Крупный российский бизнес может потребить 912,5 трлн ИИ-токенов в 2026 году, что следует из сценарной оценки Orion soft. В денежном выражении такой объем потребления составляет около 237 млрд рублей.

Открытой статистики по совокупному корпоративному потреблению токенов в России нет, поэтому Orion soft использовал сценарную оценку. В расчет вошли 2 тыс. крупнейших российских компаний с выручкой около 10 млрд рублей и выше. В базовом сценарии Orion soft предполагает, что одна такая компания в среднем обрабатывает около 500 тыс. запросов к большим языковым моделям в сутки при средней длине запроса 2,5 тыс. токенов. Это соответствует примерно 456 млрд токенов в год на одну компанию.

В денежном выражении такой объем потребления соответствует примерно 237 млрд рублей в год. При расчетной средней стоимости 260 руб. за 1 млн токенов итоговая сумма составляет 237,25 млрд рублей. Оценка объединяет расходы на облачные модели и расчетную себестоимость инференса в собственной инфраструктуре и не включает затраты на внедрение ИИ, обучение моделей и содержание ИИ-команд, а также фактические расходы компаний, которые напрямую зависят от выбора моделей и загрузки инфраструктуры.

Среднюю стоимость в Orion soft рассчитали с учетом предполагаемой доли каждого способа использования LLM в общем объеме токенов. В модели на локальные решения приходится 45% потребления при стоимости 180 руб. за 1 млн токенов, на модели Яндекса и Сбера через API — 25% при 350 руб., на Qwen, DeepSeek и другие модели через российские облачные платформы — 20% при 220 руб., на зарубежные API — 10% при 450 руб. Взвешенная стоимость составляет 257,5 руб. за 1 млн токенов и округляется до 260 руб. Доли и ставки являются допущениями сценарной модели, где для локальных решений используется оценка себестоимости, а для облачных — усредненной платы за использование моделей.

Отдельным драйвером роста потребления становятся ИИ-агенты. В отличие от обычного ассистента, агент самостоятельно планирует последовательность действий и несколько раз обращается к модели в процессе выполнения одной задачи. По оценке Orion soft, обычный запрос в корпоративном чате требует около 2,5 тыс. токенов, тогда как агентская задача с шестью обращениями к модели — около 34 тыс., то есть примерно в 14 раз больше.

По расчетам Orion soft, типовой ответ клиенту может стоить около 0,04 руб., поиск по корпоративной базе знаний — 0,19 руб., обработка документа — 0,73 руб., выполнение задачи ИИ-агентом — 1,78 руб., а сложная задача coding-агента — уже 114,77 руб. Расчеты основаны на тарифах используемых моделей на сентябрь 2026 года и учитывают только стоимость инференса без расходов на интеграцию, ИИ-команду и внутреннюю инфраструктуру.

В сценарии на 2027 год потребление ИИ-токенов крупным российским бизнесом по оценке Orion soft может вырасти примерно на 25–50%, до 1,14–1,37 квадриллиона токенов. Такой рост возможен, если при неизменном общем числе задач 2–4% обычных запросов со средним потреблением 2,5 тыс. токенов будут заменены агентскими задачами по 34 тыс. токенов. Эта доля принята как сценарное допущение. При сохранении средней стоимости на уровне 260 руб. за 1 млн токенов денежный эквивалент потребления составит около 297–357 млрд руб. в год.

Рост потребления ИИ ставит перед бизнесом новую задачу — управлять не только доступом к моделям, но и экономикой их использования. Один и тот же объем токенов может иметь принципиально разную стоимость и приносить разный бизнес-результат в зависимости от модели, сложности задачи, объема контекста и количества обращений к LLM.

Никита Векессер, руководитель продуктов Nova AI и StarGuard AI Orion soft, отметил: «По мере масштабирования ИИ токены превращаются из технической метрики в заметную статью корпоративных расходов. Но само количество токенов ничего не говорит об эффективности: один и тот же объем вычислений может использоваться для ответа в корпоративном чате или для сложной задачи разработки и создавать совершенно разный бизнес-результат. Поэтому компаниям важно переходить от подсчета токенов к оценке стоимости завершенной ИИ-операции и полученного эффекта. С распространением агентов эта задача станет еще актуальнее: один пользовательский запрос превращается в цепочку обращений к модели, увеличивая нагрузку на инфраструктуру и стоимость эксплуатации ИИ».