Cât costă un agent AI: bugete, ROI și costurile ascunse

Ai ales abordarea — un agent care acționează, nu un chatbot care răspunde. Ai ales și orchestratorul. Acum vine întrebarea pe care o pune orice CTO înainte să semneze: cât costă, de fapt, lucrul ăsta? Și se amortizează?

Răspunsul onest e „depinde", dar nu te las cu atât. Un agent AI nu are un preț de raft. Are o structură de cost — câteva linii vizibile pe care le estimează toată lumea și câteva ascunse, descoperite abia după prima factură. Articolul ăsta le pune pe toate pe masă, cu prețuri reale din iunie 2026, și îți dă o schiță de model de cost pe care o completezi cu cifrele tale.

Fără cifre inventate. Prețurile per-token se schimbă lună de lună, așa că pe cele de aici le verifici oricum la sursă înainte să le treci într-un buget.

De ce un agent costă altfel decât un apel simplu

Un apel simplu către un model înseamnă un input și un output. Trimiți o întrebare, primești un răspuns, plătești o dată.

Un agent funcționează în buclă: observă, raționează, alege o acțiune, execută un tool, citește rezultatul, raționează din nou. Bucla asta — observă, gândește, acționează — e exact ce definește un agent autonom. Și fiecare tură a buclei e un apel nou către model.

Problema de cost stă în ce trimiți la fiecare tură. Contextul crește: istoricul conversației, rezultatele tool-urilor de până acum, schema fiecărui tool disponibil. Un task care la om ar lua trei pași poate însemna șase–zece apeluri către model, fiecare cu un input mai mare decât precedentul.

Peste asta se adaugă tokenii de raționament. La modelele cu „thinking", raționamentul intern e facturat ca output — iar outputul costă de 4 până la 8 ori mai mult decât inputul la aproape toți furnizorii. Un singur apel cu efort mare de raționament poate arde zeci de mii de tokeni doar pe gândit, înainte de răspunsul propriu-zis.

Concluzia: nu compara costul unui agent cu costul unui apel. Compară-l cu suma tuturor apelurilor dintr-o buclă, înmulțită cu volumul de task-uri.

Componentele de cost ale unui agent

Împarte bugetul în trei linii vizibile și un grup de costuri ascunse. Vizibilele întâi.

Cost LLM (tokeni) — variabila dominantă

Pentru majoritatea agenților, tokenii sunt linia cea mai mare. Prețurile sunt per milion de tokeni (MTok), separat pentru input și output.

La prețurile publice din iunie 2026, gama merge de la modele bugetare la flagship-uri:

• Modele ieftine de rutare/clasificare: de la ~0,10–0,25 $ / MTok input (variante Flash-Lite sau nano).
• Modele de producție (workhorse): Claude Sonnet 4.6 la 3 $/15 $, GPT-5.4 la 2,50 $/15 $, Gemini 3.5 Flash la 1,50 $/9 $ (input/output per MTok).
• Flagship-uri de raționament greu: Claude Opus 4.8 și GPT-5.5 în jur de 5 $ input și 25–30 $ output, variantele Pro mult peste.

Verifică prețurile curente direct la sursă înainte de orice buget — OpenAI, Anthropic, Google. Se mișcă des: în primăvara lui 2026, prețul flagship-ului OpenAI s-a dublat de la o generație la alta.

Trei pârghii taie factura fără să schimbi modelul:

• Caching de prompt: contextul stabil (system prompt, cataloage de tool-uri, documente) citit din cache costă aproximativ 10% din prețul de input. Pentru un agent care reia același system prompt la fiecare tură, e cea mai mare economie.
• Batch: pentru task-uri care nu cer răspuns pe loc, modul batch înseamnă 50% reducere la aproape toți furnizorii.
• Rutare: trimite clasificarea și pașii simpli pe un model ieftin, escaladează la flagship doar când chiar trebuie. Diferența între tier-uri merge de la 5x la peste 100x pe output.

Infrastructură & hosting

Agentul rulează undeva. Dacă execută cod sau folosește tool-uri într-un sandbox, plătești timpul de compute: un sandbox de execuție costă de ordinul fracțiunilor de cent pe secundă, dar la zeci de secunde pe rulare și sute de mii de rulări pe lună ajungi la câteva sute de dolari doar pe sandbox, înainte de tokeni. Compute serverless e mai ieftin la idle, dar tot se adună.

