В предыдущей статье я рассказал о системе AI-агентов, которая выполняет коммерческую разработку, и объяснил, почему считаю ее архитектуру неудачной. Судя по комментариям, не меньше технической реализации читателей заинтересовала экономика: сколько стоила разработка платформы, какие расходы на эксплуатацию, как учитывалось время сотрудников и откуда вообще взялись заявленные 350 тысяч рублей.

В предыдущей публикации я приводил предварительную оценку экономического эффекта в 350 тысяч рублей: 200 тысяч прямой выручки и 150 тысяч расчетной экономии. После закрытия второго акта подтвержденная выручка выросла до 400 тысяч рублей. Кроме того, я пересмотрел методику оценки затрат: вместо предварительной экономии в 150 тысяч теперь использую сравнение прямой себестоимости традиционной и AI-разработки. По обновленным расчетам экономия составила 86 750 рублей за два месяца.

Поэтому я собрал полноценную финансовую модель за первые два месяца эксплуатации системы. Получилось 400 тысяч рублей выручки по закрытым актам, 23 тысячи рублей прямых затрат и расчетное снижение себестоимости на 79%. Ниже подробно разберу, как получены эти цифры, сколько стоило создание платформы и когда первоначальные инвестиции окупаются.

Сразу обозначу границы расчетов: здесь учитывается исключительно прямая экономика коммерческого workflow, выполняемого AI-агентами. Доходы от высвобождения времени разработчиков, которые продолжали работать над другими оплачиваемыми проектами, а также любые другие косвенные доходы компании в финансовый результат не включены, хотя такие доходы были. На этот раз практически без технической части. Только цифры и методика расчета.

Выручка и фактические трудозатраты

За первые два месяца с использованием AI-агентов был реализован коммерческий проект, по которому закрыты два акта по 200 тысяч рублей каждый. Это была обычная заказная разработка, только непосредственное выполнение задач вместо разработчиков обеспечивала агентная система. Проект не был экспериментальным заказом или демонстрацией возможностей технологии, а работы выполнялись в рамках стандартных коммерческих обязательств.

Сейчас система продолжает использоваться, а ежемесячный объем работ закреплен договором на уровне 200 тысяч рублей. При сохранении этой загрузки годовой объем реализации составит 2,4 млн рублей.

Весь процесс разработки был организован через AI-агентов. Менеджер занимался постановкой задач и приемкой результатов, а разработчики подключались исключительно для код-ревью. За два месяца суммарное время работы агентов составило 21 час, включая неудачные запуски и повторные попытки. Менеджер потратил не более 20 часов, а код-ревью заняло около пяти часов.

При этом около 70% задач завершались за одну-две попытки, остальные 30% требовали до пяти запусков. Большая часть повторов была связана с нестабильностью оркестратора, а не с качеством написанного кода. Система поддерживала параллельное выполнение, но в рассматриваемом проекте задачи запускались последовательно.

По моей оценке, выполнение аналогичного объема задач обычными разработчиками потребовало бы около 160 человеко-часов. Соотношение с суммарным временем работы агентов составляет 160 / 21 = 7,62.

Себестоимость разработки и P&L

Для расчета я использовал внутреннюю себестоимость работ, а не коммерческую стоимость часа, по которой компания продает услуги клиентам. Совокупные расходы позволяют сравнить два сценария выполнения одинакового объема работ.

В традиционной модели основная статья расходов приходится на непосредственную разработку. В AI-модели разработчиков заменяют агенты, однако сохраняются расходы на менеджера, проверку результатов и вычислительную инфраструктуру.

В стоимость моделей и инфраструктуры дополнительно заложен запас 25% относительно первоначальной оценки.

Разница в прямой себестоимости составляет 86 750 рублей. В относительном выражении:

(109 750 − 23 000) / 109 750 × 100% = 79,04%

Маржинальность AI-разработки рассчитывается аналогично: (400 000 − 23 000) / 400 000 × 100% = 94,25%. Для традиционной разработки показатель составляет 72,56%, то есть разница достигает 21,69 процентного пункта.

Таким образом, при одинаковой выручке использование AI-агентов позволило получить на 86 750 рублей больше маржинального остатка. Здесь рассматриваются прямые производственные затраты, без общих административных расходов и налогов.

Стоимость создания платформы и окупаемость

Первоначально система вообще не разрабатывалась как коммерческий продукт. Я занимался ей в свободное время, скорее из технического интереса, а на финальном этапе к разработке подключился коллега. Впоследствии эксперимент превратился в инструмент, используемый для выполнения реальных клиентских задач.

