Anthropic показала компаниям, на что уходят их деньги в AI: что дают новые отчёты о расходах на токены

Anthropic 28 октября 2026 года выпустила набор инструментов отчётности для корпоративных клиентов. Задача простая: показать, что именно компания получает за деньги, которые тратит на токены. Менеджер видит объём работы команды за выбранный период, что команда произвела, сколько это стоило и где дали сбой рабочие процессы.

Отчёты опираются на внутреннюю аналитику и опросы сотрудников. Дополнительно Anthropic вводит общие групповые бюджеты и обещает по умолчанию не использовать эти данные для обучения моделей. TechCrunch описывает шаг как прямую попытку доказать окупаемость инструментов Anthropic и подсказать клиентам, как её повысить.

Причина внимания к новости в цифрах. По данным Jellyfish, расходы на агентные инструменты программирования выросли в 10 раз с начала года. Компании платят за AI всё больше, а внятного ответа на вопрос «что мы за это получили» у большинства пока нет. Ниже разбор без технического жаргона: суть анонса, рычаги контроля трат и метод расчёта окупаемости.

Что произошло: коротко о новом анонсе Anthropic

AI-ассистенты и агенты считают работу не подписками и не количеством сотрудников с доступом, а объёмом обработанного текста. Поэтому счёт за месяц у двух команд с одинаковым числом людей может отличаться в разы.

Что такое токены и почему за них платят

Токен - порция текста, которой оперирует модель: короткое слово, часть длинного слова, знак препинания. Модель читает запрос и пишет ответ такими порциями, и каждая порция стоит денег.

Функциональная метафора - счётчик в такси. Чем дальше едешь, тем больше цифра на табло. Фиксированной цены здесь нет: платёж зависит от того, сколько задач прогнали через модель, насколько длинными были документы и сколько раз сотрудник переписывал запрос.

Отсюда практическое следствие: расход переменный и плохо предсказуемый. В отчётах Anthropic токен становится единицей учёта, по которой видно, куда ушли деньги и что за них получено.

Четыре части анонса одним взглядом

• Отчёты по команде. На практике: объём работы за период и её стоимость видны в одном срезе, без ручной сборки таблиц.
• Рекомендации. На практике: отчёт не только фиксирует цифры, но и подсказывает, что исправить в процессе.
• Групповые бюджеты. На практике: общий пул на команду вместо отдельного лимита на каждого сотрудника.
• Политика данных. На практике: по умолчанию данные отчётности не идут в обучение моделей.

Дальше разбираем каждый пункт: какую проблему он закрывает, чего от него ждать и какие вопросы задать поставщику.

Зачем бизнесу отчёты о расходах на токены

Деньги за токены списываются регулярно, а связи между счётом и результатом команды обычно нет. Anthropic называет окупаемость серьёзной проблемой среди крупных заказчиков и подаёт новый набор инструментов как способ её закрыть.

Почему «мы платим за AI» перестало быть аргументом

На этапе пилота хватало самого факта: инструменты есть, команда пробует. На этапе масштабирования финансовый директор просит метрики. Разговор с руководством удобно строить по цепочке: объём работы, результат, стоимость, узкие места. Такой порядок отвечает на естественный вопрос «за что мы платим» до того, как он превратится в спор о сокращении бюджета.

Отчёты Anthropic дают именно эти четыре среза, а не абстрактную статистику по компании. Руководитель направления видит свою команду, а не среднюю температуру по рынку.

Что именно увидят менеджеры в отчётах

В описании Anthropic перечислены четыре элемента: диапазон дат, объём работы команды, произведённый результат, стоимость и точки, где процессы дали сбой. Цифры из системы сочетаются с опросами сотрудников, то есть к данным об использовании добавляется обратная связь людей, которые эти задачи выполняли.

Гипотетический, но реалистичный пример. Команда поддержки за месяц обработала 4200 обращений с помощью ассистента, потратила на это условные 38 млн токенов и получила счёт, который втрое выше плана. Отчёт показывает: 62% обращений закрыты без повторного контакта, а большая часть перерасхода пришлась на подготовку ответов по длинным письмам клиентов. Узкое место - передача итога в CRM, где сотрудники переписывали ответ вручную. Такая формулировка уже позволяет принять решение: сократить длину контекста, доработать интеграцию или перенастроить сценарий.

Масштаб, на котором это происходит, объясняет срочность. Anthropic вышла на первую операционную прибыль во втором квартале 2026 года и отчиталась о 900% чистом удержании выручки: те же клиенты тратят в девять раз больше, чем годом ранее. Рост в девять раз требует управления, иначе он превращается в риск для бюджета заказчика.

Как контролировать расходы на токены: групповые бюджеты и не только

Групповой бюджет работает как общий кошелёк команды: вместо лимита на каждого сотрудника выделяется пул, который распределяется по реальной нагрузке. Один специалист в пике забирает больше, другой в спокойный месяц почти ничего, и деньги не простаивают.

