Петер Штайнбергер потратил $1,3 млн на API за месяц экспериментов с OpenClaw

Петер Штайнбергер, инженер OpenAI и создатель проекта OpenClaw — системы для автономного кодирования, — недавно опубликовал финансовый отчёт своего месячного эксперимента. Цифры выглядят как научная фантастика: за один месяц счёт составил 1,3 млн долларов. Это не опечатка и не гипотеза — это реальные деньги, потраченные на API OpenAI для того, чтобы машины писали код в промышленном масштабе.

Как вышел такой счёт

На протяжении 30 дней Штайнбергер одновременно запускал примерно 100 экземпляров языковых моделей. Каждый работал параллельно, решая отдельные задачи кодирования. За месяц было обработано 603 млрд токенов через 7,6 млн API-запросов. Это не просто большое число — это живая демонстрация того, что происходит, когда AI-агент начинает писать код в промышленном масштабе, без человеческого вмешательства. Каждый запрос к OpenAI API стоит денег. Когда вы запускаете 100 агентов одновременно, и каждый может порождать десятки или сотни запросов в минуту, счёт растёт экспоненциально. Это не линейное увеличение расходов — это степенной закон.

Почему это дорого: экономика современных LLM *

Цена за токен не одинакова во всех случаях — длинный контекст (много текста в начальном промпте) стоит дороже 100 параллельных сессий умножают затраты друг на друга, создавая эффект масштабирования в худшую сторону Каждый запрос требует полной обработки контекста моделью — это самое вычислительно дорогое в трансформерных сетях Долгоживущие агенты пересылают старый контекст в новые запросы, повторяя оплату одних и тех же токенов Никаких скидок за объём в реальном времени — OpenAI берёт за каждый токен по текущему тарифу Штайнбергер в своём отчёте предполагает, что для построения коммерческого продукта необходимы серьёзные оптимизации. Например: использование кеширования токенов (новая функция OpenAI API, которая удешевляет повторные обращения с одним и тем же контекстом), батчинг — группировка нескольких запросов вместе, применение более дешёвых моделей для вспомогательных задач типа анализа кода. Без этих трюков масштабирование автономного кодирования становится экономически нежизнеспособным.

Что это раскрывает о стоимости вычислений

Затраты такого масштаба раскрывают реальную, скрытую экономику AI-инструментов. Когда агент достаточно умён, чтобы работать часами без человеческого надзора, цена становится видна и неизбежна. Это не критика в адрес OpenAI — это математика вычислительных затрат. Трансформеры дорогие в инференции, и никакая оптимизация не изменит это радикально.

«Если вы запускаете полностью автономного агента, который работает долго и часто переключается между моделями, ваш счёт просто взлетит», — примерно так

Штайнбергер обрисовал суть проблемы.

Что изменится на рынке

Для разработчиков и стартапов это важный сигнал: AI-кодирование в масштабе требует не только технических знаний, но и глубокого понимания стоимости вычислений. Скорее всего, мы увидим волну оптимизаций. Компании начнут искать способы снизить эффективную цену за токен, использовать более лёгкие модели для черновиков и контекстного анализа, кэшировать и переиспользовать контексты максимально. Для OpenAI это может означать появление новых тарифных планов для высокообъёмных пользователей — что-то вроде оптовых скидок, контрактных ставок или специальных решений для enterprise. Время, когда AI-кодирование было дёшево и доступно каждому, заканчивается. Начинается эра осмысленного, финансово оптимизированного использования автономных агентов.