Як індустрія рік палила мільярди на AI — і чому Amazon тепер «продає» людей, які змусять його працювати

Рік, коли мірялися спаленим

Токен — одиниця, якою моделі рахують текст, приблизно півтора англійських слова. На зламі 2025-го і 2026-го кількість спалених токенів стала в Долині валютою статусу, а слово tokenmaxxing докотилося до The New York Times. Інженер Meta зібрав на інтранеті дашборд Claudeonomics, який трекав споживання всіх приблизно 85 000 працівників і роздавав титули на кшталт Token Legend і Cache Wizard. Топовий юзер спалив 281 млрд токенів за 30 днів. Окремий рекорд поставив інженер OpenAI — 210 млрд токенів за тиждень: стільки тексту, що вистачило б 33 рази переписати всю «Вікіпедію».

У січні 2025-го на співбесіді у Walmart інженеру Івану Добронравову пообіцяли, що «скоро буде GitHub Copilot», а вже під кінець року в компанії паралельно жили Copilot, Cursor, Windsurf, Builder.io і власні внутрішні інструменти. Розповідає, що у 2025-му компанії складали списки, хто зі співробітників юзає AI більше, спочатку планка була 20–30%, потім 40%, а далі з’явилися рейтинги. «Мірялися просто спаленим ресурсом», — згадує Іван. Платили за найдорожчі флагманські моделі через FOMO: якщо ти сидиш на Haiku, а колега на Opus, значить, твій бізнес недопрацьовує. Хоча в більшості базових задач, каже він, моделі поводяться майже ідентично.

Потім прийшли рахунки

Некролог тренду вже написали пристойний: 2 липня Forbes вийшов з текстом AI Costs More Than The People It Replaced — технологія, яка мала здешевити людську працю, коштує дорожче за людей, яких нею замінюють. 

Так, Uber спалила річний AI-бюджет за чотири місяці й поставила кеп $1 500 на місяць на інженера. AI «торкнувся» близько 70% коду, але COO Ендрю Макдональд визнає: «Дуже важко провести лінію між цими цифрами й тим, що ми реально відвантажуємо на 25% більше корисних фіч». Microsoft наказала великому підрозділу припинити користуватися AI-асистентом через непідйомні рахунки. Одна неназвана компанія, за даними Axios, отримала від Anthropic рахунок на $500 млн за місяць — забула поставити ліміт витрат.

Капекс Big Tech на 2026-й — $740 млрд (+69% рік до року). Паралельно з початку 2026-го у tech звільнили понад 115 000 людей у понад 150 компаніях: Oracle зрізала 21 000, Amazon — близько 30 000, Salesforce — близько 4000 у сапорті. При цьому близько 95% enterprise-запитів досі йдуть на найдорожчі фронтирні моделі.

Але субсидія закінчується: Anthropic і GitHub перевели enterprise-клієнтів на оплату за фактичним споживанням, через що рахунки виростуть ще на 30–50%. OpenAI досі витрачає близько $2 на кожен зароблений на інференсі долар і прогнозує $14 млрд збитків цього року. Ринок це помітив: чипмейкери за одну червневу сесію втратили близько $1,3 трлн капіталізації, Accenture — мінус 52% за пів року.

Як народжується і вмирає AI- рахунок

У Walmart працює Element AI — уніфікована внутрішня платформа для генеративного AI, машинного навчання і Data Science. Побудова кожного агента і вибір моделі — рішення конкретної команди, і ухвалюють його архітектори. Іван був одним із тих, хто такі рішення приймав. «Мені подобається використовувати Claude Opus, але насправді для більшості задач нам просто підходить GPT-4 mini», — каже Іван. 

Конфлікт світів: Хуанг вимагає палити токенів на пів зарплати, а в компанії з виторгом $680 млрд за дорогу модель звітуєш перед радою.

Логіку цього протоколу нещодавно оцифрували в Стенфорді: препринт Cost-of-Pass пропонує міряти очікувану вартість правильної відповіді. Тоді дорожча модель, яка рідше галюцинує, може виявитися дешевшою. Іван формулює простіше: «Дешева модель, що помиляється, — не дешева. Ти платиш за повтори, платиш за людину, яка переробляє». 

Чому ж рахунки ростуть, якщо токени дешевшають? Іван порівнює це з бензином: коли пальне дешевшає, люди більше їздять. Над моделлю тепер живе ціла інфраструктура (пошук, пам’ять, RAG), і на кожен такий цикл палиться контекст. 

Мультиагентні системи з’їдають у 15 разів більше за звичайний чат. Зверху — інструменти моніторингу (observability). Рахунок накопичується гігантськими темпами.

За рік 10 інженерів дива поки не досягли

Найпереконливіший аргумент Іван показує на власному кейсі. У Walmart спробували переписати під ери AI стару core-систему інфраструктури NDA, яка не витримувала навантажень. Команда з десяти інженерів мала рік та всі AI-асистенти, але проєкт знову не встигає до holiday season. AI не пришвидшив роботу ані на місяць — складність виявилася суто інженерною. За умов виторгу Walmart у $2 млрд на день ризик помилки ШІ неприйнятний, тому фінальні рішення досі приймає людина.

Через ріст цін на токени, залізо і інженерів вищої кваліфікації Walmart дав ринку консервативний прогноз на 2026-й. Акції просіли, бо ринок хоче обіцянок, а не чесної бухгалтерії. 

Що викинути з рахунку вже сьогодні

Іван в Walmart ріже такі бюджети щодня. 

