Как Khan Academy тратит $1,2 млн в год на ИИ и что из этого получается

«Мы тратим на Anthropic около 1 200 000 долларов в год. И эта сумма быстро растёт».

Сал Хан, основатель Khan Academy — некоммерческой образовательной платформы с бюджетом, сопоставимым с бюджетом одной крупной школы, — рассказывает об этом без смущения. Потому что знает ROI.

Цифры, которые меняют отношение к расходам

Khan Academy — команда около 350 человек, из которых примерно 200 — инженеры. По данным Anthropic, компания входит в число наиболее активных корпоративных пользователей агентных инструментов.

Один инженер потратил $3 000 за один день — такую сумму зафиксировал технический директор в расходах на токены. «Мы с ним поговорили, и они за несколько часов сделали то, на что обычно уходило 3 месяца».

Арифметика проста. Зарплата senior-инженера в Кремниевой долине — $15 000–25 000 в месяц. Три месяца работы — $45 000–75 000. $3 000 за один день, дающий результат трёх месяцев — это ROI в 15–25 раз. Хорошее вложение.

«Если мы тратим на токены в год 1–2–3 млн долларов, но при этом производим то, что раньше стоило бы 20–30 млн, — надо продолжать в том же духе».

Случай с хакатонной фичей

Один из самых показательных примеров — история с новой функцией платформы.

«Пару месяцев назад выпустили функцию, про которую раньше мы бы сказали: "Может, успеем к следующему учебному году". Один инженер на хакатоне вайб-кодил её за один день, а потом за выходные собрал на наших данных».

Далее: подключили дизайнеров, немного улучшили внешний вид, выкатили — примерно за месяц то, что раньше заняло бы от полугода до года.

Это меняет не только скорость, но и подход к приоритизации. Раньше стандартный совет в product development: «Разработка дело сложное и дорогое, поэтому потратьте максимум времени на дизайн и валидацию гипотез, чтобы не делать ненужное». Теперь: «Давайте быстро создавать и тестировать. Итерация стоит в 10 раз дешевле».

Как именно используются агенты

Инженеры Khan Academy запускают одновременно 5, 6, 7, 8, 10 агентов. Это не фигуральное выражение. Один агент пишет код, другой проверяет, третий тестирует, четвёртый документирует.

По словам Хана, Anthropic сообщил им, что они одни из самых активных пользователей именно агентных инструментов для проверки кода — то есть не просто «спросить ChatGPT», а построенные пайплайны с несколькими ИИ-агентами, работающими последовательно или параллельно.

При этом важна дисциплина использования. «Буквально сегодня у нас было собрание компании, и я попросил не использовать модель Opus для всего подряд. Пользуйтесь более лёгкими моделями или своими личными аккаунтами, если хотите, например, выбрать ресторан на вечер».

Это управленческая задача нового типа: оптимизация расходов на ИИ-инфраструктуру. Не просто «разрешить или запретить», а создать культуру осознанного использования дорогих инструментов для задач, где они дают реальный ROI.

Автоматизация операционки

Разработка — самый очевидный кейс, но Хан описывает и операционные изменения.

«Мы только что одобрили все коннекторы к разным ИИ. Теперь наши ИИ могут заходить в Slack и в Gmail, в документы и так далее».

При этом чёткое правило: «Не давайте ИИ делать что-то без вашего ведома. Не разрешайте постить в соцсети, не позволяйте отправлять письма. Пусть ИИ напишет черновик письма, а вы проверите».

Конкретные сценарии, которые Khan Academy использует ежедневно:

Заявки на гранты. «Нам приходится писать много заявок — в благотворительные фонды, школам по поводу контрактов. Теперь можно провести встречу, сохранить все заметки и получить первый черновик заявки. Мы не отправляем его как есть, но через 10 минут после встречи у тебя уже есть черновик. Раньше на это уходила неделя, а то и две». Ресёрч для контента. «Я много снимаю про финансовую грамотность, а там сплошные исключения. ИИ резко сократил мне время на ресёрч. Я не принимаю ответы в том виде, в котором он их выдаёт, — прошу показать источник, смотрю, что это официальный источник, и только тогда снимаю видео». Управление задачами. «Я каждый день разговариваю с одним или несколькими ИИ-ассистентами. Они заходят в мой Slack и мой Gmail и говорят: "Вот тут я кое-что для тебя набросал". Раньше 20–30% просьб просто забывалось. Я делал то, о чём меня просили, только когда начинали дёргать».

Как ускорение влияет на скорость команды

«Если сравнивать с тем, что было 2–3 года назад, по ощущениям мы ускорились. Мы не замеряли это точно. Но мне кажется, мы ускорились минимум на 50%, может даже на 100».

При этом Хан честно признаёт: когда команда выросла с 20–30 до 200–300 человек, она стала медленнее — появились транзакционные издержки на согласование. ИИ частично компенсировал эти потери.

Принципиальный момент: ускорение происходит не потому что люди работают больше часов, а потому что цикл итерации резко сократился. Прогнозирование времени разработки изменилось. Задача, которую PM оценивал в три месяца, теперь может быть прототипом через день.

Психологический аспект: как команда принимает изменения

Сотрудники волнуются. Это честная реакция. «Если мы станем в три раза продуктивнее, значит, 2/3 команды вы сократите?»

Khan Academy дала честный ответ своей команде: «Работы у нас очень много. Если можем делать в три раза больше — будем делать в три раза больше. Это не станет поводом для увольнений. Причиной сокращения может стать только нехватка пожертвований или прибыли».

И второй посыл: «Подход к работе меняется, и людям нужно учиться успевать за временем. Мы уже вносим в карьерную матрицу пункт про освоение новых инструментов и адаптацию».

Это управленческий шаблон, применимый в любой компании: прозрачность о стратегии + конкретные ожидания по адаптации + чёткие критерии успеха.

Для тех, кто адаптируется — возможности. Для тех, кто не готов меняться — риски. Это честнее, чем избегать разговора.