Google выкатила Gemini 4 Argon с ответом на миллион токенов за раз. Anthropic не успела объявить Fable 5.5, а пользователи уже пишут, что она отвечает им вместо Fable 5.1. Модели становятся мощнее и дешевле почти каждую неделю. А в компаниях происходит обратное: счёт за ИИ растёт быстрее, чем польза от него.
Две новости за последние дни описывают этот разрыв с разных сторон. Одна показывает, где именно утекают деньги и как их удержать. Вторая, на данных девяти миллионов ответов нейросетей, разбивает половину того, что маркетологи считали правдой о видимости в AI-поиске. Разберём обе, потому что вместе они меняют картину бюджета.
Argon: миллион токенов и цена как у всех
Google называет Argon самой мощной моделью в своей истории. Она берёт до миллиона токенов в одном ответе, где прежний предел был 64 тысячи. Внутри компании она уже переносит проекты с C на Rust и нашла оптимизации памяти в дата-центрах на 300 терабайт. По бенчмаркам самого Google, Argon лидирует или идёт наравне в 13 из 18 тестов против GPT-6 Astra и Claude Opus 5.5, а на юридическом тесте Harvey обходит конкурентов втрое и впятеро.
Цифры стоит принять с оговоркой: это данные Google, независимых прогонов пока нет. Смотреть надо не на вершину таблицы, а на строку цены. Ограничение прежних моделей в 64 тысячи токенов заставляло дробить большие задачи на части. Каждый кусок - отдельный вызов, отдельные деньги, отдельные ошибки на стыках. Argon убирает эту нарезку. Для компаний во Владивостоке, где внедрение ИИ считают по каждому рублю, важен не рекорд бенчмарка, а то, что одна задача теперь решается одним запросом.
Модели дешевеют, а компании платят больше
Вторая новость объясняет, почему экономия на моделях не всегда видна в счёте. Компании замечают закономерность: сотрудники тратят на ИИ всё больше, а отдача растёт медленнее расходов. Особенно когда в дело идут агенты внутри платформ, которые дёргают инструменты и жгут кредиты в фоне. Инструменты сами эту задачу не решают: их надо правильно использовать.
Вот семь приёмов из разбора AI-маркетинга, которые бьют прямо в счёт.
- Финал на дорогой модели, черновики на дешёвой: промежуточные ошибки прогоняйте на дешёвых моделях, дорогой кредит тратьте только на выверенный запрос
- Промпт стоит денег: дорабатывайте запрос там, где дешевле, и только потом несите в дорогой инструмент
- Правила для вайб-кодинга: без рамок компания получает дорогие ошибки, «хорошо управляемый вайб-кодинг - не оксюморон» (Скотт Бринкер, автор термина martech)
- Проверка вывода: перепроверять ответы моделей дешевле, чем исправлять последствия
Общий принцип из этих приёмов один. Дорогую модель стоит включать на финальном шаге, когда запрос уже выверен. Всё черновое, вся итерация, вся отладка формата - на дешёвых моделях. Компания, которая держит на флагмане разбор тикетов и сортировку заявок, платит вдвое больше за тот же результат.
Есть и более тонкий слой. Проактивные агенты работают без запроса и тратят токены постоянно. Если такой агент крутится на топовой модели, счёт растёт незаметно: агент работает в фоне, пока вы заняты другим. Проверить, на какой модели работают фоновые агенты, - это первое, что стоит сделать при аудите расходов.
Что показали 9 миллионов ответов
Пока одни считают токены, другие считают цитаты. Нил Пател разобрал 9 миллионов ответов нейросетей на 9 платформах и данные более 400 крупных брендов. Девять привычных представлений о видимости в AI-поиске не подтвердились. Два мифа важны для бизнеса сильнее остальных.
Первый: хорошая репутация повышает цитируемость. Данные говорят об обратном. На пяти платформах, включая ChatGPT, Gemini и Copilot, репутация связана с частотой цитирования отрицательно или никак. Бренды со сложной репутацией цитируют чаще. Причина в механике: модели берут материал исходя из того, как часто и подробно обсуждают бренд. Спорная тема рождает больше разговоров, а значит, больше материала для ответа. Репутация важна для конверсии и доверия, но она не объясняет цифры видимости.
Второй: списки и сравнения собирают больше всего цитат. Совет «оформи список, и нейросеть тебя процитирует» стал стандартом для брифов на AI-оптимизированный контент. Но 64 процента цитат приходят с обычных страниц, а не из списков или инструкций. Модели достают тот фрагмент, который лучше отвечает на запрос, независимо от формата. Подробная страница по теме закрывает больше запросов, чем шаблонный список, собранный ради цитаты.
Третий миф касается коммерческих запросов. Кажется, что лучше всех знает продукт сама компания. На деле 82 процента цитат по коммерческим запросам получают третьи стороны: обзоры, каталоги, чужие сравнения. Свои страницы товара и цен на эти запросы влияют слабее, чем принято думать.
Почему это одна и та же история
Обе новости про одно: деньги. На моделях экономят, вынося черновое на дешёвые и держа флагман для финала. В видимости выигрывают те, кто делает обычные страницы основательнее, а не гонится за шаблоном списка. В обоих случаях работает не хитрый приём, а системная работа: посчитать стоимость задачи, развести процессы по уровням, написать страницу, которая отвечает на вопрос покупателя целиком.
Общий механизм тоже совпадает. Нейросети, как и счёт за токены, реагируют на глубину, а не на форму. Модель берёт тот фрагмент, который лучше отвечает на запрос, а не тот, что красивее оформлен. Компания тратит меньше там, где не дробит задачу и не гоняет рутину на флагмане. Логика одна: убрать лишнее, оставить то, что по делу.
Что это значит для бизнеса
Два вывода, которые можно проверить на этой неделе.
- Посчитайте стоимость задачи, а не токена. Проверьте, на какой модели работают фоновые агенты и повторяющиеся процессы. Скорее всего, часть рутины крутится на флагмане там, где хватит дешёвой модели.
- Перестаньте оптимизировать под шаблон. Список ради цитаты не работает. Работает страница, которая закрывает вопрос покупателя целиком: с цифрами, конкретикой и своими данными.
Внедрение искусственного интеллекта перестало быть вопросом «какую модель взять». Теперь это вопрос «как связать несколько моделей в один процесс, не переплатить и остаться видимым в AI-поиске». Мы в AG Branding разбираем процессы клиентов, подбираем модель под каждую задачу и настраиваем автоматизацию с помощью ИИ так, чтобы счёт не рос быстрее пользы. Начните с бесплатного AI-аудита: за один разбор видно, где бюджет уходит впустую.