Uber exhausted its AI budget, and companies' computing expenses are already outpacing salaries

Искусственный интеллект быстро переходит из категории экспериментальных расходов в одну из самых тяжёлых строк корпоративного бюджета. В ряде компаний затраты на модели, токены и вычисления уже конкурируют не с лицензиями на софт, а с фондом оплаты труда. Показательный сигнал пришёл из Uber: технический директор компании сообщил, что годовой бюджет на ИИ на 2026 год уже исчерпан, и главная причина — высокая стоимость токенов.

То, что ещё недавно воспринималось как гибкий инструмент для ускорения работы команд, теперь становится полноценной статьёй операционных затрат, которую невозможно игнорировать. Проблема в том, что экономика ИИ масштабируется не так, как классический корпоративный софт. Если подписка на обычный сервис чаще всего предсказуема, то расходы на генеративные модели растут вместе с каждым запросом, каждым новым пользователем и каждым дополнительным сценарием использования.

Чем больше компания встраивает ИИ в поиск, поддержку, аналитику, код, внутренние ассистенты и клиентские продукты, тем выше счёт за токены, облачные GPU, хранение данных, мониторинг и безопасность. На пилотной стадии эти суммы могут казаться терпимыми, но после выхода в production бюджет начинает меняться скачками, особенно когда сервисом начинают пользоваться тысячи сотрудников или клиентов. При этом значительная часть затрат прячется не в одном контракте, а размазывается по нескольким статьям: API, облако, векторные базы, логирование, защита данных, дообучение, интеграция и сопровождение.

Именно поэтому ИИ в корпоративной среде всё чаще оказывается дороже, чем это видно из первой презентации или первого счёта. На этом фоне прогноз по мировым ИТ-расходам выглядит логично: в 2026 году они должны достичь 6,31 трлн долларов, что на 13,5 % больше уровня 2025 года. Существенную часть прироста обеспечивают именно ИИ-инфраструктура, программное обеспечение и облачные сервисы.

Деньги уходят не только на доступ к моделям, но и на всю обвязку вокруг них: серверные мощности, интеграции, инструменты наблюдаемости, средства контроля качества ответов и механизмы защиты данных. Для бизнеса это означает, что внедрение ИИ больше нельзя рассматривать как локальную инициативу отдельной команды — речь идёт о системном пересмотре ИТ-бюджета. Если раньше компании спорили, нанимать ли ещё одного аналитика, разработчика или менеджера, то теперь всё чаще возникает другой вопрос: окупает ли конкретный ИИ-сценарий свои токены и вычисления лучше, чем живой специалист или обычная автоматизация.

Отсюда меняется и управленческий подход. Компаниям уже недостаточно просто разрешить сотрудникам пользоваться нейросетями или подключить API в пару продуктов. Нужны финансовые лимиты, контроль стоимости одного сценария, выбор между дорогими и более компактными моделями, кэширование повторяющихся запросов и жёсткая оценка того, где ИИ действительно создаёт ценность.

Всё чаще в ход идут маршрутизация запросов по уровню сложности, ограничения на длину контекста, использование небольших моделей для типовых задач и локальные решения там, где важны конфиденциальность и предсказуемая стоимость. Во многих случаях дешевле оставить часть процессов за людьми или автоматизировать их классическими методами, чем бесконтрольно оплачивать каждую генерацию. Пример Uber важен именно поэтому: даже крупный технологический бизнес с сильной инженерной культурой сталкивается не с проблемой доступа к ИИ, а с проблемой его окупаемости.

Следующий этап для рынка — не гонка за максимальным числом ИИ-функций, а переход к дисциплине использования. Победят не те компании, которые подключат больше моделей, а те, кто научится считать стоимость ответа, соотносить её с выручкой или экономией времени и вовремя отключать дорогие сценарии без понятного эффекта. ИИ окончательно перестаёт быть модной надстройкой над бизнесом и становится инфраструктурой.

А инфраструктура, как показывает история с Uber, требует не только амбиций, но и очень жёсткого бюджетного контроля.