Ловушка между зарплатами и токенами

Глава Nvidia Дженсен Хуанг считает, что эффективность инженера можно оценить через его потребление ИИ-токенов. По его мнению, если годовой расход токенов сотрудником составляет меньше половины его зарплаты, это повод для беспокойства. Сейчас компании сталкиваются с новым вызовом: деньги, которые раньше шли на оплату труда, теперь все чаще уходят на оплату вычислительных мощностей.

Крупнейшие технологические компании уже тратят сотни миллиардов долларов на развитие ИИ. При этом наблюдается парадоксальная ситуация: на фоне огромных инвестиций в технологии компании продолжают сокращать штат. Однако эти увольнения часто не являются мерой выживания — это способ перераспределить бюджет на нужды ИИ.

Почему сокращения не работают

Исследования показывают, что увольнения не гарантируют роста прибыли от внедрения ИИ. Опрос руководителей крупных компаний выявил, что 80% из них сократили штат, но это не привело к улучшению показателей возврата инвестиций (ROI). Аналитики отмечают, что сокращение персонала освобождает бюджет, но не создает реальной добавленной стоимости.

Пример Uber наглядно иллюстрирует проблему: компания предоставила 5000 инженеров инструменты для написания кода с помощью ИИ, из-за чего весь бюджет на ИИ на 2026 год был исчерпан уже к апрелю. Несмотря на то, что 70% кода генерируется ИИ, это пока не дает заметного улучшения продукта для клиентов.

Инженерный подход к экономии

Вместо сокращения людей компании могут оптимизировать использование токенов. Один из самых простых способов — кэширование промптов. Это позволяет не обрабатывать заново одни и те же инструкции и документы, что снижает затраты на повторные запросы на 90%. Практика показывает, что правильная перестройка запросов может сократить расходы на LLM на 60–70%.

Другие методы оптимизации включают использование моделей разного размера: вместо дорогих флагманских моделей для простых задач вроде суммаризации лучше использовать более легкие и дешевые версии. Также помогают пакетная обработка данных (batch processing), использование RAG (передача модели только нужных фрагментов знаний) и использование моделей с открытым весом (open-weight models) для рутинных задач.

Инвестиции в людей вместо замены их ИИ

Опыт компании Klarna показал, что полная замена сотрудников ИИ-помощниками может привести к снижению качества обслуживания. В итоге компания вернулась к смешанной модели, где ИИ берет на себя рутину, а люди занимаются задачами, требующими рассуждений. Эксперты прогнозируют, что к 2027 году многие компании, уволившие персонал ради ИИ, будут вынуждены нанять людей снова.

Существует и долгосрочный риск: сокращение найма младших специалистов (например, разработчиков в возрасте 22–25 лет) лишает компании кадрового резерва. Без подготовки новых специалистов через несколько лет компаниям будет некем управлять сложными ИИ-системами.

Что это значит

Оптимизация бюджета на токены через инженерные решения гораздо эффективнее, чем сокращение штата. Компании, которые смогут снизить расходы на вычисления без потери квалифицированных кадров, получат больше ресурсов для развития и качественного роста.