Примечание автора: сравнение подписки ChatGPT Dots и самостоятельно собранного Agent по расходам на модели, инфраструктуру, обслуживание и ручную проверку — при одинаковом стандарте сдачи задач.
Ключевой вывод: чтобы понять, выгодно ли «держать AI-сотрудника за 100 долларов в месяц», нужно смотреть на полную стоимость выполнения одной качественной задачи при одном и том же стандарте сдачи. Месячная плата и цена за токен — лишь часть этой суммы. По официальным данным на 16 ноября 2026 года порог входа для частного пользователя в ChatGPT Dots — это тариф Pro 100 ($100 в месяц); в подписку входят облачный компьютер, долгосрочный контекст, координация задач и подключение приложений. В гипотетическом примере самостоятельный Agent при 300 задачах в месяц тратит на модели примерно от $33 до $66, но здесь ещё не учтены серверы, инструменты, разработка и обслуживание, повторные попытки при сбоях и ручная проверка. Какой путь дешевле — можно решить только после реального теста на одной и той же партии задач.
Сначала в статье разбирается структура цены и границы возможностей подписки Dots, затем расходы на самостоятельный Agent делятся на пять категорий — модели, инфраструктура, инструменты, разработка и обслуживание, — и на ценах Claude от APIYI показывается, как считать стоимость токенов на одну задачу. Дальше идёт сравнение Dots, одно-модельного Agent и мульти-модельного Agent по шести параметрам и методика контрольного эксперимента, построенного вокруг «стоимости успешной задачи». В конце — рекомендации под три типа запросов: частный пользователь, активный разработчик и компания, а также рассказ о том, как управлять расходами при смешанном использовании подписки и API.

К сведению: 8 терминов для понимания затрат на ИИ-сотрудников
| Термин | Пояснение |
|---|---|
| Pro-подписка | Помесячный тариф ChatGPT с соответствующими правами и лимитами использования; Pro 100, Pro 200 и Pro 500 дают доступ к Dots |
| Dot | Постоянный личный агент в ChatGPT Dots, у которого есть собственный облачный компьютер и браузер; он может непрерывно продвигать делегированные задачи |
| Токен | Единица измерения объёма ввода и вывода модели; в API цена указывается за миллион токенов |
| Чтение из кэша | Повторяющийся префикс запроса (например, системный промпт, определения инструментов) переиспользует уже обработанный результат — цена за единицу намного ниже обычного ввода |
| Запись в кэш | Первое сохранение переиспользуемого префикса, чтобы последующие запросы могли его читать; правила тарификации — согласно консоли платформы |
| Инфраструктурные затраты | Расходы на серверы, контейнеры, базы данных, хранилище и среду выполнения, необходимые для собственного агента |
| Доля успешных задач | Доля задач, принятых по единому критерию приёмки после одного или нескольких запусков |
| Стоимость успешной задачи | Общие расходы на все запуски (включая повторные попытки после сбоев), инфраструктуру и проверку человеком, делённые на количество принятых задач |
1. Что вы получаете за $100 в месяц в ChatGPT Dots
1.1 Личный Pro и корпоративные тарифы ChatGPT Dots
ChatGPT Dots был официально представлен OpenAI 29 сентября 2026 года. Это постоянно работающий персональный AI-агент: пользователь делегирует ему цель, и Dot может продолжать работу в облаке, пока пользователь отсутствует или компьютер выключен, а когда требуется решение — возвращает вопрос пользователю.
Говоря о цене Dots, нужно отделять личный Pro от корпоративного Dot. Таблица ниже составлена по официальной справочной документации OpenAI; дата проверки — 16 ноября 2026 года.
| Для кого | Принцип оплаты | Условия | Что оплачивается отдельно |
|---|---|---|---|
| ChatGPT Pro 100 | $100/мес. | 18 лет и старше; кроме Европейской экономической зоны, Великобритании и Швейцарии; постепенное открытие доступа | Делегированные задачи Work/Codex расходуют квоту соответствующего продукта |
| ChatGPT Pro 200 | $200/мес. | То же | То же |
| ChatGPT Pro 500 | $500/мес. | То же | То же |
| Рабочее пространство Enterprise | Фиксированная ставка по типу работ или оплата по фактическому использованию; сумма определяется договором или коммерческим предложением для рабочего пространства | С 2026-11-04 по 11-18 — бесплатный период предварительного просмотра для администраторов; Dots, включённые с 11-18, начинают тарифицироваться; каждый участник может создать 1 персональный Dot | Задачи, делегированные в Work или Codex, оплачиваются отдельно по соответствующим правилам |
В описании Dots для личного Pro отдельная ежемесячная плата за Dot не указана — ежемесячная плата за Pro и есть порог доступа. Официально также указано, что задачи ChatGPT Work или Codex, делегированные Dot, рассчитываются по правилам квот соответствующих продуктов; расход зависит от модели, контекста, рассуждений, вызовов инструментов и поиска. Поэтому $100/мес. соответствуют ограниченному набору квот, а в официальных материалах не указано, сколько задач глубокой работы Dot приходится на личный Pro.
