Бюджет на токены: сколько на самом деле стоит AI в разработке

Три числа из одной таблицы хорошо показывают проблему. По индексу Ramp, за неделю до 23 октября 2026 года смешанная цена 1 млн токенов OpenAI и Anthropic у бизнес-клиентов упала на 26,8 % к той же неделе месяцем раньше — до $0,56. Объём токенов за то же время вырос на 37,1 %, а расход — на 8,9 %.

Эти три числа не сходятся как простое произведение: падение цены и рост объёма дали бы около +0,4 %. Выборка — клиенты продукта Ramp для учёта токенов, и сама компания пишет, что она не представляет все AI-расходы её клиентов; на итог влияют и смесь моделей, и состав выборки. Но направление ясно: дешёвый токен не делает счёт меньше.

Годовая картина та же. Menlo Ventures пишет, что в 2026 году компании в среднем планировали поднять AI-расходы в 1,9 раза к 2025 году, а фактически потратили в 4,7 раза больше. По медиане разница скромнее — 2,2 раза против плановых 1,8, то есть перерасход медианной компании около 22 % (наш расчёт). Средний взлетел из-за небольшой группы активных компаний. Объяснение авторов — агенты: расход растёт вместе с работой, а не с числом сотрудников.

По телеметрии 500 с лишним компаний DX, медианная цена 1 млн токенов весь год держалась между $0,58 и $0,78, а общий расход рос на 106–342 % в квартал. Рост идёт от объёма. Epoch AI оценивает, что достижение фиксированного уровня качества дешевеет примерно на 47 % в квартал, но компании не покупают фиксированный уровень: по данным Menlo, доля фронтирных моделей в расходах за год выросла с 35 до 63 %.

Спрос на токены почти не зависит от цены. По данным OpenRouter и a16z, снижение цены на 10 % даёт лишь 0,5–0,7 % роста использования; объём растёт от новых сценариев, прежде всего агентных. Продавец смотрит на это иначе. В обновлённом проспекте Anthropic пишет, что снижение цен уменьшило рост выручки со второго на третий квартал 2026 года примерно на $600 млн из $5 401 млн, и утверждает, что более низкая цена задачи ведёт к большему использованию.

Цена может и расти. С 1 декабря 2026 года Gemini 4 Carbon и Argon дорожают вдвое: вводная цена $2 / $10 за 1 млн входных и выходных токенов сменится на $4 / $20. А в прейскуранте Anthropic сказано, что новый токенизатор моделей Claude 4.7 и новее даёт примерно на 30 % больше токенов на тот же текст: цена токена прежняя, а счёт за ту же работу выше.

Руководителю нужна цена сделанной работы, поэтому полезная единица бюджета — задача. В итоге считать придётся стоимость принятой задачи — к ней вернёмся в разделе о принятом изменении. Начнём с более простого: цены одной попытки агента.

Одна и та же цена токена даёт очень разную цену задачи. По индексу Artificial Analysis, Claude Opus 5.5 стоит $0,98 за задачу на низком уровне рассуждений и $10,04 на максимальном. Sonnet 5.5 при прежней цене токена обходится на задачу примерно на 50 % дороже Sonnet 5: модель больше рассуждает. А Muse Ember с теми же ценами входа и выхода, что у Claude Haiku 5.5, стоит $0,14 против $0,41 за задачу.

При одинаковом качестве разница доходит до порядка. На лидерборде SWE-bench Verified в режиме, где все модели работают в одной обвязке, Claude 4.5 Opus (high) решил 76,8 % задач за $376,95 на весь набор, а MiniMax M2.5 (high) — 75,8 % за $36,65. Это $0,98 и $0,10 за решённую задачу (наш расчёт). В исследовании уровня усилия на задачах, которые модели решают при любом усилии, максимальный уровень стоил до 42 раз дороже минимального.

Цена задачи плавает и между запусками. В версии работы Bai и соавторов для воркшопа NeurIPS 2026 самый дорогой прогон одной задачи обычно вдвое дороже самого дешёвого, а модели с близкой точностью различаются по расходу до трёх раз. В более раннем препринте разброс доходил до 30 раз — мы опираемся на более позднюю версию. Там же лучшие модели предсказывали свой расход до запуска с корреляцией до 0,77, хотя недооценивали входные токены: оценивать бюджет задачи заранее можно, но с запасом.

