В 2026 году расходы компаний на ИИ достигли 177 млрд долларов: 5 признаков того, что ИИ-агенты меняют рынок потребления API

Примечание автора: разбираем отчёт Menlo Ventures о корпоративном ИИ за 2026 год. Рассмотрим, как агенты меняют использование моделей — от ответов на вопросы людей к непрерывному выполнению задач машинами — и что это значит для API-вызовов, параллельной нагрузки и структуры закупок.

3 ноября 2026 года Menlo Ventures опубликовала отчёт «The State of Enterprise AI». По его оценкам, в 2026 году расходы компаний на ИИ составили около 177 млрд долларов (точная цифра в отчёте — 176,8 млрд), что примерно в 5,4 раза больше 33 млрд долларов в 2025 году. Ещё интереснее, что в среднем компании потратили примерно в 2,5 раза больше, чем планировали.

Это не просто очередной разговор о том, насколько велик рынок ИИ. Отчёт основан на опросе почти 400 руководителей, принимающих решения в американских компаниях, и данных OpenRouter о токенах. Всё указывает на один и тот же сдвиг: расходы растут в первую очередь не потому, что «больше людей задают вопросы ИИ», а потому, что «агенты непрерывно выполняют работу за людей».

Что вы узнаете: в статье собраны ключевые данные о корпоративных расходах на ИИ и агентах. Мы разберём, почему агенты меняют потребление токенов и характер API-вызовов, а также к чему стоит заранее подготовиться разработчикам и закупщикам API.

Главное о расходах компаний на ИИ в 2026 году

Начнём с цифр. Все данные в таблице — рыночные оценки Menlo Ventures, а не проверенная аудиторами сумма корпоративных платежей или выручка отдельного поставщика моделей.

То, что расходы на использование ИИ превысили расходы на создание моделей, — признак перелома. Раньше в обсуждениях ИИ-индустрии основное внимание уделялось обучению моделей и вычислительным мощностям. Теперь компании тратят ещё больше на сервисы, которые позволяют моделям выполнять рабочие задачи. При этом в расходы на использование входят инфраструктура, подписки на приложения, API и другие статьи, поэтому нельзя напрямую считать их выручкой рынка API.

В тот же период, 4 ноября, президент OpenAI Грег Брокман заявил на технологической конференции WSJ, что больше половины выручки OpenAI уже приходится на корпоративный бизнес. Эта цифра описывает структуру выручки самой OpenAI. Показатель Menlo — «31% расходов компаний на API приходится на OpenAI» — измеряет другое, поэтому напрямую сравнивать их нельзя.

Почему расходы компаний на ИИ намного превышают бюджет: интенсивность использования важнее числа пользователей

Расходы на ИИ расходятся с бюджетом

Самые неожиданные данные в отчёте связаны с отклонением от бюджета. В начале года компании в целом недооценили, как быстро будут расти расходы на ИИ:

Среднее значение более чем вдвое превышает медианное: общие расходы выросли за счёт небольшого числа компаний, которые используют ИИ особенно интенсивно. Доля компаний, использующих ИИ, увеличилась всего на 10 процентных пунктов, тогда как средние расходы одной компании выросли почти в 5 раз. Значит, главная причина роста не в том, что ИИ начали использовать новые компании, а в том, что уже работающие с ним компании стали применять его гораздо активнее.

Компании выделяют отдельный бюджет на ИИ

По оценке Menlo, около 55% дополнительных расходов на ИИ финансируется из новых бюджетов, а около 22% — из существующих бюджетов на программное обеспечение. Иными словами, ИИ не просто заменяет традиционные SaaS-продукты, но и создаёт новые статьи закупок. Для руководителей закупок расходы на ИИ уже вышли за рамки статьи «ИТ-инструменты» и стали отдельными операционными затратами, которыми нужно управлять.

