Скільки коштує використання штучного інтелекту всередині великої аутсорс-компанії? Хто витрачає найбільше токенів — джуни чи архітектори? І чи справді ШІ прискорює розробку в рази?
На ці та інші питання dev.ua відповів Назарій Попов, старший директор з AI-інженерії та впровадження EPAM Ukraine.
Скільки коштує використання штучного інтелекту всередині великої аутсорс-компанії? Хто витрачає найбільше токенів — джуни чи архітектори? І чи справді ШІ прискорює розробку в рази?
На ці та інші питання dev.ua відповів Назарій Попов, старший директор з AI-інженерії та впровадження EPAM Ukraine.
Так, компанія має не просто один, а цілу систему бюджетів на AI-інструменти розділених за цільовим призначенням. Місячні операційні витрати лише на інфраструктуру та inference становлять сотні тисяч доларів. І це без урахування бюджетів на R&D та розвиток власних платформ. Для компанії AI залишається як і одним з основних напрямків зростання так і інвестування.
Ключовий підхід компанії полягає в тому, що бюджети є цільовими. Ми не просто видаємо «гроші на токени», а розподіляємо кошти за конкретними напрямками:
Такий підхід з цільовими бюджетами дозволяє нам гнучко керувати витратами та інвестувати туди, де це дає максимальний ефект.
Середня цифра не буде репрезентативною. Витрати кардинально відрізняються залежно від ролі, проєкту та типу задач. Діапазон витрат від десятків до кількох тисяч доларів на місяць у перерахунку на одного співробітника. Що визначає витрати: Складність продукту — greenfield проєкт з мінімальним контекстом чи legacy-система з мільйонами рядків коду. Зазвичай більший контекст збільшує витрати на кожен наступний інкремент.
Етап розробки — активна розробка нового функціоналу споживає більше токенів, ніж підтримка.
AI Harness — наскільки ефективно побудована обв’язка для роботи з AI.
Семантичний шар — обсяг контексту, який потрібно обробляти моделі та його якість.
Тип задач — архітектурний discovery може коштувати тисячі доларів, а рутинна автоматизація — десятки.
Є розробники, яким достатньо менше $100 на місяць, хоча вони мають можливість використовувати більше. Є проєкти, де витрати на одного спеціаліста сягають кількох тисяч доларів. Обидва випадки норма, просто різні контексти використання.
Всі перелічені. Ринок AI для розробки пройшов кілька стадій. Спочатку основним мірилом були моделі: "ця краща за попередню", "наша точніша, ніж у конкурентів". Згодом фокус змістився від моделей до агентських рішень. GitHub Copilot, Cursor і т. д. Зараз фокус змістився до AI Harness — обгортки навколо агентів для кодування та скілів. Сучасні імплементації якісного AI Harness, який індустрія називає AI Factory, зазвичай є "амбідексером" — однаково якісно працює з лідерами ринку.
Ми партнери OpenAI, Anthropic, Microsoft, Cursor та інших платформ. Використовуємо весь стек, бо різні клієнти мають різні вхідні умови через партнерські відносини, compliance-вимоги чи технічні причини. Тому ми фокусуємося не на інструменті, а на AI Harness, який створюємо навколо нього. Інструмент можна змінити, архітектура та підхід залишаються. Сучасна обв’язка побудована так, щоб інструменти можна було легко замінювати при потребі. Основна цінність це — семантичний шар, pipelines і quality gates.
Однозначно так. Але важливо розуміти, що ШІ має різну ефективність для різних типів задач. У нас є величезна бібліотека кейсів, де ШІ скоротив витрати в рази. Є задачі, де ефект менший, лише кілька відсотків. Важливо розуміти, що для бізнесу важлива не стільки економія на окремій, ізольованій задачі, а більше на загальному end-to-end процесі — від отримання вимог до випуску готового продукту. Адже ми мислимо в категоріях загальної вартості — Total Cost of Ownership (TCO) для замовника.
Максимальна економія (в рази і десятки разів) стосується детерміністичних задач, де вимоги чітко визначені з самого початку.
