Юнит-экономика инференса в рублях: своя GPU-ферма, API или GPU-облако

Запуск LLM (Large Language Model, большая языковая модель) в компании почти всегда начинается с калькулятора и заканчивается счетом, который с калькулятором не сходится. Стоимость инференса LLM в продуктиве редко совпадает с первичной оценкой. По опросу 500 финансовых директоров, который приводит Astuto, 79% компаний за последний год вышли за рамки бюджета на ИИ. С собственным оборудованием возникают те же проблемы, но с обратным знаком: серверы куплены за миллионы рублей, а их загрузка едва превышает единицы процентов.

В этой статье мы считаем юнит-экономику инференса в рублях на сентябрь 2026 года. Единица расчета — стоимость обработки одного миллиона токенов. Сравниваем три способа, которыми компания может получить работающую модель: готовый API, собственная GPU-ферма и аренда GPU в облаке. Для каждого даем цены из открытых прайс-листов и формулу расчета, а также разбираем три сценария, которые наглядно показывают пороги окупаемости разных подходов.

Статья будет полезна CTO, CIO и финансовым директорам, которые утверждают бюджет ИИ-проекта, а также архитекторам и ML-инженерам, которым затем предстоит защищать этот бюджет с цифрами.

Счет расходится с прогнозом, потому что калькулятор считает цену токена из прайса, а платит компания за токены, которых в прайсе не видно. Расход токенов в продуктиве растет по нескольким причинам сразу, и каждая из них поднимает базовую ставку.

• Системный промпт за несколько месяцев доработок вырастает в разы и входит в каждый запрос.

• Режимы углубленного анализа (reasoning) умножают объем генерируемого и оплачиваемого ответа (output-токенов) в 1,5-4 раза.

• Новые алгоритмы разбиения текста (токенизаторы) дают прирост токенов до 35% на том же тексте.

• Автоматические перезапуски (retry-петли) при зависаниях и ошибках оплачиваются как обычные запросы.

• Каждый из этих факторов по отдельности кажется незначительным, но вместе они дают мультипликативный эффект, и первый фактический счет за эксплуатацию оказывается в разы больше запланированного.

С собственным оборудованием ситуация зеркальная: видеокарта куплена и амортизируется каждый день. Но если ее реальная загрузка составляет всего два процента, каждый обработанный токен принимает на себя стоимость остальных девяноста восьми процентов простоя. 

Дальше мы покажем, что коэффициент загрузки влияет на стоимость токена сильнее, чем класс установленной видеокарты.

Юнит-экономика инференса (работы уже обученной нейросети) сводит все ИТ-расходы к одной сравнимой бизнес-метрике — стоимости обработки 1 млн токенов. Эта единица позволяет финансовому директору и ИТ-руководителю положить рядом тариф API, счет за аренду GPU и смету на закупку сервера с амортизацией, хотя на первый взгляд эти статьи расходов несравнимы.

Для работы через API формула расчета короткая: цены входящих (input) и исходящих (output) токенов из прайса провайдера взвешиваются по профилю вашей нагрузки. У зарубежных сервисов генерация текста (output) обходится в 3–6 раз дороже его чтения (input), а сложные логические вычисления (reasoning) тарифицируются по максимальной ставке. У российских провайдеров тарифы чаще симметричные.

Для собственного железа (CAPEX) и аренды (OPEX) считается полная стоимость GPU-часа, которая затем делится на фактическую выработку токенов:

1. Соберите полную стоимость GPU-часа: аренда по прайсу либо амортизация покупки плюс закупленного сервера плюс расходы на электричество, размещение в ЦОД и доля ФОТ обслуживающей команды.

2. Измерьте пропускную способность на вашей модели и вашем движке инференса в токенах в секунду, обязательно в пакетном, а не одиночном режиме.

3. Оцените коэффициент загрузки: какую долю суток карта реально обрабатывает запросы, а не простаивает. 

4. Рассчитайте цену: стоимость 1 млн токенов = стоимость GPU-часа / (токены в секунду × 3 600 × коэффициент загрузки) × 1 000 000.

