Перерасход в размере 1,8 миллиона долларов на Claude в Amazon: почему расходы на ИИ-агентов могут выйти из-под контроля

Введение

ИИ-агенты могут давать сбои так, как обычное программное обеспечение — почти никогда: они бесконечно повторяют попытки.

Сотрудник-человек, столкнувшийся с неисправным процессом, в конце концов устанет, обратится за помощью, уйдёт домой или займётся этим на следующее утро.

А автономный агент может непрерывно вызывать модели, читать собственные выходные данные, повторять попытки использования инструментов, переписывать планы и запускать новый цикл — часами или даже днями.

Когда задача сложная, такая настойчивость полезна.

Когда с самой задачей что-то не так, такая настойчивость обходится дорого.

Согласно отчёту Financial Times за июль 2026 года, основанному на словах сотрудников Amazon и лиц, знакомых с внутренними проектами, проект Amazon с использованием Claude Sonnet, направленный на обогащение информации об авторах на сайте Amazon, накопил примерно $1,8 млн затрат на ИИ.

Сообщается, что счёт составил примерно:

860% превышения бюджета проекта

По сообщениям, это превышение оставалось незамеченным в течение:

пяти месяцев

И несмотря на огромные расходы, проект, по сообщениям, так и не был успешно развёрнут.

Такое сочетание делает этот инцидент более значимым, чем просто аномально крупный счёт.

Он вскрывает новую проблему корпоративного ПО:

Мелкая логическая ошибка
×
Автономные повторные попытки
×
Оплата по факту использования
×
Слабая наблюдаемость
=
Значительные финансовые потери

Эта проблема не уникальна для Claude, Amazon или любого отдельного поставщика ИИ.

Агентные системы превращают вычислительные мощности в переменные операционные расходы. Когда им позволяют работать самостоятельно, стоимость становится частью поведения приложения, а не просто подпиской на ПО.

Ошибка больше не просто приводит к неверным результатам.

Она может продолжать тратить деньги, производя неверные результаты миллионы раз.

Хронология инцидента с Amazon и Claude на $1,8 млн

Задача, описанная в отчёте Financial Times, звучит вполне обыденно.

Amazon хотела улучшить информацию об авторах на своём сайте.

По сообщениям, для сопоставления или генерации необходимых данных об авторах использовался рабочий процесс на основе Claude Sonnet.

Затем проект потребил ресурсов ИИ гораздо больше, чем ожидалось.

Сотрудники Amazon, по сообщениям, оценили итоговые затраты примерно в:

$1,8 млн

Это соответствует оценочному:

превышению бюджета на 860%

Самая примечательная деталь — вероятно, задержка с обнаружением проблемы.

По сообщениям, проблема с затратами оставалась активной или незамеченной в течение примерно пяти месяцев.

Это говорит о том, что сбой был не только в самой модели ИИ.

Это также проблема мониторинга и управления.

Если корпоративная рабочая нагрузка может потратить семизначную сумму без явных предупреждений, значит, в системе отсутствуют один или несколько механизмов контроля, которые обычно есть вокруг другой биллинговой инфраструктуры.

Такие механизмы контроля могут включать:

• Бюджеты на уровне проекта.
• Жёсткие лимиты расходов.
• Ежедневные оповещения об аномалиях.
• Квоты на каждого агента.
• Максимальное количество повторных попыток.
• Максимальную длительность задачи.
• Атрибуцию по каждому пользователю.
• Панели мониторинга стоимости за успешное действие.
• Правила автоматического отключения.

Financial Times также сообщает, что в Amazon обнаружили и другие случаи аномально высоких затрат на ИИ, и инженеры разрабатывают автоматизированные защитные механизмы.

Amazon заявила изданию, что такие случаи — изолированные уроки, а не

отражение всей её более широкой работы в области ИИ.

Это различие стоит сохранить.

Инцидент на $1,8 млн, по сообщениям, был провалом внутреннего проекта.

Он не доказывает, что вся программа Amazon по ИИ финансово несостоятельна.

Оценку «600 миллиардов токенов» из первоисточника нужно рассматривать в контексте

В исходной китайской статье был приведён преувеличенный расчёт.

Утверждалось, что по цене $3 за миллион входных токенов на $1,8 млн можно купить максимум:

600 миллиардов входных токенов

Арифметика проста:

$1,8 млн
÷
$3 за миллион токенов
=
600 000 миллионов токенов
=
600 миллиардов токенов

Но это не измерение фактического потребления токенов в проекте Amazon.

