Сколько стоит ИИ-сотрудник и когда он окупается: расчёт на примерах

Коротко

Сколько стоит ИИ-сотрудник и когда он окупается? a16z оценивает час работы агента за компьютером в 6-8 долларов на инференс, а офшорный оператор стоит около 10 долларов в час, сотрудник поддержки в США 30-45. Но сравнение ставок мало что доказывает. По разбору McKinsey, в клиентском сервисе токены дают лишь 20-25% переменных расходов агента, остальное съедает проверка людьми. Считать нужно стоимость готового результата. Ниже разбор отраслевых данных и пример расчёта на условных цифрах.

Из чего складывается стоимость часа ИИ-агента

Аналитики a16z в разборе рынка агентов, работающих с интерфейсами компьютера, оценили стоимость инференса, то есть самой работы модели, для типового агента примерно в 6-8 долларов в час. Разброс широкий: от 3 до 15 долларов, в зависимости от того, как построен код вокруг модели, который решает, как часто агент делает снимки экрана, сколько истории разговора держит в памяти и какую долю работы может передать более дешёвой модели. Для сравнения в том же материале приведены ставки человека: офшорный аутсорс (BPO) обходится примерно в 10 долларов в час, с разбросом от 8 до 15, а сотрудник поддержки в США стоит 30-45 долларов в час с учётом льгот и накладных расходов (a16z, «Can Agents Use a Computer Yet? We’ve Got the Data», 10.08.2026).

Важная оговорка. Оценка a16z относится к агентам, которые работают за компьютером как человек: смотрят на экран через снимки и нажимают кнопки. Сами авторы называют это самым дорогим режимом и советуют считать цифры оценкой порядка, а не точной ценой. Там, где часть работы делает обычный код, а модель подключается только к сложным шагам, средняя стоимость заметно ниже. У голосового ИИ-сотрудника расходы считаются иначе: по минутам разговора. Для него в расчёт подставляйте цену минуты вашей платформы.

Прямое сравнение ставок в час, впрочем, грубый ориентир, не готовый ответ: агент не заменяет человека один к одному по времени, у него другая структура издержек. В стоимость агента входит инференс и повторные попытки: неудачная попытка тоже расходует токены, и цена растёт, если разговор длинный или задача требует больше проверочных шагов. У человека издержки растут медленнее с ростом объёма одной задачи, но почти не падают при росте потока обращений: десятому оператору всё равно нужна такая же ставка, как первому, а агент на большом потоке становится в пересчёте на обращение дешевле.

Что говорит McKinsey: деньги уходят не на модель

McKinsey в разборе экономики агентных сценариев приводит пример с клиентским сервисом банка. Токены, то есть оплата самой модели, дают там лишь 20-25% переменных расходов агента. Ещё 70-75% уходит на проверку людьми: сотрудники просматривают часть работы агента, исправляют ошибки и разбирают спорные случаи (McKinsey, «Where AI agents pay off: a practical guide to the economics of agentic workflows», 24.08.2026).

Отсюда практический вывод. Экономить на модели, выбирая более дешёвую, имеет смысл, но главный рычаг в другом: какую долю случаев агент закрывает так, что человеку не нужно их проверять. Если агент ошибается часто, проверка съест всю экономию, какой бы дешёвой ни была модель.

Второй пример из того же разбора про объём. Разговорный агент, который оформляет 2500 новых клиентов в год, обходится примерно в 10-15 тысяч долларов. Если число клиентов удвоить, расходы вырастают лишь до 15-20 тысяч. Постоянные затраты (настройка сценария, подключение систем) делаются один раз и раскладываются на больший поток, поэтому в среднем одно обращение обходится всё дешевле. У людей этот эффект слабее: вдвое больше клиентов обычно требует почти вдвое больше операторов.

Как считать окупаемость для своей задачи (цифры условные)

Расчёт ниже — это пример метода счёта, не данные реальной компании: подставьте свои цифры вместо приведённых.

Пусть отдел поддержки обрабатывает тысячу обращений в месяц, каждое занимает у оператора в среднем восемь минут, а ставка оператора эквивалентна пятнадцати долларам в час. Несложно посчитать: весь поток обходится компании примерно в две тысячи долларов в месяц только на рабочее время операторов по этой задаче.

Допустим, агент берёт на себя шестьсот обращений из тысячи: самые типовые, остальные по-прежнему уходят к оператору. Возьмём ориентир a16z, около семи долларов за час работы агента, и среднее время обработки обращения агентом две минуты. Тогда эта часть потока обходится примерно в сто сорок долларов в месяц. Оставшиеся четыреста обращений всё так же обрабатывает оператор: это ещё около восьмисот долларов. Итоговая стоимость всего потока получается около девятисот сорока долларов вместо двух тысяч. Это больше чем вдвое дешевле при том же объёме обращений.

Этот расчёт пока не учитывает время людей на проверку работы агента (по McKinsey, это главная статья переменных расходов), а также стоимость настройки сценария и подписки на платформу: их нужно добавить отдельной строкой и сравнить с разницей, которая в этом примере составила примерно тысячу долларов условной экономии в месяц. Если настройка и подписка обходятся дешевле этой разницы за один-два месяца, задача, скорее всего, окупается быстро. Если расходы на старт сопоставимы с разницей или выше неё, для начала разумнее запустить менее масштабный пилот на части потока, а не сразу на всех обращениях компании.

Пример разной экономики в двух нишах

В отделе продаж типовая заявка с сайта почти всегда укладывается в одну и ту же последовательность реплик: узнать потребность, назвать цену из прайса, завести сделку. Диалог короткий, доля случаев, которые уходят к человеку, обычно небольшая, а значит и расчёт из примера выше даёт оценку, близкую к реальности уже в первый месяц.

