Корпоративные бюджеты на разработку ПО сталкиваются с неизбежной инвентаризацией: написание кода стало крупнейшей статьей корпоративных расходов на прикладной ИИ, объем которой к 2026 году достигнет 34 млрд долларов. Несмотря на столь масштабное распределение капитала, большинство технических директоров до сих пор не могут объяснить советам директоров, какую конкретную отдачу приносят эти затраты. Неконтролируемое потребление инференса моделей сформировало слепую зону в корпоративных балансах, где инженерные отделы поглощают растущие вычислительные расходы без их привязки к проверенным производственным активам.
Бизнес финансирует кодинг-агентов в условиях финансовой непрозрачности, и только прямая связь между затратами на инференс и результатами разработки способна вернуть бюджетную дисциплину. Автономные агентные циклы продолжают расходовать ресурсы с непредсказуемой скоростью. Анализ показал, что из-за наслоения циклов выполнения одна задача автономного агента-программиста требует в 10–50 раз больше токенов, чем стандартный диалоговый запрос. Этот фактор привел к резкой внутренней диспропорции: верхние 5% пользователей обеспечили основную долю потребления, а самый активный разработчик сжег примерно в 450 раз больше ресурсов, чем наименее активный в рамках одной и той же корпоративной лицензии. Чтобы справиться с этой утечкой бюджетов, LangSmith представил систему отчетности для кодинг-агентов, которая связывает расходы на работу агента напрямую с созданными им pull request.
Главный реестр операций за трассировкой
Новая платформа LangSmith Agent Platform выстроена вокруг сущности самого агента: каждый из них ведет собственный операционный журнал и относится к определенному типу, который задает параметры отчетов на дашборде, каналы передачи данных и оценку производительности. Кодинг-агенты стали первым специализированным типом в этой архитектуре, где данные по pull request выступают объективным индикатором полезной производственной работы. LangSmith уже отслеживает действия кодинг-агентов от различных поставщиков моделей, включая Claude Code и Codex.
В обновленной архитектуре расходы на инференс по каждому трейсу автоматически разносятся по тем pull request, в создание которых агент внес вклад. Эта логика атрибуции учитывает реальные инженерные процессы: она корректно обрабатывает сценарии, когда одна сессия инициирует сразу несколько pull request, а также сложные задачи, в которых для завершения одного pull request задействуется несколько агентных сессий.
«Написание кода — крупнейшая статья корпоративных расходов на прикладной ИИ, которая к 2026 году достигнет 34 млрд долларов. Каждая компания хочет понимать отдачу от этих инвестиций, но большинство технических директоров до сих пор не могут дать точный ответ, на что именно уходят деньги».
Как указано в релизной документации, привязка расходов к осязаемым инженерным результатам заменяет метрики тщеславия измеримым возвратом инвестиций (ROI). Архитектура объединяет разрозненный стек разработки, поддерживая Claude Code, OpenAI Codex, Cursor, GitHub Copilot в VS Code и Deep Agents для организаций, развертывающих собственные агентные системы. Однако как эта финансовая атрибуция переводится в общекорпоративный контроль затрат?
Учет ревью и заброшенного кода
Новый интерфейс мониторинга агрегирует расходы на выполнение задач и сопоставляет их напрямую с pull request, над которыми работали автономные системы. Платформа сегментирует финансовые показатели по статусу pull request, разделяя затраты по открытым, закрытым и смердженным веткам. Такая разбивка отделяет капитал, вложенный в принятый в кодовую базу код, от убытков, поглощенных отмененными или закрытыми pull request.
Техническое руководство справедливо подчеркивает, что ценность разработки не ограничивается смердженным кодом и включает архитектурное проектирование, отладку и код-ревью. LangSmith учитывает эту специфику, отслеживая затраты на ревью кода и технические исследования отдельно как нераспределенные издержки. Платформа маркирует каждую сессию по типу запрошенной работы (создание функций, исправление ошибок, исследование или код-ревью), фиксируя точную долю затрат по каждой категории.
«LangSmith также разделяет расходы по статусу каждого PR (открыт, закрыт или смерджен)».
Организации могут самостоятельно определять нецелевые сессии согласно внутренним регламентам, не позволяя списывать инженерные бюджеты на несогласованные задачи. Кроме того, операционная эффективность зависит от базовой гигиены использования. Гайд по оптимизации расходов для Claude Code рекомендует очищать контекст между задачами, чтобы каскадное разрастание контекстного окна не умножало базовые затраты на инференс.
Когда одна задача автономного агента сжигает в 50 раз больше токенов, чем стандартный чат-запрос, смогут ли корпорации, формирующие рынок объемом 34 млрд долларов к 2026 году, продолжать финансировать неатрибутированные агентные сессии? Или советы директоров обяжут подтверждать оправданность каждого потраченного токена смердженным pull request?
Что не сходится
Неожиданные счета за облачные вычисления перестают быть абстрактной проблемой инфраструктуры после того, как LangSmith взялся вешать ценник прямо на инженерные задачи. Когда платформа начала поддерживать горизонтальное масштабирование и управление состоянием, бесконтрольная генерация черновиков оставалась за кадром, но теперь каждый отмененный разработчиками пул-реквест мгновенно превращается в зафиксированный финансовый убыток. Красивые отчеты о взрывной продуктивности разработчиков теперь придется объяснять реальной стоимостью сожженных на закрытые ветки вычислений.
Наши материалы: Экономика ИИ-агентов: токены и ROI разработки (2 ноября); LangSmith берет под контроль расходы компаний на AI-агентов (16 ноября).