Поначалу мне казалось, что я просто не могу найти эту информацию в настройках: сколько токенов даётся в подписке? ChatGPT Plus, Claude Pro и Google AI Pro стоят около $20, а дорогие тарифы тоже очень удачно попадают в одни и те же $100 и $200. Получается, осталось узнать количество токенов и выбрать, где больше. Но всё не так просто.

При погружении встречаются пятичасовые окна, недельные ограничения, тарифы 5x и 20x. Ну тут-то кажется: 5x от чего? От какого числа? В постах встречаются сотни миллионов токенов, а блогеры рассказывают, что AI-компании на этих подписках работают в дикий минус: берут $100, а выдают токенов на $500+.

Добавляют интереса и ограничения на использование подписок. Например, Anthropic не разрешает обслуживать пользователей своего приложения через персональную подписку - для этого нужен API. То есть дешёвый доступ есть, но превратить его в собственный сервис уже нельзя. Правила Claude Code.

Если подписки настолько щедрые, возникает куча вопросов. Зачем вообще это нужно? Как долго цены останутся такими? Сколько на них теряют компании? А может, это просто миф, раздуваемый самими компаниями?

Первой идеей, конечно, было проверить всё локально. Но при первых же попытках с ChatGPT и сбором лимита после одного из сбоев стало понятно, что это не очень целесообразно. Поэтому я собрал публичные исследования, пользовательские бенчи и официальные условия от ai-вендоров.

Что входит в подписку формально

Начнём с тарифов около $20 и посмотрим, что предлагают за $100 и $200. Цены - при помесячной оплате, без акций и налогов. У OpenAI в таблице лимиты Work/Codex, у Google - Gemini Apps.

Источники таблицы: OpenAI Docs, Claude Pro, Claude Max, Google One, уровни Google Ultra, лимиты Gemini.

Числа «N токенов в месяц» так и не появилось, вопросов меньше не стало. Есть множители, причём от разных баз: Plus у OpenAI, сессии Pro у Anthropic и вычислительных лимитов AI Pro у Google. Круто, конечно, купить х20 объемов за х10 цены - но что мы покупаем?

У OpenAI есть хотя бы ориентир по локальным сообщениям Work/Codex за пять часов. Для GPT-6 Astra это 5–45 на Plus, 25–225 на Pro 5x и 100–900 на Pro 20x - в зависимости от задачи. Даже на одном тарифе разброс почти на порядок. OpenAI Docs.

У Claude запутанно: Fable 5 и 5.1 на Pro оплачиваются отдельными кредитами с первого использования. На Max они включены, но могут съесть максимум 50% общей недельной квоты. Дальше либо другая модель, либо доплата. Условия доступа к Fable.

То есть доступ есть, но просто гонять Fable весь лимит не выйдет.

Какие реальные числа удалось найти

В подробном пользовательском логе Codex один запрос превратился в 11 вызовов модели и 447 699 обработанных токенов. За весь описанный день автор насчитал 118,16M токенов и расход 71% недельной квоты Plus. Из входных токенов 97,3% пришлись на кэш. Так что 118 миллионов здесь - в основном повторное чтение уже знакомого контекста, а не гора нового текста.

А в сравнении sites.diy автор посчитал не только токены, но и сколько такой объём стоил бы через API:

Оба плана стоят $20. Автор пересчитал замеренные квоты на четыре недели: у Codex получилось токенов на $536 по API-прайсу, у Claude - на $152. Разница уже вполне конкретная: в одном случае подписка дешевле API почти в 27 раз, в другом - примерно в 8.

Есть и другой замер - Best Value AI. В сравнении получилось около 190M токенов в неделю для Plus с GPT-5.4 и 15,6M для Claude Pro с Opus 4.7. Переведём это в цену токенов внутри подписки:

За одинаковые $20 разница по обработанным токенам получилась примерно в 12 раз. Миллион обходится в 2,6 цента у Codex против 32 центов у Claude. Это пересчёт цены подписки при полном расходовании квот; в предыдущей таблице был другой показатель - стоимость того же объёма через API.

В двух исследованиях разные модели и нагрузки, поэтому итоговые объёмы не совпадают. Но оба хорошо показывают, почему сравнивать только месячную цену подписок бессмысленно. При одинаковом ценнике внутри может быть совсем разный объём.

Electricity Bench: сравнивать подписки по решённым задачам

Из всего, что я нашёл, больше всего понравился Electricity Bench. Для выбора подписки я бы начинал с него. Там берут конкретные задачи, запускают агентов и показывают, что получилось: сколько задач решено, за какое время и сколько лимита на это ушло.