Чтобы перевести это в деньги команды, мы взяли профиль задачи из иллюстрации claude.dev: 40 ходов, 2,8 млн входных токенов, из них 90 % читаются из кеша, и 60 тыс. выходных. По прейскуранту на Opus 5.5 такая задача стоит $2,82, без кеша — $12,40, в 4,4 раза дороже. При трёх задачах в рабочий день это $178 на разработчика и $17 791 на сотню разработчиков в месяц.

Та же сотня разработчиков на Fable 5.2 обойдётся в $32 407, на GPT-6 Astra — в $52 416, на DeepSeek V4.1 Flash в пиковые часы — в $1 078. Смесь из 20 % задач на Opus, 60 % на Sonnet и 20 % на Haiku — $9 420, почти вдвое меньше, чем всё на Opus. Подорожание Gemini 4 с 1 декабря удвоит счёт за ту же работу.

Агент работает в цикле: прочитать файлы, вызвать инструмент, получить вывод, подумать, сделать следующий шаг. На каждом ходе модель заново получает весь накопленный контекст — системный промпт, описания инструментов, прочитанные файлы, историю. Поэтому входные токены растут быстрее, чем линейно, и именно они определяют счёт.

Больше всего занимает то, что агент прочитал. В исследовании управления контекстом вывод инструментов — содержимое файлов и результаты команд — составлял около 84 % токенов среднего хода SWE-agent. По телеметрии DX, чтения из кеша выросли за год с 89,6 до 94,0 % всех токенов. Это доля токенов, а не денег: чтение кеша стоит малую долю цены свежего входа.

Неудача стоит дороже успеха. В SWE-Effi неуспешная попытка SWE-agent с GPT-4o-mini расходовала в среднем больше 8,8 млн токенов против 1,8 млн у успешной: агент ходит по кругу, пока не упрётся в лимит. На лидерборде SWE-bench во всех 39 опубликованных прогонах нерешённая задача в среднем дороже решённой, а 10 % самых дорогих задач дают от 19 до 72 % суммы прогона.

Несколько агентов умножают расход. В исследовательской системе Anthropic агент расходует примерно вчетверо больше токенов, чем чат, а многоагентная система — примерно в 15 раз. Это оправдано, только если задача того стоит: в контролируемом сравнении архитектур на подвыборке SWE-bench Verified все многоагентные схемы при равном бюджете токенов решили меньше, чем одиночный агент.

Наконец, расход неравномерен между людьми. По данным Jellyfish, за первое полугодие 2026 года p90 недельных токенов Claude Code вырос примерно втрое, а медиана почти не изменилась. Средний пользователь тратил $248 в месяц, а p99 — $2 452.

Раз основная статья — перечитывание контекста, главные рычаги работают с ним. Самый простой — кеширование контекста. В эксперименте с многоходовым агентом оно снизило цену сессии на 79,6 % у GPT-5.2 и на 78,5 % у Claude Sonnet 4.5. Условие — стабильный префикс: системный промпт и описания инструментов не должны меняться между ходами. Кеширование всего контекста вместе с изменчивым выводом инструментов, напротив, ухудшало задержку.

Второй рычаг — убирать из контекста то, что больше не нужно. Простое маскирование старых наблюдений — агент видит вывод только последних десяти ходов — в том же исследовании управления контекстом снизило цену задачи на 51–57 %, а решаемость менялась в пределах от −22 до +10 % в относительных величинах. Пересказ истории моделью сэкономил не больше, но удлинял траектории примерно на 15 %. AgentDiet, где дешёвая модель вычищает траекторию, дал −21–36 % цены, а SWE-Pruner, отбирающий нужные строки из прочитанных файлов, — −26,8 %.

Третий рычаг — останавливать агента вовремя. Жёсткий лимит ходов на 75-м перцентиле обычной длины траектории снизил цену на 24–68 % при малом влиянии на решаемость. Похоже работает лестница усилия из исследования уровня рассуждений: сначала минимальное усилие, при неудаче — максимальное; на SWE-Bench Pro это дало медианную экономию 15,5 %. Лестница хороша там, где неудачу видно дёшево, например по тестам.

