Гарри Тан тратит до $200 тысяч в год на токены для ИИ-агентов

Гарри Тан превратил ИИ-агентов из любопытного инструмента в отдельную статью расходов: глава Y Combinator тратит на токены от $100 до $200 тысяч в год. За эти деньги он получает не просто чат для ответов на вопросы. Агенты помогают ему писать код, исследовать темы, готовиться к интервью и работать с огромным личным архивом — от электронной почты и Dropbox до Apple Notes.

Для разработчика здесь важна не сумма сама по себе. Она показывает, где возникает реальная ценность агента: в доступе к контексту, инструментах и возможности пройти несколько шагов без постоянных подсказок человека. Но тот же пример сразу обнажает три ограничения — стоимость, безопасность данных и контроль действий.

Чем агент отличается от обычного чат-бота

Представим подготовку руководителя к встрече с партнёром. Обычный чат-бот получит один документ, составит краткое резюме и остановится. Агент может найти прошлую переписку, поднять заметки со старых встреч, проверить последние договорённости, подготовить список вопросов и заранее указать на противоречия. Человек задаёт цель, а система сама собирает рабочую цепочку.

Именно так Тан описывает своих помощников: они не только реагируют на запрос, но и предлагают следующий шаг. Для этого агенту нужны три вещи: память о пользователе или компании, доступ к подходящим источникам и набор разрешённых действий. Без них перед нами всё тот же чат, только с более длинным системным промптом.

В Y Combinator этот подход перенесли на уровень организации. Внутренний агент Stray Light, по словам Тана, располагает общим контекстом о поддержанных основателях, заявках и входящей переписке. Такой «мозг компании» потенциально сокращает время на поиск информации и позволяет сотрудникам быстрее восстанавливать историю решений.

Цена глубокого контекста

У этой схемы есть неприятная сторона. Личный агент Тана прочитал его почту, файлы, заметки и даже записи о терапии за двадцать лет. Чем больше система знает, тем полезнее её ответы — и тем тяжелее последствия утечки, ошибочного действия или слишком широкого доступа.

Поэтому пример Тана нельзя копировать буквально. Разработчику стоит начинать с узкого процесса: например, агент анализирует ошибки сборки, находит связанные изменения и предлагает исправление, но не получает право самостоятельно выкатывать его в продакшен. Продуктовой команде полезно заранее разделить чтение, подготовку решений и необратимые действия. На каждом переходе должны быть понятны владелец, журнал операций и точка человеческого подтверждения.

Стоимость тоже требует отдельного учёта. Годовой бюджет Тана недоступен большинству команд, а количество потраченных токенов ещё ничего не говорит о пользе. Считать нужно стоимость завершённой задачи: сколько стоили модель, поиск, повторные попытки и проверка человеком; сколько времени или денег удалось сэкономить; как часто результат пришлось переделывать.

Что делать команде сейчас

Выберите один повторяемый и достаточно дорогой процесс, где информация уже хранится в доступных системе источниках. Ограничьте набор данных и действий, добавьте журналирование, лимит расходов и обязательное подтверждение критических операций. Затем сравните агента с текущим способом работы по времени, цене и доле успешных задач.

Опыт Тана не доказывает, что каждой компании нужен агент за $200 тысяч в год. Он показывает другое: сильный агент строится вокруг контекста и действий, а не вокруг эффектной беседы. Практический выигрыш начинается там, где система завершает полезную работу. Практический риск — там же, потому что для этого ей приходится доверять данные, права и бюджет.