Когда я начал строить собственную систему автоматизации Дзен-каналов, мне было интересно не только:
можно ли вообще заставить несколько нейросетей самостоятельно выпускать нормальные статьи?
Был ещё один гораздо более приземлённый вопрос:
сколько будет стоить сотня публикаций, если человек практически не участвует в производстве?
Не «сгенерировать сто текстов одним запросом». Это как раз неинтересно. Современная нейросеть наклепает их довольно быстро, только потом половину можно будет торжественно отправить в мусор.
Я хотел посчитать полноценный цикл: тема, план, черновик, редактура, проверка, исправления, SEO, обложка, страница, RSS и публикация.
И цифра получилась довольно неожиданная.
Если считать только переменные расходы на нейросети, 100 длинных статей с отдельными изображениями могут обойтись примерно в $25 при идеальном прохождении конвейера и ориентировочно в $30–50 в более реалистичном режиме с повторными проверками и переделками.
Но это как раз тот случай, когда самая маленькая цифра рассказывает далеко не всю историю.
Потому что мой конвейер — это не кнопка «написать статью»
Один большой промпт я даже не рассматривал как нормальный вариант.
В моей системе тема сначала получает план. Затем одна модель пишет черновик, другая выступает редактором, отдельный контролёр принимает результат, а при обнаружении конкретных проблем текст возвращается на локальную доработку. После этого готовятся метаданные, визуальная концепция и изображение, собирается публичная страница, а публикация уходит через RSS в Дзен.
Причём оркестратор не переписывает всё заново из-за одной ошибки. Если плоха картинка — переделывается картинка. Если контролёр нашёл провал в тексте — исправляется конкретный участок. Это сильно влияет и на качество, и на деньги.
Именно поэтому мне стало интересно посчитать не:
сколько стоит один запрос к нейросети?
А:
сколько стоит одна полностью готовая публикация?
Это гораздо полезнее.
За разные этапы у меня отвечают разные модели
Самую токеноёмкую работу нет смысла автоматически отдавать самой дорогой модели.
В текущей архитектуре план и массовый черновик делает DeepSeek. Claude Sonnet 5 используется как редактор, потому что мне он заметно больше нравится именно в работе с готовой прозой и стилем. GPT-5.6 Sol выступает независимым финальным контролёром и арбитром: он не пишет ещё одну статью, а проверяет результат и выдаёт короткое решение — принять, исправить или отправить человеку.
Это довольно важный принцип.
Если модель стоимостью условные $5 за миллион входных токенов нужна только для короткой финальной приёмки, не надо заставлять её писать пятнадцать тысяч знаков с нуля.
А если дешёвая модель нормально строит структуру и черновик — пусть занимается именно этим.
Начнём с DeepSeek. Здесь расходы почти смешные
Сейчас DeepSeek V4 Flash в непиковые часы стоит $0,22 за миллион входных токенов без попадания в кэш и $0,66 за миллион выходных. В пиковые периоды тариф вдвое выше.
Для приблизительного расчёта возьмём достаточно жирный сценарий на одну статью: 20 тысяч входных токенов на планирование, инструкции, бриф и работу с контекстом плюс около 7 тысяч выходных токенов на план и большой черновик.
Получаем примерно:
$0,009 на статью.
Да, меньше одного цента.
На сто материалов — около 90 центов в непиковом режиме. Даже если считать по верхнему тарифу, революции в бюджете всё равно не происходит.
Именно поэтому экономить на планировщике ещё половину цента мне кажется довольно странным развлечением.
Дороже обходится нормальная редактура
Claude Sonnet 5 сейчас официально стоит $2 за миллион входных и $10 за миллион выходных токенов. Anthropic в августе оставила эту цену постоянной, хотя изначально собиралась повысить её после окончания вводного периода.
Допустим, редактор получает примерно 20 тысяч входных токенов: сам материал, ключевые инструкции канала и необходимый контекст. На выходе даёт около 6 тысяч токенов отредактированной версии.
Получается примерно 10 центов на одну статью.
Сто статей — около $10.
Уже заметнее, но всё ещё совершенно не те деньги, которые обычно представляются, когда слышишь:
сто больших текстов проверила одна из сильнейших моделей.
И здесь особенно полезно не заставлять Claude бесконечно «улучшать» собственный результат.
Потому что бесконечная редактура — прекрасный способ сжигать деньги и текст одновременно
В моей системе модель не получает расплывчатое:
перечитай ещё раз и сделай лучше.
Это очень опасная команда. После третьего такого круга нормальный текст иногда превращается в стерильную инструкцию к микроволновке.