Карточка GPT-6 Astra в Electricity Bench.

Такой способ кажется ближе всего к реальным задачам. Лимиты/токены лишь косвенные свидетельства - важнее всего как задачи решаются на практике.

Можно открыть карточку связки «модель + инструмент», посмотреть результаты по сложности задач и сравнить несколько вариантов. Есть описание тестов и руководство по выбору подписки. По сути это 1-в-1 как на практике - не отдельно модель/отдельно харнес и тп - полная e2e проверка. Ниже - один из наборов, real-world issues v3: 15 задач, от небольших исправлений до серьезных багов.

Карточки: Astra, Fable 5.1, Gemini 3.8 Flash. Во всех трёх прогонах указан effort medium.

Вот это уже интересное сравнение. Gemini на подписке за $20 решил столько же задач, сколько Fable за $200, но медианное время получилось почти втрое больше. Astra оказался близок к Fable по скорости, но решил меньше задач.

Я обычно выбираю так: сначала подбираю модель по качеству под задачу, и уже среди тех что показывают хорошее качество выбираю по скорости, расходу лимита и цене.

Когда кэш реально экономит деньги

Один из стандартных сценариев - загрузили большую доку и че то по ней узнаем. Документ тот же, вопросы разные. В таком сценарии документ попадает в кэш и экономит лимиты.

С агентом в репозитории похожая история: инструкции, уже прочитанный код и предыдущие шаги остаются в контексте, а в конец добавляются результат теста и следующий запрос. В таком режиме попаданий в кэш может быть много.

А теперь другая задача: по очереди разобрать десять разных выгрузок из логов. Основной текст каждый раз новый, поэтому переиспользовать его не получится. Ещё один способ потерять попадания - поменять начало запроса: одинаковый документ или большой текст не попадет в кэш, если перед ним каждый раз другой текст. Как это устроено у OpenAI, у Anthropic.

Посчитаем на примере. Пусть в документе 100 тысяч токенов, а в ответе - 1к. Сколько через API будет стоить один вопрос к новому документу и один вопрос к такому же объёму, который уже попал в кэш?

Примечание: в таблице не учтены создание и хранение кэша. Если первый запрос записывает 100K токенов в кэш, у Astra и Fable с пятиминутным кэшем он обойдётся в $1,30 вместе с ответом вместо $1,05. Источники: OpenAI, Anthropic.

У Fable повторный вопрос в этом примере вдвое дешевле, чем у Astra, хотя обычный вход и генерация ответа у них стоят одинаково. Причина - именно ставка чтения кэша: $0,25 против $1 за миллион. Gemini дешевле обоих и с кэшем, и без него.

Но это еще не все - сохранится ли кэш до следующего обращения? По условиям API различия такие:

• Astra: кэш сохраняет возможность повторного использования как минимум 30 минут после записи или последнего обращения. Если отвлёкся на десять минут и вернулся к тому же документу, это удобнее короткого окна. OpenAI Docs.

• Claude: обычный кэш живёт 5 минут и обновляется при обращениях. Для непрерывного агентного запуска нормально, а для диалога с паузами есть часовой вариант - с более дорогой записью. У Fable 5.1 зато очень дешёвые повторные чтения. Документация Claude.

• Gemini: автоматический кэш включён по умолчанию. Google советует держать общую часть в начале запроса и отправлять повторные обращения с небольшим интервалом; для явного управления кэшем есть отдельный режим в generateContent API. По цене чтения Gemini 3.8 Flash самый дешёвый из этой тройки. Документация Gemini.

На практике часто многое решает агент/харнес: как он собирает контекст и сколько времени проходит между вызовами.

Хороший пример есть в исследовании Microsoft на данных Copilot: среднее попадание в серверный KV-кэш - около 90% внутри одного шага агента и 55% между шагами. Пока агент сам выполняет последовательность шагов, переиспользование высоко. Когда в процесс добавляются паузы и изменения контекста, выгода уменьшается. Поэтому длинная сессия над одним проектом и десять независимых разборов могут дать совсем разный счёт при похожем количестве токенов - и до начала важно выбирать корректный для текущего кейса вариант.

Получается, компании работают в минус?

Думаю, на самых активных пользователях компании при текущих ценах вполне могут уходить в минус. Но утверждать, что подписка за 20$ дает в токенах аналог 500$ и компания просто доплатила 480 сама - не совсем корректно.

По данным за 2025 год, на каждый доллар выручки OpenAI тратила примерно $2,60, Anthropic - $2,16.

График Ars Technica по финансовым документам OpenAI.

Но ситуация меняется: позднее Anthropic уже прогнозировала первый квартал со скорректированной операционной прибылью.