Как Agent меняет потребление API: от вопросов к действиям

Чем вызовы чат-бота отличаются от вызовов Agent

Прямая причина выхода бюджета из-под контроля — изменение схемы вызовов. Обычный чат-бот работает по принципу «вопрос — ответ»: пользователь отправляет сообщение, модель возвращает один результат, а расход токенов примерно пропорционален числу вопросов. Agent работает иначе: получает цель, разбивает её на задачи, вызывает инструменты, проверяет результаты и повторяет процесс. За выполнением одной задачи могут стоять десятки вызовов модели.

📊 Пояснение к схеме: в процессе работы Agent справа для планирования, выполнения и проверки можно использовать разные модели. Если хотите проверить такую схему вызовов самостоятельно, через APIYI apiyi.com можно переключаться между моделями разных поставщиков с одним API-ключом и сравнивать их.

Расход токенов зависит от объёма выполняемых задач

Изучив данные OpenRouter, Menlo обнаружила, что на Agent приходится уже около 80% общего расхода токенов на платформе — примерно 130,9 трлн токенов в неделю. После того как в феврале 2026 года трафик Agent превысил трафик, создаваемый людьми, он вырос примерно в 37 раз. За тот же период трафик от людей вырос лишь примерно в 5 раз.

Пользователи OpenRouter — в основном разработчики и стартапы, поэтому эти данные не отражают ситуацию во всей отрасли. Однако та же тенденция прослеживается и в других источниках. Согласно корпоративному отчёту OpenAI за 2025 год, средний расход токенов на инференс через API на одну организацию вырос примерно в 320 раз за год. В материале Axios о Codex также отмечается, что более 60% пользователей в какой-то момент дня запускают несколько задач одновременно. Эти данные показывают, что расход токенов всё меньше зависит от активности людей и всё больше — от объёма задач.

Куда идут корпоративные расходы на ИИ: почему лидируют программирование и корпоративные чат-боты

Как распределяются средства на рынке ИИ-приложений

На рынке ИИ-приложений объёмом около 77,3 млрд долларов средства распределены неравномерно:

В сфере программирования концентрация ещё выше. По оценке Menlo, на Claude Code и Codex вместе приходится около 24 млрд долларов рынка приложений для программирования — почти 70%. Программирование стало первой областью, где агентный подход успешно заработал, благодаря трём условиям.

Три условия успешного внедрения ИИ-агентов

1. Среда, в которой можно выполнять действия: агенту нужен доступ к GitHub, почте, календарю, Slack, корпоративным документам и базам данных. Одной способности рассуждать без инструментов недостаточно для выполнения реальной работы.
2. Полный контекст задачи: помимо вопроса пользователя, агенту нужны корпоративные правила, бизнес-процессы, история проекта, ограничения и критерии успеха.
3. Возможность проверить результат: компилятор покажет, собирается ли код, а тесты — работает ли функциональность. Это одна из главных причин, по которым агенты для программирования вырвались вперёд. Для сравнения: результаты исследований и поисковых задач сложнее проверить объективно.

Третий пункт также объясняет риск высоких затрат на агентов. В областях, где результат трудно проверить, агент может потратить много токенов и при этом прийти к неверному выводу. Axios описал случай, когда профессор Стэнфорда Andrew Hall использовал Claude Code для обновления старой научной статьи. Последующая проверка человеком выявила ошибки как в сборе данных, так и в обработке кода.

Как агенты влияют на рынок API

Влияние на разработчиков, использующих API

• Модель затрат придётся пересчитать: оценивать бюджет API по формуле «число пользователей × цена за пользователя» уже недостаточно точно. Лучше использовать формулу «число задач × среднее число вызовов × длина контекста».
• Нужны ограничения бюджета: для агента, который постоянно работает в фоновом режиме, необходимо установить лимит токенов на задачу, максимальное число итераций и автоматическую остановку при ошибках. Иначе расходы могут вырасти, например, с 1,9 до 4,7 бюджета компании.
• Комбинация моделей становится нормой: мощная модель планирует, недорогая выполняет массовые операции, а модель другого провайдера проверяет результат. Такой подход заметно снижает стоимость одной задачи.