Это лишь иллюстративный верхний предел, рассчитанный на основе нескольких нереалистичных допущений:

1. Каждый доллар потрачен на входные токены.
2. Используемая версия Claude Sonnet стоила ровно $3 за миллион входных токенов.
3. Не было затрат на выходные токены.
4. Не было затрат на запись или чтение кэша.
5. Не было различий в ценообразовании на уровне платформы AWS.
6. Не было других затрат на инференс или инфраструктуру.

Текущее ценообразование Anthropic также различается в зависимости от поколения Sonnet.

По состоянию на август 2026 года тарифы Anthropic выглядят так:

Financial Times подтвердила использование Claude Sonnet, но в открытых отчётах недостаточно деталей для точного восстановления версии модели, соотношения ввода/вывода, поведения кэша или реального количества токенов.

Поэтому обоснованный вывод таков:

Согласно отчёту, проект обошёлся примерно в $1,8 млн; точное потребление токенов неизвестно публике.

Это важно, потому что когда сумму в долларах механически переводят в токены по одной стандартной цене, анализ корпоративных затрат на ИИ становится вводящим в заблуждение.

Почему стоимость агентов сложнее прогнозировать, чем стоимость традиционного ПО

У традиционного ПО обычно относительно предсказуемые факторы затрат.

Команда может оценить:

• количество серверов;
• размер баз данных;
• пропускную способность;
• хранилище;
• лицензии пользователей;
• количество запросов в секунду.

Агенты на больших языковых моделях добавляют ещё один уровень сложности.

Один пользовательский запрос может инициировать:

1 вызов модели

А может инициировать:

200 вызовов модели
+ вызовы инструментов
+ повторные попытки
+ повторное использование контекста
+ поиск в интернете
+ выполнение кода

Пользователь может увидеть только один итоговый ответ.

Счётчик затрат видит всю траекторию процесса.

Контекст отправляется повторно

Агенты, как правило, заново отправляют большую часть своего рабочего контекста на каждом этапе рассуждения.

Поэтому длинная кодовая база, большой документ, история использования инструментов или диалог могут тарифицироваться многократно.

Выходные данные становятся новым входом

Ранее сгенерированный агентом текст обычно становится контекстом для следующего вызова модели.

Система фактически сначала платит за генерацию информации, а затем платит за её чтение.

Повторные попытки умножают затраты

Неудачный вызов инструмента может инициировать:

1. интерпретацию ошибки;
2. новые рассуждения;
3. изменённый вызов;
4. ещё один результат;
5. очередной цикл модели.

Цикл повторных попыток, который на уровне кода выглядит безобидно, может породить огромное потребление токенов.

Стоимость

случайна

Исследования по кодингу с помощью агентов показывают, что использование токенов для одной и той же задачи может сильно различаться между запусками.

В исследовании 2026 года по нескольким передовым моделям на SWE-bench Verified сообщалось о различиях до примерно 30 раз между запусками одной и той же задачи.

Больше токенов также не всегда означает лучший результат.

Это делает «оценку счёта по сложности задачи» ненадёжным методом бюджетирования.

Автоматизационные амбиции Amazon выходят далеко за рамки одного провального проекта

Исходная статья затем переходит от инцидента на $1,8 млн к более широкой картине.

Amazon не отступает в сфере ИИ.

Она наращивает инвестиции.

Генеральный директор Энди Джасси неоднократно заявлял, что генеративный ИИ и агенты изменят как потребительские продукты, так и внутреннюю работу Amazon.

В июне 2025 года Джасси сообщил сотрудникам, что в Amazon уже более:

1 000 генеративных ИИ-сервисов и приложений

— как построенных, так и находящихся в разработке.

Он также спрогнозировал:

миллиарды ИИ-агентов
по всем компаниям и сферам.

Джасси заявил, что агенты могут выполнять следующие виды работ:

• веб-исследования;
• глубинные исследования;
• программирование;
• обнаружение аномалий;
• перевод;
• анализ данных;
• автоматизацию рабочих процессов.

Он также сказал, что более широкое внедрение ИИ изменит структуру персонала Amazon и в долгосрочной перспективе, по мере роста эффективности, может сократить общую численность корпоративных сотрудников.

Таким образом, инцидент с Claude на 1,8 миллиона долларов произошёл внутри компании, которая сознательно продвигает автоматизацию, а не наоборот.

Капитальные расходы Amazon в 2026 году составят около 220 миллиардов долларов

Масштабы инфраструктурных вложений Amazon огромны.