Dacă agentul are memorie sau caută în documente, intri în costul unui sistem RAG: bază de date vectorială, embeddings, stocare. Plus o bază de date pentru starea agentului între ture.

Observabilitate & tooling

Nu vezi ce face un agent fără tracing. O platformă de observabilitate facturează urmele (traces) — de ordinul a câțiva dolari la mia de urme peste cota gratuită, plus timp de uptime pentru deployment-urile care stau pornite.

Pare mic. La volum, nu e. Și nu e opțional: un agent fără tracing e un agent pe care nu-l poți depana și nici nu-i poți demonstra ROI-ul.

Build vs buy: framework self-hosted vs platformă managed

Aici se ia decizia care mișcă bugetul cel mai mult după tokeni. Alegerea framework-ului — LangGraph, CrewAI sau AutoGen — nu schimbă doar codul, ci și structura de cost. Dacă încă n-ai ales, categoria de comparații acoperă criteriile.

Self-hosted. Framework-ul în sine e gratuit — LangGraph, CrewAI și AutoGen sunt open-source (licență MIT). Plătești infrastructura pe care rulezi și, partea pe care o uită toți, timpul oamenilor care construiesc și întrețin orchestrarea, persistența stării și retry-urile. Codul e gratis; inginerul nu.

Managed. O platformă îți rezolvă deployment-ul, persistența și scalarea. LangGraph Platform, de exemplu, cere un abonament pe seat (de ordinul a 39 $/utilizator/lună) plus o taxă pe execuție de nod (aproximativ 0,001 $/nod). CrewAI Enterprise e contact-sales. Anthropic are agenți manageri în beta la ordinul a 0,08 $ pe oră de sesiune, peste costul de tokeni.

Capcana de care trebuie să fii conștient: majoritatea platformelor managed sunt două facturi puse una peste alta — taxa de platformă și costul de tokeni LLM, care trece prin cheile tale la preț de listă. Și „apelurile de platformă" nu sunt „apelurile LLM": o singură rulare de agent poate genera multe tranziții de nod facturate separat. Modelează fan-out-ul înainte să presupui că pachetul de bază îți ajunge.

Regula simplă: self-host dacă ai echipă care poate ține infrastructura și vrei control pe date; managed dacă vrei să ajungi în producție repede și costul de ops intern e mai mare decât taxa de platformă.

Costurile ascunse pe care le uită toți

Astea nu apar în niciun calculator de pricing. Apar în factură.

• Retry-uri. Tool-uri care eșuează, rate limits, răspunsuri invalide — fiecare retry e o buclă rulată din nou, deci tokeni plătiți din nou. Un agent prost calibrat poate dubla consumul doar pe reîncercări.
• Pipeline de evaluare. Ca să știi dacă agentul e bun, îl evaluezi. Evaluarea automată (un model care judecă alt model) înseamnă apeluri LLM în plus, peste cele de producție. Plus timp de construit seturi de test.
• Human-in-the-loop. Pașii de aprobare umană nu sunt gratis: e timpul omului care aprobă și, pe platformele managed, o întrerupere care reia bucla se facturează ca rulare separată.
• Drift & mentenanță. Modelele se depreciază. Ce ai construit pe un model anul trecut s-ar putea să ruleze azi pe altul — iar un tokenizer nou poate genera cu până la 35% mai mulți tokeni pe același text, adică factură mai mare fără să fi schimbat nimic. Plus reglaj de prompturi când comportamentul derivează.
• Context creep. Istoricul care crește tăcut umflă inputul fiecărui apel. Fără o strategie de tăiat contextul, costul pe task urcă pe măsură ce conversațiile se lungesc.

Când se amortizează un agent

ROI-ul unui agent nu e despre cât costă agentul. E despre cât costă task-ul pe care îl preia, înmulțit cu volumul.

Formula mentală: (cost uman per task − cost agent per task) × număr de task-uri − cost de construcție și mentenanță. Dacă iese pozitiv și volumul e mare, ai un caz. Dacă volumul e mic, costul de construcție nu se amortizează niciodată.