Прогоним через эту формулу три главных сценария: API, покупку серверов и облачную аренду.

Разброс цен на рынке огромный: от 65 руб. за GigaChat Lite до примерно 2 600 руб. за генерацию ответа у зарубежных флагманов. (Пересчет в рубли здесь и далее — по курсу ЦБ на сентябрь 2026 года: ~86,5 руб. за доллар).

Таблица 1. Стоимость 1 млн токенов через API, сентябрь 2026 (по официальным прайсам провайдеров; цены OpenAI и DeepSeek — по данным прайс-агрегаторов)

 Итоговый счет может радикально отличаться от базовой ставки из-за модификаторов:

• Пакетный режим (Batch API) у OpenAI и Anthropic дает экономию до 50%.

• Кэширование частых запросов снижает цену input-токенов на 75–90%.

• Режимы глубокого рассуждения (reasoning) увеличивают оплачиваемый объем output в 1,5–4 раза.

Цены при этом есть не у всех. MTS Cotype Pro продается по корпоративному запросу без публичного прайса за токены, у открытой T-Pro от Т-Банка публичного API-тарифа тоже нет, поэтому в сравнение обе модели не попали.

Покупка сервера с восемью картами NVIDIA H200 обойдется в 60–80 млн руб., но капитальные затраты — это лишь вершина айсберга. На дистанции в 3–5 лет от 60% до 75% полной стоимости владения (TCO) съедает фонд оплаты труда инженеров, а само оборудование составляет лишь около 15%.

Таблица 2. Цены оборудования для инференса в России, сентябрь 2026 (по актуальным каталогам российских поставщиков серверного оборудования и розничным данным)

 К капитальным затратам неминуемо добавляются скрытые операционные расходы:

• Электричество и охлаждение: сервер на 8×H200 потребляет 10-12 кВт, электроэнергия для юрлиц стоит 6,7–13,4 руб./кВт·ч.

• Стойко-места: такой сервер не встанет в стандартную стойку на 7 кВт (около 125 000 руб./мес. в Москве), потребуется стойка высокой плотности со значительной доплатой.

• ФОТ: медианная зарплата DevOps-инженера в РФ сегодня составляет 217 000–249 000 руб. в месяц до вычета налогов (по данным hh.ru и Хабр Карьеры).

Отдельный риск — амортизация. Налоговый кодекс РФ относит серверы ко второй амортизационной группе (срок полезного использования 25–36 месяцев). Бизнес часто закладывает в финансовые модели 3 года использования. Однако технологический цикл короче: 'эксперты K2 Cloud оценивают срок актуальности GPU всего в 1–2 года. Новые поколения чипов обесценивают предыдущие быстрее, чем те успевают окупиться. К этому добавляется мировой дефицит: сроки поставки новых H200 доходят до 36–52 недель.

Какую карту брать под какую задачу и почему у инференса узкое место — пропускная способность памяти, мы подробно разбирали в статье Видеокарта для нейросетей: как выбрать GPU под обучение и инференс.

В боевых кластерах GPU заняты работой малую часть времени, и эта доля занятости определяет реальную стоимость токена сильнее, чем прайс на железо. Купленная карта продолжает терять в стоимости (амортизироваться) даже ночью и в выходные. Каждый обработанный токен несет в себе цену пустых часов.

• По данным Cast AI, средняя утилизация GPU в производственных Kubernetes-кластерах составляет всего 5%.

• В inference-кластере крупного облака медианная загрузка памяти карт — 28,8%, а 38% замеров лежат в диапазоне 10-30% (данные FlexPipe, приведенные в работе Harvest).

• В шеринговых кластерах на 20 000+ GPU, которые описаны в работе MuxFlow, общая утилизация карт до оптимизации составляла 26%, и лишь совместное размещение онлайн- и офлайн-задач подняло ее до 76%.

Если загрузить мощную карту искусственными тестами на 100%, миллион токенов обойдется в 1 рубль. Но в режиме корпоративного ассистента, где есть ночные простои и неравномерная нагрузка, цена миллиона токенов на той же видеокарте взлетает до 20 000 руб. Цена токена определяется не прайсом железа, а долей суток, которую оно реально работает.

