Как снижать стоимость AI-бота: токены, кэш, model routing, fallback и лимиты

Марат, владелец сети автосервисов в Алматы, был в восторге от своего нового AI-бота. Первые две недели – сплошные комплименты от клиентов, менеджеры довольны, конверсия растёт. А потом пришёл счёт от провайдера: 847 000 тенге за месяц. При планируемом бюджете в 150 000.

«Как это возможно?» – спрашивал Марат, листая детализацию. Оказалось, что бот отвечал на каждый вопрос развёрнутым эссе на 2000 слов, использовал самую дорогую модель даже для ответа «Да, мы работаем в воскресенье», а ещё – хранил в контексте всю историю переписки за год, даже когда клиент просто спрашивал адрес.

Если вы запускали или собираетесь запускать AI-бота – скорее всего, узнаёте себя. И вот что важно знать: затраты реально снизить в 5-10 раз, не жертвуя качеством. Но для этого придётся разобраться, как устроена экономика LLM. Без паники – всё объясню на пальцах.

«Когда мы начали считать токены, обнаружили, что 40% бюджета уходит на обработку одних и тех же вопросов. "Где вы находитесь?", "Во сколько открываетесь?", "Есть ли скидки?" – тысячи одинаковых запросов, и каждый раз модель генерировала ответ с нуля. Внедрили кэш – расходы упали вдвое за неделю.»

Токены: валюта мира AI-ботов

Прежде чем оптимизировать, нужно понять, за что вы платите. В мире больших языковых моделей (LLM) деньги считаются в токенах – это фрагменты текста, на которые модель разбивает входящие и исходящие сообщения.

Один токен – это примерно 4 символа на английском или 1-2 символа на русском языке. Слово «оптимизация» – это около 4-5 токенов. Предложение «Здравствуйте, я хочу записаться на ТО» – примерно 15-18 токенов. Звучит совсем не страшно, да?

А теперь та самая ложка дёгтя: вы платите не только за ответ бота, но и за весь контекст, который отправляете модели каждый раз. И тут начинается снежный ком. История диалога? Да. Системный промпт с инструкциями? Тоже да. Данные из базы знаний? И это туда же. Инструкции по форматированию? Разумеется. И всё это летит в облако при каждом – каждом! – сообщении клиента. Вот где бюджет начинает таять, как мороженое в алматинское лето.

Пример: сколько стоит один диалог

А теперь давайте посчитаем на пальцах, чтобы стало совсем понятно. Возьмём обычную ситуацию: клиент задал боту 5 вопросов, получил ответы. Для примера берём GPT-4 Turbo – цены на декабрь 2024 года: $10 за миллион входящих токенов, $30 за миллион выходящих.

Видите, что происходит? К пятому сообщению входящий контекст удвоился, хотя клиент задаёт такой же короткий вопросик. А представьте, если диалог растянется на 10 сообщений. Или на 20. Затраты растут не линейно, а по экспоненте. Вот откуда берутся те самые «сюрпризы» в счетах, от которых финдиректор хватается за сердце.

Для одного диалога из 5 сообщений при использовании GPT-4 Turbo вы заплатите примерно $0.15-0.20. Мелочь, скажете? А теперь умножьте на 1000 диалогов в день. Получается $150-200 каждый день. За месяц выходит $4500-6000, а это уже 2-2.7 миллиона тенге. И это только на токены – без учёта серверов, разработки, поддержки и всего остального.

Стратегия 1: Кэширование ответов

Самый быстрый способ сократить затраты – не генерировать заново то, что уже было сгенерировано. Звучит банально? Ну да. Но знаете, что удивительно? Как много компаний игнорируют эту простую возможность.

Вот вам картинка. Ваш бот обслуживает интернет-магазин электроники. Каждый божий день сотни людей спрашивают одно и то же: «Есть ли iPhone 15 в наличии?», «Какая гарантия на телевизоры?», «Доставляете ли в Шымкент?». Формулировки чуть-чуть разные, но суть одна. И что делает бот? Каждый раз генерирует ответ с нуля. Снова. И снова. И снова. Токены горят, счётчик крутится.