Есть и рычаги без исследований за спиной: короткие инструкции, отключённые неиспользуемые серверы MCP, новая сессия на новую задачу — это советы из документации Claude Code. Практический результат в масштабе компании показала Coinbase: по словам её руководителя в пересказе, расход на AI сократили почти вдвое при растущем объёме токенов, а доля попаданий в кеш выросла с 5 до 60 %.

Цена попытки ещё не говорит, сколько стоит результат. Принятое изменение — то, что прошло ревью, влито и не откачено, — несёт и стоимость неудачных попыток, и минуты CI, и машинное ревью, и время людей на проверку и переделки. Схема ниже показывает, как эти статьи копятся по воронке.

Самый крупный замер — Jellyfish по 1 300 с лишним компаниям: полная стоимость влитого PR, то есть зарплата инженеров плюс оценка AI-расходов, делённые на число PR, у медианной компании за год снизилась с $1 202 до $820. Прямая доля AI — около $18 из средней стоимости $799. Для бюджета разработки токены пока небольшая статья: основная стоимость — люди.

При этом отдача от токенов убывает. В отчёте Jellyfish за первое полугодие первый миллион токенов на человека в месяц давал около 11 влитых PR на миллион, а дальше, по словам авторов, дополнительные токены почти не добавляли результата. Разброс трат большой: в бенчмарке Larridin у инженеров, которые и тратили на AI, и вливали код, недельный счёт — $86 на 25-м перцентиле, $213 в медиане и $911 на 90-м.

Машинное ревью тоже стоит денег. Cloudflare за 30 дней запустила 131 246 прогонов AI-ревью на 48 095 запросов на слияние, в среднем по $1,19: около 2,7 прогона и $3,25 на запрос, около $156 тыс. в месяц (наш расчёт).

Отказ не всегда значит, что агент ошибся. Принятие PR агентов сильнее зависит от типа задачи, чем от агента: документацию вливают в 82,1 % случаев, новые функции — в 66,1 %. В ручном разборе 717 PR только 35,7 % отклонённых оказались явной ошибкой агента, а 15,4 % влитых потребовали явного участия ревьюера. Поэтому знаменатель — принятые изменения по классам задач, а не все PR подряд.

Узкое место смещается в проверку. По DX, в организациях, где AI пишет 80 % кода и больше, первое ревью в медиане ждут 82 минуты, а PR за год стали крупнее на 122 %. О том, почему приёмка становится главной статьёй стоимости, — лонгрид об инфраструктуре агентной разработки.

Способ оплаты решает, кто несёт риск, что работа обойдётся дороже плана. У подписки с лимитами его несёт продавец: цена места фиксирована, но лимит в окне по пять часов или в неделю он может изменить. У оплаты по токенам весь риск у компании. Между ними — места с пулом кредитов.

Подписки щедрее, чем кажется по цене. По оценке SemiAnalysis в пересказе, при работе до недельного лимита Claude Max 20x давал по ценам API до $8 000 в месяц, а ChatGPT Pro — до $14 000, при цене подписки $200. Но лимиты меняются: OpenAI объявила снижение включённого использования Pro и через месяц отменила его, а Anthropic подняла недельные лимиты Claude Code на 50 % в промоакции и с 14 сентября оставила +25 %, то есть на 17 % ниже, чем в промоакции.

Кредиты переводят подписку в деньги. С 1 июня 2026 года GitHub Copilot считает использование по токенам: место Business за $19 даёт 1 900 кредитов по $0,01, кредиты всех мест складываются в общий пул, а оплата сверх пула включена по умолчанию. По нашему профилю задачи на Opus 5.5 место покрывает около семи задач в месяц — дальше та же цена API. В Codex кредиты за 1 млн токенов повторяют пропорции цен API. У JetBrains место даёт доступ, а использование списывается с общего пула организации — пустой пул останавливает всех.

Переход с запросов на доллары болезнен. В 2025 году Cursor перевёл тариф Pro с 500 запросов на «$20 включённого использования» по ставкам API, а через три недели извинился и вернул неожиданные списания. Сам продавец тоже предупреждает о риске: в проспекте Anthropic сказано, что агентные продукты требуют больше вычислений, и если цена не будет это отражать, эффективность компании может ухудшиться.

Свой инференс модели заменяет плату за токены платой за время машин. Узел из восьми H100 у RunPod стоит около $23 тыс. в месяц, у Lambda с 16 ноября — около $27 тыс., восемь H200 у CoreWeave — около $37 тыс., у AWS при бронировании блоков мощности — около $46 тыс. (наш расчёт: цена GPU-часа × 8 × 730 часов).