Se amortizează pe task-uri cu volum mare, repetitive, bine delimitate — exact profilul unui agent de customer support care rezolvă, nu doar răspunde. Nu se amortizează pe task-uri rare, cu variație mare sau cu mize în care nu-ți permiți zero supraveghere.

Cel mai scump agent e cel de care n-aveai nevoie.

Capcana supra-ingineriei e reală. Un sistem cu mai mulți agenți care își pasează sarcini, când un singur apel cu căutare în documente ar fi rezolvat, înseamnă să plătești orchestrare pe care n-o folosești — în tokeni, în infra și în mentenanță. Înainte să construiești un agent, întreabă-te dacă un workflow simplu nu face aceeași treabă mai ieftin.

Despre cifrele de ROI care circulă: există implementări raportate public care taie timpul mediu de rezolvare cu zeci de procente. Tratează-le ca best-case de vendor, nu ca promisiune. Singura cifră care contează e diferența față de baseline-ul tău, măsurată pe traficul tău.

O schiță de model de cost pe un agent realist

Pune cap la cap componentele pe cazul concret: agentul de support de mai sus. Cifrele de volum sunt ilustrative — înlocuiește-le cu ale tale. Prețurile de tokeni sunt cele publice din iunie 2026 și le verifici la sursă.

Presupune o conversație rezolvată în aproximativ șase ture de buclă, cu system prompt și catalog de tool-uri ținute în cache, pe un model de producție.

Per conversație, costul de tokeni e adesea de ordinul cenților dacă rutezi inteligent și folosești cache; sare la zeci de cenți dacă pui tot pe un flagship cu raționament maxim, fără cache. Înmulțește cu volumul lunar și ai linia de tokeni. Adaugă infra, observabilitate și amortizarea build-ului. Compară cu costul aceluiași volum de task-uri făcute manual. Acolo e răspunsul la „merită?".

Regula de aur: începe ieftin (model mic + cache + rutare), măsoară costul real per task din ziua întâi, escaladează doar unde calitatea o cere. Bugetează per workload, nu per apel.

Întrebări frecvente

Cât costă, în medie, un agent AI pe lună?

Nu există o medie utilă — variază cu volumul de task-uri, numărul de ture pe task și modelul ales. Linia dominantă sunt tokenii; restul (infra, observabilitate, mentenanță) se adaugă peste. Modelează-ți volumul, înmulțește cu prețurile curente de tokeni, apoi adaugă 20–40% pentru costurile ascunse.

De ce un agent consumă mai mulți tokeni decât un chatbot?

Pentru că rulează în buclă. Fiecare tură retrimite contextul crescut plus schema tool-urilor, iar raționamentul intern se facturează ca output. Un task de câțiva pași poate însemna șase–zece apeluri, nu unul. Diferența de fond e explicată în comparația agent vs chatbot vs RPA.

Build sau buy pentru un agent?

Self-host dacă ai echipă care ține infrastructura și vrei control pe date — framework-ul e gratuit, plătești infra și timp de inginerie. Managed dacă vrei producție rapidă și taxa de platformă e sub costul tău intern de ops.

Care e cea mai mare economie pe care o pot face?

Caching de prompt pentru contextul stabil (până la ~90% pe partea citită din cache) și rutarea pașilor simpli pe un model ieftin. Împreună pot tăia factura de tokeni de câteva ori, fără pierdere de calitate pe task-urile care contează.

Care e capcana de cost cea mai frecventă?

Supra-ingineria: un sistem multi-agent acolo unde un apel cu căutare ar fi ajuns. Plătești orchestrare, tokeni și mentenanță pentru complexitate de care n-aveai nevoie. A doua: să uiți costurile ascunse (retry-uri, evaluare, drift) când faci bugetul.

Vrei să pui cifrele cap la cap?

Estimează bugetul pentru un agent pe cazul tău concret înainte să scrii prima linie de cod. Pornește de la serviciul de agenți autonomi și de la ghidurile despre costuri și ROI ca să transformi structura de cost de mai sus într-un număr pe care îl poți apăra în fața finanțelor.