Сколько команда должна тратить на агентов — симуляция 432 сценариев
Саммари
Работа задаёт практический вопрос, который обычно решают «на глаз»: сколько команда вообще должна тратить на AI-агентов и на какие задачи направлять эти деньги. Автор моделирует смешанные команды из людей и восьми специализированных агентных ролей как стохастический процесс (впрыск и поиск багов, техдолг, супервизия людей над агентами, релизные циклы с feature-freeze), прогоняет Монте-Карло и эволюционный поиск по 432 сценариям и сравнивает оптимальные конфигурации с полностью человеческой командой. Главные выводы: доминирующий драйвер стоимости — утекающие баги (61% агентного бюджета уходит на их поиск), способность агента важнее цены токенов, а «универсального бюджета на разработчика» не существует.
Из этого следует, что бюджет на агентов надо планировать не по «токенам на генерацию», а по стоимости проверки: 61% расходов на поиск багов означает, что в финансовой модели агентной команды строка QA и ревью важнее строки инференса.
На практике для управления ИТ-командой и для любого процесса автоматизации: закладывать деньги в супервизию и приёмку, а не в безлимитную генерацию, — тот же паттерн работает в поддержке и документообороте, где «дешёвый автопилот» упирается в стоимость контроля.
Важный нюанс: capability > price — сравнение моделей по $/1M токенов без учёта доли багов и объёма QA-работы даёт перевёрнутую картину; сильная модель с дорогими токенами системно дешевле слабой с дешёвыми.
Ограничение: перед цифрами стоит заслон из допущений симуляции — «61%» и «дешевле human-only» действуют в описанной модели и требуют проверки на своей команде, а не слепого переноса в планы.