Є розмова, яку я регулярно веду з власниками бізнесу, що вже спробували впровадити ШІ. Звучить вона приблизно так: «Ми зробили AI-процес, він працює, але рахунок за токени зростає щомісяця, а іноді результат ще й плаває - сьогодні так, завтра інакше». І майже завжди причина одна й та сама: модель робить роботу, для якої вона не потрібна.
Це неочевидна думка для 2026 року, коли ШІ прийнято вставляти всюди. Але саме вона відрізняє дорогу автоматизацію від ефективної: штучний інтелект - найдорожчий і найменш передбачуваний виконавець у вашому процесі. І тому давати йому треба тільки ту роботу, яку більше ніхто виконати не може.
Два типи кроків у будь-якому процесі
Візьміть будь-який робочий процес і розкладіть його на кроки. Кожен крок належить до одного з двох типів.
Детерміновані кроки - ті, де на однаковий вхід завжди має бути однакова відповідь. Дістати дані з таблиці. Перевірити, що в листі є email і телефон. Переконвертувати файл. Порахувати суму. Відправити повідомлення в канал. Перевірити, що текст не довший за ліміт. Для таких кроків існує звичайний код - або готові автоматизації. Код виконує їх за мілісекунди, коштує практично нуль і помиляється рівно нуль разів: якщо правило описане правильно, воно спрацює мільйон разів однаково.
Недетерміновані кроки - ті, де однозначної правильної відповіді немає, а є судження. Зрозуміти, про що насправді просить клієнт у плутаному листі. Написати текст у певному тоні. Оцінити, яка з рекламних кампаній просідає і чому. Витягнути суть із години запису переговорів. Ось це - територія моделі. Тут ШІ незамінний, і тут його вартість виправдана.
Проблема типового AI-процесу в тому, що модель виконує обидва типи роботи. Їй віддають і судження, і рутину: і зрозуміти лист, і перевірити формат телефону, і переставити поля місцями, і порахувати підсумок. За кожен такий крок ви платите токенами, часом відповіді і - найнеприємніше - ймовірністю помилки. Бо модель, на відміну від коду, може одного разу «творчо» відформатувати дату або загубити рядок у таблиці. І тоді до вартості токенів додається вартість перевірки людиною.
Рахуйте не вартість запиту, а повну вартість результату
Друга помилка - рахувати тільки те, що видно в рахунку за API. Повна вартість одного результату складається щонайменше з чотирьох частин: токени за всі кроки процесу, час очікування (модель думає секунди там, де код працює мілісекунди), вартість помилок (скільки коштує один пропущений або зіпсований результат і як часто він трапляється) і вартість контролю (скільки людського часу йде на перевірку того, що можна було зробити гарантовано правильним).
Коли рахуєш так, картина часто перевертається. Процес, де модель робить один точний крок судження, а все навколо виконує код, може коштувати в десять разів дешевше за процес, де модель тягне все, - і при цьому давати стабільнішу якість. Якість тут не страждає від «економії на ШІ». Навпаки: що менше на моделі рутинних кроків, то менше точок, де вона може відхилитися.
Як це виглядає в моїх процесах
Покажу на власних прикладах, бо абстрактні поради тут не працюють.
Зустрічі. Мій диктофон PLAUD записує всі зустрічі - онлайн і живі. Запис звуку, транскрибація, збереження і синхронізація - це детермінований конвеєр, він працює однаково щоразу, і моделі там нема чого робити. А от коли я питаю «збери всі мої домовленості за тиждень і порівняй, що підрядник обіцяв місяць тому і що каже зараз» - це чисте судження, і саме тут працює Claude. Модель отримує вже готові транскрипти, а не займається їх виготовленням.
Реклама. Learn to Earn Global працює з Meta Ads. Витягнути метрики кампаній за період - детермінована задача: цифри є цифри, їх дістає конектор, а не «творчість» моделі. Модель підключається на кроці, де потрібна інтерпретація: де аномалія, що масштабувати, що вимикати, як це співвідноситься з бенчмарками. Якби модель ще й «згадувала» цифри сама, я б платив дорожче і отримував ризик вигаданих даних.
Сайт. Для Офіційний сайт Михайла Пацана я побудував конектор MP Admin Hub. Написати статтю в моєму стилі - недетермінований крок, це робить модель. Але зберегти чернетку, проставити технічні поля, провести матеріал через статуси погодження і опублікувати - це жорстка, однакова щоразу механіка, зашита в код конектора. Модель не «вигадує», як публікувати, - вона натискає готову кнопку.
Звʼязки між сервісами. Частину автоматизацій у мене збирають n8n і Zapier: передати дані з одного сервісу в інший, запустити ланцюжок за подією, розіслати матеріали в Telegram-канал за розкладом. У багатьох із цих ланцюжків моделі немає взагалі - і це нормально. Автоматизація без ШІ - все ще автоматизація, часто найдешевша і найнадійніша її форма.
Практична рамка: три питання до кожного кроку
Коли ви проєктуєте або переглядаєте свій AI-процес, пройдіться по кожному кроку з трьома питаннями.
Перше: чи можна описати цей крок правилом? Якщо результат кроку можна перевірити формулою, шаблоном або чек-лістом - це кандидат на код або готову автоматизацію на кшталт n8n чи Zapier, а не на модель.
Друге: що станеться, якщо тут буде помилка? Для кроків з високою ціною помилки - гроші, зобовʼязання, публічні дії - детермінованість не просто дешевша, вона безпечніша. Код або відпрацює правильно, або впаде з помилкою, яку видно. Модель може помилитися тихо і переконливо.
Третє: чи справді тут потрібне судження? Чесна відповідь на це питання зазвичай залишає моделі один-два кроки з десяти. Розуміння, аналіз, генерація тексту чи ідей, робота з неструктурованим хаосом - так. Перекладання даних із формату у формат - ні.
Окреме зауваження про перевірки: там, де можливо, перевіряйте результат моделі кодом, а не іншою моделлю. Довжина, обовʼязкові поля, формат, наявність заборонених речей - усе це дешевше і надійніше контролювати правилами. Модель-контролер поверх моделі-виконавця - це подвоєння вартості й лише часткова гарантія.
Головний висновок
Мистецтво дешевої та якісної автоматизації - не в тому, щоб використовувати ШІ більше. Воно в тому, щоб використовувати його точно: віддати моделі неоднозначний аналіз і генерацію, тобто роботу, де потрібне судження, - а повторювані перетворення, перенесення даних і перевірки виконувати звичайним кодом і простими автоматизаціями.
Це та сама логіка, за якою ви не ставите найдорожчого фахівця компанії вносити дані в таблицю. Не тому, що він не впорається, а тому, що це неправильне використання найдорожчого ресурсу. З моделлю так само: вона має думати, а не носити.
Якщо ваш AI-процес коштує дорого - не поспішайте міняти модель на дешевшу. Спочатку розкладіть процес на кроки і подивіться, скільки з них насправді потребують інтелекту. Досвід підказує: менше, ніж здається. І саме там лежить ваш резерв - у рази, а не у відсотки.