В отчётном периоде за второй квартал 2026 года Джасси повысил прогноз капитальных расходов компании на 2026 год примерно до:

220 миллиардов долларов

что выше прежнего плана примерно в 200 миллиардов долларов.

Бóльшая часть этих расходов связана со следующим:

• Мощности центров обработки данных AWS.
• Инфраструктура искусственного интеллекта.
• Собственные чипы.
• Серверы.
• Сети.
• Электроэнергия.
• Робототехника и другие долгосрочные инфраструктурные объекты.

В письме акционерам Amazon за 2025 год уже было указано, что компания не делала прежнюю оценку в 200 миллиардов долларов «по наитию».

Джасси заявил, что у AWS достаточно клиентских обязательств, чтобы оправдать бóльшую часть инфраструктурных вложений.

Это создаёт яркий контраст:

Amazon вкладывает сотни миллиардов долларов
в расширение мощностей ИИ

и одновременно учится
тому, как阻止 отдельные ИИ-нагрузки
от сжигания миллионов долларов впустую.

Эти две проблемы не противоречат друг другу.

Инфраструктурные мощности и эффективность рабочих нагрузок — это разные вещи.

AWS реально получает отдачу от бума ИИ

В исходной статье верно отмечено, что расходы Amazon на ИИ и облачные технологии не сводятся только к издержкам.

Официальные результаты Amazon за второй квартал 2026 года показывают уверенный рост AWS.

За квартал, закончившийся 30 июня 2026 года:

Чистая выручка AWS | 42,2 млрд долларов |
| Рост выручки AWS год к году | 37% |
| Общая операционная прибыль Amazon | 27,5 млрд долларов |
| Операционная прибыль AWS | 16,6 млрд долларов |

Таким образом, AWS обеспечила примерно:

60% операционной прибыли Amazon

и одновременно около:

21% общей чистой выручки

в этом квартале.

Amazon также сообщила, что годовой темп выручки её ИИ-бизнеса и чип-бизнеса превысил 25 миллиардов долларов.

Таким образом, у компании есть веские экономические причины продолжать стимулировать внедрение ИИ и одновременно улучшать дисциплину затрат.

Рабочая сила Amazon также меняется

Расходы на ИИ — лишь одна сторона программы автоматизации Amazon.

Компания также сокращает корпоративные должности.

В октябре 2025 года агентство Reuters сообщило, что Amazon планирует сократить до 30 тысяч корпоративных позиций.

Джасси также сообщил сотрудникам, что более широкое внедрение генеративного ИИ может означать сокращение одних категорий рабочих мест и рост других.

Важно не упрощать каждое сокращение в Amazon до формулы «ИИ заменил сотрудников».

Сокращения в крупных корпорациях могут быть вызваны:

• Реструктуризацией.
• Избыточным наймом в эпоху пандемии.
• Давлением на затраты.
• Уплощением управленческой иерархии.
• Закрытием направлений.
• Автоматизацией.
• Повышением эффективности за счёт ИИ.

Очевидно одно: сама Amazon ожидает, что ИИ изменит её будущие потребности в персонале.

Автоматизация складов переносит ту же логику в физический мир

Затем источник переходит от офисной автоматизации к складским и логистическим операциям.

В материале, основанном на внутренних документах Amazon, описывается амбициозная робототехническая стратегия.

По сообщениям, цель — автоматизировать значительную часть складских операций в ближайшие годы, что может позволить Amazon избежать найма сотен тысяч дополнительных сотрудников при росте объёмов грузоперевозок.

Одна широко цитируемая оценка гласит, что автоматизация может позволить Amazon избежать:

найма примерно 160 тысяч дополнительных сотрудников в США к 2027 году

а также более:

600 тысяч дополнительных сотрудников к примерно 2033 году

относительно сценария роста с меньшей автоматизацией.

Эти цифры основаны на внутренних прогнозах, о которых сообщалось в прессе, а не на публичных обязательствах Amazon уволить 600 тысяч существующих сотрудников.

Это различие важно.

«Избежать будущего найма» и «ликвидировать существующие должности» — экономически связанные, но не тождественные понятия.

Amazon публично подчёркивает, что робототехника также создаёт новые роли в таких областях, как:

• Обслуживание.
• Надёжность.
• Робототехническая инженерия.
• Контроль процессов.
• Техническая эксплуатация.

Долгосрочное влияние на занятость остаётся предметом споров.