1.2 Возможности AI-сотрудника, входящие в подписку Dots
Когда сравниваешь Dots с вызовами API, легко зациклиться только на «модели». На деле подписка включает целую среду выполнения — если собирать всё самостоятельно, каждую из этих частей придётся реализовывать самому:
- Облачный компьютер и браузер: у каждого Dot есть свой облачный компьютер, где можно открывать сайты, приводить в порядок документы и готовить отчёты; пользователь в любой момент может посмотреть, что происходит, и перехватить управление.
- Долговременный контекст: ChatGPT Memory, собственные заметки Dot, материалы текущей задачи и данные из приложений, к которым предоставлен доступ.
- Координация нескольких проектов: разделение сложных задач, запуск фоновых исследовательских агентов для параллельной работы, сводка результатов и запрос на вмешательство пользователя, если процесс застрял.
- Режим непрерывной работы: поддержка задач по расписанию и мониторинга событий — например, еженедельная проверка конкурентов или отслеживание новых багов в Slack.
- Проактивные исследования: когда новых сообщений нет, Dot изучает источники данных, к которым есть доступ; этот процесс работает только на чтение, а последующие действия проходят обычное согласование.
- Подключение приложений и каналы связи: на момент запуска официально заявлено, что экосистема подключаемых плагинов включает более 4 000 приложений; связаться с Dot можно через ChatGPT, Slack, Microsoft Teams и другие каналы.
- Права доступа и механизмы безопасности: Custom Rules задают границы выполнения, Auto-review проверяет операции вроде отправки писем, а при смене пароля, переводе средств и других подобных действиях управление обязательно переходит к пользователю.
Сторонние тесты помогают понять, где проходят границы этих возможностей. В тесте Axios от 20 октября 2026 года Dots сделал 38-страничный памятный буклет WNBA и за 47 секунд сгенерировал 12-страничный фотоальбом. Правда, в буклете нашлись статистические данные, вызывающие вопросы, а этап покупки пользователю приходилось завершать самостоятельно, перейдя в приложение Target. Автор пришёл к выводу: такие агенты подходят для исследования и подготовки, но результат всё равно требует ручной редактуры и проверки фактов. Этот вывод напрямую определяет модель затрат, которую мы разберём ниже: в ней обязательно нужно учитывать ручную проверку.
2 Полная стоимость собственного AI-агента в роли сотрудника
2.1 Пять категорий затрат при самостоятельной сборке AI-агента
Когда вы собираете постоянно работающего агента на API, счёт далеко не ограничивается вызовами модели. Затраты можно разбить на пять категорий:
- Затраты на модели: вход, выход, чтение и запись кеша и инференс; они растут линейно с объёмом задач.
- Затраты на инфраструктуру: облачные серверы, контейнеры, базы данных и хранилища. Часть — фиксированная месячная плата, часть зависит от нагрузки.
- Затраты на инструменты: поисковые API, headless-браузеры и внешние интерфейсы данных; обычно оплачиваются по количеству вызовов.
- Затраты на разработку: первичная разработка, системная интеграция и проектирование прав доступа; основные вложения приходятся на начальный этап.
- Затраты на сопровождение: мониторинг и оповещения, разбор инцидентов, регрессионное тестирование после обновления моделей; возникают постоянно.
Если записать формулой:
$$C_{self}=C_{API}+C_{infra}+C_{tools}+C_{dev}+C_{maintenance}$$
Структура затрат в варианте с подпиской:
$$C_{subscription}=C_{plan}+C_{extra\ usage}+C_{human\ review}$$
В обоих вариантах нужно учитывать время людей. При самостоятельной сборке оно распределяется между разработкой, сопровождением и проверкой; при подписке — в основном между постановкой задач, проверкой результатов и согласованием.