Логика другая: независимый контролёр находит конкретные проблемы, формирует задания, автор последней версии исправляет только их, после чего контролёр снова проверяет результат. Максимальное количество таких циклов ограничено. Если автоматика продолжает буксовать, материал не переписывается до тепловой смерти Вселенной — он получает статус для человеческой проверки.
То есть повторные расходы возникают только тогда, когда они действительно нужны.
И это одна из причин, почему реальная цена отличается от идеально красивого расчёта.
Потом приходит Sol и спрашивает у всех: «Вы точно нормальные?»
Финальная модель у меня специально не является автором статьи.
Она получает готовый текст и требования канала, проверяет соответствие теме, логику, фактические проблемы, запрещённые приёмы, стиль и другие критические вещи. Результат должен быть коротким: оценка, решение и конкретные задания на исправление.
По опубликованным для GPT-5.6 Sol тарифам базовая стоимость составляет $5 за миллион входных и $30 за миллион выходных токенов.
Предположим, на одну проверку ушло 18 тысяч входных токенов и всего около 700 выходных. Нам здесь не нужна ещё одна статья — нужен компактный вердикт.
Получаем около 11 центов на материал, или примерно $11 за сотню.
То есть самая дорогая модель в моём конвейере обходится вполне терпимо именно потому, что занимается дорогой по качеству, но короткой по объёму работой.
Осталась картинка
Каждой статье нужна отдельная обложка 16:9.
Для массового режима я использую лёгкую генеративную модель изображения. Текущая официальная ориентировочная цена Nano Banana 2 Lite за изображение 1K начинается примерно от $0,034.
Сто картинок — около $3,40.
Конечно, на практике не каждая генерация проходит с первого раза. Иногда модель внезапно решает, что роботу требуется семь пальцев, а автомобильному заводу — надпись на выдуманном языке размером с половину кадра.
Кто регулярно генерирует картинки, сейчас понимающе вздохнул.
😁
Поэтому для реального бюджета я закладываю небольшой запас на повторные генерации.
Складываем идеальный проход
Если взять приведённые выше допущения, получается примерно такая арифметика на сотню публикаций: около $0,90 за DeepSeek, примерно $10 за редактуру Claude, около $11 за финальную приёмку Sol и примерно $3,40 за сто обложек.
Итого — около $25.
Разумеется, это не банковская выписка и не обещание фиксированной себестоимости. Это модель расчёта на сегодняшних публичных тарифах и заданных мною объёмах контекста. Реальный расход токенов зависит от длины инструкций, источников, размера статьи, количества проверок и конкретного профиля канала.
Но порядок величины интересен сам по себе.
Сто полноценных публикаций — не тысячи долларов.
Даже не сотни.
В реальном мире я бы рассчитывал скорее на $30–50
Потому что идеального мира, к сожалению, пока не завезли.
Часть статей контролёр примет с первого раза. Другую часть вернёт на исправление. Где-то понадобится дополнительный фактчек, где-то придётся повторить картинку, а где-то после исправления снова вызвать финального контролёра.
Если дополнительные циклы будут нужны примерно для 20–30% материалов, бюджет немного вырастет. Если сложные статьи требуют веб-поиска и большого количества источников — ещё немного. Если обложка регулярно генерируется со второго раза — добавится стоимость изображений.
Поэтому $30–50 за сотню длинных готовых материалов мне кажется более полезным ориентиром переменной AI-себестоимости, чем стерильные $25. (на картинке ниже мой реальный расход примерно на 240 статей с картинками)
Но здесь есть очень жирная звёздочка.
Эти $30–50 не означают, что я построил медиа за три тысячи рублей
Вот здесь обычно и ломаются красивые истории про:
Сто статей за копейки!
Токены действительно стоят копейки.
Система — нет.
Нужно написать сам оркестратор. Сделать очередь заданий, базу данных, версии инструкций, восстановление после ошибок, планировщик, публикации, хранение материалов, интерфейс, логирование и контроль состояния. В моём случае это модульный Python-сервис на FastAPI с PostgreSQL, Redis, Celery и отдельными воркерами.
Есть сервер. Домен. Резервные копии. Поддержка. Обновления моделей. Изменения API. И неизбежный период, когда система вроде работает, но в 18:00 внезапно оказывается, что воркер решил посмотреть на жизнь философски и перестал брать задания.
Вот это уже настоящая стоимость автоматизации.
Особенно дорогим оказался не текст, а качество
Сделать:
тема → DeepSeek → статья
можно было очень быстро.
Но мне такой автомат не нужен. Я хочу запускать несколько каналов и не сидеть каждый вечер с кружкой кофе, вылавливая галлюцинации, повторы, заезженные обороты и картинку с третьей рукой.
