DeepSeek снизил цены на 75%. Стоимость AI по-прежнему растёт.

Ключевые моменты

• DeepSeek снизил цену своей большой языковой модели V4-Pro на 75% в середине 2025 года, но многие деловые клиенты говорят, что их счета за AI по-прежнему растут.
• Один запрос пользователя, обработанный агентом AI — программным обеспечением, которое самостоятельно выполняет многошаговые задачи, — может вызвать 35 000 или более оплачиваемых единиц текста, называемых токенами, тогда как базовый чатбот вызовет всего несколько сотен.
• Один реалистичный корпоративный запрос к ведущей модели стоит от $0,10 до $0,40; при одном миллионе запросов в месяц это шестизначная статья расходов до учёта любых других расходов.
• Несколько поставщиков корпоративного ПО в частном порядке сообщают об отрицательной валовой прибыли на своих самых активных пользователей AI, что означает, что эти клиенты обходятся дороже, чем они платят.
• OpenAI недавно предложил каждому стартапу в акселератором Y Combinator $2 миллиона в бесплатных кредитах API — признак того, насколько дорого обходится создание AI-ориентированного продукта с нуля.

DeepSeek, китайская AI-лаборатория, снизила стоимость своей модели V4-Pro на 75% в начале этого года. Для компаний, создающих AI-продукты, это должно было ощущаться как повышение зарплаты. Для многих это едва сдвинуло стрелку.

Причина кроется в том, как на самом деле строятся современные AI-системы.

Базовый чатбот прост: один вопрос от пользователя, один ответ от модели. Агент AI работает иначе. Это программное обеспечение, которое разбивает один запрос пользователя на множество небольших шагов, планирует, что делать, ищет информацию, использует инструменты, проверяет свою работу, а затем пишет окончательный ответ. Пользователь видит один ответ. Продавец платит за каждый шаг между ними.

Этот разрыв между тем, что видит пользователь, и тем, что платит продавец, теперь называется проблемой 100x. Запрос, который стоит несколько центов на чатботе, может стоить доллары в системе агента, иногда намного больше.

Вот конкретный пример. Пользователь вводит: "Что просил наш главный клиент на прошлой неделе?" Простой вопрос. Но типичный агент касается семи отдельных оплачиваемых операций, чтобы ответить на него: чтение сообщения пользователя, загрузка его инструкций и списка инструментов, получение соответствующих записей, выбор инструмента для использования, запуск этого инструмента, суммирование результатов и решение о необходимости дополнительного вопроса. Вместе эти шаги обходятся примерно в 35 000 токенов. Токены — это небольшие куски текста, обычно из нескольких символов каждый, которые AI-модели считают и списывают в счёт.

По текущим ценам на передовую модель один такой запрос стоит $0,10–$0,40. На один миллион запросов в месяц, типичную цель для любой функции бизнес-ПО, счёт составляет шестизначное число.

Почему это важно для обычных клиентов ПО?

Это важно, потому что стандартная модель ценообразования для бизнес-ПО не выдерживает этого давления. Большинство AI-ПО сегодня продаётся на основе одного места за один месяц, что означает, что компания платит фиксированную плату за каждого сотрудника, который использует инструмент. Это хорошо работает, если затраты на пользователя остаются предсказуемыми. Амплификация токенов разрушает предсказание.

Активный пользователь, выполняющий 50–100 задач агента в день в тарифном плане за $40 в месяц, может обойтись продавцу дороже в обработке AI, чем этот план собирает в доход. Продавец теряет деньги на своих лучших клиентов. Это парадокс, который, как сообщила на этой неделе VentureBeat, теперь появляется в реальных счётах компаний.

Продукт Salesforce Agentforce — самый публичный пример. Открылся разрыв между тем, что показывает маркетинг, и тем, что фактически доставляется клиентам. Такой разрыв появляется, когда функция технически возможна, но слишком дорога для доставки по цене, которую подразумевает подписка.

Вице-президент Nvidia Брайан Катанзаро выразился ясно: "Для моей команды стоимость вычислений намного превышает стоимость сотрудников."

Решения существуют. Продавцы могут маршрутизировать дешёвые запросы на меньшие, более дешёвые модели и сэкономить примерно 60% на счётах за вывод. Они могут кэшировать, то есть переиспользовать, повторяющиеся инструкции, чтобы модель не перечитывала их с нуля при каждом вызове. Они могут сократить информацию, передаваемую модели на каждом шаге. Ничто из этого не экзотично. Всё это требует рассмотрения затрат на AI как приоритета инженерии, а не как второстепенного вопроса.

Для пользователей бизнес-ПО практический сигнал таков: если функция AI, за которую платит ваша компания, кажется менее способной, чем показано в демонстрации, давление ценообразования — правдоподобное объяснение. Спросите у своего поставщика, как они измеряют использование агента и вызывает ли интенсивное использование дополнительные расходы. Честные компании будут готовы дать ответ.