Как Asana снизила затраты на ИИ в 76 раз с GPT-6.1 Sol
Asana сократила стоимость browser agent в 76 раз и ускорила работу в 5 раз с помощью GPT-6.1 Sol и оптимизации prompt caching.
Краткая суть: 76 раз дешевле — это реально?
С помощью GPT-6 Astra в Codex команда Asana оптимизировала рабочий процесс своего browser agent (агента-браузера) на модели GPT-6.1 Sol — и добилась снижения затрат в 76 раз при пятикратном ускорении работы. Звучит как маркетинговое преувеличение, но за этой цифрой стоит реальное техническое исследование.
Asana сократила затраты на browser agent в 76 раз с GPT-6.1 Sol, причём 29 из них дало исправление архитектуры кэширования — независимо от модели. То есть результат складывается из двух частей: грамотная оптимизация prompt cache (кэша подсказок) дала основной выигрыш, а переход на GPT-6.1 Sol добавил ещё около 2,6-кратного снижения стоимости.
Контекст: кто такие Asana и StackAI
Asana развивает автоматизацию агентных рабочих процессов на своей платформе через StackAI, и в масштабах Asana даже небольшие неэффективности быстро накапливаются. Цель была простой: сделать browser agent дешевле и быстрее, не теряя в качестве ответов.
За решение этой задачи взялся Фрэнк Идальго (Frank Hidalgo, PhD), технический директор StackAI в Asana. Он поручил GPT-6 Astra в Codex проанализировать агента, протестировать улучшения и сравнить результаты — и работа, которую вручную заняла бы один-два месяца, была выполнена примерно за неделю.
Что было не так: сломанный кэш
Browser agent на каждом шаге заново отправляет модели свои инструменты, системный промпт и растущую историю страниц и скриншотов. Prompt caching снижает стоимость повторяющихся входных данных: чтение из кэша обходится в 0,05–0,1 от стандартной цены токена. Но кэш переиспользует только самый длинный неизменный префикс запроса.
Агент кэшировал инструменты и системный промпт, но не историю. При этом на каждом шаге удалял предыдущий скриншот и обрезал старый текст, чтобы уложиться в лимит. Каждое такое редактирование меняло более ранние части запроса — и кэш сбрасывался почти на каждом вызове.
Представьте: вы каждый раз перечитываете всю книгу заново, вместо того чтобы продолжить с закладки. Именно так работал агент до исправления.
Как это исправили: три ключевых изменения
Идальго изучил предложения GPT-6 Astra и выбрал три улучшения для тестирования: расширить кэширование на историю браузинга агента, увеличить объём сохраняемого текста, удалять скриншоты пакетами, а не на каждом шаге.
graph TD
A[Проблема: кэш сбрасывается\nна каждом вызове] --> B[Исправление 1:\nКэшировать историю\nс маркером на последнем результате]
A --> C[Исправление 2:\nНе редактировать историю\nна каждом шаге]
A --> D[Исправление 3:\nПакетное удаление\nскриншотов 20→1]
B --> E[89% входных данных\nиз кэша]
C --> E
D --> E
E --> F[Стоимость: $0.47 за запуск\nвместо $36+ на Model B]
Детали пакетного удаления скриншотов:
Batch pruning работает по схеме 20:1 — агент накапливает до 20 скриншотов, затем оставляет только один. Это позволяет примерно 19 последовательным вызовам переиспользовать кэшированную историю.
Кроме того, бюджет истории был увеличен со 120 000 до 480 000 символов — теперь старый текст больше не обрезался принудительно.
