A vállalatok egyre gyorsabban vezetik be az „agentikus” (ügynökalapú) mesterséges intelligenciát, de közben megtapasztalják, hogy a költségszerkezetek bonyolultak és sokszor váratlanul magasak lehetnek. Még ha az egyes tokenek ára csökken is, a vállalati AI-kiadások összességében emelkednek.
A cikk szerzői Chandana Asif, Dieter Kiewell, Lari Hämäläinen, Tom Kolaja és Tunde Olanrewaju, a QuantumBlack, AI by McKinsey szakértői. Elemzésük azt mutatja, hogy a „tokenomics”, vagyis az ügynökös AI működtetésének gazdaságtana folyamatosan változik, ami jelentős bizonytalanságot hoz a költségek előrejelzésébe.
Jelenlegi modelldíjak és következményeik
2026 júliusának eleji adatok szerint egy élvonalbeli modell, például az OpenAI GPT-5.5 esetén körülbelül 5 USD-ba kerül egy millió bemeneti token, és 30 USD egy millió kimeneti token feldolgozása. Ugyanez egy korábbi, könnyűsúlyú modellnél nagyjából 0,20 USD és 1,25 USD volt. Ezek a számok rávilágítanak arra, hogy a különböző modellek képességei és ára jelentősen eltérnek, és hogy nem minden feladathoz szükséges a legdrágább modell.
A gyakorlatban azonban sok szervezet nem úgy működik, hogy felméri a különböző modellopciók és költségszintek közötti kompromisszumokat, ami jelentős költséghatásokhoz vezethet.
Mekkora a tét? Példák a költségekre
A vezetők számára veszélyes lehet, hogy alábecsülik az ügynökös megoldások teljes költségét. Például ügyféllel közvetlenül kommunikáló banki AI-ügynökök esetén egyetlen ügynökös folyamat futtatása 20 000–30 000 USD-ba kerülhet; egy többügynökös csapat működtetése pedig 100 000–200 000 USD közötti költséget jelenthet. Ha ezt megszorozzuk a tipikus futásszámokkal és a potenciálisan «ügynökösíthető» számos munkafolyamattal, illetve figyelembe vesszük a folyton változó AI-árazást, könnyen elveszíthető a költségek feletti kontroll, és a beruházás nem hoz értéket.
Egy másik gyakorlati példa: egy beszélgetésre képes ügynök évente 2 500 új ügyfél onboardolásához 10 000–15 000 USD költséget jelenthet; az ügyfélszám megduplázásakor a költség csak 15 000–20 000 USD-re nő. Ez azt mutatja, hogy a magas volumen amortizálhatja a fix kiadásokat.
Egy tipikus onboarding-folyamat teljes költsége pedig standard benchmarkok alapján az egyszeri ügyfélre vetítve nagyjából 50–150 USD-ről 10–30 USD-re csökkenhet, ha az ügynökök és a determinisztikus rendszerek jól együttműködnek és a felügyeleti munkát optimalizálják.
Hogyan közelítsük meg az ügynökök gazdaságosságát? Három alapvető kérdés
A szerzők tapasztalata szerint a leghatékonyabb vezetők három alapvető kérdést tesznek fel, amikor agentikus munkafolyamatokat terveznek és üzemeltetnek:
- Mely munkafolyamatok a legalkalmasabbak ügynökösítésre (volume, újrafelhasználhatóság, érték)?
- Hogyan lehet a teljes tulajdonlási költséget (TCO) meghatározni és csökkenteni — beleértve a fix és változó költségeket?
- Mely irányítási és működtetési mechanizmusok szükségesek a folyamatos áttekintéshez, költségkontrollhoz és megfelelőséghez?
A teljes tulajdonlási költség (TCO) és a költségcsökkentés lehetőségei
A költségek kezelése több rétegből áll: a látható modell- és tokenköltségeken túl figyelembe kell venni az ügynökök fejlesztésének, üzemeltetésének, monitoringjának, compliance-ellenőrzéseinek és a szükséges emberi felügyeletnek a kiadásait.
Bár sok szervezet a modellválasztásra és a tokenköltségre koncentrál, általában hatékonyabb a munkafolyamatok újratervezése: csökkenteni a kivételek számát, egyszerűsíteni a felülvizsgálati lépéseket és minimalizálni az emberi beavatkozások szükségességét.
Technikai és működési taktika a tokenfelhasználás csökkentésére:
- modellrouting és méretezés a feladat igényéhez,
- cache-elés és újrafelhasználás,
- a lekérdezések és inferenciák számának csökkentése munkafolyamat-tervezéssel,
- batching és token-budget fegyelem,
- elkötelezett (committed use) árképzés.
