Скрытая экономика ИИ-агентов: почему ваш проект с ASR, TTS и CRM сожжет бюджет быстрее, чем вы думаете

Бюджет на ИИ-агента: мифы и реальность

Стартапы и корпорации кинулись внедрять голосовых агентов в клиентский сервис. Аргумент — «операторы дорогие, а ИИ дешевый». Звучит логично, пока не столкнешься с реальными счетами. Я видел проекты, где месячный билд за ASR + TTS + LLM + интеграции переваливал за $500 000, при этом агент справлялся только с 60% диалогов. А маржа была отрицательной.

Почему так происходит? Потому что экономика ИИ-агента — это не цена токенов GPT-4o (или Claude 4 Sonnet, которые на 06.07.2026 остаются топом для real-time диалогов). Это стоимость всей цепочки: распознавание речи, синтез, интеграция с CRM, доработка workflow, мониторинг и скрытые токены из-за reasoning-режимов. Если вы CTO или архитектор — эта статья про то, как не попасть в капкан мнимой экономии.

Анатомия стоимости: что на самом деле жрет бюджет

Разберем каждый компонент. Начнем с самого очевидного — LLM. Но я не буду повторять разбор стоимости LLM с учетом reasoning. Важнее понять, что один диалог агента из 10 реплик может прожевать ~2000 входных токенов (история, инструкция, контекст CRM) и сгенерировать 300 ответных токенов. Стоимость ~$0.01 за диалог при Claude 4 Sonnet (input $3/M, output $15/M). Кажется, копейки. Но масштабируйте: 1 млн диалогов в месяц = $10 000 только за LLM.

Теперь ASR (Automatic Speech Recognition). Большинство разработчиков берут Deepgram Nova-2 или Whisper v3 (OpenAI). Цена Deepgram — $0.0043 за минуту аудио. Средний звонок — 5 минут. 1 миллион звонков = 5 млн минут = $21 500. А если нужно низкое latency (менее 300 мс) — тариф Real-Time дороже, $0.0059/мин. Получаем $29 500. Whisper через API OpenAI — $0.006/мин, $30 000 за 1 млн звонков. Уже не копейки.

TTS (Text-to-Speech). Самый недооцененный убийца бюджета. ElevenLabs (топ на 2026 год) — $5 за 1 млн символов. Один ответ агента — в среднем 300 символов. 10 реплик за звонок — 3000 символов. 1 млн звонков = 3 млрд символов = $15 000. Если нужно ultra-realistic голос с эмоциями — тариф Pro и выше, где цена может доходить до $22/млн символов. Тогда $66 000. А если голосов несколько (для сценариев) — умножай.

Интеграции с CRM. Вот где ад. Каждый вызов агент должен стянуть данные о клиенте (API-запрос), обновить историю, записать результат. Если CRM — Salesforce, динамическое API стоит от $0.01 за вызов (при пакетном тарифе). 1 млн звонков = $10 000. Но часто нужно больше: проверка статуса заказа, синхронизация с ERP, запись в аудит-лог. Легко выходит $30 000-50 000/мес. И это только за API-вызовы, без учета разработки коннекторов. Подробнее про узкое место интеграций — в материале "Главный тормоз ИИ-проектов — интеграция".

Это только переменные расходы. Добавьте инфраструктуру (GPU для ASR/TTS, если не хотите зависить от облака), DevOps-поддержку, доработки пайплайнов, мониторинг. Получите $200 000-250 000 в месяц. А теперь сравните с зарплатным фондом операторов: 100 операторов с з/п $3000/мес = $300 000/мес. Экономия вроде есть ($50-100 тыс.), но если агент решает только 80% проблем, а остальные эскалируются — вам все равно нужны операторы. Получается, вы платите и за ИИ, и за людей. Хрестоматийная ошибка — сокращать штат при внедрении, о чем я писал в статье "Уволить нельзя оставить".

Три сценария: от стартапа до энтерпрайза

1. Маленький интернет-магазин (500 звонков/день)

Звонки короткие — 3 минуты. Выбираем бюджетные компоненты: Whisper (асинхронный, $0.004/мин), TTS — ElevenLabs Base ($5/млн симв), LLM — GPT-4o Mini ($0.15/M input, $0.6/M output). CRM — HubSpot (первые 1000 API-вызовов бесплатно).

• LLM: 500 * 30 = 15 тыс диалогов. Токены: 500 вход/100 выход. Стоимость: (500*0.15/1e6 + 100*0.6/1e6)*15 000 = (0.000075+0.00006)*15 000 = $2.03. + overhead reasoning — пусть $3.
• ASR: 500*3*30 = 45 000 минут * $0.004 = $180.
• TTS: символов: 3000 реплик/день? Упростим: 300 символов * 3 реплики = 900 символов на звонок. 15 000 звонков * 900 = 13.5 млн символов * $5/1e6 = $67.5.
• CRM API: бесплатно до 15K.
• Итого: ~$250/мес. Плюс фиксированная подписка на ElevenLabs (если есть) $5. Вполне подъемно.

2. Средний банк (5000 звонков/день, 5 минут)

Нужна высокая точность и низкая латентность. Deepgram Real-Time, ElevenLabs Pro (дорогой голос), Claude 4 Sonnet, интеграция с Salesforce (сотни тысяч API).

