· AI Engineer World's Fair 2026
От tokenmaxxing к доверенной производительности
From Tokenmaxxing to Trusted Throughput — Mingsheng Hong, Ironclad
Расходы на AI-кодинг имеет смысл оценивать через trusted throughput: объём кода, прошедшего автоматические проверки, ревью и проверку у клиентов.
- Дашборд как детектор дыма — расходы по командам и людям нужны, чтобы находить пробелы во внедрении и неожиданные всплески, но не как лидерборд, иначе появится стимул максимизировать токены.
- Ценность рядом с расходами — прежде чем резать бюджет, по словам спикера, нужно измерить отдачу: merged PR взвешиваются по сложности, которую оценивает LLM по шкале t-shirt size, а не считаются по числу строк.
- Ревью и CI как узкие места — AI-ревью первым отсекает стилевые замечания и отсутствие тестов, а людям достаются архитектура и безопасность. Метрики: время от готовности PR до слияния и число перезапусков из-за флакающих тестов.
- Ограничители расходов — бюджеты, квоты и алерты на аномалии, лимит шагов в агентном цикле, чтобы зацикливание не сжигало токены, фиксированный system prompt в начале промпта для prompt caching и компакция контекста в длинных сессиях.
Кому полезно: тем, кто уже раздал AI-инструменты разработчикам и видит рост счетов без понимания, что за них получено.
Статья по теме
Главы
Похожие доклады
Счёт за ИИ слишком велик: основы токеномики
Близко по содержанию
ИИ пишет больше PR. Кто их проверяет?
AI Engineer World's Fair 2026
Близко по содержанию
LLM-gateway в production: архитектура, компромиссы и важные уроки
AI Engineer World's Fair 2026
Близко по содержанию
Перестраиваем CI для потока коммитов в эпоху AI
AI Engineer NYC 2026 Online Talks
Близко по содержанию

