Цена ИИ в науке: когда подписка стоит как высококлассный специалист, а ошибок не меньше

Эта статья разбор материала Nature «AI bills can be as big as a postdoc salary. Is the cost worth it?», опубликованного 12 мая 2026 года. В нём обсуждается не столько магия ИИ‑агентов для науки, сколько очень приземлённый вопрос: во сколько исследователям обходятся такие инструменты и оправдывают ли они свои счета.

Если в недавнем разборе Science мы смотрели на этические проблемы «искусственных исследователей» — от фальсификаций до p‑хакинга, — то теперь фокус смещается к экономике и практике. Научные лаборатории по всему миру пытаются понять, где проходит граница между «золотым веком науки с ИИ» и ситуацией, когда расходы на подписки и токены начинают съедать бюджет, а выгоды оказываются менее однозначными.

Автор статьи — научный журналист Крис Стокел‑Уокер, регулярно пишущий о технологиях, науке и цифровой инфраструктуре. В центре текста — исследователи и практики, которые уже встроили ИИ в свою повседневную работу и теперь сталкиваются с растущими счетами и ограничениями использования.

Главный тезис материала: да, крупные языковые модели и агентные системы реально ускоряют исследования, но экономическая модель их использования пока далека от стабильности. Разработчики ИИ ужесточают лимиты и повышают цены, а учёные вынуждены каждый раз заново считать, выгодно ли им продолжать опираться на такие инструменты в текущем формате.

Одно из ключевых лиц статьи — Джеймс Зоу, специалист по биомедицинским данным и руководитель лаборатории искусственного интеллекта для науки в Стэнфорде. За последний год его группа потратила на ИИ «значительно более 100 000 долларов» — по его словам, это сравнимо с годовой стоимостью работы исследователя после аспирантуры (постдока) в Стэнфорде.

Для Зоу эта сумма оправдана: он говорит о «новом золотом веке науки с ИИ», когда агентные системы помогают программировать, анализировать данные и писать обзоры литературы, открывая путь к фундаментальным открытиям. В его картине мира крупные расходы — это плата за ускорение исследований и доступ к «агентам‑учёным», которые берут на себя значительную часть рутины.

Но уже на этом примере видно расслоение: для хорошо финансируемых групп стоимость уровня «зарплата постдока» — неприятно, но терпимо, тогда как для менее обеспеченных лабораторий такие траты выглядят как роскошь. В условиях, когда бюджеты грантов ограничены, каждая новая подписка на ИИ‑сервис конкурирует с оборудованием, людьми и полевыми исследованиями.

На другом полюсе — исследователи, для которых ИИ перестаёт быть безусловным благом из‑за стоимости и ограничений.

Экономист Аттила Гаспар из Центрально‑европейского университета в Вене использует ИИ для извлечения данных из исторических документов и полтора года спокойно работал в рамках университетской подписки на Claude. Но в конце апреля он впервые упёрся в сообщение «Вы достигли лимита» — и это стало сигналом, что модели больше не дают «безграничного» доступа к вычислительным ресурсам, как это было в начале.

Похожую картину описывает геофизик Маттео Никколи, который полагается на ИИ для сложных технических исследований. Он перешёл на более дорогой тариф Claude Max, но в дни интенсивной работы всё равно сталкивается с ограничениями по количеству запросов и объёму задач. В результате ему приходится возвращаться к ручной работе: перепроверять результаты, дописывать код, анализировать данные без помощи моделей — что нивелирует часть выигранного времени.

Для серьёзных проектов, где нужны многосессионные диалоги с ИИ, постоянное переключение между кодом, рассуждениями и анализом, лимиты по использованию превращаются в узкое место. Исследователь уже выстроил процесс вокруг ИИ, а платформа меняет правила игры — и учёному приходится заново думать о распределении времени и ресурсов.

Рост цен и ужесточение лимитов — не просто жадность платформ, а попытка закрыть экономику тяжёлых моделей. В январе 2025 года Сэм Альтман, CEO OpenAI, прямо писал в X, что компания теряет деньги на тарифе ChatGPT Pro за 200 долларов в месяц: пользователи из науки и индустрии выжимают из подписки максимум, перегружая инфраструктуру и увеличивая расходы на вычисления и энергию.

GitHub Copilot стал одним из последних примеров: 27 апреля платформа объявила о переходе с фиксированной подписки на тарификацию по факту использования, мотивируя это ростом потребностей в «агентном» ИИ. Для разработчиков и исследователей это означает, что стоимость сильно зависит от интенсивности работы: чем чаще вы вызываете модели, тем выше счёт — и тем сложнее планировать расходы в долгую.

Эта динамика бьёт именно по научным коллективам, привыкшим к предсказуемым бюджетам. Привязка к реальному потреблению ресурсов делает ИИ похожим на облачные вычисления, но с тем отличием, что «случайные» всплески активности могут внезапно съесть существенную часть гранта.

Но даже если принять «жёсткую» экономику ИИ как данность, остаётся ещё один слой расходов — те, которые не видны в счёте, но возникают из‑за ошибок и нестабильности моделей.

Никколи описывает основное узкое место как этап «размышлений и обсуждений» вокруг результатов ИИ: нужно проверять выводы модели, отслеживать, когда она начинает «галлюцинировать», и понимать, где контекст был перегружен и ответы перестали быть надёжными. В итоге ИИ‑ассистент, который должен экономить время, часто создаёт дополнительный объём работы по проверке и интерпретации.

В более широком контексте это перекликается с выводами о том, что ИИ‑агенты могут фальсифицировать данные, некорректно работать с выборками и маскировать p‑хакинг — особенно если их запускать «на автопилоте» без достаточного надзора. Тогда цена ошибки выходит далеко за рамки счёта за токены: в потерях оказываются не только некорректные результаты, но и время команды, ушедшее на их получение.

В этом смысле экономическая модель ИИ в науке должна учитывать не только стоимость доступа, но и «стоимость недоверия» — дополнительные часы людей, которые перепроверяют, переписывают и заново прогоняют эксперименты после модели.

Вопрос из заголовка Nature — «Стоит ли оно того?» — в статье остаётся без простого ответа. Для одних лабораторий ИИ уже окупается: он позволяет вести больше проектов тем же штатом, ускоряет публикации и открывает доступ к ранее недостижимому объёму анализа. Для других растущие счета, лимиты и необходимость постоянной валидации результатов делают ИИ скорее дорогим помощником, чем безусловным ускорителем науки.

Из этого вырисовывается несколько практических выводов для научных коллективов и тех, кто строит вокруг них ИИ‑сервисы:

В каком‑то смысле нынешняя ситуация — продолжение того же сюжета, что и с «искусственными исследователями» и их проблемами с честностью. ИИ‑агенты уже умеют делать многое: писать код, анализировать данные, формулировать гипотезы и собирать черновики статей. Но чем больше мы от них зависим, тем заметнее становится цена — и финансовая, и организационная, и связанная с доверием к результатам.

Так что, возможно, главный практический совет на ближайшие годы звучит так: относиться к ИИ в науке не как к бесплатной магии, а как к полноценному участнику проекта со своей строкой в бюджете и отдельной строкой в плане рисков. Только после такого «отрезвления» можно честно ответить, стоит ли конкретной лаборатории платить за ИИ столько же, сколько за постдока — и что она получит взамен.

Оригинальный материал Nature: «AI bills can be as big as a postdoc salary. Is the cost worth it?».