Három tényező különösen meghatározza a tokenköltségeket: a kiválasztott modell minősége (általános könnyű modell vs. szakértői következtető modell), a szükséges késleltetés (latencia) és a feladat gyakorisága.
Mely munkafolyamatok „agentikus barátok”?
Az agentikus gazdaságtan két jellemzőt kedvel: magas volumen és újrafelhasználhatóság. Miután a fix költségek megvannak, a magasabb futásszámok jobban eloszlatják ezeket a kiadásokat. Hasonlóképpen, ha egyszer megépített ügynököket több magasértékű folyamathoz újra lehet használni, az jelentősen javítja a megtérülést.
Fontos megkülönböztetni az egyes ügynökök költségét attól, hogy az egész munkafolyamat megtérül-e. A lényeg az „teljesen terhelt” költség követése: mennyibe kerül a feladat befejezése — emberi munka, ügynökök és determinisztikus rendszerek kombinációjával — viszonyítva az előállított értékhez.
Működtetés, kormányzás és folyamatos felülvizsgálat
Az ügynökök gazdaságtana gyorsan változik; ami ma nem gazdaságos, az pár hónap múlva vonzóvá válhat — és fordítva. Emiatt folyamatban lévő, rendszeres felülvizsgálati ciklusra van szükség, amely a modellek képességeit, költségeit és az üzemeltetési gyakorlatokat rugalmasan újraértékeli.
Az ügynököket úgy kell finanszírozni, hogy számítunk a változó képességekre és költségekre: a termelésben lévő ügynökök gyakran napi-kétnapos finomhangolást igényelnek új alapmodellek, kontextusprotokollok, vállalati rendszerek vagy üzleti követelmények megjelenésekor. Bizonyos esetekben érdemesebb megszüntetni egy ügynököt és újat építeni.
Emellett tervezni kell az AI-gatewayekre, AgentOps-ra, monitoringra, megfelelőség-ellenőrzésekre, modelljóváhagyásokra és az ezekhez kapcsolódó korrekciós tevékenységekre fordított költségeket. Egy szabályozási változás vagy a belső kockázati étvágy módosulása (például hogy mely élvonalbeli modellek engedélyezettek) képes egy ügynök újraértékelésére, módosítására vagy felfüggesztésére kényszeríteni.
Központi funkciók és domain csapatok szerepe
A szerzők azt javasolják, hogy a szervezeti vezetők ne próbáljanak meg mindent házon belül megvalósítani: sok AI-képesség ma már bevált és könnyen használható. A döntésnél, hogy mit építsünk, mivel működjünk együtt, és mit vegyünk meg, hasznos erős kapcsolódásokat tartani egy központi csapathoz. Ennek a központi csapatnak két fontos előnye van:
- folyamatosan értékelheti a modelleket, eszközöket és szolgáltatókat; kereskedelmi feltételeket tárgyalhat; és alacsonyabb költségű alternatívákat azonosíthat;
- fenntarthat újrafelhasználható képességeket és irányelveket, amelyek csökkentik az eszköz- és ügynökfragmensációt.
Például, ahogy a szervezetek FinOps-t építettek a felhőköltségek kezelésére, most szükség van egy hasonló diszciplínára az ügynökös költésekhez (AgentOps/AI-finance), amely keresztfunkcionális csapatot igényel a kiadások folyamatos menedzseléséhez és feladatok átcsoportosításához.
Integrálás az üzleti gyakorlatba: QBR és metrikák
Az ügynökös programokat érdemes beépíteni a negyedéves üzleti áttekintésekbe (Quarterly Business Reviews, QBR). A QBR-ek átláthatóságot adnak arra, hogy hol teremt az AI a legtöbb értéket, mely munkafolyamatok indokolják továbbra is a költést, és melyeket kell áttervezni, konszolidálni vagy alacsonyabb költségű modellekre átvinni.
Mit kell még megválaszolni?
Bár még korai szakaszban vagyunk az AI-gazdaságtanban, a szerzők felvetnek további, másodlagos kérdéseket, amelyekre a vezetőknek fel kell készülniük — például hogyan alakulnak a piacok, milyen hatással lesznek az ügynökök a szervezeti modellre, és hogyan lehet megőrizni a hosszú távú üzleti értéket.
A legnagyobb hozamot azok az üzletági vezetők és domain-tulajdonosok érik el, akik megtanulják a unit-economics módszereket alkalmazni az ügynökös döntésekben: a költségek folyamatos mérését, a rendszerek újrafelhasználását, és azt, hogy mikor érdemes építeni, partnerrel dolgozni vagy vásárolni.
Köszönetnyilvánítás
A szerzők köszönetet mondanak Brandon Shi-nak, Keisha Rastogi-nak és Varsha Seshadrinak a hozzájárulásukért. A cikket Barr Seitz, a New York-i szerkesztőségi igazgató szerkesztette.