2.2 Вариант архитектуры собственного AI-агента
Ниже — вариант архитектуры для расчёта затрат. Он показывает, какие компоненты нужны для собственного агента. Стоимость каждого компонента подставьте по тарифам выбранного вами облачного провайдера; в этой статье мы не разворачивали и не проверяли эту схему на практике.
- Слой запуска по расписанию: триггеры по расписанию или очередь сообщений; отвечает за периодические задачи вроде «каждое утро в 8:00 сгенерировать аналитическую сводку».
- Слой оркестрации: фреймворк агента планирует шаги, вызывает инструменты и сохраняет промежуточное состояние (например, Checkpointer в LangGraph или воркфлоу OpenAI Agents SDK).
- Слой моделей: вызов моделей через OpenAI-совместимый интерфейс с маршрутизацией на разные модели в зависимости от сложности задачи.
- Слой инструментов: поиск, веб-скрейпинг, headless-браузер, генерация файлов.
- Слой состояния: база данных хранит записи о задачах, долгосрочные заметки и информацию для дедупликации.
- Слой согласования: операции, связанные с отправкой наружу, платежами или удалением, попадают в очередь на ручное согласование.
- Слой наблюдаемости: логирует по каждому вызову количество токенов, время выполнения и причину сбоя; это источник данных для расчёта затрат.

В этой схеме семь компонентов, но только затраты на слой моделей можно напрямую рассчитать по цене за токен. Стоимость остальных компонентов зависит от выбранной архитектуры и компетенций команды. Именно поэтому затраты на токены отражают лишь часть стоимости самостоятельной сборки.
3 Сколько токенов расходует одна задача AI-сотрудника
3.1 Различия в оплате входа, выхода и кэша
Одна задача агента обычно включает несколько раундов вызова модели: один раз — планирование, затем по одному разу на каждый вызов инструмента после рассуждения и, наконец, финальное суммирование. На каждом раунде системный промпт, определения инструментов и история шагов снова отправляются как входные данные, поэтому входных токенов у агента, как правило, гораздо больше, чем выходных.
Именно здесь и раскрывается смысл кэширования. Системный промпт и определения инструментов не меняются между раундами вызова, и при попадании в кэш оплата идёт по цене чтения из кэша — примерно одна двадцатая цены обычного входа. Запись в кэш происходит при первом сохранении префикса, её цена определяется консолью платформы и в примерах этой статьи не учитывается.
3.2 Расчёт стоимости модели для одной задачи по ценам APIYI
Цены ниже взяты из опубликованного APIYI 13 ноября 2026 года прайс-листа на модели Claude. Актуальные значения смотрите в консоли и списке моделей на момент вызова. Расход на задачу — это условный пример для демонстрации расчёта: 30 000 входных токенов и 5 000 выходных токенов на задачу, 300 задач в месяц. Этот пример не связан с реальным средним расходом в Dots или на любой другой платформе.
| Параметр расчёта | Claude Opus 5.5 | Claude Sonnet 5.5 |
|---|---|---|
| Цена входа / цена выхода / цена чтения кеша (за миллион токенов) | $4 / $20 / $0.20 | $2 / $10 / $0.10 |
| Стоимость одной задачи (без кеша) | 30,000×$4/10⁶ + 5,000×$20/10⁶ = $0.22 | 30,000×$2/10⁶ + 5,000×$10/10⁶ = $0.11 |
| Месячная стоимость 300 задач (без кеша) | $66 | $33 |
| Стоимость одной задачи (при допущении, что 20 000 входных токенов попадают в чтение кеша) | $0.04 + $0.004 + $0.10 = $0.144 | $0.02 + $0.002 + $0.05 = $0.072 |
| Месячная стоимость 300 задач (с допущением о чтении кеша) | $43.2 | $21.6 |
| Доступные платформы | APIYI, официальный API | APIYI, официальный API |
При таком допущении чистая стоимость модели ниже месячной платы $100 за Pro 100. Этот результат говорит только о том, что сам уровень модели недорогой. В нём нет инфраструктуры, инструментов, разработки и сопровождения, ручной проверки, а также повторных запусков после сбоев.