Как работает кэширование для AI-бота

Есть несколько уровней кэширования, и каждый решает свою задачу:

• Точное совпадение (exact match): Если клиент спрашивает «Во сколько вы работаете?» и кто-то уже спрашивал то же самое – отдаём кэшированный ответ. Экономия 100%.
• Семантическое совпадение: «Во сколько вы работаете?» и «Какой у вас график работы?» – разные фразы, но один смысл. Используем embeddings для поиска похожих вопросов. Экономия 90-100%.
• Кэширование RAG-результатов: Если для ответа нужно искать в базе знаний – кэшируем результаты поиска. Не нужно каждый раз запрашивать векторную БД.
• Prompt caching (native): Некоторые провайдеры (Anthropic, OpenAI) предлагают встроенное кэширование промптов. Если системный промпт не меняется – платите за него меньше.

Практическая реализация

Для семантического кэша вам понадобится несколько компонентов. Векторная база данных – Pinecone, Qdrant, Milvus или даже обычный PostgreSQL с расширением pgvector. Модель для создания embeddings – например, text-embedding-3-small от OpenAI, которая стоит копейки по сравнению с генеративными моделями. Логика определения «похожести» – обычно порог similarity выставляют на 0.92-0.95. И TTL, время жизни кэша: для вопросов про наличие товара это может быть час, для графика работы – неделя.

И вот тут важный момент, который многие упускают: кэш нужно инвалидировать при изменении данных. Поменялся график работы – старые ответы должны уйти. Иначе вы сэкономите на токенах, но потеряете на клиентах, которым бот выдал устаревшую информацию. А это куда дороже.

Стратегия 2: Маршрутизация между моделями (Model Routing)

А вот вам парадокс. Большинство компаний берут одну модель для всех задач. И обычно выбирают самую мощную и дорогую – «чтобы наверняка». Это как каждый раз ездить на Ferrari в ближайший магазин за хлебом. Доедете? Доедете. Но бензина сожжёте столько, что проще было такси вызвать.

Смотрите, какая штука. Если копнуть в реальную статистику, окажется, что 70-80% вопросов к бизнес-боту – элементарные. «Где вы находитесь?», «Сколько стоит доставка?», «Как оплатить?». Запускать для этого GPT-4 – это как нанять профессора лингвистики, чтобы он сказал вам, который час. Модель в 10 раз дешевле справится с тем же успехом, а клиент даже не заметит разницы.

Как устроен model routing

Идея проста: перед отправкой запроса в LLM определяем его сложность и маршрутизируем на подходящую модель. Вот типичная схема:

Как определять сложность запроса?

Есть несколько подходов, и на практике лучше комбинировать.

Классификатор на базе лёгкой модели. Отправляем запрос в GPT-3.5 или даже в специализированную классифицирующую модель. Она за копейки определяет категорию и сложность. Быстро и дёшево.

Ключевые слова и паттерны. «Где находитесь?» – точно простой запрос. «Хочу подать жалобу на некачественное обслуживание» – точно сложный. Правила отлично работают для очевидных случаев, и их можно накручивать постепенно.

Эмбеддинги плюс классификатор. Обучаем модель на размеченных данных: какие запросы требовали сложных ответов, какие закрывались простыми. Со временем система начинает понимать нюансы.

A/B тестирование. Отправляем часть «средних» запросов на дешёвую модель, смотрим на качество. Если норм – расширяем. Если проседает – корректируем границы.

Да, классификация сама по себе стоит токенов. Но цена классификации (5-10 токенов) – это ничто по сравнению с экономией на разнице между моделями (сотни и тысячи токенов).

Стратегия 3: Fallback-механизмы

Что происходит, когда основная модель недоступна или отвечает слишком долго? Если у вас нет fallback-стратегии – клиент видит ошибку. Если есть – получает ответ от резервной модели. Но fallback – это не только про отказоустойчивость. Это ещё и про экономию.

Типы fallback-стратегий

• По таймауту: Если GPT-4 не ответил за 5 секунд – переключаемся на GPT-3.5. Клиент получает ответ быстрее, вы платите меньше.
• По бюджету: Потратили 80% месячного лимита – переключаемся на более дешёвую модель для оставшихся запросов.
• По нагрузке: В часы пик (когда запросов много) используем лёгкую модель, в тихие часы – более мощную.
• По качеству ответа: Если первая модель вернула неуверенный или короткий ответ – пробуем другую.

