Как устроена токеномика - экономика мира искусственного интеллекта
Долгое время ИТ-индустрия развивалась по простой логике: разработчик создает продукт один раз, а подключение новых пользователей почти не увеличивает себестоимость. Рост производительности процессоров, известный как закон Мура, должен был сделать вычисления еще дешевле. Для классического программного обеспечения эта модель действительно работала: дополнительные запросы к базе данных или веб-серверу редко требовали серьезных затрат.
Генеративный искусственный интеллект изменил правила. Каждый запрос к языковой модели запускает сложную последовательность вычислений на специализированных ускорителях. Поэтому стоимость цифрового сервиса теперь напрямую зависит не только от количества пользователей, но и от объема текста, длины контекста, числа шагов рассуждения и особенностей самой модели.
Так появилась токеномика - дисциплина, которая помогает оценивать, планировать и снижать стоимость ИИ-вычислений. В данном контексте термин не связан с криптовалютами, майнингом или блокчейном. AI Tokenomics - это практическое направление на стыке FinOps, архитектуры нейросетей, экономики дата-центров и управления производительностью.
Почему токен стал новой единицей вычислений
Токен - это фрагмент текста, который модель обрабатывает как отдельную информационную единицу. Им может быть слово, часть слова, знак препинания или комбинация символов. Точное количество токенов зависит от языка и используемого алгоритма токенизации.
Для бизнеса токен постепенно превращается в аналог киловатт-часа в энергетике. Он связывает пользовательский текст с конкретными расходами: стоимостью графических ускорителей, электроэнергии, охлаждения, сетевой инфраструктуры и обслуживания программной платформы.
В традиционном SaaS-сервисе увеличение аудитории обычно снижает среднюю стоимость обслуживания одного клиента. В системах на базе LLM ситуация сложнее: каждый новый запрос требует дополнительных вычислений. При больших нагрузках цена может даже расти из-за необходимости закупать новые ускорители, резервировать мощности и поддерживать приемлемую скорость ответа.
Почему масштабирование ИИ оказалось дорогим
У генеративных приложений есть несколько фундаментальных отличий от классического программного обеспечения.
Во-первых, меняется операционный рычаг. Обычная веб-система после запуска может обслуживать огромное число пользователей с относительно небольшими дополнительными затратами. Нейросетевой сервис выполняет тяжелые операции на GPU при каждом обращении. Себестоимость растет вместе с числом запросов, а маржинальность AI-first-компаний может быть заметно ниже, чем у классического SaaS: условные 50-60% против 80-90%.
Во-вторых, ускорители упираются не только в вычислительную мощность, но и в пропускную способность памяти. Модель должна постоянно перемещать большие массивы параметров между памятью и вычислительными ядрами. Даже мощный чип не сможет работать эффективно, если данные поступают недостаточно быстро.
В-третьих, агентные системы плохо поддаются предварительному прогнозированию. Для выполнения одной задачи агент может сделать десятки обращений к модели, вызвать внешние инструменты, перечитать большой контекст и несколько раз скорректировать результат. Пользователь видит один ответ, а инфраструктура оплачивает целую цепочку операций.
Почему токены имеют разную стоимость
Цена входных и выходных токенов может отличаться. Это объясняется тем, что модель обрабатывает их в разные фазы.
Prefill: параллельная обработка контекста
На этапе Prefill система получает исходный запрос, историю диалога, документы и инструкции. Большой объем входного текста можно обрабатывать параллельно. Такая операция интенсивно использует вычислительные ресурсы, но хорошо масштабируется внутри GPU.
Decode: последовательная генерация
Затем начинается генерация ответа. Модель создает текст токен за токеном, причем каждый новый элемент зависит от предыдущих. Этот этап нельзя полностью распараллелить. Он сильнее зависит от скорости доступа к памяти и задержки оборудования.
Именно Decode часто становится узким местом в чат-ботах и агентных системах. Длинный ответ, большое количество промежуточных рассуждений и повторные вызовы инструментов увеличивают нагрузку быстрее, чем ожидает разработчик.
Из чего складывается тариф
Итоговая стоимость токена формируется из нескольких компонентов.
Капитальные затраты (CapEx). Сюда входят серверы, GPU, сетевое оборудование, системы хранения данных, электропитание и охлаждение. Современный кластер для обучения и запуска крупных моделей требует значительных инвестиций.
Амортизация. Оборудование не служит вечно. Ускорители постепенно устаревают, а их стоимость распределяется по периоду эксплуатации. Если новое поколение чипов оказывается существенно эффективнее, старое оборудование быстрее теряет экономическую ценность.
Операционные расходы (OpEx). Это электроэнергия, аренда площадки, зарплаты инженеров, техническая поддержка, ремонт, лицензии, безопасность и сетевой трафик.
Утилизация GPU. Важна не только мощность оборудования, но и то, насколько полно она используется. Если ускоритель простаивает из-за неравномерного потока запросов, ожидания данных или плохого планирования, стоимость каждого токена увеличивается.