Экономист Дарон Аджемоглу — один из наиболее заметных критиков, предупреждающий, что агрессивная автоматизация у крупных работодателей может превратить компании из создателей массовой занятости в сторону, которая устраняет или избегает большого числа рабочих мест.

Эпоха «больше токенов = больше ИИ» подходит к концу

Второй крупный раздел источника переходит от Amazon к более широкой практике Кремниевой долины: tokenmaxxing (максимизация потребления токенов).

Некоторое время компании настолько агрессивно подталкивали сотрудников к использованию ИИ, что само по себе использование стало символом статуса.

Руководители хотели, чтобы сотрудники:

• Чаще использовали ИИ.
• Запускали больше агентов.
• Автоматизировали больше работы.
• Смело экспериментировали.
• Формировали небольшие команды вокруг ИИ.

В некоторых организациях это поощрение превращалось в рейтинги.

А как только показатель становится видимым, сотрудники учатся оптимизировать именно его.

Это классический случай закона Гудхарта:

Когда показатель становится целью, он перестаёт быть хорошим показателем.

Компания хочет продуктивного применения ИИ.

Она измеряет использование токенов, потому что это легко подсчитать.

Сотрудники увеличивают использование токенов.

Цифры растут.

Но полезная отдача не обязательно увеличивается.

Amazon закрывает KiroRank

У Amazon был неофициальный внутренний рейтинг под названием KiroRank.

Он отслеживал и ранжировал сотрудников по их активности с Kiro — внутренним инструментом разработки с ИИ от Amazon.

По сообщениям Business Insider и Financial Times, некоторые сотрудники начали выполнять ненужные ИИ-задачи, чтобы повысить свои баллы.

В итоге Amazon закрыла этот рейтинг.

Старший вице-президент Дэйв Тредвелл сообщил сотрудникам, что не нужно использовать ИИ ради самого ИИ.

Amazon перешла к метрикам, ориентированным на реальный результат, включая показатель под названием нормализованные развёртывания (normalized deployments).

Урок прост:

Потребление токенов
≠
Продуктивность

Разработчик, использующий 100 миллионов токенов и ничего не поставивший, не автоматически продуктивнее того, кто решил задачу с 5 миллионами токенов.

Рейтинг Claudeonomics от Meta создал те же стимулы

По сообщениям, Meta также проводила аналогичные эксперименты.

Внутренний рейтинг, созданный сотрудниками, назывался Claudeonomics: он агрегировал данные об использовании ИИ более чем 85 000 сотрудников и показывал топ-250 пользователей.

В публикациях фигурировали такие титулы, как:

• Легенда токенов (Token Legend).
• Маг кэша (Cache Wizard).

Сессионный бессмертный (Session Immortal).

По данным The Information, сотрудники Meta за скользящий 30-дневный период израсходовали десятки триллионов токенов.

Более поздние отчёты оценили общий объём за 30 дней примерно в:

73,7 триллиона токенов

Meta затем перешла к более строгому контролю использования и создала централизованный AI-шлюз (AI Gateway) для обеспечения видимости затрат и управления бюджетом.

Эти данные основаны на внутренних отчётах о покрытии, а не на публичной финансовой отчётности Meta.

В статье-источнике также 73,7 триллиона токенов были пересчитаны в гипотетический ежемесячный счёт в размере 221 миллиона долларов США.

Эту цифру не следует воспринимать как фактическую сумму счёта Meta.

По сути, это:

73,7 триллиона токенов
×
3 доллара за миллион токенов
≈
221 миллион долларов

Это предполагает, что каждый токен тарифицируется по прейскурантной цене входного токена.

Фактическое использование может включать различные модели, согласованные корпоративные тарифы, комбинации ввода/вывода, кэширование, внутренние модели и платформенные договорённости.

Полезным фактом является сообщаемый масштаб использования токенов, а не упрощённый пересчёт в счёт.

Uber за четыре месяца исчерпал годовой бюджет на ИИ-кодирование

Uber также столкнулся с аналогичными бюджетными проблемами.

Согласно сообщениям от июня 2026 года, компания исчерпала годовой бюджет на свои инструменты агентного кодирования уже в первом квартале.

Четыре месяца из двенадцати.

После этого Uber ввёл лимиты по умолчанию:

1500 долларов на сотрудника
в месяц
на каждый инструмент агентного кодирования

Этот лимит применяется отдельно к следующим инструментам:

• Claude Code.
• Cursor.

Сотрудники могут видеть своё использование через внутреннюю панель мониторинга, а исключения могут быть одобрены при наличии обоснованных причин для дополнительных расходов.