Поэтому в конвейере появились отдельные этапы редакции, контроля стиля, финальной приёмки и проверки изображения. В целевой схеме после темы идут план, черновик, редактор, фактчек, чистовик, контроль, SEO, визуальный блок, изображение и только после этого публикация.
Вот эту часть я считаю принципиальной.
Автоматизация контента имеет смысл только тогда, когда она автоматизирует не генерацию текста, а редакционный процесс.
Текст сегодня действительно дешёвый.
Нормальный выпуск — всё ещё нет.
На ста статьях это особенно хорошо видно
Допустим, человек вручную тратит на один большой материал три часа: поиск темы, источники, написание, редактура, оформление, картинка и публикация.
Сто статей — 300 часов.
Это почти два полноценных рабочих месяца одного человека.
Если автоматический конвейер требует от меня только утверждения контент-плана и вмешательства в редкие исключения, экономика становится интересной даже при расходах на модели в десять раз выше сегодняшних.
Вот почему вопрос:
можно ли сэкономить ещё $7 на ста статьях?
для меня практически не имеет значения.
Гораздо важнее:
сколько человеческих часов система не потребовала вообще?
Причём публикация почти ничего не добавляет к переменной себестоимости
После финальной приёмки статья превращается в публичную страницу, попадает в RSS и дальше уходит на канал. Оркестратор сохраняет промежуточные версии, статусы и историю операции; сам публикационный слой уже не требует отдельной дорогой нейросети.
То есть сто первая статья не требует нанять ещё одного редактора или открыть новый офис.
Серверу по большому счёту всё равно, лежит в базе 20 материалов или 2000, пока мы не упёрлись в реальные инфраструктурные пределы.
Это и есть самая интересная часть масштабирования цифровой фабрики.
Увеличение производства в пять раз не обязательно увеличивает расходы в пять раз.
Но здесь очень легко сделать неправильный вывод: «Значит, надо выпускать тысячу статей в день»
Нет.
Это прекрасный способ превратить интернет в ещё большую помойку.
Если материал ничего нового не даёт, его низкая себестоимость не становится достоинством. Наоборот: когда производство контента практически бесплатно, главным ограничителем должно становиться качество отбора тем.
Поэтому пользовательской точкой входа в моей системе является не кнопка:
сгенерировать 500 статей.
Сначала создаётся и утверждается контент-план. Внутри него для каждой темы есть бриф, тезис, угол подачи, формат и визуальная идея, а сама архитектура предусматривает отдельную проверку плана на дубли и слабые темы.
Масштабировать плохие идеи нейросеть умеет великолепно.
Мне этого как раз не нужно.
Есть ещё один интересный эффект: дорогие модели выгодно использовать точечно
До собственного конвейера я тоже периодически смотрел на прайс сильной модели и думал:
Ну её нафиг, дорого.
А потом начинаешь считать правильно.
Если Sol читает огромную статью и выдаёт короткий структурированный вердикт, его стоимость невелика. Если Claude получает уже готовый черновик и делает одну качественную редакторскую проходку, это тоже десятки центов, а не доллары.
Проблема появляется, когда одной дорогой модели говорят:
придумай тему, напиши, проверь себя, перепиши, придумай SEO, потом ещё раз всё перечитай.
Тогда мы платим дорогим интеллектом за работу, которую прекрасно выполняют более дешёвые модели или вообще обычный код.
Оркестрация в этом смысле — прежде всего маршрутизация стоимости.
Часть проверок вообще не должна делать нейросеть
Есть ли изображение?
Какой размер файла?
Не пустой ли заголовок?
Соответствует ли статья минимальной длине?
Нет ли двух одинаковых абзацев?
Правильный ли HTML?
Для ответа на эти вопросы GPT-5.6 Sol совершенно не нужен. Подобные проверки в моей архитектуре выполняются обычным кодом, а модель получает только то, где действительно требуется смысловая оценка.
Это ещё один хороший способ удешевить AI-систему:
не использовать AI там, где достаточно if.
Звучит очевидно.
Но индустрия сейчас переживает такой энтузиазм, что иногда кажется: скоро LLM будут спрашивать, существует ли файл на диске.
Самая опасная статья расходов — повторные попытки
Если архитектура плохая, они способны съесть любую красивую экономику.
Модель вернула кривой JSON.
Повтор.
Редактор переписал не туда.
Повтор.
Контролёр дал расплывчатое замечание.
Автор переписал всю статью.
Ещё контроль.
Картинка плохая.
Три генерации.
Поэтому количество попыток у меня ограничено, а системные ошибки имеют retry с понятными паузами и fallback. Если финальная критическая модель недоступна, система не делает вид, что всё прекрасно, и не выпускает непроверенный материал.