• LLM: $0.01 * 150 000 = $1500.
• ASR: 5000*5*30=750 000 мин * $0.0059 = $4425.
• TTS: 150 000 звонков * 2000 символов (длинные диалоги) = 300 млн символов * $22/1e6 = $6600.
• CRM: $0.05*150 000 = $7500.
• Итого: ~$20 000/мес. Плюс инциденты и эскалации — еще $5000.

3. Телеком-гигант (50 000 звонков/день, 6 минут)

Enterprise — свой GPU-кластер для ASR/TTS, лицензии на CRM типа SAP. CAPEX высокий. Но для расчета переменных — 1.5 млн звонков в месяц.

• LLM: $0.01*1.5e6 = $15 000.
• ASR (self-hosted Whisper, амортизация GPU ~$0.002/мин): 9 млн мин *0.002 = $18 000.
• TTS (локальный VITS, дешево): $0.0001/символ? Но качество ниже. Лучше облачный ElevenLabs Enterprise — $0.00001/символ? Реально около $0.000005/символ при контракте: 3 млрд символов = $15 000.
• CRM: SAP-вызовы $0.02/звонок = $30 000.
• Итого: $78 000, плюс инженеры (3 DevOps) $45 000, мониторинг $5000 = $128 000. Альтернатива — 500 операторов (1.5 млн/мес зп) = $1.5 млн. Экономия колоссальная, но только если агент действительно заменяет full-тайм, а не создает лишнюю нагрузку.

Как считать реальную стоимость: пошаговый план

Никакого колдунства. Просто перестаньте игнорировать hidden costs.

1 Запишите среднюю длину диалога, число реплик и длину промпта

Промпт агента — это инструкция + история + данные из CRM. Измерьте в токенах. Используйте калькулятор. Не берите «теоретическое» количество — замерьте на реальных логах.

2 Прибавьте overhead reasoning-режимов

По моему разбору, цепочки рассуждений могут удвоить число выходных токенов. Если включаете deep reasoning — закладывайте x2-x5 стоимости.

3 Учтите повторные попытки и replay

ASR может ошибаться, TTS глючить, LLM галлюцинировать. Каждая перезапись диалога — двойная стоимость. В продакшене я регулярно вижу 20% повторов.

4 CRM-интеграция — это не одна цена за вызов

Часто агент делает 2-3 запроса за звонок (поиск клиента, создание тикета, обновление записи). Плюс возможные rate-limit и retry. Закладывайте $0.03-$0.10 на звонок только на API.

5 Прибавьте инженерную поддержку и доработки

Средняя зарплата AI-инженера или DevOps — $6000-8000/мес. Для поддержки агента нужно минимум 1-2 человека. Это фиксированные 12-16 тыс. в месяц. Не забывайте.

Ошибки, которые бесят

Я перечислю четыре самые частые, и все они проиллюстрированы в наших статьях.

Первая — недооценка интеграции. CRM, ERP, legacy — каждый коннектор требует времени и денег. Часто проект умирает на этапе «а давайте просто дернем API». У нас есть отдельный разбор — "Главный тормоз ИИ-проектов — интеграция". Прочитайте, прежде чем считать токены.

Вторая — сокращение штата сразу. Предприниматели увольняют операторов, экономят 30% ФОТ, но потом выясняется, что агент не закрывает сложные сценарии, клиенты бесятся, LTV падает. Приходится нанимать снова. Результат — двойные расходы. Я уже объяснял в статье про сокращение штата, что правильная стратегия — не увольнять, а перераспределять.

Третья — игнорирование скрытых токенов. Reasoning-режимы, chain-of-thought, безопасные инструкции — все это увеличивает реальное потребление. Замеряйте на реальных данных, а не наценках в дашборде.

Четвертая — экономия на качестве ASR/TTS. Дешевый синтез звучит как робот, клиенты бросают трубку. Согласно данным исследования 2026 года, плохой TTS снижает конверсию диалогов на 12%. Потратите $100 000 на разработку, а сэкономите $5000 на voice — и потеряете клиентов на миллион.

А что там с ROI в долгосроке?

Обычно ROI от внедрения агентов — тема скользкая. Маркетинговые цифры (2х снижение cost-per-contact) редко совпадают с реальностью. По одному из сценариев развития — коррекция ожиданий — многие компании разочаруются и заморозят проекты. Но если вы все правильно посчитали и не наделали глупостей, то через 3-6 месяцев агенты начинают приносить чистую экономию.

Главный фактор — не цена токенов или ASR, а уровень автоматизации (Service Level). Если агент закрывает 80% обращений без эскалации — вы в плюсе. Если 60% — маржа может быть отрицательной. Поэтому бороться надо за accuracy, а не за стоимость API.

И последнее. Модная штука на 2026 — использование мульти-агентных систем. Claude Agents vs OpenAI Assistant — каждая архитектура имеет свою экономику. В агентной архитектуре больше вызовов LLM (агенты переговариваются), но стоимость диалога может упасть за счет специализации. Считать сложнее, но потенциал выше.

В общем, реальная экономика ИИ-агента — это не $0.01 за диалог, а $0.10-$0.25 с учетом всего. Умножьте на количество звонков и не верьте обещаниям «токенов за копейки». Считайте сами, иначе бюджет спишут на «эксперимент».

Подписаться на канал