Влияние на поставщиков API

Изменения спроса, вызванные агентами, можно разделить на пять категорий. Каждая требует от поставщика определённых возможностей:

💡 Совет по выбору: если в рабочем процессе агента нужно сочетать модели нескольких поставщиков, можно сначала запустить прототип через OpenAI-совместимый интерфейс на APIYI apiyi.com. Оплата по факту использования поможет оценить реальные затраты на каждом этапе.

Без лишнего оптимизма: расходы компаний на ИИ не равны доходам от API

Вывод «чем больше агентов, тем выше доходы поставщиков API» не обязательно верен. На это есть три причины:

• Значительная часть из 176,8 млрд долларов приходится на инфраструктуру и подписки на приложения, а не на плату за вызовы API.
• Цены продолжают снижаться. На модели с открытым исходным кодом уже приходится 19% использованных токенов, но лишь около 4% расходов. Значит, рост объёма токенов не обязательно приводит к такому же росту доходов.
• Кэширование, пакетная обработка и маршрутизация между моделями снижают себестоимость. В итоге конкуренция идёт за стабильность и успешное выполнение задач, а не только за объём проданных токенов.

Как построить рабочий процесс Agent с несколькими моделями через API

Минимальный пример

Этот код показывает простейшую схему Agent из двух вызовов: «планирование → выполнение». Замените названия моделей на те, которые доступны в консоли платформы:

from openai import OpenAI

client = OpenAI(api_key="YOUR_API_KEY", base_url="https://api.apiyi.com/v1")

plan = client.chat.completions.create(
    model="YOUR_PLANNER_MODEL",
    messages=[{"role": "user", "content": "把“整理本周销售周报”拆成 3 个步骤"}]
).choices[0].message.content

result = client.chat.completions.create(
    model="YOUR_EXECUTOR_MODEL",
    messages=[{"role": "user", "content": f"按以下步骤执行并输出结果：\n{plan}"}]
)
print(result.choices[0].message.content, result.usage.total_tokens)

import time
from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1",
)

MODELS = {
    "planner": "YOUR_PLANNER_MODEL",    # Модель с сильными способностями к рассуждению, разбивает задачу на шаги
    "executor": "YOUR_EXECUTOR_MODEL",  # Недорогая модель, выполняет задачи в большом объёме
    "checker": "YOUR_CHECKER_MODEL",    # Модель другого провайдера для перекрёстной проверки
}
TOKEN_BUDGET = 50_000   # Лимит токенов на одну задачу
MAX_ROUNDS = 3          # Максимальное число итераций

used_tokens = 0

def call(role: str, prompt: str, retries: int = 3) -> str:
    global used_tokens
    if used_tokens >= TOKEN_BUDGET:
        raise RuntimeError("超出单任务 Token 预算，熔断")
    for i in range(retries):
        try:
            resp = client.chat.completions.create(
                model=MODELS[role],
                messages=[{"role": "user", "content": prompt}],
            )
            used_tokens += resp.usage.total_tokens
            return resp.choices[0].message.content
        except Exception as e:
            time.sleep(2 ** i)  # Экспоненциальное увеличение задержки
            last_err = e
    raise last_err

def run_agent(goal: str) -> str:
    plan = call("planner", f"将目标拆成可执行步骤：{goal}")
    output = call("executor", f"按步骤执行：\n{plan}")
    for _ in range(MAX_ROUNDS):
        verdict = call("checker", f"检查结果是否满足目标“{goal}”，"
                                  f"合格只回复 PASS，否则指出问题：\n{output}")
        if verdict.strip().startswith("PASS"):
            break
        output = call("executor", f"根据反馈修正：\n{verdict}\n原结果：\n{output}")
    print(f"本任务共消耗 Token：{used_tokens}")
    return output

print(run_agent("整理本周销售数据并写一份 300 字摘要"))

Этот код показывает несколько важных принципов: для одной задачи требуется как минимум 3 вызова, три роли используют разные модели, а бюджет токенов и лимит итераций помогают держать расходы под контролем.