3.3 Как с помощью кода фиксировать реальный расход токенов при выполнении задач AI-сотрудником
Для расчёта стоимости нужно заменить предположения реальными цифрами расхода. В минимальном примере ниже мы вызываем модель один раз и читаем поле usage из ответа:
import openai
client = openai.OpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.apiyi.com/v1" # OpenAI-совместимый интерфейс APIYI
)
resp = client.chat.completions.create(
model="claude-sonnet-5.5", # ориентируйтесь на фактическое имя в списке моделей APIYI
messages=[{"role": "user", "content": "汇总今天的 AI 行业新闻要点"}]
)
print(resp.usage) # количество входных и выходных токенов — для расчёта стоимости
Посмотреть полную реализацию: запись каждого запуска и расчёт стоимости успешной задачи
import time
import openai
from dataclasses import dataclass, field
# Цена за миллион токенов (в долларах США); актуальные значения — в консоли на момент вызова
PRICES = {
"claude-opus-5.5": {"input": 4.0, "output": 20.0, "cache_read": 0.20},
"claude-sonnet-5.5": {"input": 2.0, "output": 10.0, "cache_read": 0.10},
}
client = openai.OpenAI(
api_key="YOUR_API_KEY",
base_url="https://api.apiyi.com/v1"
)
@dataclass
class RunRecord:
task_id: str
model: str
input_tokens: int
output_tokens: int
cached_tokens: int
seconds: float
cost: float
passed: bool = False # определяется вручную по единым критериям приёмки
review_minutes: float = 0.0 # время на ручную проверку и правки
@dataclass
class Ledger:
runs: list = field(default_factory=list)
def call(self, task_id: str, model: str, messages: list) -> str:
start = time.time()
resp = client.chat.completions.create(model=model, messages=messages)
usage = resp.usage
details = getattr(usage, "prompt_tokens_details", None)
cached = getattr(details, "cached_tokens", 0) or 0
p = PRICES[model]
uncached_input = usage.prompt_tokens - cached
cost = (uncached_input * p["input"]
+ cached * p["cache_read"]
+ usage.completion_tokens * p["output"]) / 1_000_000
self.runs.append(RunRecord(task_id, model, usage.prompt_tokens,
usage.completion_tokens, cached,
time.time() - start, cost))
return resp.choices[0].message.content
def cost_per_success(self, hourly_rate: float, fixed_cost: float = 0.0) -> float:
"""(затраты на все запуски + фиксированные издержки + оплата проверки) / число принятых задач"""
api = sum(r.cost for r in self.runs)
review = sum(r.review_minutes for r in self.runs) / 60 * hourly_rate
passed_tasks = {r.task_id for r in self.runs if r.passed}
if not passed_tasks:
return float("inf")
return (api + fixed_cost + review) / len(passed_tasks)
ledger = Ledger()
text = ledger.call("news-1116", "claude-sonnet-5.5",
[{"role": "user", "content": "汇总今天的 AI 行业新闻要点"}])
ledger.runs[-1].passed = True
ledger.runs[-1].review_minutes = 8
print(ledger.cost_per_success(hourly_rate=30, fixed_cost=0))
🚀 Совет для быстрого старта: когда будете ставить сравнительный эксперимент по затратам, можно сначала в APIYI apiyi.com с одним и тем же API-ключом по очереди вызвать Opus и Sonnet, подключить упомянутый выше Ledger к вашему Agent, неделю прогонять реальные задачи и только потом смотреть на бухгалтерию. Платформа считает по факту использования, у новых пользователей есть бесплатная тестовая квота — удобно получить реальные данные по токенам ещё до того, как вкладываться в разработку.
4 Почему затраты на AI-сотрудников расходятся в зависимости от модели
В гипотетической выборке из раздела 3 стоимость модели на одну задачу у Opus 5.5 вдвое выше, чем у Sonnet 5.5. Если смотреть только на эту колонку, Sonnet позволяет экономить $33 в месяц. Но итоговая стоимость задач Agent ещё зависит от доли успешных выполнений и ручной проверки — ниже на наборе гипотетических параметров показано, как это влияет.
Предположим, доля успешных выполнений у Opus за один прогон — 90%, у Sonnet — 60%, а неудачные задачи перезапускаются, пока не станут успешными. По расчёту математического ожидания стоимость модели на одну успешную задачу составляет примерно $0.22÷0.9 ≈ $0.24 и $0.11÷0.6 ≈ $0.18 соответственно. Разница в успешности уже съела больше половины преимущества в цене за единицу.
Влияние ручного времени ещё больше. Предположим, часовая ставка проверяющего — $30, то есть минута ручной работы стоит около $0.5. Если вывод Sonnet в среднем требует на одну задачу на 1 минуту больше на исправление, то дополнительные $0.5 превышают всю разницу в цене за единицу между двумя моделями. Для задач по сбору информации и подготовке отчётов, где нужно построчно сверять данные, время проверки часто измеряется минутами — и тогда выбор более стабильной модели, наоборот, снижает общие затраты.
