Вы пользовались нейросетью, которая стоила недорого. Вышла новая версия — дороже. Вы посмотрели на тарифы и решили остаться на старой: зачем переплачивать, если и так всё работает?
Такое решение может быть разумным. Но из него легко сделать ошибочный вывод: искусственный интеллект дорожает.
Чтобы понять, как меняется стоимость ИИ, нужно сравнить, сколько денег требуется для выполнения одной и той же задачи с сопоставимым качеством. Сравнение цен двух флагманов в момент их выхода отвечает на другой вопрос.
Что именно становится дешевле
Представим, что год назад для вашей задачи требовалась самая мощная модель. Сегодня с этой работой справляется небольшая модель нового поколения. При этом новый флагман умеет больше и стоит дороже обоих вариантов.
Здесь одновременно происходят две вещи: максимальные возможности расширяются, а прежний уровень возможностей становится доступнее.
Поэтому проверять нужно следующее: сколько сейчас стоит самый доступный вариант, который решает мою задачу достаточно хорошо?
Для такого сравнения фиксируют уровень результатов в тестах и смотрят, как со временем меняется стоимость его достижения. Цена новой топовой модели сама по себе эту динамику не показывает.
Насколько сильно упала стоимость
В AI Index 2025 исследователи Stanford привели наглядный исторический пример. Стоимость использования модели, достигающей уровня GPT-3.5 на тесте MMLU, снизилась с 20 долларов за миллион токенов в ноябре 2022 года до 0,07 доллара в октябре 2024-го. Это более чем 280-кратное снижение менее чем за два года. Для сравнения использовалась взвешенная цена входных и выходных токенов в пропорции 3:1. AI Index 2025, раздел Inference Cost.
Речь о конкретном пороге на конкретном тесте. Такая цифра не означает, что любая задача в любом приложении подешевела в 280 раз.
Более свежее исследование Epoch AI, опубликованное 22 сентября 2026 года, рассматривает стоимость достижения заданных результатов с учётом расхода токенов и режимов рассуждения. По оценке авторов, за исследованный период с 2023 года она снижалась примерно на 47% за квартал — около 13 раз в год. Темпы различались между задачами. Это оценка наблюдавшейся динамики, а не обещание будущих скидок. The plunging price of thought.
Оба примера показывают, почему для оценки доступности ИИ нужно удерживать требования к качеству постоянными.
Почему старая модель не обязательно выгоднее
У названия модели нет встроенной гарантии экономичности.
Старая модель может сохранять прежний тариф. Новая небольшая модель может выполнять ту же работу дешевле. Более дорогая за токен модель тоже иногда оказывается выгодной, если ей требуется меньше попыток и исправлений.
Допустим, вы извлекаете из писем номер заказа, сумму и причину обращения. Для выбора модели важны полнота данных, соблюдение формата и количество ошибок. Возможность нового флагмана решать сложнейшие математические задачи здесь может вообще не влиять на результат.
Решение остаться на старой модели стоит принимать после проверки альтернатив. Иногда проверка подтвердит, что менять ничего не нужно. Иногда выяснится, что привычная модель давно перестала быть самым выгодным вариантом.
Как проверить удешевление самостоятельно
Проверить эту динамику можно на сайте Artificial Analysis: там есть графики, позволяющие сравнивать стоимость при фиксированном уровне результатов.
Откройте страницу AI Trends и найдите раздел Efficiency.
Найдите график Language Model Cost per Intelligence Index Task, by Intelligence Index Threshold, Over Time.
Выберите один порог Intelligence Index и проследите, как менялась стоимость достижения этого порога.
Сравнивайте точки внутри одной версии индекса. Изменение состава тестов может изменить смысл баллов.
Для выбора конкретной модели откройте сравнение моделей и график Intelligence Index vs. Cost per Task: ищите меньшую стоимость при достаточном результате.
Здесь полезна именно метрика Cost per Task: она учитывает расход и цены разных типов токенов при выполнении тестовых заданий. Цена миллиона токенов отдельно может скрывать различия в объёме работы модели. Метрика стоимости Artificial Analysis.