На первоначальную разработку с моей стороны ушло около 40–50 часов. Коллега участвовал в течение двух месяцев, уделяя системе примерно 60–70% рабочего времени. Для оценки полной стоимости платформы я учел собственные трудозатраты, участие коллеги, подписки и эксперименты с моделями.

Общий консервативный бюджет на модели, инфраструктуру и эксперименты составляет 25 тысяч рублей. Из них 6250 рублей уже вошли в операционные расходы первых двух месяцев, поэтому дополнительная часть первоначальных инвестиций составляет 18 750 рублей.

Теперь можно рассчитать окупаемость относительно традиционной разработки. За два месяца снижение прямой себестоимости составило 86 750 рублей, или в среднем 43 375 рублей в месяц.

Срок окупаемости рассчитывается делением первоначальных инвестиций на среднемесячную экономию. Для минимального сценария это 94 750 / 43 375 = 2,18 месяца, для максимального — 110 750 / 43 375 = 2,55 месяца.

ROI за первые два месяца рассчитывается по формуле:

ROI = (Накопленная экономия − Инвестиции) / Инвестиции × 100%

Получается диапазон от −21,67 до −8,44%. За первые два месяца вложения в платформу еще не окупились полностью, но при сохранении текущей загрузки расчетная точка окупаемости достигается на третьем месяце.

Высвобожденные ресурсы и масштабирование

Помимо прямой экономии, у системы есть еще один эффект: задачи, которые раньше потребовали бы времени разработчиков, теперь выполняются агентами. При этом сама команда не простаивала, а продолжала работать над другими коммерческими проектами.

Если принять первоначальную оценку традиционной разработки в 160 часов и вычесть пять часов код-ревью, получается 155 часов высвобожденной производственной мощности.

При коммерческой стоимости 2500 рублей за час эквивалент этой мощности составляет:

155 × 2500 = 387 500 ₽

Это коммерческий эквивалент высвобожденного времени, который не включен в приведенный выше P&L. Он показывает, какой дополнительный объем работ теоретически можно реализовать при полной загрузке разработчиков.

Отдельно я оценил масштабирование системы. Она поддерживает работу с несколькими проектами и параллельное выполнение задач, причем расходы на общую инфраструктуру растут медленнее количества обслуживаемых проектов.

Значения представляют собой расчетные сценарии с запасом расходов 25%. Текущая техническая поддержка платформы требует примерно одного-двух часов в месяц, а ее активное развитие сейчас приостановлено.

Насколько результат зависит от исходных оценок?

Главная неопределенность расчетов заключается в оценке 160 часов традиционной разработки. Чтобы понять, насколько сильно она влияет на результат, можно рассмотреть три сценария при неизменной стоимости часа разработчика и прежних затратах AI-системы.

Здесь 100 и 200 часов являются исключительно аналитическими сценариями, а не независимыми оценками выполненного проекта. Даже если первоначальная оценка трудозатрат традиционной разработки завышена на 60 часов, AI-модель все равно оказывается дешевле по включенным прямым затратам.

При этом срок окупаемости существенно увеличивается. Следовательно, преимущество системы по ресурсной себестоимости выглядит достаточно устойчивым в рамках исходной модели, но точный срок возврата экономической стоимости создания напрямую зависит от допущений. Именно поэтому я не рассматриваю первые два месяца эксплуатации как окончательное доказательство экономической эффективности технологии для любого проекта.

Итоги двух месяцев

Сведу основные результаты в одну таблицу. В финансовой модели учтены прямые затраты на выполнение коммерческого проекта и первоначальные инвестиции в создание платформы. Дополнительные доходы от высвобожденных ресурсов разработчиков и другие косвенные эффекты сюда не включены.

За два месяца система выполнила коммерческую разработку на 400 тысяч рублей при прямых затратах 23 тысячи. Расчетная себестоимость оказалась примерно на 79% ниже традиционной разработки, а первоначальные инвестиции оцениваются в сумму до 111 тысяч рублей с окупаемостью около двух с половиной месяцев.

При этом проект продолжается, ежемесячный объем работ закреплен договором, а разработчики занимаются другими коммерческими задачами. Получается, что система не только сокращает расходы на выполнение конкретного заказа, но и позволяет компании увеличивать производственную мощность без пропорционального расширения команды.

В первой статье я подробно рассказывал о проблемах архитектуры, изоляции агентов и восстановления после сбоев. Большая часть этих проблем по-прежнему актуальна, и я не считаю текущую реализацию окончательным решением.

Но теперь у меня есть финансовая модель, которая объясняет, почему мы продолжаем развивать эту систему, несмотря на ее недостатки.

Архитектуру я по-прежнему считаю неудачной. Но с экономикой спорить становится сложнее.