С другой стороны, для простых задач с фиксированным форматом, которые легко проверять автоматически (классификация, суммаризация, извлечение полей), доля успешных выполнений у дешёвой модели может быть близка к дорогой — для таких задач разумнее использовать Sonnet или ещё более дешёвые модели. Чтобы оба этих подхода заработали на практике, нужно измерить долю успешных выполнений на реальных задачах.
AI-сотрудники в шести измерениях: ChatGPT Dots, Agent на одной модели и Agent на нескольких моделях

| Измерение | ChatGPT Dots | Agent на одной модели (собственный) | Agent на нескольких моделях (собственный) |
|---|---|---|---|
| Стоимость подписки | Личный Pro от $100/мес.; для компаний — по договору | Нет | Нет |
| Стоимость моделей | Входит в квоту подписки; делегирование Work/Codex считается отдельно | Оплата по токенам, линейно растёт с объёмом задач | Оплата по токенам; маршрутизация по сложности снижает среднюю цену |
| Инфраструктура | Облачный компьютер и браузер предоставляет вендор | Свои серверы, база данных, браузерная среда | Как у варианта на одной модели, плюс логика маршрутизации и оценки |
| Разработка и поддержка | Разработки почти нет — в основном настройка правил и прав доступа | Высокие начальные затраты на разработку, постоянная поддержка | Наибольшая сложность разработки и поддержки |
| Доля выполненных задач | Нужно замерять на своих задачах; по сторонним тестам ручная проверка всё ещё нужна | Зависит от модели и качества инженерии, нужны замеры | Зависит от стратегии маршрутизации, нужны замеры |
| Ручная проверка | Обязательна; помогают Auto-review и механизм согласования | Обязательна; процесс согласования нужно строить самому | Обязательна; процесс согласования нужно строить самому |
| Подключение моделей | Встроено в продукты OpenAI | Через единый интерфейс APIYI | Через APIYI: один ключ — модели нескольких провайдеров |
Сравнительный анализ Dots: у Dots явные преимущества в готовности «из коробки», взаимодействии между приложениями и долгом контексте — облачный компьютер, экосистема из 4 000+ приложений и общение по нескольким каналам не требуют разработки. Границы возможностей такие: правила квот непрозрачны вплоть до количества задач, логику выполнения нельзя глубоко кастомизировать, а личный Pro ещё и ограничен по региону и возрасту.
Сравнительный анализ Agent на одной модели: у такого Agent самая прозрачная структура затрат — токены и стоимость каждого вызова фиксируются точно, логика выполнения полностью под контролем. Плата за это — необходимость самому строить браузер, планировщик, управление состоянием и согласования; доля выполненных задач целиком зависит от инженерных возможностей команды.
Сравнительный анализ Agent на нескольких моделях: он отдаёт простые шаги дешёвым моделям, а ключевые рассуждения — сильным, и при больших объёмах задач у него больше всего шансов снизить стоимость успешно выполненной задачи. Зато он предъявляет самые высокие требования к системе оценки: нужно постоянно отслеживать долю успеха каждой модели на каждом типе шагов.
6. Как оценить выгодность AI-сотрудника по стоимости успешной задачи
6.1. Стоимость успешной задачи и формула ROI
Единый показатель для сравнения такой:
$$C_{successful\ task}=\frac{C_{all\ runs}+C_{infrastructure}+C_{review}}{N_{successfully\ completed\ tasks}}$$
В числителе — все запуски, включая неудачные и повторные, а также отнесённые на этот период расходы на инфраструктуру и ручную проверку; в знаменателе — только задачи, принятые по всем критериям. Для Dots в числителе вместо «стоимости запусков» берём месячную подписку и дополнительное потребление.
На этой основе можно посчитать ROI:
$$ROI=\frac{V_{time\ saved}-C_{total}}{C_{total}}$$
Экономию времени нужно считать по фактическому времени, которое человек тратил на эту задачу раньше, умноженному на разумную стоимость часа работы. То, что модель выдаёт документ за десятки секунд, говорит только о скорости генерации; из экономии ручного времени надо вычесть проверку и правки.