Каскадный fallback: от дешёвого к дорогому

Интересный паттерн – инвертированный fallback. Вместо «сначала дорогая, потом дешёвая» делаем наоборот:

1. Сначала пробуем дешёвую модель (GPT-3.5, Claude Haiku)
2. Если ответ уверенный и полный – отдаём клиенту
3. Если модель «не уверена» (низкий confidence, короткий ответ, признание незнания) – эскалируем на дорогую модель

Такой подход требует чуть больше логики, но экономит существенно. Потому что 70% запросов закрываются на первом шаге.

Стратегия 4: Управление контекстом

Помните пример в начале статьи? История диалога, которая растёт с каждым сообщением – это один из главных «убийц» бюджета. Хорошая новость: контекстом можно и нужно управлять.

Техники сокращения контекста

Скользящее окно. Храним только последние N сообщений – например, 10. Старые просто удаляем. Звучит жёстко, но для большинства кейсов работает отлично. Клиенту редко нужно помнить, что он спрашивал полчаса назад.

Суммаризация истории. Каждые 5-10 сообщений берём всю историю и сжимаем в краткое резюме. «Клиент интересовался товаром X, спрашивал про доставку, бюджет до 50 000 тенге». Вместо 2000 токенов получается 100.

Извлечение сущностей. А можно ещё радикальнее: вместо полной истории храним только ключевые факты. Имя клиента, товар, который его интересует, этап воронки, важные детали. Остальное – в архив.

Сброс контекста при смене темы. Клиент переключился на новую тему – старая история больше не нужна. Смело сбрасываем. Это как перевернуть страницу в блокноте.

Оптимизация системного промпта

Системный промпт отправляется с каждым запросом. Если он на 3000 токенов – вы платите за него снова и снова и снова. Как оптимизировать?

Убрать дублирование. Часто в промпте одно и то же написано разными словами. Раз пять. Серьёзно, возьмите свой промпт и вычитайте критически – найдёте кучу воды.

Использовать сокращения. Вместо «Ты – дружелюбный помощник компании X, которая занимается продажей автозапчастей и сопутствующих товаров» пишите «Ты помощник X (продажа автозапчастей). Тон: дружелюбный». Смысл тот же, токенов в три раза меньше.

Выносить редко используемое. Инструкции для редких кейсов не нужно держать в промпте постоянно. Добавляйте их динамически, только когда ситуация возникла.

Prompt caching. OpenAI и Anthropic предлагают кэширование статичных частей промпта. Если ваш системный промпт не меняется – платите за него один раз, а не каждый запрос. Экономия в разы.

Стратегия 5: Лимиты и квоты

Иногда лучший способ контролировать расходы – установить жёсткие ограничения. Это не про ухудшение сервиса, а про предсказуемость бюджета и защиту от аномалий.

Какие лимиты устанавливать

• Лимит токенов на ответ: Установите max_tokens (например, 500). Бот не будет писать романы там, где достаточно пары предложений.
• Лимит сообщений на диалог: После 20 сообщений – предлагаем связаться с оператором. Это и экономия, и качество (если человек не решил вопрос за 20 сообщений – ему нужен человек).
• Лимит запросов на пользователя: 50 запросов в день на одного клиента – защита от злоупотреблений.
• Бюджетный лимит: Потратили $X за день – переключаемся на дешёвую модель или включаем очередь.

Что делать при достижении лимита?

Лимит – это не отказ. Это переключение на альтернативу:

• Переключение на более дешёвую модель
• Предложение связаться с оператором (передача в human handoff)
• Постановка в очередь с уведомлением «Ответим через N минут»
• Предложение оставить контакт для обратной связи

Мониторинг: что измерять, чтобы экономить

Нельзя оптимизировать то, что не измеряешь. Вот метрики, которые должны быть на вашем дашборде:

Финансовые метрики

Качественные метрики (чтобы не переоптимизировать)

Важно не уйти в другую крайность – экономить так, что качество упадёт. Отслеживайте:

• CSAT / NPS: Удовлетворённость клиентов не должна падать
• Resolution rate: Процент обращений, закрытых ботом без эскалации
• Escalation причины: Почему переводят на оператора? Не из-за плохого качества ответов?
• Время ответа: Не стало ли дольше из-за fallback-логики?