В клинике картина сложнее: часть звонков — это простая запись на приём, но часть требует уточнить симптомы, подобрать врача нужной специализации и учесть расписание нескольких кабинетов одновременно. Здесь доля обращений, которые агент закрывает полностью сам, обычно ниже, а разговоры в среднем длиннее, поэтому и стоимость инференса на одно обращение выше, чем в примере с коротким диалогом продаж. Это не значит, что автоматизация такой задаче не подходит, значит только то, что реальную долю обращений и длину разговора нужно измерить именно на собственном потоке компании за несколько недель работы, а не взять готовую усреднённую цифру из совсем другой ниши бизнеса.

Что чаще всего ломает расчёт

• Учитывают только ставку в час, а не долю обращений, которые агент реально закрывает без человека. Если агент передаёт оператору половину случаев, а не меньшинство, экономия будет вдвое меньше расчётной по формуле выше.
• Не считают повторные попытки и доработку сценария. Стоимость инференса растёт, если агент несколько раз переспрашивает или ошибается на нетиповых случаях, а это не разовая, а постоянная статья расходов, которая съедает часть экономии.
• Сравнивают ставку агента с зарплатой без накладных расходов. В ставку человека входят налоги, отпуск, больничный и рабочее место, у агента таких статей нет, но сравнение честно только тогда, когда это учтено с обеих сторон одинаково.
• Игнорируют сложность интеграции с существующими системами. Если задача требует редкой интеграции с внутренней CRM или базой данных, это отдельная статья затрат на старте, которая не входит в почасовую ставку инференса и может отодвинуть срок окупаемости на несколько месяцев.
• Считают экономию один раз и больше не пересчитывают. Ставки на инференс и качество моделей меняются быстрее, чем ставки человеческого труда, поэтому расчёт, сделанный полгода назад, стоит сверять заново с актуальными ценами и данными потока, а не держать как постоянную величину на годы вперёд без пересмотра.

Почему считать «на глаз» не получается

Соблазн взять готовую цифру из чужого кейса и просто перенести на свою компанию понятен: считать реальные данные дольше, чем взять чужой вывод. Но структура затрат у разных задач различается сильнее, чем кажется на первый взгляд. У задачи с коротким однотипным диалогом (уточнить время визита, назвать цену из прайса) инференс дешёвый, потому что разговор укладывается в несколько реплик и мало контекста. У задачи с долгим разбирательством (сложная жалоба, нетиповой запрос с уточнением деталей) тот же агент тратит на порядок больше токенов на один случай, и почасовая ставка из чужого исследования перестаёт быть ориентиром для срока окупаемости именно этой задачи.

То же самое верно и для доли автоматизации. Допустим, в одной нише 80% обращений укладываются в типовой сценарий и только пятая часть уходит к человеку, а в другой типовых случаев меньше половины, потому что сама услуга сложнее стандартизировать. Разница в этой доле сильнее влияет на итоговую экономию, чем разница в почасовой ставке инференса между разными моделями, поэтому первым делом стоит смотреть не на ставку, а именно на долю потока, которую реально можно передать агенту без потери качества.

Сколько месяцев занимает окупаемость на практике

Единого срока окупаемости для всех компаний не существует, но порядок расчёта один и тот же: разница между стоимостью старого процесса и нового процесса за месяц делится на разовые затраты на настройку и подключение. Если разовые затраты небольшие, а разница в стоимости за месяц ощутимая, окупаемость укладывается в несколько недель. Если задача требует сложной интеграции с редкой внутренней системой компании, разовые затраты выше, и тот же расчёт может растянуться на несколько месяцев, прежде чем экономия покроет вложения в настройку.

Отдельно стоит закладывать время на донастройку сценария после запуска: первые недели агент обычно передаёт человеку больше случаев, чем в среднем по прогнозу, просто потому что сценарий ещё не видел всё разнообразие реальных обращений. Это не повод считать расчёт ошибочным, а повод пересчитать долю автоматизации через месяц работы на реальных данных, а не на прогнозе, сделанном до запуска.

Сколько стоит ИИ-сотрудник в ultiOS

Подписка на платформу стоит ровно 10 000 ₽ в месяц на одну компанию, число ИИ-сотрудников внутри неё не ограничено: можно завести хоть одного, хоть десять на разные задачи в рамках одной подписки. Разговоры сверх квоты подписки идут от 6 ₽ за минуту. Это переменная часть расходов, которая растёт вместе с потоком звонков, и её стоит закладывать в расчёт окупаемости отдельной строкой, как в примере выше. Если задаче нужна сложная интеграция с внутренними системами компании, её берёт на себя услуга «Под ключ»: цену и план работ там называют после разбора задачи. Типовые задачи вроде записи клиентов или обработки заявок настраиваются в панели самостоятельно, без отдельного расчётного проекта.

Что в итоге

• Сравнивать нужно не ставку человека и агента в час, а полную стоимость результата: сколько стоит выполненная задача целиком, с учётом повторных попыток и доли случаев, ушедших к человеку.
• По разбору McKinsey, в клиентском сервисе токены дают лишь 20-25% переменных расходов агента, а 70-75% уходит на проверку людьми. Доля случаев без человека важнее цены модели.
• Экономика агента лучше проявляется при масштабировании: постоянные издержки размазываются на больший поток, у человека этот эффект выражен слабее.
• Расчёт без своих реальных цифр потока, времени обработки и доли автоматизации ничего не доказывает: цифры из чужих кейсов — это ориентир, а не гарантия такого же результата в конкретной компании.

Источники

• a16z, «Can Agents Use a Computer Yet? We’ve Got the Data», 10.08.2026
• McKinsey, «Where AI agents pay off: a practical guide to the economics of agentic workflows», 24.08.2026