6.2. Сравнительный эксперимент по стоимости AI-сотрудника на трёх типах задач
Предлагаю взять три типовые повторяющиеся задачи: ежедневную сводку AI-новостей, еженедельный мониторинг конкурентов и ежемесячный аналитический отчёт по материалам. На одних и тех же входных данных и по одним и тем же критериям приёмки выполняйте их по очереди с помощью ChatGPT Dots, APIYI + агент с одной моделью и APIYI + агент с несколькими моделями, а при каждом запуске фиксируйте пункты из таблицы ниже:
| Показатель | Как фиксировать | Зачем |
|---|---|---|
| Время начала и завершения | Метки времени в журнале задачи | Расчёт фактического срока выполнения |
| Количество вызовов модели | Счётчик на уровне оркестрации | Выявление циклов и лишних вызовов |
| Входные / выходные / кешированные токены | Поле usage в ответе API | Расчёт стоимости модели и выгоды от кеша |
| Количество вызовов инструментов | Счётчик на уровне инструментов | Расчёт расходов на поиск, браузер и т. п. |
| Сбои и повторные попытки | Классификация причин сбоев | Расчёт дополнительных расходов |
| Время ручной правки | Хронометраж проверяющего | Расчёт реальных трудозатрат |
| Итог приёмки | Решение «годен / не годен» по заранее заданному чек-листу | Расчёт доли успешных задач и знаменателя |
Со стороны Dots нельзя получить детализацию по токенам, поэтому можно фиксировать стоимость подписки, расход квоты, время выполнения, время ручной правки и результат приёмки. В итоге все три варианта сводятся к одному показателю: «сколько денег и сколько человеко-минут ушло на каждую принятую задачу». Период эксперимента лучше брать не меньше полного месячного цикла отчётности: если выборка слишком маленькая, отдельный сбой сильно исказит результат.
7 Когда выбирать подписку Dots, а когда — собственного AI-агента-сотрудника
7.1 Частные пользователи: сначала смотрим на подписку Dots
- Делегирование повседневных дел: для задач, которые затрагивают несколько приложений — разбор расписания, подготовка к встречам, сортировка почты, планирование поездок — подключения к приложениям и облачный компьютер в Dots доступны сразу, без настройки.
- Не хочется обслуживать систему: собственный агент требует постоянного разбора сбоев и обновлений, и для частного пользователя стоимость времени обычно выше стоимости подписки.
- Что нужно учесть: соответствие требованиям по возрасту и региону, а также согласие с правилами квот Pro. Если задач в месяц совсем немного, порог в $100 стоит сопоставить с реальной частотой использования.
7.2 Опытные разработчики: подойдёт собственное решение или гибрид
- Нужна своя логика выполнения: сбор разведданных в фиксированном формате, мониторинг конкретных источников данных, глубокая интеграция с внутренними системами.
- Нужен точный контроль затрат: выбирать модель под каждый шаг, использовать кэширование, считать каждую копейку по журналу вызовов.
- Уже есть технические навыки: можете сами собрать планировщик, управление состоянием и согласование — затраты на разработку окупятся на длинных задачах.
7.3 Команды предприятий: смотрим на условия контракта и требования соответствия
- Уже есть рабочее пространство Enterprise: Dots можно централизованно настраивать через администратора. Данные рабочих пространств Business, Enterprise и Edu по умолчанию не используются для обучения моделей, а оплату нужно считать по тарифам конкретного рабочего пространства.
- Нужно подключение к внутренним системам или закрытым процессам: собственный агент даёт больше контроля над средой выполнения, потоками данных и журналами аудита.
- Крупные стандартизированные задачи: когда объём задач достаточно велик, а процесс достаточно стабилен, собственный мультимодельный агент имеет больше шансов снизить стоимость одной задачи — при условии, что это подтверждено контрольными экспериментами.
8. Гибридная схема для AI-сотрудников: сочетание подписки и API с оплатой по факту использования
Подписку и API можно разделить по характеру задач, чтобы каждый вариант закрывал то, что у него получается лучше всего:
- Повседневное взаимодействие и задачи, требующие человеческого суждения: поручайте Dots или текущей подписке ChatGPT — используйте их долгосрочный контекст и механизм согласования.
- Стабильные пакетные задачи с автоматической проверкой: используйте API с оплатой по факту использования и недорогие модели.
- Сложные рассуждения и ключевые выводы: вызывайте более мощные модели — более высокая цена за вызов окупается меньшей долей переделок.
- Пиковые нагрузки: когда лимитов подписки не хватает, переводите задачи, которые можно вынести, на оплату по факту использования.

Ключ к гибридной схеме — раздельный учёт: расходы по подписке учитываются по месячной плате, расходы API — по журналу вызовов. Для одной задачи учитывается только тот маршрут, по которому она фактически выполнялась, чтобы избежать двойного подсчёта.
