Новости об искусственном интеллекте и затратах: тысячи долларов на агентов, +60% расходов, один продукт

Стив Йегги, один из самых громких адвокатов подхода «тратить на ИИ-агентов по максимуму», закрыл свой проект Gas Town и признал: несмотря на тысячи долларов в месяц на подписки кодинг-агентов, он так и не построил ничего, кроме этого единственного продукта.

Параллельно Databricks раскатала модель GPT-6 Astra на 3 500 инженеров и зафиксировала рост расходов на кодинг примерно на 60%, хотя Astra на бенчмарках часто выглядит дешевле конкурентов по стоимости задачи. Две новости об искусственном интеллекте и реальных затратах, которые рисуют картину, далёкую от рекламных обещаний.

Что именно измеряли?

Дайджест AINews за 15-16 сентября 2026 года собрал данные из 12 сабреддитов и 544 аккаунтов в Twitter. Это не классическое исследование с контрольной группой, а агрегация публичных отчётов, бенчмарков и признаний практиков.

Два ключевых кейса вышли на первый план. Первый: личный опыт Стива Йегги, известного разработчика, который активно продвигал подход «тратить на токены, не жалея» (в англоязычном сообществе это называют tokenmaxxing). Второй: корпоративный отчёт Databricks о реальной стоимости перехода 3 500 инженеров на модель GPT-6 Astra.

Дополнительно в выпуске фигурируют бенчмарки (тесты производительности моделей на стандартных задачах) от Epoch AI и площадки Arena, а также оценки стоимости тренировки модели MiMo-V2.6 от Xiaomi.

Что обнаружили?

• Йегги потратил тысячи и построил одно. Несмотря на ежемесячные расходы в тысячи долларов на подписки кодинг-агентов, единственным результатом стал Gas Town. Проект закрыт. Йегги публично признал это, хотя до последнего момента оставался одним из главных энтузиастов максимальных трат на ИИ-инструменты.

• Astra «однозначно» лучше на сложных задачах, но дороже в реальной работе. По данным Databricks (@pwendell), GPT-6 Astra превосходит Opus 5 и Sol 5.6 на задачах проектирования систем и длинных горизонтов. Но на средних и простых задачах разница несущественна, а общие расходы на кодинг выросли примерно на 60%. Компания создала отдельный суб-бюджет на Astra, чтобы инженеры использовали модель выборочно.

• По стоимости задачи Astra почти вчетверо дороже Sol. По данным @arena: Astra Max обходится в $3,94 за задачу, Sol xHigh в $1,03. При этом Astra лидирует по общему индексу возможностей Epoch AI и занимает первое место в рейтинге Arena на задачах веб-разработки.

• Тренировка крупной модели стоит сотни тысяч в день. Оценка @eliebakouch для тренировочного прогона MiMo-V2.6 от Xiaomi: около $493 000 в день для версии Pro (1T-класс) и около $247 000 в день для Flash.

• «Чат» и «работа» сливаются в одного агента. Anthropic объединила Claude Cowork и чат в единый интерфейс, который автоматически маршрутизирует между быстрыми ответами и глубокой агентной работой. OpenAI движется в ту же сторону: пользователь хочет одну точку входа, а не два отдельных продукта.

Что делать с этим прямо сейчас?

Авторам и копирайтерам на Дзене. Новости об искусственном интеллекте часто подают ИИ-инструменты как способ «делать больше за меньше». История Йегги показывает обратное: можно тратить тысячи в месяц и получить на выходе один продукт, который пришлось закрыть. Прежде чем подключать платную подписку на ИИ-ассистента для текстов, посчитайте, сколько готовых материалов вы реально получите за эти деньги. Бесплатные тарифы и пробные периоды существуют не просто так.

Маркетологам и руководителям. Рост расходов Databricks на 60% после перехода на Astra при том, что на простых задачах модель не даёт заметного преимущества, это предупреждение. Если ваша команда переходит на дорогую модель, создайте отдельный бюджет и правила: дорогой инструмент только для сложных задач, дешёвый для рутины. Databricks именно так и поступила.

Предпринимателям в РФ и СНГ. GPT-6 Astra, Opus 5 и Claude Fable напрямую в России недоступны. Из доступных альтернатив, YandexGPT и GigaChat для текстовых задач, а для кодинга открытые модели вроде Qwen (те самые, что используются даже в поиске Федерального реестра США). Ключевой вывод: если даже у компаний с прямым доступом к лучшим моделям расходы растут на 60%, то при использовании API через посредников в РФ экономика будет ещё жёстче. Считайте юнит-экономику до подключения, а не после.

Рынок ИИ-агентов в 2026 году наконец получил то, чего ему не хватало: публичные данные о реальных расходах, а не только о возможностях. Используйте их, чтобы считать до подписки, а не после закрытия проекта.

По данным AINews (Latent Space)