Новость выглядит как заметка про железо: OpenAI якобы закупила гору маков. Но мне здесь интереснее другое - зачем компании с доступом к огромным GPU-кластерам понадобились обычные настольные компьютеры с macOS.

Ответ показывает реальную цену computer-use агентов. Когда ИИ не вызывает готовую функцию, а смотрит на экран и жмет кнопки, каждый шаг становится отдельной дорогой операцией.

30 августа 2026 года The Information сообщила со ссылкой на знакомых с закупками людей: OpenAI приобрела десятки тысяч Mac mini и Mac Studio. Машины используют для reinforcement learning computer-use агентов - обучения методом проб и ошибок тех систем, которые работают с программами через экран, курсор и клавиатуру.

То же расследование утверждает, что Anthropic решает задачу иначе - арендует Mac mini через AWS. Материал пересказали Crypto Briefing, Business Today и другие издания.

Сразу важная оговорка: первоисточник у новости один. OpenAI, Anthropic и Apple закупки не подтверждали, точного количества устройств нет. Поэтому «десятки тысяч» - приблизительная оценка источников The Information, а не цифра из отчетности.

Computer-use агент работает циклом: получает снимок экрана, выбирает действие, кликает или печатает, затем смотрит на новый экран. Для обучения нужны тысячи параллельных сред, в которых можно повторять такие попытки и проверять результат.

The Information пишет еще о двух практических причинах спроса. Mac mini и Mac Studio лучше отводят тепло на длинных задачах, чем тонкие ноутбуки, а объединенная память Apple дает процессору и графике общий пул данных. Сама Apple теперь прямо называет Mac mini устройством для постоянной агентной работы - это есть в ее пресс-релизе от 25 августа 2026 года.

Из закупки нельзя делать вывод, что агента вообще невозможно учить в виртуальной среде. Можно. История говорит только о том, что OpenAI, по данным одного издания, понадобился большой парк именно реальных macOS-машин.

Это расчет на условном сценарии, а не замер OpenAI. Беру задачу на 30 шагов: открыть приложение, найти запись, изменить поле и сохранить. На каждом шаге агент держит три последних снимка, 8000 текстовых токенов истории и выдает в среднем 200 токенов ответа.

По документации Anthropic изображение для Claude делится на блоки 28x28 пикселей. Снимок 1024x768 занимает 37 × 28 = 1036 визуальных токенов.

кадры за шаг: 3 × 1036 = 3108 токенов
вход за шаг:  3108 + 8000 = 11 108 токенов
вход за задачу: 11 108 × 30 = 333 240 токенов
выход за задачу: 200 × 30 = 6 000 токенов

Claude Sonnet 5 стоит $2 за миллион входных и $10 за миллион выходных токенов. Получается 0,33324 × 2 + 0,006 × 10 = $0,73 за один прогон. В расчет не входят повторы после ошибок, служебные токены инструментов и возможная скидка за кэш.

Для сравнения возьмем тот же условный результат через API: один запрос на 3000 входных и 500 выходных токенов. Цена - 0,003 × 2 + 0,0005 × 10 = $0,011. При этих допущениях интерфейсный сценарий дороже примерно в 66 раз, а 30 последовательных вызовов еще и занимают больше времени, чем один.

У EC2 Mac есть важное правило: выделенный хост нельзя освободить раньше чем через 24 часа после запуска (документация AWS). Проверка на двадцать минут все равно удерживает машину на сутки; конкретный счет зависит от типа Mac и региона.

Отсюда разница подходов. Если парк загружен круглосуточно, покупка может оказаться выгоднее аренды. Если задачи редкие или объем заранее неясен, аренда не требует сразу закупать тысячи коробок. Данных о реальной экономике OpenAI и Anthropic в открытых источниках нет.

Сигнал этой истории простой: лаборатории готовы закупать отдельное железо, чтобы агенты научились работать через интерфейс. Но для вашей автоматизации порядок обратный - сначала API и файлы, и только потом мышка.

Какая задача у вас совсем не решается без кликов по чужому интерфейсу? Напишите - интересно собрать живые примеры этой границы.