🚀 Быстрый старт: сначала получите бесплатный тестовый баланс на APIYI apiyi.com. Попробуйте разные модели для каждой из трёх ролей, запишите данные usage и только потом выберите сочетание моделей для продакшена.

Частые вопросы FAQ

Расходы компаний на ИИ и Agent: главное

• Масштаб: по оценке Menlo, в 2026 году расходы компаний на использование ИИ составят около 176,8 млрд долларов — примерно в 5,4 раза больше, чем годом ранее.
• Отклонение от бюджета: фактические расходы компаний в среднем выросли в 4,7 раза по сравнению с предыдущим годом, хотя планировался рост лишь в 1,9 раза.
• Источник роста: компании, уже внедрившие ИИ, стали использовать его активнее. Рост не связан в первую очередь с увеличением числа таких компаний.
• Механика вызовов: из-за Agent расход токенов зависит от количества задач, степени параллелизма и продолжительности работы.
• Условия внедрения: необходимы среда выполнения, полный контекст и возможность проверить результат. Поэтому программирование лидирует по внедрению.
• Трезвая оценка: расходы компаний на ИИ не равны доходам от API, а рост числа токенов не означает такого же роста выручки год к году.
• С чего начать: через APIYI apiyi.com можно объединить модели разных поставщиков с помощью одного ключа и рассчитать стоимость реальных задач.

Итоги

В 2026 году в расходах компаний на ИИ можно выделить три главных изменения:

1. От запросов людей к выполнению задач: модели всё чаще используются не только для ответов на вопросы людей, но и для непрерывной работы Agent.
2. От расходов на инструменты к отдельному бюджету: больше половины дополнительных расходов покрывается за счёт новых бюджетов. ИИ становится операционной статьёй расходов, которой управляют отдельно.
3. От продажи токенов к продаже надёжности: в конкуренции между API-сервисами на первый план выйдут стабильность, поддержка параллельных запросов, переключение между моделями и мониторинг использования.

Разработчикам и специалистам по закупкам сейчас стоит рассчитывать «стоимость одной задачи» на реальных примерах, а не оценивать бюджет по числу сотрудников. С помощью APIYI apiyi.com можно быстро собрать прототип Agent с несколькими моделями и использовать фактические данные usage для планирования бюджета на ИИ на следующий год.

📚 Источники

1. Menlo Ventures — 2026 The State of Enterprise AI: основной источник данных для статьи
2. Ссылка: menlovc.com/perspective/2026-the-state-of-enterprise-ai

3. Содержание: расходы компаний на ИИ, доли API, данные OpenRouter об агентах и методология исследования

4. Reuters — Брокман о корпоративной выручке OpenAI: на корпоративных клиентов приходится более половины выручки OpenAI

5. Ссылка: reuters.com/legal/transactional

6. Содержание: статья от 5 ноября 2026 года. Обратите внимание: доля API в исследовании Menlo рассчитывается по другому показателю

7. OpenAI — The State of Enterprise AI 2025: базовые данные об использовании ИИ в компаниях

8. Ссылка: openai.com/business/guides-and-resources/the-state-of-enterprise-ai-2025-report

9. Содержание: исторические данные, в том числе примерно 320-кратный годовой рост потребления токенов на инференс в расчёте на организацию

10. Axios — Office workers drive OpenAI’s Codex growth: параллельное выполнение задач агентами и вопросы контроля

11. Ссылка: axios.com/2026/06/02/openai-codex-knowledge-workers
12. Содержание: данные за июнь 2026 года, которые помогут разобраться, как специалисты умственного труда используют агентов

Автор: техническая команда APIYI
Обсуждение технических вопросов: если хотите обсудить практические вопросы рабочих процессов с агентами и вызовов нескольких моделей, свяжитесь с нами через главную страницу APIYI apiyi.com