Мое мнение - компании сейчас частично субсидируют ради роста и формирования привычки к продукту. Сейчас важно, чтобы пользователь перенёс свои проекты, настроил агентов и встроил инструмент в работу, а потом можно и цены поднимать (интересно, что очевидный функционал по переезду от конкурента со всеми потрохами пока есть только у Gemini). Но с другой стороны - сейчас кажется самый подходящий момент максимально пробовать все возможные инструменты, понять что и как работает на ваших задачах и что-то выбрать.

Когда отключат подписки?

Мне кажется, что компании уже пробуют понять какую-то границу между подписками и API.

Например, Ars Technica описывала тест Anthropic, при котором Claude Code убирали из Pro для части новых регистраций. По публикации, эксперимент затронул 2% новых регистраций, а затем на странице тарифов снова указали включённый Claude Code.

Более конкретный действующий пример - Fable: на Pro отдельная оплата, на Max ограниченная включённая доля. У OpenAI доступны дополнительные credits; Google также объявил пополнение AI credits. Эти механизмы уже существуют. OpenAI Docs, Google AI subscriptions.

Я думаю, что базовые версии точно останутся, а всё больше дорогих агентных сценариев будет оплачиваться отдельно: кредитами в приложении или через API, а вот подписки х5 и х20 в моем прогнозе или станут сильно дороже, или будут заменены токенами.

Также кажется что у Google больше пространства для такой ценовой войны: Gemini можно продвигать вместе с остальной экосистемой. OpenAI и Anthropic тоже зарабатывают на API и корпоративных продуктах, но у них бизнес гораздо сильнее завязан на самом ИИ. Поэтому мне особенно интересно, кто первым даст “слабину” - ведь конкуренция очень жесткая, тут либо выбирать отток кучи пользаков ради окупаемости, либо продолжать убыточную войну только чтобы не проигрывать конкурентам - и тут кажется что Google может продержаться дольше всех.

При этом китайские и открытые модели не так уж далеко. По моим ощущениям, их отставание от флагманов уже измеряется месяцами, и необязательно догнать лидера во всём: если более дешёвая модель закрывает большую часть рутины, а Anthropic вместе с OpenAI резко повысили цены - то почему бы и не попробовать Kimi K3 и тп, которая, кстати, также есть в electricity bench, так что даже одновременное изменение цен от американских гигантов кажется маловероятным.

А как их сравнивать?

Может быть, кому-то будет актуально что-то более сложное - всякие локальные бенчи и прочее. Это тоже хороший вариант, но это отдельные ресурсы и время только на проверку ИИ-инструментов. Есть вариант попроще.

Есть такая утилита - ccusage. Она работает с логами сессий агентов и показывает расход токенов и их стоимость по API-прайсу. При установленном Node.js запускается одной командой:

npx ccusage@latest codex session

Вот пример анализа моих задач на подписке ChatGPT Pro 20x. Взял три разные по сложности и масштабу задачи и проверил через ccusage статистику по каждой:

1. Сложная задача по масштабированию real-time voice assistant.

2. У меня есть бумажная тетрадка с записанным шахматным дебютным репертуаром ещё со школы - давно мечтал оцифровать её и залить на Lichess.

3. Спланировать миграцию промптов с dev на prod и написать скрипт. Задача несложная, но критически важно не ошибиться.

Тут уже видно, что происходит на реальных задачах: одна большая сложная таска на Astra high может занять почти весь недельный лимит, и на вторую такую параллельно его может не хватить. Тут небольшое уточнение: думаю, можно было решить её более оптимально - Astra high только для планирования и груминга, а кодить на Terra или Sol. Но тут я частично хотел проверить возможности Astra. Спойлер - остался разочарован.

Также большая задача с 40+ фото, распознаванием и вызовами тулов типа шахматного движка на Sol xhigh - по грубой оценке, такую задачку можно делать раз в день. Ну и скрипт - маленькая задача, хорошо расписанная и спроектированная, решилась очень быстро и легко.

По результатам Codex не справился только со сложным масштабированием. Это повод попробовать взять Opus, дать ему эту задачу и сравнить качество и время.

Финальный вывод - сейчас самое подходящее время брать и тестить на своих задачах разные подписки за $20, гонять их на своих задачах, оценивать результаты и качество самостоятельно, а расходы смотреть через ccusage и подобрать себе идеальный инструмент для решения своих задач.

А чтобы не пропустить новые обзоры и сравнения ИИ-инструментов, подписывайтесь на мой Telegram-канал source_coder. Там буду регулярно делиться такими разборами и опытом использования агентов на реальных задачах.