Чтобы узел RunPod окупился против Opus 5.5 по API, ему нужно заменить около 8 250 задач нашего профиля в месяц. Против DeepSeek V4.1 Flash — около 136 тыс. задач: дешёвые открытые модели по API почти не оставляют места для своего железа. Порог считается только по аренде; люди, сеть, обновления моделей и простой не учтены.

Свою модель запускают ради другого: требований к данным, предсказуемой задержки, независимости от поставщика. Команда SGLang показала, что при крупной оптимизированной установке DeepSeek-V3 на 96 H100 выход стоит около $0,20 за 1 млн токенов — примерно пятую часть цены API того времени. Но это лучший случай при полной загрузке; как это обеспечить на практике, разбирает лонгрид об эксплуатации инференса.

Маршрутизация отправляет каждую задачу на самую дешёвую модель, которая с ней справится. Идея старая: каскад FrugalGPT догонял лучшую модель при цене ниже «до 98 %», а RouteLLM в отдельных случаях был дешевле больше чем вдвое без потери качества. Но это чат и одиночные вопросы; агентная задача сложнее — модель выбирают до того, как стало понятно, насколько задача трудна.

Для агентов разрыв особенно велик. В работе о SWE-Router в одной обвязке gpt-5-mini решила 55,6 % задач SWE-bench Verified за $16,6, а gemini-3-pro-preview — 70,4 % за $391,3: решённая задача у сильной модели дороже примерно в 19 раз (наш расчёт). Интересный поворот — SuperScout: модель на 7 млрд параметров сначала исследует репозиторий и передаёт сводку фронтирной модели. Решено столько же, сколько у лучшей одиночной модели, примерно за пятую часть цены, но выигрыш, по абляции авторов, даёт передача сводки, а не выбор модели.

В продуктах маршрутизация уже есть. Copilot Fusion переключается между моделями Anthropic и OpenAI и стоит $5,59 за задачу индекса против $11,42 у Claude Code с Opus 5.5 при баллах на 2 пункта ниже. Coinbase по умолчанию даёт во внутреннем шлюзе моделей открытые модели, инженер может выбрать другую, а разговор остаётся на одной модели, пока жив кеш — переключение посреди сессии сбрасывает кеш. Thoughtworks в 35-м Technology Radar поместила использование самой сильной модели для всех задач в кольцо Caution.

Практический вывод: маршрутизировать на естественных границах — по классу задачи, по этапу (разведка, план, исполнение, ревью), по уровню рассуждений, а не по каждому запросу. Смесь моделей из нашего примера сокращает счёт команды с $17 791 до $9 420 при условии, что Sonnet и Haiku справляются со своей долей задач; это надо проверить на своих задачах.

Лимит можно поставить на разных уровнях: на человека или ключ, на команду или проект, в шлюзе моделей, на организацию у провайдера и, наконец, в бюджете финансов. Каждый уровень умеет разное: предупреждать, переключать на более дешёвую модель или останавливать.

Хороший пример мягкого лимита — Jamf на Amazon Bedrock. У каждого инженера дневной бюджет: на 80 % отключается Claude Opus, на 100 % — Sonnet, а Haiku остаётся доступна всегда. Проверка раз в 15 минут, сообщение в Slack на каждом пороге, временные исключения — командой с аудитом. Работа не останавливается: лимит отнимает только дорогие модели.

Лимиты протекают. LiteLLM без базы данных не применяет бюджеты и пропускает запросы. В Cloudflare AI Gateway счётчики согласуются с задержкой, поэтому перерасход возможен. Kong даёт завершиться запросу, который пересекает лимит. В Copilot оплата сверх пула включена по умолчанию. Резерв мощности в Azure и Vertex AI сверх объёма переливается в оплату по факту. А в Claude Console лимит на человека есть только в пространстве Claude Code.

Главная утечка — мимо всех уровней. По опросу Sonar, 35 % разработчиков пользуются главными AI-инструментами через личные, а не рабочие аккаунты. Жёсткий лимит на рабочем аккаунте подталкивает именно туда. И ошибка видна поздно: по пересказу FT, в Amazon перерасход проекта на 860 % обнаружили только через пять месяцев.

