Себестоимость партии SEO-текстов: как считать, а не гадать

Каждый раз, когда кто-то спрашивает «сколько стоит написать 20 SEO-статей нейросетью», хочется получить одно число. И почти всегда это неправильный вопрос. Партия из 20 текстов на одной модели и партия из 20 текстов с чередованием черновика на дешёвой модели и финальной правки на дорогой — это два разных бюджета, и оба зависят от того, сколько раз вы реально прогоняете каждую статью через модель, а не от того, что написано в прайсе.

Это не статья с готовым ответом «партия обошлась в N рублей». Такого ответа не существует в вакууме — итоговая цифра зависит от вашей темы, требований к качеству и количества правок. Зато есть методология: как раскладывать партию на операции, где считать кредиты, а где — время редактора, и как выбирать модель под конкретный шаг, а не под весь процесс сразу.

Из чего вообще складывается себестоимость

Первая ошибка почти всегда одна и та же: считают только кредиты за успешную генерацию финального текста. Но партия текстов — это цепочка операций, и у каждой своя цена:

• Генерация черновика — первый прогон модели по брифу и ключевым словам.
• Повторные прогоны — если черновик не подошёл по структуре, тону или фактам, и его приходится генерировать заново.
• Правка и дожим — генерация уточнённого варианта после ручной редактуры (второй запрос к модели с новым промптом, а не редактура руками).
• Служебные тексты — мета-описание, заголовок, варианты для A/B, FAQ-блок — это отдельные запросы, даже если они короткие.
• Время оператора — бриф, чтение результата, сверка фактов, финальная вычитка. Эта часть не измеряется в кредитах, но именно она чаще всего съедает бюджет проекта, если её не планировать заранее.

Если считать только последний пункт из списка — «сколько кредитов ушло на финальный текст» — партия всегда будет казаться дешевле, чем есть на самом деле. Реальная себестоимость — это сумма по всем операциям, а не по одной.

Шаг 1. Разложите партию на операции, а не на статьи

Прежде чем открывать /pricing и смотреть тарифы, разложите одну типовую статью партии на шаги. Например:

1. Черновик текста по брифу.
2. Один прогон на переработку структуры (если черновик пришёл «простынёй»).
3. Генерация мета-описания.
4. Генерация 2-3 вариантов заголовка.
5. Финальная правка после вычитки редактором (второй содержательный прогон).

Это уже пять операций на одну статью, а не одна. Если партия — 20 статей, и по каждой в среднем 5 операций, это 100 запросов к модели, даже если про них никто не думал как про «100 генераций». Именно здесь чаще всего теряется реалистичная оценка: бюджет считают по формуле «1 статья = 1 запрос», а по факту получается «1 статья = 4-6 запросов».

Шаг 2. Сопоставьте операции с ценовой категорией модели

У текстовых моделей в каталоге разброс стоимости запроса — почти на порядок. Вот ориентир по кредитам за один запрос (оплата идёт по факту использования, без месячной подписки):

Разница между самой дешёвой платной моделью (1 кредит) и флагманом (9 кредитов) — почти девятикратная. Если черновик партии из 20 статей прогнать на модели за 1 кредит, а не на флагмане, сама генерация обойдётся в разы дешевле — вопрос в том, сколько повторных прогонов потребуется, чтобы черновик стал приемлемым. Экономия на цене запроса имеет смысл только вместе с оценкой количества итераций.

Шаг 3. Учтите количество итераций, а не только цену запроса

Здесь и прячется главная методическая ошибка при прикидке себестоимости: сравнивать модели по кредитам за один запрос, как будто запрос всего один. На практике дешёвая модель для сложной технической темы иногда требует два-три прогона, чтобы получить структуру и факты в приемлемом виде, а более сильная модель может закрыть задачу с одного раза.

Формула для оценки партии выглядит так:

Кредиты на партию = Σ по операциям (
    количество статей
    × среднее число прогонов на операцию
    × кредитов за один запрос выбранной модели
)

Ключевое слово — «среднее число прогонов». Это не константа из документации, а показатель, который нужно снять на своих же данных: взять 3-5 статей вашей тематики, прогнать через модель-кандидата и честно посчитать, со скольки попыток получился пригодный черновик. Именно так методология превращается из абстрактной формулы в рабочую оценку бюджета — тестовая мини-партия перед большой всегда дешевле, чем ошибка в расчёте на 50 статьях.

Пример того, как это меняет расчёт: если черновик на модели за 1 кредит в среднем требует три прогона (итого 3 кредита на статью), а на модели за 5 кредитов такой же черновик получается с одного прогона (5 кредитов на статью), то разница в кредитах при большом объёме не такая уж и девятикратная, как казалось по прайсу — она сокращается до менее чем двукратной. Экономика меняется не от цены модели, а от того, сколько раз её пришлось перезапускать.

Время — вторая половина уравнения

Кредиты считаются легко, потому что это конкретное число из тарифа. Время — сложнее, потому что нигде не публикуется гарантированная скорость ответа: она зависит от длины запроса, загрузки на момент генерации и модели. Здесь тоже работает принцип «не берите чужой бенчмарк — снимите свой»: засеките время генерации на тестовой мини-партии по тем операциям, которые реально будете гонять, и заложите медиану, а не оптимистичный минимум.