Такой подход ближе к традиционному облачному FinOps.

Вопрос смещается с:

Сколько ИИ использовали сотрудники?

на:

Сколько стоит этот рабочий процесс,
и оправдан ли результат?

Руководители Uber неизменно утверждали, что ИИ может обеспечить значительный прирост эффективности.

Изменение заключается не в переходе от «использовать ИИ» к «не использовать ИИ».

А в переходе от неограниченного потребления к управляемому потреблению.

Даже OpenAI заявляет, что затраты стали «огромной проблемой»

Поставщики моделей сами сталкиваются с этими экономическими проблемами.

На корпоративном мероприятии в июне 2026 года Сэм Альтман сообщил, что крупнейший внутренний потребитель токенов в OpenAI расходует примерно:

100 миллиардов токенов в месяц

Он сравнил это с периодом примерно шести с половиной лет назад, когда 100 000 токенов в месяц казались аномально высоким показателем.

Business Insider также процитировал статью The New York Times, согласно которой один сотрудник OpenAI за неделю использовал около:

21 миллиарда токенов

Альтман заявил, что затраты превратились из проблемы, о которой клиенты почти не упоминали в начале 2026 года, в:

«огромную проблему»

к тому же году.

Ирония здесь очевидна.

Лаборатории ИИ хотят, чтобы модели становились дешевле, чтобы клиенты могли использовать больше ИИ.

По мере того как модели становятся дешевле, а агенты — более автономными, общий объём использования может расти быстрее, чем снижается цена за единицу.

Это проявление эффекта Джевонса:

Более низкая удельная стоимость
→ большее использование
→ общие расходы могут быть выше

Большинство предприятий до сих пор не имеют полного представления о своих счетах за ИИ

Управление затратами сложно, потому что использование ИИ распределено повсюду.

Предприятия могут платить за ИИ через:

• Прямые API.
• AWS Bedrock.
• Azure.
• Google Cloud.
• SaaS-подписки.
• Агентов кодирования.
• Встроенные Copilot-решения.
• Корпоративные расходные счета.
• Внутренний инференс.
• Сторонние инструменты рабочих процессов.

Отчёт для финансовых директоров, опубликованный The Wall Street Journal, ссылается на опрос, который показал, что только:

26% предприятий

имеют полное представление о своих затратах на ИИ.

Это означает, что многие предприятия пытаются оптимизировать расходы на ИИ до того, как смогут надёжно атрибутировать эти затраты.

Финансовые команды могут видеть общие счета поставщиков, но не знают:

• Какая команда их сгенерировала.
• Какое приложение их сгенерировало.
• Какой клиентский рабочий процесс их сгенерировал.
• Какой агентный цикл вызвал всплеск.
• Какая часть затрат привела к успешному результату.
• Какая часть была потрачена впустую на повторы.

Управление затратами на ИИ требует большего, чем ежемесячный счёт

Полезная система управления затратами на ИИ для предприятия должна отвечать на вопросы нескольких уровней.

Уровень 1: Кто тратит деньги?

Отслеживание по следующим параметрам:

• Сотрудник.
• Команда.
• Продукт.
• Репозиторий кода.
• Агент.
• Среда.

Уровень 2: Что потребляет затраты?

Различать:

• Входные токены.
• Выходные токены.
• Запись в кэш.
• Чтение из кэша.
• Вызовы инструментов.
• Поиск.
• Выполнение кода.
• Повторы.

Уровень 3: Что дали расходы?

Привязка затрат к:

• Деплоям.

• Закрытым тикетам.

• Объединённым pull request'ам.

• Отчётам.

• Доставленным результатам.

• Выполненным запросам клиентов.

• Событиям получения выручки.

• Сэкономленным часам.

Уровень 4: Нормально ли ведёт себя агент?

Мониторинг:

• Повторяющихся идентичных вызовов.
• Циклов повторов.
• Внезапного роста контекста.
• Всплесков токенов.
• Длительных простоев сессий.
• Сбоев инструментов.
• Задач без прогресса.

Цель — не просто сократить количество токенов.

А обнаружить малоценные токены.

Лучшее бюджетирование агентов имеет множество защитных барьеров

Ежемесячного лимита в долларах полезно, но недостаточно.

Для production-агентов обычно следует устанавливать несколько лимитов одновременно.