В начале 2026 года многие компании поощряли расход токенов: рейтинги, цели по использованию, отметки в оценке. За полгода эти же компании перешли к бюджетам. Это классический закон Гудхарта: счётчик, ставший целью, перестаёт что-либо измерять.

В Meta использование AI в 2026 году стало частью оценки сотрудников, а внутренний рейтинг «Claudeonomics» насчитал 73,7 трлн токенов чуть больше чем за 30 дней. Около 2–3 сентября, по пересказу The Information и WIRED, счётчики токенов убрали из оценки. В Amazon при цели больше 80 % разработчиков с AI каждую неделю сотрудники сделали рейтинг KiroRank и накручивали его агентами; рейтинг закрыли. В Microsoft с июля у подразделений целевые бюджеты на токены, а руководитель написал, что токенмаксинг — не то, что компания оптимизирует.

Uber за три месяца прошла весь путь. В мае, по пересказу, компания исчерпала годовой AI-бюджет за четыре месяца. В июне представитель компании говорил Bloomberg о лимите $1 500 в месяц на человека в каждом агентном инструменте (пересказ Willison). В августе технический директор объявил конец эпохи токенмаксинга, а блог компании описал общий уровень на все интерактивные инструменты вместо бюджета на каждый и учёт трат в реальном времени, чтобы не вводить строгих лимитов. Tesla с 6 июля ограничила AI-траты $200 в неделю на сотрудника, сверх — с согласия руководителя.

Опрос LeadDev показывает, что привычка держится: 58 % респондентов говорят, что их организация меряет эффект AI потреблением токенов. DORA советует иначе: мерить токены по команде, приложению или сценарию, а результат — существующими метриками поставки; общие числа по компании бессмысленны, а индивидуальные баллы вредны. Thoughtworks в Radar 35 поставила долю кода от AI и потреблённые токены как меру продуктивности в кольцо Caution, а её главный архитектор Крис Форд советует управлять стоимостью выполненной задачи, а не стоимостью токена.

Чтобы управлять бюджетом, расход нужно разложить по командам, сценариям и моделям. Общего формата для этого пока нет. Действующий стандарт выгрузки облачных счетов FOCUS 1.4 ратифицирован в июне 2026 года, но токены в нём — просто потреблённое количество. В черновике FOCUS 1.5 появились рекомендуемые свойства — модель, направление токена, действие кеша — и столбцы того, кто сделал запрос; ратификация запланирована на 3 декабря. Токенов рассуждений и пакетной обработки в черновике нет.

С телеметрией похоже. Соглашения OpenTelemetry для GenAI описывают токены входа, выхода и кеша, но метрики стоимости в них нет, а статус — «в разработке»: имена менялись до 5 ноября. Claude Code отдаёт стоимость в долларах и токены по типам под своими именами. Amazon Bedrock с апреля распределяет стоимость по пользователю или роли, если включить опцию выгрузки. На практике сводить данные приходится в своём шлюзе.

Прогнозировать трудно. По опросу CloudZero, только 20 % компаний прогнозируют AI-расходы с точностью ±10 %, а примерно каждая пятая ошибается на 50 % и больше. При этом 64 % уже списывают затраты на команды. По State of Tokenomics, главная проблема — доказать ценность (43 %), видимость расходов — 27 %, а более низких цен просят только 4 %. По DX, почти половина держателей инженерных бюджетов закладывала на AI-инструменты 2026 года 1–3 % инженерного бюджета.

Что делать с экспериментами, подсказывает FinOps Foundation: считать экспериментом работу с датой окончания, без продового SLA и без клиентов в масштабе, давать ей отдельный ключ и бюджет. Тогда эксперимент не растворяется в общем расходе и не превращается в постоянную статью без решения.

У бюджета на токены должен быть владелец — руководитель, который отвечает и за расход, и за результат. Если расход живёт в счёте ИТ, а результат — в командах, никто не может решить, стоит ли тратить больше. Финансовому директору нужен не счётчик токенов, а ответ на вопрос, что компания получила за эти деньги.

Автор сайта меряет эффект AI в три слоя (доклад на DotNext). Первый — использование: кто, где и как часто работает с ассистентами и агентами; это вход, а не доказательство. Второй — поток и сэкономленное время: время от задачи до продакшена, ожидание ревью, переделки, размер изменений, инциденты и время, сэкономленное на конкретных работах инженеров. Третий — экономический эффект: выигрыш против стоимости, куда входят токены, инфраструктура, платформенная команда и время на проверку.

