Как управлять AI-инвестициями в эпоху агентного ИИ

Почему старые метрики больше не работают

Мы вступаем в новую эпоху корпоративного ИИ. Компании больше не используют нейросети просто как умный чат — AI-агенты (agentic AI, автономные ИИ-системы, способные самостоятельно выполнять многоэтапные задачи) берут на себя целые бизнес-процессы. И здесь возникает принципиальный вопрос: как понять, приносит ли эта технология реальную отдачу?

Контекст для бизнеса задают кардинально изменившиеся экономика моделей: по данным OpenAI, стоимость одного миллиона токенов упала на 97% между GPT-4 и GPT-5.4. Казалось бы, отличная новость. Но здесь кроется ловушка.

Дешёвые токены автоматически не означают дешёвые результаты. Цена токена — неверный ориентир для принятия корпоративных инвестиционных решений.

Стоимость токена сама по себе не показывает, создаёт ли ИИ ценность. Руководителям стоит смотреть на показатель «полезная работа на доллар» (useful work per dollar): выполненные задачи, сэкономленное время, улучшенные решения и рабочие процессы, готовые к масштабированию.

14 июля 2026 года OpenAI опубликовал операционное руководство, рассказывающее администраторам предприятий, как управлять, измерять и масштабировать AI-инвестиции по мере перехода организаций от чат-инструментов к долгосрочным агентным рабочим процессам.

Пять шагов к уверенному управлению AI-инвестициями

Руководство OpenAI конкретно и прямолинейно: пять шагов, охватывающих видимость, выбор модели, управление, портфельное финансирование и планирование мощностей.

Шаг 1. Обеспечьте прозрачность использования и расходов

Руководителям предприятий нужна чёткая картина использования ИИ: кто его применяет, какие продукты или модели задействованы, сколько ресурсов потребляется и какую работу поддерживает это использование. Без такой видимости растущий счёт сложно интерпретировать — он может отражать как расточительство, так и продуктивные эксперименты, или рабочий процесс, становящийся критически важным для бизнеса.

По мере роста агентных рабочих процессов растущие расходы на токены могут означать разные вещи: неконтролируемые эксперименты, нетипичный сценарий использования продвинутым пользователем или бизнес-критичный процесс, заслуживающий дополнительных инвестиций. Без аналитики использования в разбивке по пользователям, продуктам и моделям администраторы не могут определить, что именно происходит.

Шаг 2. Выбирайте модели по результату, а не по цене токена

Ошибка, которую совершают многие команды — выбирать AI-модель, ориентируясь исключительно на стоимость токена. OpenAI предлагает другой подход.

OpenAI призывает корпоративных руководителей оценивать модели по полной стоимости достижения точного результата — с учётом времени, качества, надёжности и операционных издержек.

GPT-5.6 демонстрирует прогресс в этом направлении: на Artificial Analysis Coding Agent Index он обеспечивает 54% меньше выходных токенов и на 57% меньше времени на задачу.

Шаг 3. Выстройте правильное управление (Governance)

Goverance (управление, система контроля и регламентов) в эпоху агентного ИИ — это не бюрократия, а операционный фундамент.

Корпоративные лидеры должны рассматривать управление как операционный слой, определяющий, какие AI-работы могут масштабироваться. Практическая задача — определить, какой контекст может использовать ChatGPT, к каким инструментам он имеет доступ, какие действия может выполнять, кто одобряет шаги с повышенным риском и как предоставляется дополнительная мощность, когда команды находят ценные рабочие процессы.

Это становится особенно важным по мере того, как команды внедряют плагины, коннекторы, Computer Use и другие передовые возможности, способные работать в масштабах корпоративных систем.

Шаг 4. Управляйте AI-инвестициями как портфелем

Корпоративные лидеры должны управлять AI-инвестициями как портфелем: широкий доступ для повседневной продуктивности, функционально-специфичные рабочие процессы, улучшающие повторяющуюся работу, и небольшое число стратегических ставок, построенных вокруг собственного контекста компании.

