Asana: browser-agent в 76 раз дешевле с GPT-6.1 Sol

Asana и OpenAI опубликовали редкий практический разбор того, сколько может стоить browser-agent и почему проблема иногда находится не в цене модели, а в архитектуре контекста.

После серии экспериментов оптимизированный workflow на GPT-6.1 Sol показал среднюю estimated model cost около $0.47 за run и время выполнения около четырёх минут.

По данным кейса, это оказалось примерно в 76 раз дешевле и в 5 раз быстрее исходной production-схемы, с которой начинала команда.

Но цифру 76x важно понимать правильно: это результат конкретного исследования Asana, а не обещание, что замена любой модели на GPT-6.1 Sol автоматически даст такую экономию.

Что именно исследовала Asana

Asana использует StackAI для browser automation. Такие агенты могут:

открывать сайты;
переходить по страницам;
заполнять формы;
собирать информацию;
выполнять многошаговые web workflows.

На масштабе компании даже небольшая неэффективность одного шага становится дорогой, потому что agent делает много model calls.

GPT-6 Astra использовали как исследователя

В этой истории участвуют две модели с разными ролями.

GPT-6 Astra в Codex использовали для анализа codebase, постановки экспериментов и поиска неэффективных частей workflow.

GPT-6.1 Sol затем запускал оптимизированный browser-agent workload и показал лучшие экономические результаты в исследовании.

То есть Astra здесь помогла инженеру оптимизировать систему, а не просто заменила production model.

Где нашлась главная проблема

Agent уже кэшировал фиксированные инструкции и определения tools, но не кэшировал растущую историю browser session.

В эту историю попадали:

текст со страниц;
screenshots;
результаты предыдущих действий;
контекст навигации.

Каждый следующий запрос снова отправлял значительную часть этой информации по полной цене.

Почему просто включить caching было недостаточно

Agent постоянно менял историю.

Он удалял старые screenshots и обрезал текст почти на каждом шаге.

Для prompt caching это плохо: если предыдущий prefix постоянно переписывается, повторно использовать cached context сложнее.

То есть проблема была не только в отсутствии cache, но и в нестабильной структуре истории.

Что изменили в workflow

ИсторияРасширили caching на browser history
History budgetРазрешили хранить больше полезного текста
ScreenshotsПерестали удалять их после почти каждого шага
Batch cleanupНакапливали screenshots и очищали их пакетно
Stable prefixБольшая часть context дольше оставалась неизменной и попадала в cache

Какие варианты тестировали

Команда проверяла разные комбинации:

history budget 120 000 символов;
history budget 480 000 символов;
несколько caching policies;
разные стратегии хранения screenshots;
четыре модели.

Каждая configuration выполняла одинаковую browser-задачу: собрать шесть полей для 32 книг из публичного demo catalog.

Всего Asana описывает исследование на 144 runs.

Оптимальным оказался не самый агрессивный cleanup

Лучший вариант позволял screenshots накапливаться до 20, а затем сокращал историю до последнего изображения.

На первый взгляд может показаться, что меньше screenshots всегда дешевле.

Но слишком частое изменение history разрушало стабильный cached prefix.

Иногда выгоднее некоторое время хранить больше контекста, если это позволяет повторно использовать его по сниженной цене.

Какие цифры получила Asana

Для исходной production-схемы на условной Model B estimated model cost была не меньше $36.21 за run. Некоторые runs доходили до step limit, поэтому это нижняя граница среднего.

После оптимизации тот же Model B снизился примерно до $1.24.

Оптимизированный workflow на GPT-6.1 Sol показал около $0.47.

Внутри самого Sol workflow изменение history/caching снизило стоимость примерно с $1.97 до $0.47 — около четырёх раз.

Откуда взялась дополнительная экономия

OpenAI пишет, что в optimized runs около 89% input попадало в cache и оплачивалось по сниженной cached-input цене.