Пример:

На каждую задачу:
Максимальное время выполнения: 30 минут
Максимальное количество вызовов модели: 80
Максимальное количество повторов на инструмент: 3
Максимальная стоимость: $5

На каждого пользователя:
Дневной бюджет: $50

На каждую команду:
Месячный бюджет: $25,000

Глобально:
Аварийный сигнал при превышении почасовых расходов на +100%
Аварийный выключатель

Конкретные значения зависят от сценария использования.

Ключевой момент — архитектура.

Вышедшая из-под контроля система должна натолкнуться на несколько независимых барьеров, прежде чем вызовет непредвиденные расходы с семизначным ущербом.

Почему жёсткие лимиты критически важны для автономных агентов

Традиционное программное обеспечение обычно ждёт новых запросов, прежде чем продолжить работу.

Агент может сам создать следующее действие.

Это меняет модель риска.

Предположим, агент получил инструкцию:

Найди правильную запись автора и обнови базу данных.

Он обнаруживает неоднозначное совпадение.

Он выполняет поиск снова.

Затем он заставляет модель сравнить кандидатов.

Затем он повторяет попытку с каким-то API.

Затем он генерирует новые поисковые запросы.

Затем он расширяет контекст.

Затем он зацикливается.

Если критерии успеха определены нечётко, система может оставаться «занятой» в течение длительного времени, не становясь при этом более правильной.

Агенту необходимо понятие:

Остановка

независимо от того, по техническим или финансовым причинам.

Более высокая автоматизация не означает более высокую эффективность

В конце оригинальной статьи приводится известный пример неудачи автоматизации из эпохи до ИИ: Knight Capital.

Эта аналогия полезна, потому что проблема Knight не имела никакого отношения к LLM.

Это был провал в области автоматизированного программного обеспечения, контроля развёртывания и ограничения потерь.

1 августа 2012 года Knight Capital развернула новое торговое программное обеспечение для программы розничной ликвидности Нью-Йоркской фондовой биржи.

Согласно заявлению Комиссии по ценным бумагам и биржам США (SEC), ошибка развёртывания привела к тому, что старый код остался активным на одном из серверов.

Когда новая система была запущена, эта бездействовавшая функция начала отправлять на рынок непредусмотренные ордера.

Система работала примерно:

45 минут

SEC позднее заявила, что Knight накопил непредусмотренный портфель ценных бумаг на миллиарды долларов, а убытки превысили:

$460 миллионов

В оригинальной китайской статье использовалась часто цитируемая цифра в $440 миллионов. В более поздних материалах правоприменения SEC используется сумма свыше $460 миллионов, поэтому в данном переводе для точности используется цифра регулирующего органа.

Урок Knight Capital заключается в отсутствии систем безопасности

Критика SEC заключалась не просто в том, что в программном обеспечении были ошибки.

Ошибки в программном обеспечении бывают всегда.

Более серьёзные недостатки включали:

• Слабый процесс развёртывания.
• Недостаточное тестирование.
• Отсутствие средств контроля.
• Слабый мониторинг.
• Отсутствие эффективного механизма автоматического отключения.

Система Найта работает на машинной скорости.

Эта скорость

обычно является преимуществом.

Во время сбоя та же скорость усиливает ущерб.

Базовая схема почти идентична риску агентских издержек:

Автоматизация работает нормально
→ Скорость — это ценность

Автоматизация даёт сбой
→ Скорость усиливает потери

ИИ-агенты добавляют новый тип функции потерь

Система Найта напрямую тратила деньги через сделки.

У большинства корпоративных агентов нет доступа к брокерским системам.

Но у них есть счётчик.

Каждый вызов модели может стоить денег.

Каждый инструмент может иметь последствия для нижестоящих процессов.

Некоторые агенты также могут быть наделены полномочиями:

• Покупать облачные ресурсы.
• Запускать задачи.
• Отправлять электронные письма.
• Изменять код.
• Развёртывать инфраструктуру.
• Заказывать услуги.
• Мигрировать данные.

По мере расширения полномочий ИИ-систем их модели отказов всё меньше напоминают ошибки чат-ботов и всё больше — потерю контроля над автоматизацией.

Именно поэтому управление ИИ всё чаще требует заимствования знакомых концепций из финансовых систем и облачной инфраструктуры:

• Бюджеты.
• Предохранители.
• Лимиты скорости.
• Пороговые значения для утверждений.
• Журналы аудита.
• Откат.
• Аварийный рубильник.

Автоматизация одновременно усиливает успех и провал

Оригинальная статья завершается правильным принципом.

Автоматизация обещает:

• Более высокую скорость выполнения.
• Более низкую удельную стоимость.
• Меньше повторяющихся человеческих ошибок.
• Больший масштаб.
• Работу круглосуточно.