Особенности оптимизации для казахстанского рынка

У бизнеса в Казахстане есть специфические факторы, которые влияют на экономику AI-бота.

Валютные риски

OpenAI, Anthropic и другие крупные провайдеры берут оплату в долларах. Это создаёт непредсказуемость: при колебаниях курса ваш бюджет в тенге может «плавать». Что делать:

• Закладывайте буфер 10-15% на валютные колебания
• Рассмотрите локальных провайдеров (Yandex GPT, SberGigaChat) – оплата в рублях стабильнее
• Для критичных систем – self-hosted решения с фиксированной стоимостью

Многоязычность

Казахский и русский языки в одном диалоге – типичная ситуация. Проблема в том, что токенизация для русского и казахского менее эффективна, чем для английского. Одно и то же предложение на русском стоит в 1.5-2 раза дороже, чем на английском.

К сожалению, с этим мало что можно сделать. Но учитывайте при планировании бюджета: если вы сравниваете свои расходы с кейсами англоязычных компаний – делайте поправку.

Интеграция с локальными системами

Если бот интегрирован с 1С, Kaspi или другими локальными системами – данные для RAG уже на месте. Используйте это преимущество: локальный RAG дешевле, чем передача большого контекста в облачную модель.

Пошаговый план оптимизации (что делать прямо сейчас)

Вот конкретные шаги, которые можно выполнить за неделю и получить результат:

День 1-2: Аудит текущей ситуации

• Соберите статистику: сколько запросов в день, средний размер контекста, распределение по типам вопросов
• Найдите «тяжёлые» диалоги – те, где контекст вырастает до максимума
• Выявите повторяющиеся вопросы (кандидаты на кэширование)

День 3-4: Быстрые победы

• Сократите системный промпт (обычно можно убрать 30-50%)
• Установите max_tokens на ответы (300-500 для большинства кейсов)
• Включите скользящее окно для истории (10-15 сообщений)

День 5-7: Системные улучшения

• Настройте кэширование для топ-50 повторяющихся вопросов
• Добавьте простой классификатор для model routing
• Настройте мониторинг (cost per conversation, cache hit rate)

После этой недели вы должны увидеть снижение затрат на 30-50%. Дальнейшая оптимизация – итерационный процесс: анализируете данные, находите узкие места, улучшаете.

Итог: экономия без жертв

AI-бот не обязан быть дорогим. Большинство компаний переплачивают в 3-5 раз просто потому, что запустили «как есть» и забыли про оптимизацию. Это как оставить свет и кондиционер работать во всём офисе на выходные – технически всё функционирует, но потом финдиректор долго смотрит на счёт за электричество.

Главные инструменты экономии:

• Кэширование – не генерируйте то, что уже было сгенерировано
• Model routing – используйте дорогие модели только там, где нужно
• Fallback – пробуйте дешёвое, эскалируйте на дорогое
• Управление контекстом – не таскайте лишнее с каждым запросом
• Лимиты – защитите себя от аномалий и злоупотреблений

И помните: цель не в минимизации затрат любой ценой, а в максимизации ценности на каждый потраченный тенге. Если экономия ухудшает качество – это не экономия, это потеря клиентов.

Начните с аудита. Посмотрите, куда уходят деньги. Внедрите 2-3 техники из этой статьи. Измерьте результат. И повторите. Оптимизация – это не разовое действие, а процесс. Но результаты того стоят.

Читайте также

• Токен-экономика: как контролировать стоимость LLM-бота в продакшене
• Fine-tuning vs RAG vs промпт: как выбрать подход для CRM-бота
• On-premise LLM: архитектура, ограничения, стоимость владения
• Стоимость AI-бота для бизнеса: из чего складывается цена
• ROI чатбота, голосового помощника и RPA: как считать