Когда AI-инструменты становятся дорогими: вызов для команд разработки

Каждая команда, активно использующая AI-агентов в разработке, рано или поздно сталкивается с одной и той же проблемой: расходы на вычисления растут быстрее, чем планировалось. Именно в такой ситуации оказалась компания LegalOn Technologies — глобальный игрок на рынке юридического AI.

LegalOn Technologies — стартап из Азиатско-Тихоокеанского региона, работающий в сфере технологий и предлагающий решения Professional AI для автоматизации юридической работы и ключевых бизнес-функций. Совмещая отраслевую экспертизу с возможностями AI, компания помогает специалистам сосредоточиться на сложных решениях и суждениях, требующих человеческого участия.

LegalOn интегрировала Codex (AI-агент OpenAI для автоматизации разработки) в свои рабочие процессы и последовательно расширяла его использование по всей организации.

ℹ Что такое OpenAI Codex?
OpenAI Codex — это облачный AI-агент для разработки программного обеспечения. В отличие от простых ассистентов, он способен выполнять многошаговые задачи: писать код, исправлять баги, проводить рефакторинг и тестирование. С 2026 года Codex работает на моделях семейства GPT-6, включая Astra, Sol и Luna.

Однако активное использование самых мощных моделей без ограничений неизбежно привело к росту затрат. Продолжение работы с высокопроизводительными моделями без каких-либо лимитов грозило выходом за рамки годового бюджета.

Вопрос стал принципиальным: как сократить расходы, не теряя скорость разработки?

Три модели GPT-6: Astra, Sol и Luna

Прежде чем разобрать стратегию LegalOn, важно понять, с каким инструментарием работала команда. В семействе GPT-6 от OpenAI сейчас три ключевые модели.

Флагман GPT-6 Astra — самая мощная модель серии, предназначенная для наиболее сложных и ответственных задач. GPT-6.1 Sol — более доступный, но мощный вариант для требовательных задач, где важны контроль над расходами и скорость. GPT-6 Luna — самая экономичная модель, оптимальная для высокообъёмных задач, где критична стоимость каждого запроса.

Актуальные цены на модели (по данным OpenAI API)

МодельВходные токены (за 1M)Кешированные входныеВыходные токены (за 1M)
GPT-6 Astra$10.00$1.00$50.00
GPT-6.1 Sol$2.00$0.10$10.00
GPT-6 Luna$0.10$0.01$0.50

Sol обходится в пять раз дешевле Astra, а Luna — в сто раз дешевле. Разница колоссальная — и именно она стала основой стратегии LegalOn.

💡 Почему модели стали дешевле?
OpenAI объясняет снижение цен улучшениями в кешировании и инференсе (inference — процессе выполнения запросов к модели), которые сделали модели дешевле в обслуживании. Эту экономию компания напрямую передала пользователям.

Стратегия LegalOn: умное распределение задач по моделям

Шаг 1 — Создание внутреннего центра экспертизы (AID CoE)

Компания сформировала специальное подразделение — AI-powered Development Center of Excellence (AID CoE, центр компетенций по AI-разработке). Его задачей стало тестирование и мониторинг моделей, а руководители подразделений транслировали выводы своим командам. В итоге каждый инженер получил возможность самостоятельно выбирать наиболее подходящую модель для конкретной задачи.

Шаг 2 — Принцип «правильная модель для правильной задачи»

Новые руководящие принципы переориентировали компанию: вместо использования самой мощной модели для каждой задачи команды начали выбирать модель исходя из сложности работы. Разработчики начинали с облегчённой модели и переключались на более мощную по мере роста сложности задачи.

LegalOn Technologies решала задачи, выбирая между GPT-6 (Astra, Luna) и GPT-6.1 Sol в зависимости от сложности задачи и стадии разработки, а также согласовывая бюджеты с этапом роста каждого бизнес-направления.

Шаг 3 — Системные ограничения и управление бюджетом

Для поддержки управляемости компания внедрила системные механизмы контроля через настройки администратора — с месячными лимитами использования для отдельных подразделений и сотрудников.

⚠ Важно
Без системных лимитов даже хорошо написанные внутренние рекомендации работают плохо: разработчики склонны использовать самую мощную модель «на всякий случай». Административные ограничения превращают рекомендации в обязательные правила.