Эти преимущества реальны.

Но системы не выбирают, что усиливать только правильное поведение.

Они также усиливают:

• Ошибочные предположения.
• Разорванные циклы.
• Некорректные разрешения.
• Неправильно настроенные инструменты.
• Неверные стимулы.
• Отсутствующие ограничения.

Самая опасная автоматизация — это не обязательно система, которая рушится немедленно.

Это система, которая продолжает выглядеть продуктивной, даже когда быстро, многократно и незаметно выходит из строя.

Сообщаемый проект Amazon на 1,8 миллиона долларов с Claude — это не повод перестать использовать агентов.

Это повод перестать относиться к потреблению агентов как к безлимитному эксперименту.

Практический чек-лист контроля затрат на ИИ-агентов

Перед развёртыванием

1. Чётко определите бизнес-результат.
2. Установите максимально приемлемую стоимость за успешно выполненную задачу.
3. Оцените обычный объём использования токенов и инструментов.
4. Установите жёсткий лимит на задачу.
5. Определите лимиты повторов.
6. Установите тайм-ауты.
7. Требуйте одобрения человека для операций с высоким влиянием.

Во время выполнения

1. Относите расходы на конкретные проекты и ответственных лиц.
2. Отслеживайте отдельно затраты на ввод, вывод, кэш и инструменты.
3. Настройте оповещения о необычном росте за час или за день.
4. Выявляйте повторяющиеся вызовы и зацикленные процессы.
5. Фиксируйте результаты успешных и неудачных операций.
6. Показывайте операторам агентов текущие затраты.

После выполнения

1. Рассчитывайте стоимость каждого успешного результата.
2. Анализируйте аномально дорогие пути выполнения.
3. Сравнивайте уровни моделей.
4. Используйте кэширование там, где это уместно.
5. Удаляйте ненужный контекст.
6. Направляйте простые задачи на более экономичные модели.
7. Обновляйте лимиты по мере изменения поведения.

Цель — не минимизировать счёт любой ценой.

Цель — сделать счёт объяснимым.

Часто задаваемые вопросы

Действительно ли Amazon потратила 1,8 миллиона долларов на проект с Claude?

Financial Times сообщила, что проект Amazon с использованием Claude Sonnet накопил около 1,8 миллиона долларов затрат, превысив бюджет примерно на 860%, при этом проблема была обнаружена примерно через пять месяцев. Эта цифра взята из внутренних отчётов сотрудников, а не из публичных отчётов Amazon об инцидентах.

Действительно ли проект Amazon использовал 600 миллиардов токенов?

Эта цифра — лишь приблизительный арифметический пример, основанный на делении 1,8 миллиона долларов на цену 3 доллара за миллион входных токенов. Фактический объём токенов проекта, версия модели, соотношение ввода/вывода, использование кэша и другие расходы публично не раскрывались.

Какова текущая цена Claude Sonnet?

Anthropic в настоящее время указывает цену Claude Sonnet 5 как 2 доллара за миллион стандартных входных токенов и 10 долларов за миллион выходных токенов. Sonnet 4.6 и 4.5 указаны по 3 и 15 долларов соответственно; эти цены не включают применимые скидки за кэш, пакетную обработку или различия облачных платформ.

Почему ИИ-агенты становятся такими дорогими?

Агенты могут выполнять несколько вызовов моделей для одного запроса пользователя, воспроизводить большие контексты, вызывать инструменты и автоматически повторять неудачные операции. Если рабочий процесс попадает в цикл или не имеет условия остановки, затраты могут продолжать расти, даже когда задача больше не приносит полезных результатов.

Что такое Amazon KiroRank?

KiroRank — это, по сообщениям, неофициальный внутренний рейтинг, связанный с использованием сотрудниками внутреннего ИИ-инструмента Amazon Kiro. Сообщается, что Amazon отключила его после того, как сотрудники начали оптимизировать исключительно этот показатель, а руководство попросило сотрудников не использовать ИИ только ради увеличения использования.

Как предприятиям ограничивать расходы на ИИ-агентов?

Эффективные средства контроля включают: долларовые бюджеты на задачу, лимиты на количество вызовов моделей, ограничения повторов, тайм-ауты, квоты на пользователя и команду, оповещения об отклонениях, атрибуцию использования и аварийный рубильник. Лучший показатель — обычно стоимость за успешный бизнес-результат, а не сырой объём токенов.

Какое отношение Knight Capital имеет к ИИ-агентам?