Исследование: 144 запуска, четыре модели
Исследование Asana включало 144 запуска: тестировались GPT-6.1 Sol и три других фронтирных модели (обозначенных как Model A, B и C). Оптимизированный рабочий процесс на GPT-6.1 Sol показал среднюю оценочную стоимость $0,47 и около четырёх минут на запуск — то есть в 76 раз дешевле и в 5 раз быстрее оригинальной производственной конфигурации на Model B.
| Параметр | Исходная конфигурация (Model B) | GPT-6.1 Sol (оптимизированный) |
|---|---|---|
| Стоимость за запуск | ~$36+ | $0,47 |
| Время одного запуска | ~20 минут | ~4 минуты |
| Доля данных из кэша | Почти 0% | 89% |
| Снижение стоимости | — | в 76 раз |
| Ускорение | — | в 5 раз |
На Model B лучшая конфигурация снизила стоимость в 29 раз и ускорила работу в 4 раза. На GPT-6.1 Sol тот же агент стал стоить в 76 раз меньше и работать в 5 раз быстрее — при этом 89% входных данных поступало из кэша.
GPT-6.1 Sol: что это за модель
OpenAI утверждает, что новая модель GPT-6.1 Sol обеспечивает практически тот же уровень интеллекта, что и GPT-6 Astra, для агентного кодирования, работы с компьютером и профессиональных задач — при цене в пять раз ниже стандартных цен на токены.
GPT-6.1 Sol стоит $2 за миллион токенов на входе и $10 за миллион токенов на выходе — ровно в пять раз дешевле GPT-6 Astra. Кэшированный ввод обходится всего в $0,10 за миллион токенов — против $1,00 у Astra, что делает модель привлекательной для высоконагруженных сценариев, которые раньше были нерентабельны.
GPT-6.1 Sol — новейшая модель в семействе GPT-6. Компания позиционирует её как решение, близкое по производительности к GPT-6 Astra при меньшей стоимости, с акцентом на кодирование, использование компьютера и профессиональные рабочие нагрузки.
Роль GPT-6 Astra в Codex: ИИ исследует ИИ
Один из самых интересных аспектов этого кейса — то, как именно было проведено исследование. Здесь ИИ-агент использовался для оптимизации другого ИИ-агента.
Чтобы двигаться быстро, Идальго начал с того, что поручил GPT-6 Astra в Codex составить карту кодовой базы и объяснить, как агент формирует каждый запрос к модели.
«Вот как на практике выглядит совместная работа команд людей и агентов. Инженер задал направление, GPT-6 Astra провёл эксперименты, а результаты через Command вышли в производство. Это демонстрирует, как Asana воплощает в жизнь взаимодействие человеческих и агентных команд.»
— Арнаб Боуз (Arnab Bose), CPO Asana
GPT-6 Astra был выпущен OpenAI 3 сентября 2026 года как новая флагманская модель для сложных многошаговых задач: кодирование, работа с браузером и компьютером, профессиональный анализ, наука и математика.
Astra поставляется вместе с обновлённым окружением Codex, которое, по данным OpenAI, обеспечивает выполнение задач в 1,9 раза быстрее по сравнению с текущим GPT-5.6 Sol на бенчмарке Mind2Web.
Что это означает для разработчиков агентов
История Asana — наглядный урок для всех, кто строит агентные системы на базе LLM (больших языковых моделей).
1. Кэшируйте историю целиком. Не только системный промпт и инструменты, но и всю историю диалога — с маркером кэша на последнем результате.
2. Не редактируйте историю на каждом шаге. Любое изменение в середине запроса обнуляет кэш. Лучше удалять данные пакетами.
3. Увеличьте бюджет истории. Принудительное обрезание текста разрушает кэш так же, как и удаление скриншотов.
Снижение стоимости с $36+ до $0,47 за запуск — это не магия новой модели. Это результат правильной архитектуры взаимодействия агента с LLM. Переход на GPT-6.1 Sol добавил последние 2,6x сверху, но фундамент заложила оптимизация кэша.
Поскольку исходный показатель является нижней границей, 76x — это тоже нижняя граница. Честная интерпретация: «как минимум в 76 раз», а не ровно в 76 раз.
Для российских разработчиков, строящих агентные системы на OpenAI API или аналогах, вывод прост: прежде чем тратиться на переход к более мощной и дорогой модели — убедитесь, что ваш prompt cache работает корректно. Экономия может оказаться колоссальной.