О том, окупаются ли AI агенты для бизнеса, обычно спорят на уровне ощущений: «стало быстрее», «экономим людей». Финансовую модель с таблицами, формулами и честным минусом в ROI публикуют редко. Поэтому стоит пересказать кейс с Хабра, где автор разложил по статьям два месяца работы своей агентной системы на коммерческом заказе.
Материал называется «AI-агенты принесли 400 тысяч рублей за два месяца. Показываю расходы и окупаемость». Это вторая статья автора о той же системе. В первой он описывал техническое устройство и прямо называл архитектуру неудачной. Вторую он написал, потому что читателей заинтересовала экономика: сколько стоила разработка платформы, во что обходится эксплуатация и откуда взялась ранее заявленная цифра эффекта. Технической части во втором тексте почти нет, только цифры и методика.
Ниже изложены выручка, себестоимость, цена создания платформы, срок окупаемости и то, насколько эти расчёты зависят от исходных допущений. Все цифры перенесены из материала. Это расчёты автора, а не независимая проверка.
Что за заказ и кто на нём работал
За два месяца агентная система выполнила обычную заказную разработку. По проекту закрыли два акта по 200 тысяч рублей. Автор подчёркивает, что это не демонстрация и не экспериментальный заказ: работы шли в рамках стандартных коммерческих обязательств. Проект продолжается, ежемесячный объём закреплён договором на уровне 200 тысяч рублей. При той же загрузке это 2,4 млн рублей в год.
Роли распределились так. Менеджер ставил задачи и принимал результат. Разработчики подключались только на код-ревью. Сам код писали агенты, так что пример относится к теме «AI-агенты для программирования», а не к генерации текстов.
| Ресурс | Трудозатраты за два месяца |
|---|---|
| AI-агенты | 21 час |
| Менеджер | до 20 часов |
| Код-ревью | 5 часов |
| Экспертная оценка традиционной разработки | 160 часов |
21 час работы агентов включает неудачные запуски и повторы. Около 70% задач закрывались за одну-две попытки, остальные 30% требовали до пяти запусков. Большую часть повторов автор связывает с нестабильностью оркестратора (компонента, который раздаёт задачи агентам), а не с качеством кода. Система умеет выполнять задачи параллельно, но в этом проекте их запускали последовательно.
160 часов — оценка самого автора: столько, по его мнению, ушло бы у обычных разработчиков на тот же объём. Отношение к времени агентов он приводит как 160 / 21 = 7,62. Именно на этой оценке держится вся дальнейшая экономика, и в конце статьи автор проверяет, что будет, если она неверна.
Себестоимость: AI агенты для бизнеса против обычной команды
В первой статье фигурировал эффект в 350 тысяч рублей: 200 тысяч выручки и 150 тысяч предварительной экономии. Во второй автор пересмотрел методику. Вместо прикидки он сравнивает прямую себестоимость двух сценариев на одинаковом объёме работ и считает по внутренней себестоимости часа, а не по цене, за которую компания продаёт час клиенту.
| Показатель за два месяца | Традиционная разработка | AI-разработка |
|---|---|---|
| Работа разработчиков | 96 000 ₽ | 0 ₽ |
| Код-ревью | 0 ₽ | 3 000 ₽ |
| Работа менеджера | 13 750 ₽ | 13 750 ₽ |
| Модели и инфраструктура | 0 ₽ | 6 250 ₽ |
| Прямые затраты | 109 750 ₽ | 23 000 ₽ |
| Выручка | 400 000 ₽ | 400 000 ₽ |
| Маржинальный остаток | 290 250 ₽ | 377 000 ₽ |
| Маржинальность | 72,56% | 94,25% |
Из таблицы видно, где возникает экономия. Менеджер остаётся в обоих сценариях и стоит одинаково. Исчезает статья «разработчики», вместо неё появляются код-ревью и расходы на модели с инфраструктурой. В эти расходы автор заложил запас 25% сверх первоначальной оценки.
Разница прямой себестоимости составила 86 750 рублей, то есть снижение на 79,04%. Маржинальность выросла с 72,56% до 94,25%, разрыв составил 21,69 процентного пункта. Автор оговаривает, что это прямые производственные затраты: общие административные расходы и налоги сюда не входят.
Сколько стоит разработка на AI-агентах и когда она окупается
Платформа изначально не задумывалась как продукт. Автор делал её в свободное время из технического интереса, на финальном этапе подключился коллега. Позже эксперимент стал инструментом для клиентских задач. Чтобы ответить на вопрос, сколько стоила разработка AI-агента, автор оценил своё время, участие коллеги, подписки и эксперименты с моделями.
| Статья затрат | Минимум | Максимум |
|---|---|---|
| Первоначальная разработка (40–50 часов автора) | 40 000 ₽ | 50 000 ₽ |
| Работа коллеги (два месяца, 60–70% времени) | 36 000 ₽ | 42 000 ₽ |
| Подписки и эксперименты | 18 750 ₽ | 18 750 ₽ |
| Общие инвестиции | 94 750 ₽ | 110 750 ₽ |
Строка «подписки и эксперименты» получена так. Весь консервативный бюджет на модели, инфраструктуру и эксперименты автор оценил в 25 тысяч рублей. Из них 6 250 рублей уже учтены в операционных расходах первых двух месяцев. Оставшиеся 18 750 рублей относятся к инвестициям.