Міграція між платформами. У замовника є мобільний додаток на Android, і нам потрібно створити його точну копію для iOS, зберігши дизайн та user experience. У цьому випадку майже всі вимоги вже містяться в існуючому коді. ШІ може автоматизувати перенесення логіки та інтерфейсу, що скорочує час розробки в рази.
Масштабна модернізація legacy-коду. У нас був кейс міграції понад 100 ізольованих PHP-інстансів у єдине multi-tenant рішення. Аналізувати вручну тисячі файлів коду було б нереалістично і зайняло б 6-12 місяців. ШІ-агент виконав цей аналіз, порівняв код, знайшов схожий функціонал і згенерував детальний звіт, що кардинально прискорило проєкт.
Помірна економія (у відсотках) зазвичай стосується нових продуктів, де кінцеве бачення продукту є ще не сформованим та буде змінюватись. Коли замовник приходить з ідеєю, процес включає безліч ітерацій: обговорення, створення концепцій, прототипування, збір фідбеку, коригування. Сама розробка коду є лише частиною цього процесу. ШІ може автоматизувати окремі фази (наприклад, написання коду для прототипу), але загальний процес залишається ітеративним та вимагає активної участі людини. Економія тут є, але хоча і дещо помірніша, ніж у попередньому прикладі.
Так, ШІ оптимізує витрати в усіх цих сферах, але головний результат — це не просто скорочення, а фундаментальна перебудова процесів для досягнення ефективності. Найбільша економія в розробці програмного забезпечення — це наш основний бізнес, і саме ця індустрія зараз найбільше трансформується через AI. Підтримка продуктів також зазнає змін: автоматизація першої лінії support, генерація документації, автоматичний аналіз логів та інцидентів — це все тепер робить ШІ.
Ми не використовуємо поверхневі метрики на кшталт кількості написаного коду чи скорочення команди. Наш підхід базується на трьох фундаментальних бізнес-показниках, які безпосередньо впливають на цінність продукту для замовника. Це класичний «трикутник пріоритетів», де клієнт обирає, що для нього найважливіше.
Загальна вартість володіння (Total Cost of Ownership, TCO). Для нас і для клієнта важлива не вартість окремої задачі, а сумарна вартість всього продукту end-to-end: від розробки до підтримки, документації та роботи з користувачами.
Поверх TCO ми розраховуємо efficiency gain. Це показник ефективності у відсотках, який демонструє, наскільки ШІ може зменшити цю загальну вартість.
Час виходу на ринок (Time to Market або Lead Time). Це час, який проходить від моменту виникнення бізнес-ідеї («давайте зробимо цю кнопку») до моменту, коли вона з’являється у користувачів на production. Для деяких замовників швидкість така ж важлива як і ціна чи якість.
Якість продукту (Quality). Є клієнти, для яких якість є абсолютним пріоритетом. Їм не так важливо, скільки це коштувало чи як швидко ми це зробили. Для них головне, щоб продукт був бездоганним та надійним.
З появою моделі Mythos та Mythos-like моделей, Security та Vulnerability тестування вийшло кардинально на новий рівень. Наприклад відкрите агентське рішення Visa Vulnerability Agentic Harness (VVAH) дозволяє виявляти проблеми у безпеці, які без AI виявити було надзвичайно складно та довго.
Однозначно так. У компанії розроблений багаторівневий механізм безпеки, особливо щодо даних клієнтів.
Ключові правила:
Отож це багатошарова модель безпеки: політики, навчання, технічні обмеження та моніторинг. Безпека даних — це не опція, а фундаментальна вимога для роботи з enterprise-клієнтами.
Намагатися визначити середню витрату токенів на одного розробника — це як вимірювати середню температуру по лікарні: цифра буде нерепрезентативною. Реальні витрати надзвичайно варіативні та залежать від безлічі факторів, що робить будь-яке усереднене значення позбавленим сенсу.
