Dažas nedēļas pēc tam, kad TechStartups atklāja, kā viens uzņēmums vienā mēnesī nejauši iztērējis 500 miljonus USD par Claude AI, jauni pētījumi liecina, ka izplūdušie marķieri ir tikai daļa no uzņēmuma AI izmaksu vienādojuma.
Maija beigās TechStartups ziņoja par anonīmu uzņēmumu, kas nejauši iztērēja 500 miljoni dolāru par Anthropic’s Claude AI vienā mēnesī pēc tam, kad darbiniekiem nav noteikti lietošanas ierobežojumi. Stāstā tika uzsvērts, cik ātri uzņēmuma AI tēriņi var izkļūt no kontroles, ja organizācijas veicina plašu ieviešanu bez aizsargmargām.
Jauns pētījums liecina, ka izplūdušie simboliskie rēķini var būt tikai daļa no problēmas.
Par katru AI žetoniem iztērēto USD tikai 18 centi galu galā sasniedz ražošanu
Uzņēmuma Entelligence AI Research pētnieki analizēja datus no 2444 uzņēmumi un atrada, ka priekš katrs 1 dolārs, ko organizācijas iztērē AI marķieriem, tikai 18 centi galu galā sasniedz ražošanu. Atlikušais 82 centi tiek patērēts, labojot mākslīgā intelekta radītās kļūdas, pārrakstot kodu un novēršot pārskatīšanas un sapludināšanas aizkaves, pirms programmatūra sasniedz klientus.
Līdz 82% no AI inženierzinātņu tēriņiem tiek zaudēti kļūdu, pārrakstīšanas un aizkavēšanās dēļ: pētījumu rezultāti
Rezultāti rada satraucošu priekšstatu par uzņēmuma AI ieviešanu. Uzņēmumi tērē 0,44 USD, lai labotu mākslīgā intelekta radītās kļūdas, 0,27 USD pārrakstot vai pārstrādājot mākslīgā intelekta radīto kodu, un USD 0,11, lai pārvietotos uz pārskatīšanas un sapludināšanas berzi. Pētījumā secināts, ka 82% no katra AI dolāra nekad nesasniedz galaproduktu.
“Analīze par 1 miljonu+ izvilkšanas pieprasījumu 2444 inženieru organizācijās. Vairāk AI izdevumu. Vairāk koda apjoma. Vairāk ražošanas kļūmju. Mēs izmērījām, kur patiesībā notiek mākslīgā intelekta inženierijas darbs, kā koda pārskatīšana ir reaģējusi uz 2,6 reizes apjoma pieaugumu un kāpēc reaktīvā darba skrejceļš turpina paātrināties. Secinājumi: 0,82 $ no katra AI līdzekļa tiek patērēts, raksta, pirms tiek patērēts viens AI līdzeklis.
Skaitļi parādās laikā, kad uzņēmumi visā Silīcija ielejā atkārtoti novērtē ģeneratīvā AI patiesās izmaksas. Šī gada sākumā galvenā uzmanība tika pievērsta tam, lai darbinieki pēc iespējas vairāk izmantotu AI. Mūsdienās vadītāju sarunas pārvēršas par citu jautājumu: vai šie pieaugošie AI rēķini pārvēršas izmērāmā biznesa vērtībā.
“Intelligence AI aptaujāja 2444 uzņēmumus un atklāja, ka par katru AI marķieriem iztērēto USD 0,44 USD sedz kļūdu labojumus, 0,27 USD pārraksta mākslīgā intelekta radīto kodu un 0,11 USD pazūd pārskatīšanas un apvienošanas aizkavē,” norādīja Yahoo Finance.
Noskaņojuma izmaiņas jau ir redzamas dažos no pasaules lielākajiem tehnoloģiju uzņēmumiem.