Окупаемость считается относительно традиционной разработки. Экономия за два месяца, 86 750 рублей, даёт в среднем 43 375 рублей в месяц. Срок окупаемости равен инвестициям, делённым на месячную экономию:
| Показатель | Минимальные инвестиции | Максимальные инвестиции |
|---|---|---|
| Срок окупаемости | 2,18 мес. | 2,55 мес. |
| ROI за первые два месяца | −8,44% | −21,67% |
ROI считается как разность накопленной экономии и инвестиций, делённая на инвестиции. За первые два месяца он отрицательный: вложения ещё не вернулись. По расчёту автора, при сохранении загрузки точка окупаемости приходится на третий месяц.
Высвобожденные часы и масштабирование
Отдельно автор описывает эффект, который в P&L не включён. Разработчики не простаивали, а работали над другими коммерческими проектами. Если из 160 часов оценки вычесть 5 часов код-ревью, остаётся 155 часов высвобожденной мощности. При коммерческой ставке 2 500 рублей за час это 387 500 рублей. Автор называет эту сумму теоретическим объёмом работ, который можно продать при полной загрузке команды, и в основной расчёт её не добавляет.
Второй сюжет раздела — расходы при росте числа проектов. Система поддерживает несколько проектов и параллельные задачи, а общая инфраструктура, по словам автора, дорожает медленнее, чем растёт их число. Он приводит расчётные сценарии, тоже с запасом 25%:
| Одновременных проектов | Модели и инфраструктура в месяц | На один проект |
|---|---|---|
| 3 | 3 125 ₽ | 1 042 ₽ |
| 12 | 12 500 ₽ | 1 042 ₽ |
| 50 | 31 250 ₽ | 625 ₽ |
Это сценарии, а не замеры. Поддержка платформы сейчас занимает примерно один-два часа в месяц, активное развитие приостановлено.
Насколько цифры держатся и при чём тут архитектура
Главную неопределённость автор называет сам: оценку в 160 часов традиционной разработки. Чтобы проверить её влияние, он пересчитал модель для 100 и 200 часов. Стоимость часа разработчика и затраты AI-системы при этом не менялись.
| Показатель за два месяца | 100 ч | 160 ч | 200 ч |
|---|---|---|---|
| Прямые затраты традиционной модели | 73 750 ₽ | 109 750 ₽ | 133 750 ₽ |
| Прямые затраты AI-модели | 23 000 ₽ | 23 000 ₽ | 23 000 ₽ |
| Разница затрат | 50 750 ₽ | 86 750 ₽ | 110 750 ₽ |
| Снижение себестоимости | 68,81% | 79,04% | 82,80% |
| Расчётная окупаемость | 3,73–4,36 мес. | 2,18–2,55 мес. | 1,71–2,00 мес. |
Автор подчёркивает, что 100 и 200 часов — аналитические сценарии, а не независимые оценки проекта. Его вывод состоит из двух частей. Даже если оценка завышена на 60 часов, AI-модель остаётся дешевле по прямым затратам. Срок окупаемости при этом заметно растягивается, поэтому первые два месяца он не считает доказательством эффективности технологии для любого проекта.
Последний абзац материала возвращает к архитектуре. В первой статье автор подробно разбирал проблемы изоляции агентов и восстановления после сбоев. По его словам, большая часть этих проблем никуда не делась, и текущую реализацию он окончательным решением не считает. Финансовая модель объясняет, почему систему всё равно продолжают развивать. Заканчивает он так: «Архитектуру я по-прежнему считаю неудачной. Но с экономикой спорить становится сложнее».
Коротко
- Агентная система за два месяца выполнила заказ на 400 тысяч рублей при прямых затратах 23 тысячи. Людям понадобилось до 25 часов: менеджер и код-ревью.
- Относительно оценки традиционной разработки в 160 часов прямая себестоимость ниже на 79%, маржинальность выросла с 72,56% до 94,25%.
- Платформа обошлась в 94 750–110 750 рублей, ROI за два месяца отрицательный. Окупаемость по расчёту автора наступает примерно через 2,2–2,5 месяца.
- Вся экономика держится на экспертной оценке трудозатрат. При 100 часах вместо 160 окупаемость растягивается до 3,7–4,4 месяца, но AI-вариант остаётся дешевле.
- Архитектуру автор считает неудачной: повторы запусков в основном вызваны нестабильностью оркестратора.
Что из этого следует
Ценность кейса в методике, а цифры здесь вторичны. Автор отделяет подтверждённую выручку от расчётной экономии, не включает в P&L высвобожденные часы, показывает отрицательный ROI и проверяет, как результат зависит от своей главной оценки. Для одного проекта и одного заказчика такой расчёт честен. Переносить его цифры на свою ситуацию напрямую нельзя.
Применимость ограничена условиями кейса. Это заказная разработка с постоянным объёмом по договору, задачи шли последовательно, а код проверяли люди. На задачах, где нет понятной приёмки результата или ревьюера, структура затрат будет другой. Неизвестно и то, как поведёт себя нестабильный оркестратор при параллельном запуске, который в этом проекте не использовали.
Если вы прикидываете, стоит ли собирать своих агентов, из этого материала можно взять порядок расчёта. Сначала оцените, сколько часов людей уходит на ту же работу сейчас, и проверьте эту оценку сценариями «меньше» и «больше». Затем отдельно посчитайте, что остаётся за людьми: постановку задач, приёмку, ревью. Вложения в создание системы учитывайте отдельно от операционных расходов. И заложите время на повторы: в кейсе почти треть задач потребовала до пяти запусков.
Источник: AI-агенты принесли 400 тысяч рублей за два месяца. Показываю расходы и окупаемость