Иногда дешевле остановиться.
Это полезное правило не только для нейросетей.
Теперь добавим стоимость сервера
Здесь расчёт становится совсем индивидуальным.
У меня система работает на обычном сервере, где отдельно живут веб-приложение, фоновые воркеры, PostgreSQL, Redis, планировщик и транскрибатор. Тяжёлого собственного GPU для генерации текстов не требуется — модели вызываются через API.
Поэтому сервер — фиксированный месячный расход. Если на нём выпущено десять статей, каждая условно несёт десятую часть стоимости инфраструктуры. Если тысяча — тысячную.
Именно поэтому при масштабировании API-себестоимость растёт примерно вместе с количеством публикаций, а серверная часть значительно медленнее.
Для сети каналов это важнее стоимости одной отдельной статьи.
А разработку вообще бессмысленно делить только на первые сто публикаций
Предположим, я потратил несколько месяцев на создание системы.
Если она выпустит сто материалов и будет выключена — себестоимость каждого получится чудовищной.
Если через неё за несколько лет пройдут десятки тысяч публикаций на множестве каналов, разработка распределится на совершенно другой объём.
Это обычная экономика программного продукта.
Построить печатный станок дорого.
Напечатать следующий экземпляр — дёшево.
И сейчас с AI-контентом происходит примерно то же самое.
Именно поэтому «нейросеть напишет статью за три рубля» — совершенно бесполезная цифра
Да, напишет.
А кто выбрал тему?
Кто проверил факт?
Кто понял, что предыдущая статья была почти такая же?
Кто сохранил голос канала?
Кто сделал нормальную картинку?
Кто решил, что материал достаточно хороший для публикации?
Кто отправил его на площадку?
Кто заметит, что вчера новая версия модели начала писать весь текст канцеляритом?
Вот это и есть продукт.
Не токены.
Если совсем грубо, экономика моего эксперимента сейчас выглядит так
Переменный AI-расход на 100 длинных публикаций с обложками — десятки долларов, а не сотни. В моём расчёте идеальный проход даёт около $25, реалистичный рабочий запас — примерно $30–50.
Но стоимость создания самой фабрики — на порядки выше. Там уже разработка, сервер, тестирование, отладка, инструкции, настройка каналов и куча времени, которое не отображается в API-балансе.
Зато после того как фабрика построена, сто первая статья становится почти такой же дешёвой, как первая.
Вот ради этого всё и затевалось.
И теперь мне гораздо интереснее не стоимость статьи, а стоимость удачной статьи
Допустим, сто автоматически выпущенных материалов стоят $40 по API.
Если все сто никто не читает, мы великолепно сэкономили на производстве никому не нужного контента.
А если несколько публикаций начинают стабильно приносить поисковый и рекомендательный трафик, подписчиков, рекламную выручку или переходы в другие продукты, возникает уже нормальная экономика медиа.
Поэтому следующий уровень автоматизации для меня — не:
снизить стоимость статьи с 40 центов до 31.
Мне интереснее научить систему лучше понимать:
какие темы срабатывают;
какие заголовки дают CTR;
какие материалы дочитывают;
после каких публикаций подписываются;
какие форматы надо повторять, а какие похоронить.
Вот там потенциально лежат настоящие деньги.
Сам конвейер я воспринимаю скорее как лабораторию
Я строил его не потому, что мечтал нажать кнопку и залить интернет миллионом текстов.
Мне интереснее другой эксперимент: можно ли собрать автоматическую редакцию, где разные модели выполняют разные профессии, независимо проверяют друг друга, а человек перестаёт быть обязательным диспетчером каждой публикации.
Пока результат выглядит достаточно убедительно, чтобы я продолжал это развивать.
Такие эксперименты с ИИ, агентами и реальными автоматизациями я регулярно разбираю и в GPT-Лаборатории: Telegram, ВКонтакте и MAX. Там мне как раз интереснее не очередное «нейросеть научилась писать», а что с ней происходит после подключения к настоящей задаче.
Потому что следующий этап AI, на мой взгляд, вообще не про генерацию.
Генерировать мы уже научились.
Интерес начинается тогда, когда система должна сама организовать работу вокруг генерации — выбрать нужный инструмент, проверить результат, исправить ошибку, сохранить состояние и довести задачу до конца.
И самое забавное: когда это наконец получается, стоимость самих нейросетей оказывается почти последним, о чём хочется переживать.
На сто статей они могут съесть несколько десятков долларов.
А вот собрать машину, которой действительно можно доверить эти сто публикаций, — это уже совсем другая арифметика.