Такой график помогает найти кандидатов для проверки. Одинаковый общий балл не гарантирует одинаковое качество на русском языке, в вашей базе документов или в конкретном сценарии автоматизации.
Почему нельзя умножать все токены на одну цену
Ещё одна распространённая ошибка — попытка посчитать расходы на ИИ, умножив общее число токенов на один усреднённый тариф.
В запросах могут отдельно учитываться обычный вход, чтение из кэша, запись в кэш и выход. Их стоимость различается. Поэтому большой счётчик токенов без разбивки не позволяет восстановить реальный счёт.
В собственном приложении проверяйте фактические списания и детализацию использования. Учитывайте оплачиваемые рассуждения, повторные попытки, вызовы инструментов и другие платные операции, если они есть.
Даже без кэширования дешёвый токен ещё не гарантирует дешёвую задачу. Если модель расходует больше токенов, долго перебирает варианты или регулярно требует повторного запроса, часть преимущества в тарифе исчезает.
Как проверить экономию на своих задачах
Возьмите набор реальных примеров и заранее определите, какой результат считается приемлемым. Для извлечения данных это могут быть правильные значения и валидный JSON. Для программирования — выполненные требования и пройденные проверки.
Для первого сравнения можно взять 50–100 разнообразных задач. Этого хватит для предварительного отбора, но редкие и дорогие ошибки потребуют отдельной проверки.
Запустите текущую модель и несколько альтернатив в сопоставимых условиях. Сохраните результат, полную стоимость обработки, время выполнения и необходимость ручной правки. Настройки рассуждения тоже зафиксируйте: сравнивать варианты можно с разными настройками, но их нужно явно указывать.
Вот условный пример, который иллюстрирует принцип. Это вымышленные данные, а не результаты тестирования реальных моделей. Допустим, вам нужно минимум 95 приемлемых результатов из 100.
Вариант | Стоимость обработки 100 задач | Приемлемые результаты |
|---|---|---|
Привычная модель | 12 долларов | 96 из 100 |
Новая недорогая модель | 2 доллара | 96 из 100 |
Новый флагман | 20 долларов | 99 из 100 |
Если смотреть только на флагман, кажется, что цена выросла с 12 до 20 долларов. Но подходящий вам уровень качества в этом примере стал доступен за 2 доллара — в шесть раз дешевле.
Полезный показатель для такого сравнения:
Стоимость приемлемого результата = все расходы на обработку набора / количество приемлемых результатов.
В числитель включайте расходы на неудачные попытки и повторные запросы. Если человеческая проверка или исправления занимают заметное время, учитывайте и их стоимость. При этом критические ошибки оценивайте отдельно: низкая средняя цена не компенсирует неприемлемый риск.
Почему расходы могут расти, даже когда ИИ дешевеет
Вчера вы просили модель написать одну функцию, а затем сами искали нужный файл, запускали тесты и проверяли результат. Сегодня поручаете агенту разобраться в проекте, внести изменения, выполнить проверки и исправить найденные проблемы.
Объём работы изменился. Сравнивать два итоговых списания как цену одной услуги уже некорректно.
То же самое происходит в других сценариях: вместо десяти документов обрабатывается тысяча, вместо короткого ответа запускается исследование, вместо одной попытки — несколько параллельных вариантов.
Поэтому полезно следить за двумя показателями отдельно: сколько стоит прежняя задача и сколько работы вы теперь поручаете ИИ. Первый может снижаться, пока общий месячный счёт растёт.
Что это меняет при выборе модели
Периодически возвращайтесь к задачам, для которых модель уже выбрана. Добавляйте к сравнению новые доступные варианты и проверяйте их на сохранённом наборе примеров.
Для массовых операций выбирайте модель, которая выполняет требования с минимальными полными затратами. Для сложных задач проверяйте, окупается ли более мощный вариант меньшим числом ошибок и исправлений. Учитывайте стоимость перехода, если ради замены придётся переделывать приложение.
Прежний уровень возможностей может дешеветь, даже когда новый флагман становится дороже. Практическую экономию получает тот, кто проверяет доступные альтернативы на своей работе.