Токены — только одна статья третьего слоя. Поэтому разговор с финансами лучше строить на соотношении пользы и стоимости по классам задач: сколько стоит принятое изменение и что оно дало в потоке. Сильный контраргумент — что токены пока малая доля стоимости разработки (около $18 из примерно $800 в данных Jellyfish) — работает, только если расход не сконцентрирован в хвосте. В бенчмарке Larridin p90 инженеров тратит вчетверо больше медианы, а в проспекте Anthropic верхние 5 % пользователей Claude Enterprise с Claude Code тратили примерно в 20 раз больше, чем пользователи без Claude Code.

Финансам важна и предсказуемость. Прогноз AI-расходов пока неточен — в данных CloudZero в ±10 % попадает лишь каждая пятая компания, — а цены меняются в обе стороны. Поэтому бюджет стоит сопровождать сценариями: подорожание модели, как у Gemini 4 с 1 декабря, смена тарифа подписки, рост доли агентных задач.

В России на счёт влияют три вещи: доступ к зарубежным моделям, требования к данным и цена посредника. Через Yandex AI Studio можно запускать DeepSeek V4.1 Flash за 0,3 / 0,075 / 0,5 ₽ за 1 000 входных, кешированных и выходных токенов с НДС. В долларах без НДС вход стоит $2,46 за 1 млн — в 8–16 раз дороже, чем у самого DeepSeek (наш расчёт). Взамен компания получает хранение данных в России и договор с российским юрлицом.

По нашему профилю задача на DeepSeek в Yandex AI Studio стоит около 303 ₽, а сотня разработчиков — около 1,91 млн ₽ в месяц, если кеш работает; в прейскуранте сказано, что кеширование не гарантируется. У GigaChat Max отдельной цены кеша нет, и та же задача обходится примерно в 1 859 ₽, а сотня разработчиков — в 11,7 млн ₽ в месяц: в шесть раз дороже. Узел из восьми H100 в cloud.ru стоит около 4,99 млн ₽ в месяц с НДС без людей и модели. Как собрать свой стек, разбирает лонгрид о локальном AI-стеке в России.

Использование растёт быстро. По отчёту Ассоциации ФинТех, потребление токенов в GigaCode выросло с 60 млрд за весь 2025 год до 1,6 трлн за 30 дней в июне 2026 года, а SourceCraft за первое полугодие обработал 435,5 млрд. Сбер сообщал, что объём вычислений для генерации кода за пять месяцев вырос в 30 раз, до 1,5 трлн токенов, а Яндекс поставил цель «75/75/75»: к концу 2026 года не менее 75 % разработчиков регулярно применяют AI.

Но бюджет — не главный барьер. В том же опросе ассоциации бюджетные ограничения назвали 43 % участников — последний из шести барьеров; первые места заняли требования информационной безопасности (65 %) и ограничения на передачу данных внешним сервисам (53 %). Публичных рублёвых бюджетов или лимитов на токены российские компании не раскрывали.

Из всего сказанного складывается порядок действий на квартал. Сначала видимость, потом умолчания, потом бюджет. Жёсткие лимиты на человека — последнее средство, а не первое.

Первый месяц — увидеть расход. Весь трафик моделей идёт через шлюз или учёт инструмента, ключи выдаются на команду и сценарий, а первый отчёт — показ затрат без списания. Отдельно разобрать хвост: кто и какие сценарии в p90 и p99, и что в пяти самых дорогих сессиях — ценная работа или агент, ходящий по кругу.

Второй месяц — дешёвые умолчания. Модели и уровни рассуждений по умолчанию по классам задач, стабильный префикс для кеша, короткий контекст, лимит ходов в фоновых агентах. Мягкие пороги: оповещения на 50 и 80 % бюджета, переключение на более дешёвую модель, временные исключения с аудитом. Сигнал успеха — цена задачи падает, а доля отклонённых PR не растёт.

Третий месяц — бюджет. Стоимость принятого изменения по двум-трём классам задач, связанная с метриками потока. Бюджет на квартал в разрезе «команда × сценарий» с резервом на эксперименты, у которых есть дата окончания, и сценариями цены. Внутреннее списание на команды — только когда команды доверяют данным.