Плюсы такой схемы: меньше заблокированных остатков, гибкость на пиках, прозрачность на уровне группы, а не отдельного человека. Минус тоже очевиден: без ответственного за пул один активный пользователь может выедать бюджет всей команды.

Групповой бюджет против индивидуальных лимитов

Критерий	Индивидуальные лимиты	Групповой пул
Гибкость	Низкая: у одного лимит исчерпан, у другого простаивает	Высокая: бюджет переходит туда, где нагрузка
Кто отвечает за перерасход	Каждый сотрудник по своему лимиту	Владелец пула, обычно руководитель группы
Когда подходит	Отдельные специалисты с ровной нагрузкой	Проектные команды с пиками и паузами
Главный риск	Много мелких согласований и просьб поднять лимит	Один человек вычерпывает общий бюджет

Опыт других компаний показывает, что жёсткие запреты работают хуже прозрачности. McKinsey к маю тратила около 5 трлн ИИ-токенов в месяц, причём 65% расхода приходилось на 10% сотрудников. Компания обошлась без тотальных лимитов: письма со статистикой, внутренний шлюз, предохранители и кэш.

Другой пример жёсткой экономии - AI Spend Console в Rippling, где расходы на ИИ сократили с 40% зарплатного бюджета разработки до 15%. Оба случая сходятся в одном: сначала измерение, потом правила.

Практический чек-лист управления тратами на токены:

1. Назначить владельца пула, который отвечает за цифру, а не просто получает отчёт.
2. Задать порог оповещения: например, письмо руководителю при 70% и 90% израсходованного бюджета.
3. Раз в месяц сверять отчёт с планом и записывать причины отклонений.
4. Фиксировать узкие места из отчёта и закрывать по одному за цикл, начиная с самого дорогого.
5. Пересматривать размер пула раз в квартал, а не в момент перерасхода.

Ограничение, которое стоит держать в голове: бюджеты регулируют расход, но не отвечают на вопрос, какие задачи вообще стоит отдавать AI. Это решение про процессы, и его принимает человек.

Политика данных: что значит «не используем по умолчанию»

Anthropic заявляет, что по умолчанию не будет использовать данные отчётности для обучения моделей. Формулировка «по умолчанию» описывает базовую настройку, а не бессрочную гарантию на все сценарии: порядок может отличаться для отдельных продуктов, регионов или условий договора.

Почему это важный пункт: отчёты содержат сведения о рабочих процессах, загрузке команд и результатах, то есть чувствительную корпоративную информацию. Разумный шаг - зафиксировать режим работы с данными в договоре и уточнить, какие действия компании нужны, чтобы настройка сохранялась.

Окупаемость AI-инструментов: как считать ROI на практике

ROI в этой теме считают не по счёту за подписку, а по связи между стоимостью токенов и результатом команды. Рабочий порядок действий выглядит так:

1. Зафиксировать базовую линию до изменения процесса: время на задачу, стоимость, доля ошибок.
2. Выбрать 2-3 метрики результата, а не двадцать.
3. Сопоставить стоимость токенов с сэкономленным временем или обработанным объёмом.
4. Учесть скрытые издержки: обучение сотрудников, интеграции, проверку результата человеком.
5. Пересматривать расчёт раз в квартал, потому что нагрузка и цены меняются.

Отчёты Anthropic закрывают третий и четвёртый шаги: они показывают стоимость и точки сбоя. Базовую линию компания определяет сама, и это единственная часть расчёта, которую нельзя делегировать поставщику.

Метрики, которые стоит отслеживать

• Стоимость одной задачи. Сколько токенов уходит на типовое обращение или документ.
• Доля результатов, принятых без переделки. Прямой индикатор качества, а не скорости.
• Время до результата. От постановки задачи до готового ответа, включая проверку.
• Доля повторных обращений. Если клиент возвращается с тем же вопросом, экономия иллюзорна.
• Стоимость на сотрудника в месяц. Удобно для планирования бюджета и сравнения команд.
• Доля активных пользователей. Показывает, платите вы за работу или за доступ.

Ловушка «меряем всё» встречается чаще, чем нехватка данных. Две метрики, которые считают стабильно каждый месяц, полезнее десяти, которые собирают раз в полгода.

Типичные ошибки в расчёте окупаемости

• Сравнение с нулём. Правильно: сравнивать с базовой линией до внедрения инструмента, а не с ситуацией «ничего не делаем».
• Игнорирование времени на проверку. Правильно: включать часы редактуры и приёмки в общую стоимость.
• Учёт только подписки. Правильно: складывать подписку, токены, интеграции и обучение.
• Экстраполяция пилота на год. Правильно: пересчитывать прогноз с поправкой на рост нагрузки.