Например, кластер, работающий на 80% расчетной загрузки, будет заметно выгоднее аналогичного кластера с загрузкой 30-40%. Поэтому оптимизация очередей, пакетная обработка, кэширование и грамотное распределение моделей имеют прямой финансовый эффект.
Локальная модель или облачный API
Выбор между собственным сервером и облачным сервисом нельзя сводить только к цене одного токена.
Облако удобно при нестабильной нагрузке: компания платит за фактическое использование, не покупает оборудование заранее и быстрее запускает пилотный проект. Этот вариант особенно выгоден, если запросов мало или они распределены неравномерно.
Локальная инфраструктура оправдана при постоянном большом объеме обращений, строгих требованиях к конфиденциальности и необходимости контролировать задержку. Однако в расчет нужно включить закупку GPU, помещение, охлаждение, обслуживание, резервирование и оплату инженеров.
Практическая формула сравнения выглядит так:
полная стоимость локального решения = оборудование + амортизация + эксплуатация + персонал + электроэнергия + простои.
Для облака расчет другой:
стоимость API = входные токены + выходные токены + дополнительные функции + сетевые и интеграционные расходы.
Сравнивать следует не абстрактную цену токена, а стоимость завершенной бизнес-операции. Если одна модель решает задачу за один вызов, а другая требует пяти повторов, формально более дешевый API может оказаться дороже.
Как снизить расходы на токены
Экономия начинается с измерений. Необходимо отдельно учитывать входные и выходные токены, среднюю длину контекста, число повторных запросов, долю ошибок и стоимость одной пользовательской задачи.
Хороший результат дают несколько подходов:
1. Сокращение контекста. В историю диалога не следует без необходимости передавать все предыдущие сообщения. Старые данные можно сжимать или заменять кратким резюме.
2. Кэширование. Повторяющиеся инструкции, документы и результаты вычислений не нужно обрабатывать заново.
3. Маршрутизация моделей. Простые задачи стоит отдавать компактной модели, а крупную подключать только при высокой сложности.
4. Ограничение агентных циклов. Для агента полезно задавать максимальное число шагов, тайм-ауты и условия остановки.
5. Структурированные ответы. Четкий формат уменьшает лишнюю генерацию и облегчает последующую обработку.
6. Пакетная обработка. Задачи без жестких требований к задержке можно объединять в batches.
7. Контроль промптов. Неудачные инструкции приводят к повторным попыткам, чрезмерно длинным ответам и дополнительным вызовам.
Как новая архитектура меняет токеномику
Рынок постепенно отказывается от идеи, что единственным путем развития являются все более крупные модели. На практике часто выигрывает связка из компактной специализированной модели, внешних инструментов, поиска по базе знаний и четкой системы маршрутизации.
Малые языковые модели могут быть выгоднее для классификации, извлечения данных, суммаризации, обработки внутренних документов и автоматизации типовых операций. Крупная модель сохраняется для сложных рассуждений и нестандартных запросов.
Отдельное направление - разреженные архитектуры, в которых для конкретного запроса активируется только часть параметров. Это снижает вычислительную нагрузку без пропорционального падения качества.
Еще один важный фактор - аппаратная специализация. Эффективность определяет не только число операций, но и скорость памяти, межсоединения между ускорителями, размер кэшей и способность системы поддерживать стабильную загрузку.
Как оценивать проект до запуска
До разработки ИИ-функции стоит построить простую финансовую модель. Нужно определить:
- количество пользователей и запросов;
- средний размер входного контекста;
- среднюю длину ответа;
- долю сложных сценариев;
- число обращений агента к инструментам;
- допустимую задержку;
- требования к хранению данных;
- ожидаемую загрузку инфраструктуры.
Затем рассчитывается стоимость одной операции и месячный бюджет в нескольких сценариях: минимальная, базовая и пиковая нагрузка. Такой подход помогает избежать ситуации, когда успешный запуск продукта приводит к неожиданным убыткам.
Токеномика становится особенно важной при масштабировании. На раннем этапе небольшая неэффективность почти незаметна, но при миллионах запросов лишний контекст, один ненужный шаг агента или низкая загрузка GPU превращаются в значительную сумму.
Итог
Экономика искусственного интеллекта строится не вокруг абстрактной мощности модели, а вокруг стоимости конкретного вычислительного действия. Токен позволяет связать текстовый запрос с инфраструктурой, энергией, памятью и капитальными затратами.
Главный принцип новой ИТ-экономики прост: необходимо оптимизировать не только качество ответа, но и путь, которым система его получает. Компактная модель, короткий контекст, разумное число агентных шагов, высокая утилизация ускорителей и точный мониторинг расходов часто дают больший эффект, чем механическое увеличение размера нейросети. Именно поэтому токеномика становится обязательной частью проектирования современных ИИ-продуктов.
