Коротко о главном
ROI AI-агента нужно считать на уровне бизнес-процесса, а не только по цене миллиона токенов. В итоговую экономику входят модель, инфраструктура, повторные попытки, инструменты, человеческая проверка, стоимость ошибки и то время, которое агент реально экономит или высвобождает.
Почему цена токена вводит в заблуждение
Две системы могут использовать одну и ту же модель, но иметь радикально разную стоимость задачи. Одна делает один короткий запрос, вторая — пять поисков, три tool-call, длинный контекст и повтор после ошибки. Поэтому «модель стоит X за миллион токенов» почти ничего не говорит о цене закрытого процесса.
McKinsey в 2026 году прямо отмечает, что per-token pricing перестаёт быть достаточной мерой enterprise AI и предлагает оценивать стоимость относительно создаваемой ценности и архитектуры агентного workflow.
Базовая формула процесса
Практический расчёт можно строить так: стоимость модели + стоимость инфраструктуры + стоимость человеческой проверки + ожидаемая стоимость ошибок + интеграционные расходы. Затем сравнивать это с временем сотрудников, скоростью цикла, конверсией или количеством обработанных операций.
Важна единица измерения: не «чат», а «квалифицированный лид», «подготовленное коммерческое предложение», «закрытое обращение» или «проверенная заявка».
Что измерять до внедрения
- сколько минут занимает процесс;
- сколько раз в месяц он выполняется;
- сколько сотрудников участвует;
- сколько возвратов/ошибок;
- стоимость задержки;
- доля работы, которая действительно требует человеческого решения.
Экономика моделей
McKinsey отмечает огромный разброс стоимости между frontier и более лёгкими моделями. Поэтому один из главных рычагов — не использовать максимально дорогую модель для каждой операции. Простая классификация, извлечение или короткое резюме часто могут выполняться более дешёвым способом, а сложное решение — более сильной моделью.
Кэширование, сокращение контекста, ограничение повторов и модельная маршрутизация влияют на бюджет не меньше прайс-листа провайдера.
Как считать эффект в CRM
В CRM проще связать AI-метрики с бизнес-результатом: requestId можно сопоставить с workspace, пользователем, сделкой, latency, tools и стоимостью. Затем руководитель видит не просто расход API, а какие процессы потребляют бюджет и где он окупается.
Такой metering нужен до масштабирования: иначе успешный пилот может неожиданно стать дорогим при росте количества пользователей.
Частые вопросы
Источники
Adaptum уже связывает AI-использование с рабочим пространством и бизнес-контекстом. Это позволяет обсуждать ИИ как управляемый ресурс, а не как бесконтрольную подписку.