Полезен и внешний ориентир по стоимости альтернатив. METR предложила метрику «горизонт расходов»: в тесте NanoGPT speedrun модели проигрывали человеку при бюджете от $3300. Вопрос «дешевле человек или модель» решается для каждой задачи отдельно, и отчётность даёт для этого исходные цифры.

Что говорят цифры: рынок AI-инструментов растёт быстрее планов

Jellyfish выпустила отчёт на основе использования агентных инструментов программирования 276 000 своих клиентов. Главная цифра: расходы на такие инструменты выросли в 10 раз с начала года и теперь равны примерно 2% общих инженерных затрат. Данные и комментарии Jellyfish приводит TechCrunch.

«Даже если 2% кажутся небольшими, рост в 10 раз - это рост, который большинство финансовых директоров не планировали», - сказал Николас Арколано, главный научный сотрудник Jellyfish.

Там же ещё один факт про расстановку сил: Claude Code и другие инструменты на моделях Anthropic остаются наиболее используемыми и отвечают почти за треть всех предложенных изменений кода, отправленных на проверку.

Почему 2% весят больше, чем кажется

Два процента от инженерных затрат - статья, которой год назад не было в плане. Десятикратный рост за неполный год означает, что прогноз на следующий год неочевиден: база для расчёта меняется быстрее, чем компании успевают пересматривать бюджеты.

Сравните с привычными расходами. Лицензии на дизайн-инструменты или облачные хранилища обычно растут на проценты в год, и их легко заложить в план. Здесь же скорость изменения важнее самой доли: планировать приходится не сумму, а правило, по которому сумма меняется.

Anthropic против OpenAI: почему клиенты не спешат переключаться

Выход модели OpenAI Astra летом 2026 года выглядел как потенциальная угроза для Anthropic, но показатели распространения пока не замедлились. Инструмент Codex долго не появлялся в данных Jellyfish и появился вместе с Astra. Об этом рассказывает TechCrunch со ссылкой на сотрудников Jellyfish.

Николас Альбарран, AI-продукт-лид Jellyfish, объясняет ситуацию так: Anthropic была на месте с сильными корпоративными действиями и собственным весом incumbent, инструменты работали, многие компании вложили много усилий в стандартизацию процессов вокруг них, и достаточно большой причины переключаться нет.

Стоимость переключения как скрытая статья расходов

Переход на другой инструмент стоит денег, даже когда новый дешевле. Складывается он из переобучения сотрудников, переписывания сценариев, потери накопленных интеграций и падения скорости в переходный период.

Правило сравнения простое: сравнивайте не «цена A против цены B», а «цена A плюс стоимость остаться» против «цена B плюс стоимость перехода». Для команд, которые уже встроили инструмент в ежедневные процессы, вторая сумма часто оказывается больше, чем видимая экономия.

Что это значит для вас, даже если вы не технарь

Если в компании появляются счета за AI-инструменты, кто-то должен уметь их объяснить. Этим человеком вполне может быть менеджер, а не инженер: отчётность как раз для того и делают, чтобы цифры читались без технического образования.

Три вопроса, которые стоит задать своему поставщику AI

1. «Как я увижу, что получила моя команда за период и сколько это стоило?» Хороший ответ: конкретный отчёт с диапазоном дат, объёмом работы и стоимостью, а не выгрузка сырых логов.
2. «Можно ли объединить бюджеты в групповой пул?» Хороший ответ: пул с владельцем, порогами оповещения и понятным правилом перерасхода.
3. «Используются ли наши данные для обучения моделей по умолчанию и где это зафиксировано?» Хороший ответ: настройка по умолчанию плюс пункт в договоре, а не общая фраза на сайте.

Три действия на этой неделе: выяснить, есть ли в компании расходы на AI-инструменты и кто их владелец; зафиксировать одну метрику результата для своей команды; запросить у поставщика данные о расходе и результате за последний месяц. Навык считать окупаемость пригодится независимо от платформы: отчётность будут добавлять и другие вендоры.

Главное в одном абзаце и что читать дальше

Anthropic превращает расходы на токены из непрозрачной строки в отчёт: объём работы команды за период, результат, стоимость и узкие места процессов. К этому добавляются рекомендации по улучшению, общие групповые бюджеты и обещание по умолчанию не обучать модели на данных отчётности. Контекст задаёт цифра Jellyfish: расходы на агентные инструменты программирования выросли в 10 раз с начала года и достигли около 2% инженерных затрат, а большинство CFO такого роста не планировали.

Дальше стоит держать в поле зрения две вещи: как меняются правила работы с данными у вашего поставщика и как выглядит базовая линия, с которой вы сравниваете результат. Остальные новости AI в понятном изложении, разборы терминов и кейсы применения собраны в хронологической ленте «Среды AI».

Есть вопрос или заметили неточность? Напишите нам, разберёмся вместе.