштаб AI‑проекта зависит от команды. Больше инженеров — больше функций и быстрее рост. Это привычная логика для инвесторов и менеджеров.

Но структура расходов сместилась. Теперь основная нагрузка — вычисления и облако. Даже небольшая команда может генерировать огромные счета: до $100 000 на вычисления у отдельных сотрудников в период активных экспериментов.

Проблема в том, что старые метрики этого не учитывают. Продукт выглядит прибыльным, если считать только зарплаты. Но после добавления стоимости токенов инфраструктуры экономика может стать убыточной.

Отсюда возникает ключевой вопрос: какие показатели считать и где ставить ограничения. Ответ лежит в пересборке юнит‑экономики вокруг вычислений.

Как устроена новая экономика вычислений

Как считается расход

В AI расходы растут вместе с использованием. Каждый запрос к модели превращается в токены. Дальше всё просто: токены умножаются на цену и время выполнения.

Базовая формула: расход = (токены на запрос × цена за токен) × количество запросов.

Пример. Если один запрос стоит $0,02, а пользователь делает 50 запросов, то: $0,02 × 50 = $1 на пользователя. При 10 000 пользователей это уже $10 000 в месяц только на инференс.

Почему расходы растут быстрее ожиданий

Компании зависят от мощных моделей и агентных сценариев. Это увеличивает потребление токенов.

Пример Swan AI показывает сдвиг: команда из четырёх человек потратила $113 000 за месяц. Малый штат больше не означает низкие расходы.

Параллельно крупные игроки усиливают тренд. Google выделяет $750 млн на AI‑агентов и покрывает PoC, инженеров и кредиты. Это упрощает запуск, но не снижает постоянные расходы.

Что ломается в юнит‑экономике

Расходы переезжают из зарплат в инфраструктуру. Компании вроде Lovable с темпом $400 млн ARR уже зависят от стоимости вычислений при расчёте маржи.

Ошибка — пытаться решить проблему наймом. Больше людей ускоряет эксперименты, а значит увеличивает потребление токенов.

В итоге продукт может выглядеть прибыльным, пока не учтён инференс. После этого экономика часто рушится.

Ключевой вывод

Вычисления — это новая зарплата. Ограничивать нужно не людей, а стоимость операций. Дальше это нужно перевести в конкретные метрики и лимиты.

Где расходы выходят из-под контроля

Рост продукта ускоряет рост затрат

Вы запускаете новую функцию и получаете больше запросов.

Но вместе с этим растёт инференс. Расходы увеличиваются быстрее, чем вы успеваете оптимизировать систему.

Последствие: выручка растёт, но маржа падает из‑за стоимости токенов.

Намёк: считайте экономику на уровне запроса, а не команды.

Найм увеличивает счёт за вычисления

Вы нанимаете инженеров, чтобы ускорить разработку.

Они запускают больше экспериментов. Каждый эксперимент — это дополнительные вычисления. В отдельных случаях траты доходят до $100 000 на человека.

Последствие: R&D начинает съедать маржу.

Намёк: оценивайте найм через влияние на инференс‑расходы.

Кредиты скрывают реальную экономику

Вы используете облачные кредиты для запуска.

Программы вроде $750 млн от Google покрывают пилоты и внедрение. Но после окончания кредитов все расходы возвращаются.

Последствие: модель кажется дешёвой только на старте.

Намёк: считайте экономику без субсидий.

Как это меняет управленческие решения

Главный сдвиг: вы управляете не людьми, а вычислениями.

Это влияет на три вещи:

• Найм. Он увеличивает скорость экспериментов и расходы.

• Ценообразование. Цена должна покрывать стоимость запроса.

• Планирование. Инференс становится постоянным OPEX.

Практический вывод: вводите лимиты на токены и считайте cost per request как базовую метрику.

Второй вывод: проверяйте экономику без внешних кредитов. Только так видно реальную маржу.

Старая логика больше не работает: маленькая команда не гарантирует низкие расходы.

Решение — считать вычисления как постоянную статью затрат и управлять ими напрямую. Это значит: ввести дашборд с метриками токенов, установить лимиты на инференс и связать стоимость запроса с маржой продукта.

Это необходимо, потому что именно вычисления масштабируют расходы и риск.

Практический шаг: зафиксируйте cost/request, задайте потолок на пользователя и отслеживайте общий счёт за инференс в реальном времени. Без этого рост будет съедать прибыль.

Платформы вроде АСПЕКТ помогают внедрить такой контроль: они превращают AI‑слой в управляемый процесс внутри инфраструктуры и позволяют автоматизировать обработку данных без потери контроля над затратами.

Частые вопросы по экономике токенов