Как выглядел процесс: от хаоса к системе


flowchart TD
    A[Задача разработчика] --> B{Оценка сложности}
    B -->|Простая: форматирование, мелкие баги| C[GPT-6 Luna\\n$0.10 / $0.50 за 1M токенов]
    B -->|Средняя: новые фичи, рефакторинг| D[GPT-6.1 Sol\\n$2.00 / $10.00 за 1M токенов]
    B -->|Сложная: архитектура, критические системы| E[GPT-6 Astra\\n$10.00 / $50.00 за 1M токенов]
    C --> F[Результат]
    D --> F
    E --> F
    F --> G{Качество достаточно?}
    G -->|Да| H[✅ Задача выполнена]
    G -->|Нет| B

Эта схема отражает суть подхода: инженер не просто «берёт Codex и пишет код», а сначала оценивает задачу, подбирает соответствующую модель, а при необходимости эскалирует к более мощной. Это поведение подкреплено как внутренними гайдлайнами, так и административными лимитами.

Результаты: цифры говорят сами за себя

LegalOn сократила расчётные ежедневные расходы на Codex на 65%, сохранив при этом скорость разработки.

МетрикаДо оптимизацииПосле оптимизации
Ежедневные расходы на CodexБазовый уровень (100%)−65%
Расходы в зрелых направлениях бизнесаБазовый уровень−20%
Скорость разработкиВысокаяСохранена на том же уровне

«Компания вдвое сократила расходы, сохранив скорость разработки» — именно этот результат LegalOn Technologies закрепила как ключевое достижение своего подхода к управлению AI-инструментами.

Важно подчеркнуть: снижение затрат на 65% — это не результат ограничения возможностей или отказа от мощных моделей. Это следствие осознанного, структурированного выбора инструмента под задачу.

Почему это важно для других команд?

По данным OpenAI, Codex еженедельно используют более 5 миллионов человек, причём нетехнические специалисты уже составляют около 20% пользовательской базы. По мере того как AI-агенты проникают в корпоративные процессы, управление расходами становится стратегическим вопросом.

Опыт LegalOn демонстрирует несколько универсальных принципов:

1. Не нужно использовать самую мощную модель по умолчанию. Выбирайте наиболее дешёвую и быструю конфигурацию, которая стабильно выдаёт нужный результат. Выбор модели должен быть основан на данных, а не на статусности инструмента.

2. Кеширование — самый недооценённый инструмент экономии. Кешированные входные токены (контекст, повторяющийся между запросами) стоят около 10% от стандартной ставки — это важнейшая единичная оптимизация в агентных рабочих процессах.

3. Ограничения — это не наказание, а инфраструктура. Лимиты на уровне администратора превращают рекомендации в управляемую систему, а не просто пожелания.

📝 Практический пример распределения задач

Простая задача — написать docstring к функции → используйте Luna ($0.10 за 1M входных токенов)

Средняя задача — реализовать новую фичу с интеграцией в существующий код → используйте GPT-6.1 Sol ($2.00 за 1M входных токенов)

Сложная задача — разработать архитектуру нового модуля с учётом безопасности и масштабируемости → используйте Astra ($10.00 за 1M входных токенов)

Контекст: LegalOn и юридический AI

LegalOn Technologies — признанный глобальный лидер в области юридического AI. Компания представила несколько AI-агентов для ключевых юридических задач: они выполняют специализированную работу за секунды, делая реальными в масштабе задачи, на которые прежде уходили часы.

На протяжении многих лет компания создаёт технологии, помогающие корпоративным командам анализировать, редактировать и управлять контрактами с точностью и уверенностью. OpenAI помогает воплотить это видение, позволяя создавать AI, который переходит от помощи юридическим командам к полноценному сотрудничеству с ними.

В числе последних разработок LegalOn — инструмент Vault, превращающий хранимые контракты в бизнес-аналитику, созданный поверх платформы проверки контрактов и более чем 50 AI-сценариев работы.

Проблема, которую решила LegalOn с расходами на Codex, — не уникальная. Это вызов для любой компании, которая серьёзно встраивает AI в инженерные процессы. И её опыт становится ценным прецедентом.

Главный вывод

История LegalOn Technologies — это не просто кейс об экономии бюджета. Это пример того, как зрелый подход к управлению AI-инструментами превращается в конкурентное преимущество. Компания не отказалась от мощных моделей — она научилась применять каждую из них там, где она действительно нужна.

Цель LegalOn — AI-управление, которое повышает качество и скорость бизнес-решений. И этот подход распространяется не только на продукты компании, но и на саму организацию, стремящуюся стать по-настоящему AI-нативной.

Если ваша команда использует Codex или другие AI-агенты и замечает, что расходы растут быстрее ожидаемого — пора создать собственный AID CoE.