К времени генерации модели прибавляется время оператора — и вот эта часть в расчётах пропадает почти всегда:

• время на составление брифа под каждую статью (или под партию, если бриф общий);
• время на чтение и сверку фактов в черновике — особенно важно для моделей с меньшей ценой запроса, где выше риск фактических неточностей;
• время на формирование промпта для повторного прогона, если черновик не подошёл;
• финальная вычитка перед публикацией.

Если партия из 20 статей требует в среднем 15-20 минут внимания редактора на статью только на проверку и правку промпта — это уже 5-6 часов рабочего времени, которые никак не отражены в счёте за кредиты, но напрямую входят в реальную себестоимость партии для заказчика.

Как выбирать модель под операцию, а не под весь процесс

Из методологии выше следует практический вывод: не нужно закрывать всю партию одной моделью. Разумнее развести операции по ценовым уровням:

• Черновик и служебные тексты (мета-описания, варианты заголовков) — модели с ценой 1 кредит за запрос: Gemini 2.5 Flash, DeepSeek V4 Pro, Kimi K2.6, GLM 5.2. Здесь важен объём, а не максимальная точность с первого раза.
• Бесплатное планирование — черновой план структуры, список подзаголовков, черновые тезисы можно проработать в ChatGPT без лимита по числу запросов и без единого потраченного кредита — это хорошая точка входа перед тем, как переходить к платным моделям на генерации самого текста. Удобно, когда все модели партии доступны в одном месте — в студии most-ai.com — и переключение между ними не требует начинать расчёт заново.
• Финальная правка и сложные технические темы — модели среднего уровня, такие как Claude Sonnet 4.6 или Gemini 3.1 Pro Preview, где выше точность с первого прогона, а цена запроса ещё не на уровне флагмана.
• Тексты с высокими требованиями к точности формулировок (юридические нюансы, медицинская тематика, точные технические характеристики) — здесь имеет смысл разовая генерация на топовой модели вроде Claude Opus 4.8 или GPT-5.5, даже с ценой в 8-9 кредитов, если это исключает две-три итерации на более дешёвой модели.

Сравнение моделей по возможностям и подходу к тексту стоит держать под рукой отдельно — это отдельная методология выбора, которую я разбирал в статье про сравнение ChatGPT, Claude, Gemini и DeepSeek. Актуальные цены за запрос удобнее всего сверять прямо на странице тарифов — она обновляется чаще, чем любая статья.

Частые ошибки при расчёте себестоимости партии

• Считать только кредиты за успешный финальный прогон, забывая про неудачные попытки и служебные тексты.
• Сравнивать модели по цене запроса, не учитывая среднее число итераций на конкретной теме.
• Не закладывать время оператора — бриф, сверку фактов, формирование повторного промпта, финальную вычитку.
• Опираться на чужие оценки скорости и качества вместо тестовой мини-партии на своих данных.
• Использовать флагманскую модель там, где экономичная справляется за один-два прогона — и наоборот, экономить на модели там, где цена ошибки высока.

Частые вопросы

Можно ли посчитать точную стоимость партии заранее, до генерации?

Точную — нет, потому что число итераций на статью зависит от темы и требований, которые заранее известны не полностью. Реалистичнее прогнать тестовую мини-партию из 3-5 статей, снять среднее число прогонов и время на редактуру, а потом умножить на весь объём партии.

Какая модель самая дешёвая для черновиков SEO-текстов?

По каталогу most-ai.com сейчас это модели с ценой 1 кредит за запрос — Gemini 2.5 Flash, DeepSeek V4 Pro, Kimi K2.6, GLM 5.2, а также Gemini 3.1 Flash Lite и Grok 4.3. Для черновой генерации большого объёма это разумная стартовая точка.

Стоит ли платить за флагманскую модель ради обычной SEO-статьи?

Обычно нет — среднего уровня модели закрывают задачу за один-два прогона, а разница в цене за запрос ощутима на большой партии. Флагман (Claude Opus 4.8, GPT-5.5) имеет смысл там, где цена фактической ошибки или неточной формулировки выше, чем экономия на дешёвой модели.

Как учитывать бесплатный ChatGPT в расчёте себестоимости партии?

Как этап, который не входит в кредитный бюджет вообще. Планирование структуры, список тезисов, черновой outline можно проработать в ChatGPT без лимита запросов и без единого кредита, а уже готовый план отдавать на генерацию платной модели — это снижает число дорогих итераций на следующем шаге.

Где взять актуальные цены за запрос для расчёта?

На странице тарифов — там таблица по всем моделям обновляется по мере изменения цен, и её стоит сверять перед каждой крупной партией, а не полагаться на цифры из старой статьи или чужого расчёта.

Что делать, если фактическая себестоимость партии оказалась выше плана?

Разобрать партию обратно по операциям и посмотреть, какая из них съела больше кредитов или времени, чем закладывалось: обычно узкое место — это либо непредвиденное число повторных прогонов на одной операции, либо использование более дорогой модели там, где хватило бы экономичной. Эти данные и стоит переносить в план следующей партии — так методология расчёта становится точнее с каждым циклом, а не остаётся разовой прикидкой.