Портфельная логика подразумевает чёткое деление по уровням зрелости:

graph TD
    A[🔍 Разведка / Exploration] --> B[✅ Валидация / Validation]
    B --> C[🚀 Продуктив / Production]
    A -- "Тестируем: справится ли модель?" --> A
    B -- "Проверяем на реальных кейсах" --> B
    C -- "Интеграции, контроль, масштаб" --> C
    style A fill:#f0f4ff,stroke:#6b8cff
    style B fill:#fff4e0,stroke:#ffaa00
    style C fill:#e8ffee,stroke:#2ecc71

Финансирование должно следовать уровню зрелости. На этапе разведки тестируется, справится ли модель с задачей; на этапе валидации проверяются репрезентативные случаи по чёткой планке качества; финансирование производственного этапа должно поддерживать интеграции, контроль, надёжность и управление изменениями, необходимыми для масштабирования.

Наиболее сильные кандидаты для агентизации — это рабочие процессы, которые повторяются в значимом масштабе, имеют чёткого владельца и поддаются измерению по качеству, риску и бизнес-ценности.

Шаг 5. Финансируйте общие возможности централизованно

Общие возможности — такие как идентификация, доверенные коннекторы, отобранная база знаний, системы оценки, наблюдаемость (observability), маршрутизация моделей и переиспользуемые паттерны агентов — должны финансироваться централизованно, чтобы каждый новый рабочий процесс становился всё проще и безопаснее в запуске.

Иначе говоря: не изобретайте колесо в каждой команде. Единая инфраструктура снижает стоимость и риск каждого следующего AI-проекта.

Реальная отдача от агентного ИИ: что показывает рынок

Компании сообщают о среднем ROI в 171% от внедрений агентного ИИ, а американские предприятия достигают 192% — примерно в 3 раза выше традиционных показателей автоматизации.

Klarna сэкономила $60 млн и справилась с нагрузкой 853 сотрудников благодаря AI-агенту к третьему кварталу 2025 года. JPMorgan ежедневно выполняет более 450 AI-сценариев в продуктивной среде.

По прогнозам Gartner, к 2029 году агентный ИИ будет автономно решать 80% типовых проблем клиентского сервиса без участия человека, что приведёт к сокращению операционных расходов на 30%.

Более половины (61%) финансовых директоров говорят, что AI-агенты меняют их подход к оценке ROI: они выходят за рамки традиционных метрик и оценивают более широкий спектр бизнес-результатов.

Как выбрать правильные рабочие процессы для агентизации

Не каждый бизнес-процесс стоит передавать AI-агенту. Вот ключевые критерии отбора:

Анализ десятков агентных AI-внедрений показывает, что 80% провальных пилотов имеют одни и те же четыре проблемы: они измеряют входные данные вместо результатов, выбирают не тот рабочий процесс, запускают пилот без базового уровня для сравнения и путают «интересную демонстрацию» с «масштабируемой ценностью».

Планирование мощностей: выбирайте нужный тариф

На стороне мощностей OpenAI предлагает коммерческие структуры под конкретные нужды: Guaranteed Capacity (Гарантированная мощность) — для агентов и продуктивных систем, которым требуется гарантированный доступ; Scale Tier — для предсказуемых высокообъёмных API-нагрузок; Batch API, Flex Processing и Prompt Caching — для асинхронных задач или задач с большим контекстом.

Главный вывод

Эпоха агентного ИИ меняет правила игры для корпоративных AI-инвестиций. Недостаточно просто «внедрить ИИ» и смотреть на стоимость токенов. Необходима системная работа: прозрачность использования, выбор модели по результату, строгое управление, портфельное мышление и централизованная инфраструктура.

Организации, которые действуют сейчас, чтобы создать необходимые основы управления данными, оркестрации и системы ответственности, получат преимущество — они будут масштабироваться значительно быстрее, чем позволяют традиционные модели.