Стоит ли тратить 100 долларов в месяц на ИИ-сотрудника? Стоимость, возможности ChatGPT Dots и 3 альтернативы

Стоит ли тратить 100 долларов в месяц на ИИ-сотрудника? Стоимость, возможности ChatGPT Dots и 3 альтернативы

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.

chatgpt-dots-ai-employee-cost-vs-self-built-agent-ru-image-0


Table of Contents

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:

  1. Затраты на модели: вход, выход, чтение и запись кеша и инференс; они растут линейно с объёмом задач.
  2. Затраты на инфраструктуру: облачные серверы, контейнеры, базы данных и хранилища. Часть — фиксированная месячная плата, часть зависит от нагрузки.
  3. Затраты на инструменты: поисковые API, headless-браузеры и внешние интерфейсы данных; обычно оплачиваются по количеству вызовов.
  4. Затраты на разработку: первичная разработка, системная интеграция и проектирование прав доступа; основные вложения приходятся на начальный этап.
  5. 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.

chatgpt-dots-ai-employee-cost-vs-self-built-agent-ru-image-1

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

chatgpt-dots-ai-employee-cost-vs-self-built-agent-ru-image-2

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.

chatgpt-dots-ai-employee-cost-vs-self-built-agent-ru-image-3

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:

  1. 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.
  2. 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.
  3. 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

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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

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

Читайте также

Похожие записи