For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/ru/articles/amazon-s-1-8m-claude-overrun.md.
ИИ-агенты могут выходить из строя так, как это редко случается с обычным программным обеспечением: они продолжают пытаться. Сотрудник, столк...
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.
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:
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.
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:
Текущее ценообразование Anthropic также различается в зависимости от поколения Sonnet.
По состоянию на август 2026 года тарифы Anthropic выглядят так:
| Модель | Стандартный ввод | Стандартный вывод |
|---|---|---|
| Claude Sonnet 5 | $2/млн токенов | $10/млн токенов |
| Claude Sonnet 4.6 | $3/млн токенов | $15/млн токенов |
| Claude Sonnet 4.5 | $3/млн токенов | $15/млн токенов |
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.
У традиционного ПО обычно относительно предсказуемые факторы затрат.
Команда может оценить:
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.
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.
Ранее сгенерированный агентом текст обычно становится контекстом для следующего вызова модели.
Система фактически сначала платит за генерацию информации, а затем платит за её чтение.
Неудачный вызов инструмента может инициировать:
Цикл повторных попыток, который на уровне кода выглядит безобидно, может породить огромное потребление токенов.
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.
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:
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.
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:
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.
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:
| Показатель | Второй квартал 2026 года |
|---|---|
| Общая чистая выручка Amazon | 200,6 млрд долларов |
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.
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:
Очевидно одно: сама Amazon ожидает, что ИИ изменит её будущие потребности в персонале.
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:
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.
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:
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.
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.
По сообщениям, Meta также проводила аналогичные эксперименты.
Опишите идею одной фразой, и We0 AI создаст сайт-витрину, страницы и CMS, а после запуска поможет привлечь клиентов и трафик.
Одна полная генерация проекта для бесплатной регистрации
Лучше всего попробовать один полный поток генерации и быстро увидеть первый черновик проекта.
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:
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 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:
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.
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
Управление затратами сложно, потому что использование ИИ распределено повсюду.
Предприятия могут платить за ИИ через:
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:
Полезная система управления затратами на ИИ для предприятия должна отвечать на вопросы нескольких уровней.
Отслеживание по следующим параметрам:
Различать:
Привязка затрат к:
Деплоям.
Закрытым тикетам.
Объединённым pull request'ам.
Отчётам.
Доставленным результатам.
Выполненным запросам клиентов.
Событиям получения выручки.
Сэкономленным часам.
Мониторинг:
Цель — не просто сократить количество токенов.
А обнаружить малоценные токены.
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.
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.
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.
Критика SEC заключалась не просто в том, что в программном обеспечении были ошибки.
Ошибки в программном обеспечении бывают всегда.
Более серьёзные недостатки включали:
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
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:
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:
Оригинальная статья завершается правильным принципом.
Автоматизация обещает:
Эти преимущества реальны.
Но системы не выбирают, что усиливать только правильное поведение.
Они также усиливают:
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.
Цель — не минимизировать счёт любой ценой.
Цель — сделать счёт объяснимым.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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?»
Начните с одной фразы и получите полноценный сайт за считанные минуты.