Knight Capital потеряла более 460 миллионов долларов примерно за 45 минут после того, как развёртывание автоматизированной торговли вышло из строя из-за отсутствия достаточных защитных механизмов. Этот инцидент иллюстрирует тот же общий принцип: автоматизация ускоряет эффективную работу, но также ускоряет скорость и масштаб провалов.

Решит ли снижение цен на токены проблему корпоративных затрат на ИИ?

Само по себе снижение цен недостаточно. Более низкие цены за единицу могут стимулировать более высокое использование, особенно когда агенты работают автономно. Предприятиям по-прежнему нужны видимость, бюджеты, маршрутизация, кэширование и измерение на основе результатов.

Связанные инструменты

• Цены Anthropic Claude: официальные цены на модели Claude, кэш подсказок, пакетную обработку и сессии агентов.
• Amazon Bedrock: управляемая платформа AWS для использования Claude и других базовых моделей с корпоративным контролем.
• AWS Budgets: инструмент AWS для определения бюджетов и запуска оповещений при превышении порогов расходов или использования.
• AWS Cost Explorer: инструмент для анализа и атрибуции расходов AWS с течением времени.
• AWS Cost Anomaly Detection: автоматический мониторинг для выявления аномальных паттернов расходов AWS.
• Kiro: среда разработки ИИ Amazon, упомянутая в отчётах о внутреннем рейтинге использования KiroRank.

Связанные ссылки

• Financial Times: Amazon обнаружила ИИ-инциденты

приводящие к неконтролируемым расходам](https://www.ft.com/content/77baac40-d803-4084-94f3-a133653072cf): основной отчёт о проекте Amazon с Claude на 1,8 млн долларов и других внутренних перерасходах.

• Финансовые результаты Amazon за второй квартал 2026 года: официальное подтверждение выручки AWS во втором квартале в размере 42,2 млрд долларов, операционной прибыли 16,6 млрд долларов и общей операционной прибыли Amazon в 27,5 млрд долларов.
• [Энди Джасси о генеративном ИИ и агентах](https://www.aboutamazon.

com/news/company-news/amazon-ceo-andy-jassy-on-generative-ai): Официальный меморандум Amazon, описывающий более 1000 генеративных ИИ-сервисов, а также ожидания Джасси в отношении миллиардов агентов в будущем.

• Цены на Anthropic Claude: актуальная информация о ценах на Sonnet и детализированная тарификация за токены.
• Комиссия по ценным бумагам и биржам США: сбой торгов Knight Capital: пояснение регулятора относительно инцидента с автоматизированной торговлей в 2012 году и убытков Knight в размере более 460 миллионов долларов.
• Business Insider: Amazon закрывает KiroRank: репортаж о рейтинге использования ИИ в Amazon и отказе от tokenmaxxing.
• The Wall Street Journal: показатель, который финансовым директорам трудно отслеживать — объём использования ИИ: репортаж о прозрачности затрат на ИИ в компаниях и о том, что лишь 26% имеют полную видимость по этому параметру.

Резюме

По сообщениям, проект Amazon с использованием Claude Sonnet накопил счёт в 1,8 миллиона долларов, превысив бюджет примерно на 860%, и это обнаружили только через пять месяцев; в итоге проект так и не был развёрнут. Этот инцидент показывает, что когда агент может многократно расходовать оплачиваемые ресурсы ИИ без жёстких условий остановки, обычная программная ошибка может стать чрезвычайно дорогостоящей.

Amazon не уходит из сферы ИИ. AWS растёт быстро, компания планирует капитальные расходы в 2026 году на уровне около 220 миллиардов долларов, а будущее, описанное Энди Джасси, включает миллиарды агентов. Поэтому реакцией на неконтролируемые затраты скорее станет усиление финансового контроля, а не сокращение автоматизации.

Тот же сдвиг наблюдается по всей Кремниевой долине. Amazon закрыла KiroRank, Meta перешла от tokenmaxxing к бюджетной модели, Uber установила лимит в 1500 долларов в месяц на одного сотрудника для каждого инструмента кодирования, а Сэм Альтман заявил, что даже внутри OpenAI затраты на ИИ стали серьёзной проблемой.

Провал Knight Capital даёт вечный урок: автоматизация не просто усиливает эффективность. При слабом контроле она с той же скоростью усиливает ошибки.

Правильный корпоративный показатель для ИИ — не «сколько токенов мы использовали?», а «какие измеримые результаты дали эти токены, и что останавливает систему, когда они перестают приносить ценность?»