Ключові фактори, що впливають на вартість:
Щоб дати уявлення про діапазон, можна сказати, що деякі розробники витрачають менше ніж $100 на місяць, і цього їм повністю вистачає. Водночас на складних проєктах або на етапі discovery, коли архітектори аналізують великі обсяги даних, при високих навантаженнях, особливо в агентському режимі роботи, витрати на одного фахівця можуть сягати кількох тисяч доларів за короткий період.
В ідеальному світі різниці не було б, але реальність складніша. Сучасний AI Harness працює за принципом, який існував і до AI: є задачі різної складності — прості та складні. Традиційно прості задачі віддають junior-спеціалістам, складніші — senior. В AI-світі цей принцип зберігається, але тепер складність часто оцінюють агенти, і роблять це місцями точніше за людей.
Витрати токенів прив’язані не до кваліфікації людей, а до складності задач.
Junior-спеціалісти зазвичай працюють з простішими задачами, які споживають менше токенів. Senior — беруть складніші задачі, які потребують більше токенів для аналізу контексту, генерації рішень та валідації.
Оскільки більшість AI-фабрик передбачають human-in-the-loop процес, де людина приймає рішення на різних етапах pipeline, розподіл залишається природним: молодші спеціалісти починають з простіших задач і поступово переходять до складніших, а senior — працюють зі складними задачами, де їхня експертиза найцінніша. Тому так, senior витрачають більше токенів, але це наслідок складності їхніх задач, а не статусу.
Найбільше токенів споживають архітектори, особливо на етапі discovery. Коли потрібно зробити велике дослідження, побудувати семантичний шар, проаналізувати велику кількість даних або спланувати міграцію, тоді витрати можуть бути значними.
Архітектор, який працює в патерні "team of agents" (команда агентів), може одномоментно витратити дуже багато токенів.
На етапі discovery або при побудові AI-Harness для нового проєкту витрати можуть доходити до тисячі доларів за короткий період.
Це логічно: архітектори вирішують найскладніші задачі з найбільшим контекстом. Вони аналізують існуючі системи, проєктують нові, оцінюють варіанти рішень. Кожна така задача потребує обробки великих обсягів інформації, що прямо впливає на споживання токенів.
Розробники йдуть на другому місці, але їхні витрати більш рівномірні та передбачувані. Маркетологи, аналітики та менеджери використовують AI для специфічних задач, але обсяги споживання значно менші через інший характер роботи.
Так, встановлюємо. У компанії немає єдиного універсального ліміту; натомість у нас діє багатошарова система цільових лімітів, кожен з яких має своє призначення.
Система попереджень працює проактивно: при досягненні 90% використання приходить попередження. При досягненні 100% доступ автоматично блокується. Але якщо ліміт вичерпано, у нас є механізм швидкого продовження. Розуміємо, що робоче навантаження нерівномірне: новий presale, термінова задача, початок проєкту — все це об'єктивні причини для збільшення лімітів.
Також ми навчаємо людей token economics: як оптимізувати витрати, уникати неоправданого використання та правильно структурувати запити. Це не про обмеження, а про усвідомлене використання.
Так, це найкраща інвестиція, яку компанія робила і продовжує робити. Ми бачимо чітку кореляцію між інвестиціями в AI та зростанням ефективності нашої роботи. ШІ — це одна з найкращих інвестицій, які можна зробити зараз.
Важливо розуміти: витрати на токени залежать від контексту та складності. Чим простіша задача — тим менше токенів вона споживає. Чим складніша — тим більше. Є проєкти з багатьма простими задачами, є проєкти зі складними задачами, і ціна завжди визначається контекстом. Коли пишемо з чистого аркуша і контекст на дві сторінки — буде одна ціна. Коли працюємо з enterprise-системою, де мільйон рядків коду в poly-repo, то ціна буде зовсім інша. Але навіть при максимальних витратах на токени, ці інженери стають у 2-3 рази продуктивнішими. ROI очевидний: швидша доставка цінності клієнту, вища якість коду, менше часу на рутину, більше фокусу на складних задачах. Ключовий фактор успіху — це правильне використання з надійним моніторингом та аналітикою ефективності.