1. Зоопарк кодинг-асистентів: замість чотирьох-п’яти інструментів достатньо одного-двох, бо з базовими задачами всі моделі справляються приблизно однаково. 
2. Конструктори (Lovable чи Builder.io): під капотом ганяють ті самі Claude і GPT, за які ви вже платите. 
3. Модні MCP-інтеграції заради дрібниць. 
4. GPT-врапери і готові RAG-сервіси: бо все це вже вміють Claude, Codex і Gemini. 
5. Платний дизайн за підпискою: базову SVG-модель згенерує безкоштовно. 

Скільки витрачати, залежить від стадії. На growth-етапі швидкість важливіша за ефективність. Точка перелому — scale-up, коли витрати ростуть швидше за клієнтів, і треба вкладатися в роутинг моделей і context engineering.

Окремо Іван проходить по головній фантазії року — «один інженер керує десятком агентів як ціла команда». Якщо один іде у відпустку, другий на лікарняний — бізнес стає. Оркестрація та обробка помилок все одно вимагають людину в циклі. «Найближчі два роки — це утопія», — підсумовує він.

Токеноміка на 30 людей

В українській IT-сервісній компанії на 30+ людей токени — рядок у P&L. Олександр Шевченко радить ставитися до нього так само, як до витрат маркетолога на Meta Ads: це стаття, прив’язана до функції, а не до людини. Досвід Amazon, де співробітники плодили безглуздих агентів задля статистики, показує, чим закінчується прив’язка токенів до людини — театром продуктивності.

Єдиної метрики ефективності AI не існує. На рівні бізнесу результат має проявитися в операційному прибутку через пів року-рік, на рівні функції треба міряти локально (наприклад, коли команда маркетингу тими самими ресурсами обробляє втричі більше лідів).

Наймати під це Chief AI Officer він не радить: «Ми ж не кажемо, що у нас є Chief Java Officer, тому що в нас у банківській системі все на Java написано». AI — інструмент, тож у невеликій компанії достатньо AI Owner, який тримає постійний R&D-контур. Великі компанії вміють перенавчати людей самі, а маленькій компанії зовнішній підрядник для перенавчання однієї-двох людей обійдеться дорожче, ніж розібратися власноруч.

Що це означає для людей

Дослідження MIT Beyond AI Exposure показало: автоматизація економічно виправдана лише у 23% ролей, у решті випадків людина дешевша. Хрестоматійний приклад — Klarna: у 2024-му компанія хвалилася, що AI-асистент замінив роботу 700 сапортів, а у 2025-му визнала, що якість впала, і компанія знову наймає людей.

Іван дивиться на це технічно: мідл конкурує з ШІ там, де задача не вимагає глибини (шаблонний код, тести). Але щойно потрібно провалідувати результат агента — потрібен сеньйора, а архітектура — це рівень стафа. Спалений рік показав різницю між «генерувати швидко» і «працює»: користувачі скаржаться на якість, а AI-summary в робочих чатах уже ніхто не читає.

Шевченка ж більше хвилює комунікація. Скорочення має пояснювати керівник, а не HR, і наперед. Йдеться про трансформацію ролей, але перевчитися можуть не всі: робітника складу у фінансові аналітики не переведеш. Публічно хвалитися оптимізацією, каже, не став би: «Я б ніколи не говорив: дивіться, ми за пів року 100 людей залишили без роботи». Західні інвестори такого не зрозуміють.

Другий акт: продали лічильник — тепер продають сантехніка

Поки корпорації рахували збитки, вендори змінили продукт. AWS оголосив, що виділяє $1 млрд на підрозділ forward-deployed engineers: «тисячі» інженерів висаджують у компанії-клієнта 45 днів, щоб залишити після себе готову інфраструктуру та навчений персонал. 

Подібні сервісні компанії запустили Anthropic та OpenAI. Ті самі гіганти, що рік продавали токени, тепер продають людей, які змусять ці токени працювати. Це офіційне визнання, що DIY-adoption провалився. Gartner прогнозує, що понад 40% проєктів з AI-агентами закриють до кінця 2027-го.

Аdoption — це рік інженерної роботи над інфраструктурою (оркестрація, observability, evaluation, обробка збоїв), якої в компаній не було. Гіперскейлери просто монетизували те, що кожен enterprise зараз болісно з’ясовує самотужки. Класичний консалтинг цю партію програв: мінус 52% капіталізації Accenture за пів року — це ціна того, що вендори пішли до клієнтів напряму.

Пояснювальна замість титулу

За один рік індустрія пройшла шлях від титулу «Легенда токенів» до протоколу, за яким інженер доводить, чому йому потрібна модель дорожча за GPT-4 mini. Скільки коштувало це уточнення — дивіться в рядку «реструктуризація» у свіжих SEC-філінгах: $1,8 млрд лише в Oracle.

Рік токенмаксималізму закінчився простим правилом: платити треба не за спалене, а за розв’язане. В української компанії на 30 людей просто ніколи не було бюджету на productivity theater — і вперше за довгий час це звучить як конкурентна перевага.

Перший трильйон ця індустрія заробила на обіцянці, що AI замінить людей. Другий збирається заробити на людях, які змусять AI працювати. Різниця між цими двома бізнес-моделями — один рік і 115 000 звільнених.

Більше про це

01 ТЕХНОЛОГІЇ

Антиінтелектуальна революція Кремнієвої долини. Чому техноеліта воює з самою ідеєю мислення

Додати в закладки

Будь-яку статтю можна зберегти в закладки на сайті, щоб прочитати її пізніше.

Далі

Завершити

Реклама у Vector

Знайшли помилку? Виділіть її і натисніть Ctrl+Enter