Прогноз Gartner: затраты на ИИ-кодинг превысят зарплаты разработчиков к 2028 году
Аналитики Gartner предупреждают: переход на тарификацию по токенам и отсутствие контроля могут сделать использование ИИ-агентов дороже найма программистов.
Аналитики Gartner предупреждают: переход на тарификацию по токенам и отсутствие контроля могут сделать использование ИИ-агентов дороже найма программистов.
3 мин

К 2028 году расходы компаний на инструменты искусственного интеллекта для написания кода могут превысить среднюю заработную плату самих разработчиков. К такому выводу пришли аналитики исследовательской компании Gartner. Главной причиной станет лавинообразный рост потребления токенов большими языковыми моделями (LLM) и массовый переход вендоров на ценообразование, зависящее от объема использования.
Долгое время базовые ИИ-инструменты для программистов продавались по фиксированной подписке за рабочее место. Сейчас индустрия стремительно переходит от этапа робких экспериментов к масштабному внедрению автономных ИИ-агентов. Вместе с этим меняется и бизнес-модель поставщиков: они все чаще используют тарификацию на основе потребленных токенов — базовых единиц данных, которые обрабатывает генеративная модель.
Смена модели лицензирования создает серьезные проблемы с прогнозированием затрат. Многие поставщики ИИ-инструментов не предоставляют прозрачных механизмов, показывающих, как именно рассчитывается и тарифицируется потребление токенов. Без четкого понимания того, сколько ресурсов уходит на конкретные задачи разработки, компании рискуют столкнуться с перерасходом бюджета и потерей контроля над рентабельностью.
Проблема усугубляется поведением самих пользователей. Разработчики программного обеспечения, как правило, стремятся оптимизировать свою работу ради скорости и удобства, а не экономической эффективности. Нитиш Тьяги, старший главный аналитик Gartner, отмечает, что дисциплина расходования токенов не появится сама по себе. Программисты часто загружают в контекстное окно модели избыточные объемы данных, что ведет к неоправданным тратам. Без строгого управления затраты могут расти быстрее, чем производительность, которую должны обеспечивать эти инновационные инструменты.
Ситуация обнажает серьезный пробел в корпоративном управлении. Большинство организаций пока не обладают зрелыми системами оценки соотношения затрат на ИИ и реальной пользы для бизнеса. Руководители инженерных подразделений все чаще выражают беспокойство, так как выделенные на ИИ бюджеты исчерпываются гораздо раньше запланированного срока. Кроме того, сами создатели ИИ-агентов пока не встроили в свои продукты надежные механизмы оптимизации затрат.
Аналитики прогнозируют, что стоимость ИИ-кодинга продолжит расти, поскольку огромные инвестиции в инфраструктуру и проблемы с прибыльностью вынуждают разработчиков моделей повышать цены. Одновременно с этим растет вовлеченность пользователей: те, кто раньше использовал ИИ эпизодически, становятся постоянными пользователями, что еще больше увеличивает общий расход токенов.
Чтобы избежать финансовых потерь, Gartner рекомендует компаниям внедрить строгую дисциплину использования ИИ. Во-первых, необходимо создать систему принятия решений, где задачи четко делятся на три категории: управляемые человеком, совместные (человек и агент) и полностью автономные.
Во-вторых, важную роль сыграет грамотная маршрутизация: простые и частые задачи должны направляться небольшим и дешевым моделям, а сложные — передовым (frontier models).
В-третьих, потребуется обучение программистов практикам «контекстной инженерии» (context engineering) — умению формулировать лаконичные запросы, исключая лишние данные, что позволит снизить расход токенов без потери качества результатов. Наконец, компаниям следует внедрить автоматизированный мониторинг, лимиты на токены и регулярные проверки ресурсоемких рабочих процессов во время ретроспектив спринтов.
Переход на оплату за потребленные токены и отсутствие контроля могут сделать ИИ-инструменты для программирования дороже самих разработчиков к 2028 году.
Главная угроза бюджетам кроется не только в ценах на модели, но и в неумении инженеров оптимизировать контекст: передача лишних данных ИИ-агентам многократно увеличивает скрытые расходы.