💡 Рекомендация по выбору: сначала используйте Dots или текущую подписку для повседневных задач, одновременно выберите 1–2 типа стандартизированных задач и подключите несколько моделей через APIYI apiyi.com для сравнительных экспериментов. Решение о том, какие задачи перевести на API, а какие оставить в подписке, лучше принимать по данным о стоимости успешных задач за месяц — это надёжнее, чем сразу выбирать что-то одно целиком.
Частые вопросы (FAQ)
В1: Что такое ChatGPT Dots?
ChatGPT Dots — это постоянно работающий персональный ИИ-агент, выпущенный OpenAI 29 сентября 2026 года. У него есть собственный облачный компьютер и браузер, он может продолжать поручённые задачи в разных сессиях и приложениях, а когда нужно решение пользователя — сам возвращает ему управление.
В2: Сколько стоит использование Dots для одного человека в месяц?
По состоянию на 16 ноября 2026 года частному пользователю нужна подписка ChatGPT Pro: тарифы Pro 100, Pro 200 и Pro 500 стоят $100, $200 и $500 в месяц соответственно, и Dots доступен во всех трёх. Отдельной месячной платы за Dot официально нет. Задачи Work или Codex, которые Dot делегирует, списываются по квоте соответствующего продукта.
В3: Как тарифицируется корпоративная версия Dots?
Подходящие корпоративные рабочие пространства могут выбрать фиксированную ставку по типу работ или оплату по фактическому использованию; конкретные суммы определяются договором или коммерческим предложением для данного рабочего пространства. С 4 по 18 ноября 2026 года действовал бесплатный период предпросмотра для администраторов, а с 18 ноября включённые Dot начинают тарифицироваться; задачи, делегированные в Work или Codex, оплачиваются отдельно.
В4: Если модель для собственного агента стоит меньше $100, значит, это дешевле Dots?
Нужно ещё прибавить серверы, базу данных, инструменты поиска и браузера, разработку и поддержку, а также ручную проверку — и вычесть влияние повторных запусков после сбоев. Сравнивать, какой путь дешевле, можно только по стоимости успешной задачи на одном и том же наборе задач и при одинаковых критериях приёмки.
В5: Как быстро оценить стоимость модели для собственного агента через API?
Действовать можно так:
1. Зарегистрируйтесь на APIYI apiyi.com и получите API-ключ вместе с тестовой квотой для новых пользователей.
2. Укажите в коде из этой статьи `base_url` как `https://api.apiyi.com/v1` и подключите Ledger, чтобы записывать Token каждого вызова.
3. Прогоните реальные задачи через Opus 5.5 и Sonnet 5.5 по отдельности, запишите результаты приёмки и время на ручные правки, а затем посчитайте стоимость успешной задачи.
В6: Насколько сильно кэш влияет на стоимость агента?
При многошаговых вызовах агента системный промпт и определения инструментов отправляются снова и снова; при попадании в кэш они тарифицируются по цене чтения из кэша, а для линейки Claude 5.5 это примерно одна двадцатая от обычной цены ввода. В условном примере из этой статьи, когда две трети ввода попадают в кэш, стоимость модели на одну задачу падает примерно на треть. Цену записи в кэш смотрите в консоли.
В7: Может ли Dots полностью заменить людей?
И официальные материалы, и сторонние тесты показывают, что результаты Dots нужно проверять вручную. В тесте Axios в программке, сделанной Dots, обнаружились сомнительные данные, а операции со счетами и деньгами по-прежнему требуют участия пользователя — поэтому расходы на ручную проверку всегда стоит включать в общую стоимость.
В8: Может ли Dots параллельно обрабатывать задачи без ограничений?
Dots поддерживает несколько проектов и параллельную работу фоновых агентов, но у среды выполнения и лимитов использования есть границы. Один пользователь Reddit рассказал, что при запуске отдельной задачи столкнулся с недоступностью среды выполнения и смог продолжить только после подключения к локальному компьютеру с Linux. Он также отметил, что не смог подтвердить, как рассчитываются лимиты для разных путей выполнения.
Ключевые выводы о стоимости ИИ-сотрудника
- База сравнения: сравнивайте стоимость успешной задачи при одном и том же стандарте результата — месячная плата и цена за токен лишь один из компонентов.
- Для частных лиц и компаний считайте отдельно: для индивидуального Pro — от $100/мес.; для корпоративного Dot — по типу работ или объёму использования, в соответствии с договором.
