Куда на самом деле уходят токены LLMs?
Куда на самом деле уходят токены LLMs?
Массовое использование LLM оказалось совсем не таким, каким его все представляли. Основной поток токенов уходит не на философские беседы, не на цифрового психолога, не на написание эссе или поиск ответа в режиме экспертного бюро и даже не генерацию мемов. Реальный центр потребления выполнение рабочих процессов и программирование.
LLMs в 2026 это не режим текстового чатбота с ответами на вопросы.
За последние 30 дней агентные задачи сформировали 33.3% токенов OpenRouter, программирование 32.4%, универсальные текстовые задачи 27.7%, обработка данных 6.5%.
Иными словами, почти две трети всего потока приходится на агентов и код, а вместе с обработкой данных свыше 72%.
Это принципиальный сдвиг: LLM постепенно переходит от интерфейса общения к вычислительному посреднику между человеком, программным обеспечением и данными.
ИИ агенты 33.3% токенов
Крупнейшее направление во всей структуре Workflow Execution, или исполнение рабочих процессов, с долей 21.8%. Модель получает цель, последовательно вызывает инструменты, читает результаты, корректирует действия и доводит операцию до завершения.
Multi-step Planning занимает 6.2% и отвечает за декомпозицию сложной цели на последовательность шагов.
Memory Extraction с долей 2.9% извлекает из диалогов и документов факты, настройки и устойчивые предпочтения для дальнейшего использования.
Web Search формирует 1.3% функции понятны.
Tool Dispatch 1.2%: связано с выбором подходящего внешнего инструмента или функции.
Программирование в различных вариациях 32.4%
Генерация кода занимает 9%, отладка 7.1%, чтение и запись файлов 5.3%, создание интерфейсов 3.5%, выполнение команд в оболочке 2.8%, проверка кода 2%, сканирование репозиториев 1.7%. Ещё около 1.1% приходится на SQL, базы данных и настройку DevOps.
Кодинг оказался идеальной средой для ИИ из-за высокой формализации и контура обратной связи через валидацию в режиме реального времени через компилятор.
Работа с текстом 27.7%
Это широкий слой универсальных сценариев. Классификация и разметка формируют 6.6% токенов, ролевые сценарии и художественный контент 4.5%, обычный диалог 3.9%, ответы на вопросы 3%, написание контента 2.8%, обобщение / конспектирование 1.7%, поддержка клиентов 1.7%, исследовательские отчёты 1.1%.
Остальное приходится на аудит безопасности, финансовые задачи, перевод, математику и общий DevOps.
Работа с данными 6.5%
Извлечение данных занимает 5%, преобразование 1.5%. Это перевод неструктурированного массива в заданную схему: документы в таблицу, счета в набор реквизитов, отзывы в карту проблем, договоры в перечень условий и рисков.
Доля относительно небольшая, но экономическая ценность может быть высокой, поскольку именно здесь LLM соединяется с корпоративными базами, документооборотом и внутренними системами.
Структура чрезвычайно концентрирована. Пять крупнейших задач исполнение процессов, генерация кода, отладка, классификация и многошаговое планирование формируют 50.6% всех токенов. Первая десятка направлений аккумулирует почти 73%.
Рынок растёт не через бесконечное расширение числа сценариев, а через масштабирование нескольких операций, которые легко повторять и относительно легко проверять.
Особенно показателен разрыв между расходами и физическим объёмом. Универсальные задачи дают 33.8% денежных расходов, но только 27.7% токенов; обработка данных 9.9% расходов при 6.5% объёма.
Напротив, код обеспечивает 32.4% токенов, но лишь 25.1% расходов. Дорогие модели чаще используются для содержательных текстов, исследований и сложного извлечения данных, тогда как дешёвые модели перемалывают массовый поток кода и агентных итераций.
Поэтому лидер по расходам почти никогда не совпадает с лидером по токенам: совпадение наблюдается лишь в одной из 29 задач. По расходам Anthropic занимает первое место в 23 направлениях, но по количеству токенов все 29 направлений возглавляют китайские модели: DeepSeek лидирует в 14 задачах, Xiaomi в 13, Tencent и Z-AI ещё в двух.