Аренда переводит капитальные затраты (CapEx) в операционные (OpEx). Оплата идет за фактические часы работы, поэтому для нагрузок с выраженными пиками и проектов на стадии проверки гипотез это главный экономический аргумент. Спрос это подтверждает: рынок аренды GPU в РФ стремительно растет: по данным Коммерсантъ, в 2026 году ожидается удвоение объема до 34 млрд руб.

Таблица 3. Аренда GPU в России, сентябрь 2026 (по публичным прайсам провайдеров и данным «Коммерсантъ»)

Например, сервис GPUaaS в К2 Облаке позволяет арендовать карты H100, A100, L40S, L4 и T4, а H200 доступна под заказ. Подробно об облачной аренде GPU и сервисе K2 Cloud мы рассказывали в материале  Графические процессоры как сервис (GPUaaS): от а до я.

Два инструмента делают экономику аренды GPU еще более привлекательной:  

• Технология MIG (Multi-Instance GPU) аппаратно делит одну карту на несколько изолированных частей, и платить можно за долю ускорителя, а не за целый.

• Автомасштабирование подключает GPU-узлы под пики нагрузки и отключает при спаде нагрузки. 

В качестве примера можно привести ритейл: дневные пики активности требуют максимальной мощности, тогда как ночью нагрузка резко снижается. Покупая фиксированное «железо» под пиковые значения, компания вынуждена нести убытки от его простоя ночью. Облачная аренда GPU снимает эту проблему.Точка безубыточности: три бизнес-сценария 

Одинаковых нагрузок не бывает, поэтому рассчитаем три типовых профиля использования GPU со следующими допущениями:

• открытая модель класса 70B;

• пропускная способность одного ускорителя H100 — 400 токенов/сек (по опубликованным бенчмаркам vLLM и SGLang);

• аренда H100 с годовым коммитом — 185 000 руб./мес. (базовая ставка 342 руб./час, или 246 000 руб. за месяц непрерывной работы минус 25% за долгосрочный контракт);

• сбалансированный профиль нагрузки: равное соотношение input- и output-токенов.

Через API это обойдется в 650 руб./мес. на GigaChat Lite, 5 000–8 000 руб./мес. на моделях среднего класса и до 13 000 руб./мес. на зарубежном флагмане. Аренда даже одной карты H100 в непрерывном режиме стоит 246 000 руб./мес., а покупка собственного сервера экономически бессмысленна. При нагрузке до нескольких десятков миллионов токенов в месяц API вне конкуренции.

Российский API уровня Pro обойдется в 100 000–160 000 руб./мес. Аренда одного H100 с годовым коммитом стоит около 185 000 руб./мес.: при такой нагрузке карта задействована лишь на 15–20% мощности, зато модель и данные остаются в защищенном контуре, а запас производительности легко перекрывает пиковые всплески. Покупка дает сопоставимые 170 000 руб./мес. (если учесть амортизацию за 36 месяцев, электричество, размещение и четверть ставки инженера), но требует от 3,4 млн руб. капитальных затрат на старте и несет риск быстрого морального устаревания железа. Это зона паритета: финансовые нюансы в смете отходят на второй план, а выбор определяют регуляторные требования, потребность в дообучении модели и характер пиковых нагрузок.

Такой объем требует непрерывного темпа в 2 000 токенов в секунду — это эквивалентно работе пяти карт H100. Аренда с коммитом обойдется примерно в 920 000 руб./мес. (около 185 руб. за 1 млн токенов). Собственный сервер 8×H100 при аналогичной нагрузке будет загружен на 60%, а себестоимость составит около 240 руб. за 1 млн токенов (при общих ежемесячных затратах в 1,19 млн руб., включая амортизацию в 728 000 руб., электричество, размещение и зарплату инженера). С арендой собственное железо сравняется только при стабильной утилизации на уровне 80%, которой в реальных инфраструктурных кластерах почти не бывает. Дешевле обоих вариантов остается зарубежный API открытых моделей (например, DeepSeek), но для конфиденциальных данных он неприменим.