- Подписка включает среду: облачный компьютер, долгосрочный контекст, подключение приложений и механизмы согласования — всё это расходы, которые при самостоятельной сборке придётся компенсировать.
- Расходы на модели — лишь один слой: по условному примеру, при 300 задачах в месяц расходы на модели составляют $33–$66, без учёта инфраструктуры и ручного труда.
- Успешность определяет реальную стоимость: каждая дополнительная минута ручной правки может обнулить всю разницу в цене между двумя моделями.
- Гибридный подход даёт больше гибкости: повседневные задачи делегируйте через подписку, стандартизированные пакетные задачи запускайте через APIYI по мере использования и ведите отдельный учёт.
Итог
Стоит ли каждый месяц платить 100 долларов за ИИ-сотрудника, зависит от того, какие задачи вы ему поручаете и по каким критериям принимаете результат:
- Ценность Dots — в готовой к работе способности непрерывно выполнять задачи: облачный компьютер, взаимодействие между приложениями и долговременный контекст избавляют от разработки и поддержки. Это подходит индивидуальным пользователям и командам, которым важен низкий уровень обслуживания.
- Преимущество собственного агента — управляемость и просчитываемость: логику выполнения можно настраивать, а каждый вызов — тарифицировать и отслеживать. Это подходит командам с устойчивыми техническими компетенциями и высокой степенью стандартизации задач.
- Окончательное решение подскажет контрольный эксперимент: на трёх типах реальных задач фиксируйте токены, повторные попытки и время ручных правок, а затем сравнивайте совокупную стоимость на один принятый результат.
Рекомендую сначала оставить текущую подписку для повседневных задач и параллельно выбрать один класс стандартизированных задач для теста через API. Через APIYI apiyi.com можно подключить несколько моделей одним API-ключом, платить по факту использования и записывать реальный расход — так данные покажут, какие задачи стоит переносить.
📚 Справочные материалы
-
OpenAI: представляем Dots: анонс Dots — позиционирование продукта, облачный компьютер и экосистема приложений
- Ссылка:
openai.com/index/introducing-dots - Пояснение: официальный первоисточник, опубликованный 29.09.2026
- Ссылка:
-
ChatGPT Learn: знакомство с Dots / задачи и память: обзор продукта, условия подписки, длительные задачи и механизм памяти
- Ссылка:
learn.chatgpt.com/docs/dots - Пояснение: авторитетная документация о фоновом агенте, проактивных исследованиях и запланированных задачах
- Ссылка:
-
ChatGPT Learn: Enterprise Dots — руководство администратора: подключение корпоративных рабочих пространств и биллинг
- Ссылка:
learn.chatgpt.com/docs/enterprise/dots-admin-guide - Пояснение: актуальное описание фиксированной корпоративной ставки и оплаты по мере использования
- Ссылка:
-
OpenAI Help Center: о тарифах ChatGPT Pro: цены и правила квот для Pro 100 / 200 / 500
- Ссылка:
help.openai.com/en/articles/9793128-about-chatgpt-pro-tiers - Пояснение: официальная основа для цен индивидуальной подписки
- Ссылка:
-
OpenAI Help Center: Dots — часто задаваемые вопросы о конфиденциальности, безопасности и защите: разрешения, утверждения, Auto-review и политики работы с данными
- Ссылка:
help.openai.com/en/articles/20001529-dots-privacy-security-and-safety-faqs - Пояснение: обязательный материал для оценки затрат на ручную проверку и безопасность
- Ссылка:
-
Axios: я тестировал Dots и Muse: независимое тестирование Dots и Meta Muse
- Ссылка:
axios.com/2026/10/20/battle-of-bots-openai-meta-ai-agents-test - Пояснение: конкретные результаты выполнения задач и примеры неудач
- Ссылка:
-
APIYI: квоты тарифных планов на токены нельзя сравнивать напрямую: методика расчёта из пяти шагов для подписки и оплаты по мере использования
- Ссылка:
help.apiyi.com/token-plan-quota-subscription-vs-pay-as-you-go.html - Пояснение: схема расчёта эквивалентной стоимости одной задачи
- Ссылка:
-
APIYI: таблица цен моделей: актуальные цены на Claude и другие модели
- Ссылка:
docs.apiyi.com/models - Пояснение: перед реальным вызовом ориентируйтесь на этот раздел и консоль
- Ссылка:
Автор: техническая команда APIYI
Для связи по техническим вопросам: пишите нам через главную страницу APIYI; дополнительные материалы о подключении моделей и тарификации можно найти в центре документации docs.apiyi.com