То есть итоговый выигрыш был комбинацией:

архитектуры agent history;
prompt caching;
выбранной модели;
меньшего количества повторной работы.

Agent стал не только дешевле, но и быстрее

Исходная production setup занимала не менее 22,5 минуты на run.

Оптимизированный вариант с GPT-6.1 Sol — примерно четыре минуты.

Часть ускорения связана с тем, что модель не обрабатывает заново одинаковый объём uncached context на каждом шаге.

Больший history budget иногда улучшает качество

Это ещё один неочевидный результат.

С небольшим history budget GPT-6.1 Sol дал финальный answer только в трёх runs из 18.

С большим budget — во всех 18, и ответы были корректными в рамках теста Asana.

Слишком агрессивное удаление контекста может заставить agent повторно посещать страницы или просто потерять важные факты.

Почему «короче prompt» не всегда дешевле

У agent systems стоимость определяется не размером одного запроса, а всей траекторией.

Допустим, агрессивное сокращение context экономит 20% на каждом call, но из-за потерянной информации agent делает пять лишних шагов.

В итоге короткий prompt оказывается дороже.

Оптимизировать нужно total cost успешной задачи.

Кэш должен проектироваться вместе с историей

Prompt caching максимально полезен, когда начало запроса стабильно.

Если agent на каждом шаге переставляет блоки, удаляет старые элементы и переписывает context, cache hit rate падает.

Поэтому history manager становится частью cost architecture.

Browser screenshots особенно дорогие

Browser agent часто собирает screenshots после каждого действия.

Это полезно для visual reasoning, но изображения быстро увеличивают input.

Хорошая стратегия должна отвечать на вопросы:

нужен ли screenshot на каждом step;
сколько изображений хранить;
когда старое изображение можно удалить;
можно ли заменить screenshot структурированными данными;
не ломает ли cleanup caching.

Инженер не исчез из процесса

Кейс Asana интересен ещё и организационной схемой.

CTO StackAI задавал направление и выбирал предложенные изменения для проверки.

GPT-6 Astra анализировала system, рефакторила экспериментальную инфраструктуру и запускала серии тестов.

Результаты сохранялись для review, после чего изменения превращались в tickets и pull requests.

Это не «AI сам переписал production без контроля», а human-led experiment loop.

Сколько времени сэкономили на исследовании

По оценке Asana, ручная работа заняла бы один-два месяца.

С GPT-6 Astra в Codex экспериментальная часть заняла примерно неделю.

Это оценка самой команды, а не независимый benchmark, но хорошо показывает сценарий использования coding agent как исследовательского исполнителя.

Почему цифру 76x нельзя переносить на любой проект

Что влияет на реальную экономию

Исходная модель и её pricing.
Количество steps.
Размер browser history.
Cache hit rate.
Количество screenshots.
Доля повторяющегося context.
Качество модели и необходимость повторных действий.
Размер результата и tool outputs.

Если ваш agent уже хорошо кэширует историю и не отправляет гигантский visual context, выигрыш будет другим.

Как проверить свой agent workflow

Полезно логировать не только total tokens.

Для каждого run стоит собирать:

input tokens;
cached input;
output tokens;
стоимость каждого call;
количество tool calls;
количество screenshots;
длительность;
успешность финального результата;
количество повторных посещений страниц.

Без этого невозможно понять, почему один run стоит $0.50, а другой $15.

Практический вывод

Главный урок кейса Asana не в том, что GPT-6.1 Sol «всегда в 76 раз дешевле».

Главный урок — agent architecture может влиять на стоимость сильнее, чем простая разница в цене моделей.

Стабильная история, высокий cache hit rate и разумное управление screenshots способны одновременно уменьшить стоимость, latency и количество потерянного контекста.

Если бизнес-процесс уже автоматизируется через AI-agent, полезно измерять не цену одного model call, а стоимость полностью выполненной операции. Для таких сценариев мы отдельно занимаемся автоматизацией бизнес-процессов.