Таблица 4. Три сценария: во что обходится месяц инференса (с учетом сделанных выше допущений, расчет на сентябрь 2026) 

Вывод: Покупка собственного железа обходит аренду только при постоянной, круглосуточной загрузке мощностей свыше 80%. В свою очередь, облачная аренда становится выгоднее API на объемах от сотен миллионов токенов либо при жестких требованиях службы безопасности.

Если корпоративная нейросеть обрабатывает персональные данные (ПДн) россиян, цена перестает быть единственным аргументом. Зарубежные API не подписывают договор поручения по 152-ФЗ. Передавать им клиентские данные незаконно — их придется обезличивать на своей стороне, что требует дополнительных ИТ-затрат. Для госсектора ситуация еще строже: с 1 сентября 2026 года облачные услуги им могут оказывать только российские юрлица (Постановление № 1024).

Для бизнеса остаются два легальных пути:

1. Использовать российский API с подписанным договором поручения обработки данных.

2. Развернуть open source модель в собственном или арендованном защищенном контуре.

С точки зрения информационной безопасности ключевое преимущество изолированного облачного сегмента перед внешними API — полный контроль над данными. При развертывании моделей в облачном контуре, аттестованном по 152-ФЗ (УЗ-1), чувствительные данные и коммерческая тайна физически не покидают периметр компании. Случайные утечки информации во внешние нейросети исключены.

Ошибки в расчете юнит-экономики кочуют из компании в компанию: одни искусственно завышают привлекательность собственного «железа», другие — занижают будущие счета за API. Ниже собраны пять самых частых промахов. Каждая ошибка способна перевернуть итоговый вывод с ног на голову, даже если сами исходные цифры в смете посчитаны верно.

1. Сравнение цены видеокарты с ценой API без учета простоев. Карта окупается, только когда работает на 100%. Оценивайте реальный коэффициент загрузки.

2. Игнорирование асимметрии тарифов. У зарубежных моделей генерация текста кратно дороже его обработки. Дешевый на первый взгляд API разорит компанию на длинных подробных ответах.

3. Некорректное сравнение моделей. Нельзя сравнивать экономику локальной нейросети на 30 млрд параметров с топовыми коммерческими моделями. Сравнивайте развертывание одной и той же модели у себя и через API.

4. Забытый ФОТ. Инфраструктура сама себя не обслуживает. Стоимость рабочего времени инженера за год часто превышает стоимость самих видеокарт.

5. Тестирование на одиночном потоке. Экономика инференса строится на пакетной обработке сотен запросов одновременно. Провайдер API держит железо загруженным запросами тысяч арендаторов, а одиночный чат с моделью занимает карту на проценты, поэтому такой тест покажет себестоимость токена на порядки выше реальной корпоративной нагрузки. 

Чаще всего запрос на выделение GPU приходит к нам не с экономическим обоснованием, а с идеей: «Мы хотим свой корпоративный ChatGPT». Первое, что мы советуем сделать, это измерить профиль нагрузки. Без трех метрик (объем токенов в сутки, график пиков, доля персональных данных) любой расчет юнит-экономики — это гадание. 

До десятков миллионов токенов выгоднее API. Если нагрузка выше — мы предлагаем аренду под коммит на квартал. Покупать свои серверы мы рекомендуем только тем клиентам, кто стабильно утилизирует арендованные карты на 80% и выше. 

На старте дешевле использовать API, при масштабировании или строгих требованиях к комплаенсу — аренду GPU в облаке, а закупку собственного «железа» стоит рассматривать только для круглосуточных вычислений с высокой загрузкой.

Перед утверждением ИТ-бюджета обязательно просчитайте свой кейс с учетом ФОТ, налоговой амортизации и реальной утилизации оборудования. Подставьте ваши объемы в формулу стоимости токена или воспользуйтесь TCO-калькулятором K2 Cloud, который автоматически сравнивает затраты на облако и собственную инфраструктуру на горизонте пяти лет с учетом электричества, размещения в ЦОД и зарплат инженеров.

Материал подготовлен в ознакомительных целях и не является руководством к действию или финансовой рекомендацией. Сайт не несёт ответственности за ваши финансовые решения.