AI ģenerētā koda slēptās izmaksas
Tiek ziņots, ka Uber līdz aprīlim ir iztērējis visu savu 2026. gada AI kodēšanas budžetu. Microsoft klusi apturēja piekļuvi Anthropic’s Claude Code lielākajai daļai darbinieku pēc tam, kad kodēšanas palīgs iepriekš bija plaši pieejams iekšēji. Tiek ziņots, ka Salesforce katru gadu tērē aptuveni 300 miljonus ASV dolāru Anthropic tehnoloģijai, liekot izpilddirektoram Markam Benioffam atbalstīt pieprasījumu maršrutēšanu uz visrentablākajiem AI modeļiem, pamatojoties uz šo uzdevumu.
Pārmaiņa iezīmē strauju novirzi no nozares nesenās apsēstības ar “tokenmaxxing” — terminu, kas parādījās 2025. gadā, lai aprakstītu AI marķieru patēriņa palielināšanu dažādās organizācijās. Daudzi uzņēmumi mudināja darbiniekus izmantot mākslīgo intelektu gandrīz katram uzdevumam, uzskatot lielāku lietojumu kā pierādījumu tam, ka digitālās transformācijas centieni ir veiksmīgi.
Šī stratēģija radīja neparedzētas sekas.
Darbinieki arvien vairāk paļāvās uz uzņēmuma mākslīgā intelekta rīkiem, lai izpildītu ikdienas pieprasījumus, sākot no e-pasta ziņojumu un sapulču piezīmju rakstīšanas līdz programmatūras koda ģenerēšanai. Žetonu patēriņš strauji pieauga, tomēr daudzas organizācijas cīnījās, lai noskaidrotu, vai papildu izdevumi radīja labākus produktus vai lielākus ieņēmumus.
Investors Šruti Gandijs problēmu uztvēra ar vienkāršu salīdzinājumu.
“Tokenmaxxing uzņēmums ir kā uzņēmums, kas mēra produktivitāti, atstājot ieslēgtas gaismas — tērēt vairāk naudas nenozīmē ražot vairāk.”
Intelligence atklājumi saskan ar plašāku pētījumu kopumu, kas liecina, ka, mērot mākslīgā intelekta pārņemšanu tikai pēc lietojuma, netiek ņemta vērā ekonomiskā aina.
Inženieroperāciju platforma Faros AI iepriekš pētīja 20 000 izstrādātāju divu gadu laikā un atklāja, ka programmatūras izlaide palielinājās līdz ar AI izmantošanu, taču pieauga arī kļūdu un kodu pārrakstīšanas gadījumu skaits. Inženiervadības platforma Jellyfish nonāca pie līdzīga secinājuma. Inženieri, kuri patērēja visvairāk AI žetonu, bija aptuveni divreiz produktīvāki nekā vieglāki lietotāji, tomēr, lai sasniegtu šos ieguvumus, viņi iztērēja gandrīz 10 reizes vairāk žetonu.
Nikolass Arkolano, Jellyfish pētniecības vadītājs, pastāstīja TechCrunch, ka AI patēriņš uz katru izstrādātāju deviņu mēnešu laikā palielinājās 18,6 reizes, ko lielā mērā noteica arvien autonomāki AI kodēšanas rīki.
“Tas, vai ekstrēmi izdevumi atmaksājas, ir atkarīgs no piegādātā koda galīgās biznesa vērtības (piemēram, ieņēmumi), ko lielākā daļa uzņēmumu joprojām nevar izmērīt,” sacīja Arkolano.
Šī mērījumu atšķirība kļūst par vienu no lielākajām problēmām, ar ko saskaras uzņēmuma AI.
Tokenmaxxing: jūsu AI rēķins gandrīz pārsniegs jūsu izstrādātāja algu
JPMorgan ziņojums nesen brīdināja, ka AI marķieru izmaksas patērē interneta peļņu, atspoguļojot pieaugošās bažas par to, ka izdevumi pārsniedz izmērāmo peļņu. Tajā pašā laikā tikai 14% finanšu direktoru ziņo, ka ir redzējuši skaidru, izmērāmu peļņu no saviem AI ieguldījumiem, liecina pētījumā minētie dati.
Uber galvenais operators Endrjū Makdonalds izteica šīs bažas aplādes diskusijā, sakot, ka joprojām ir grūti savienot atsevišķu darbinieku produktivitātes uzlabojumus ar vispārējo uzņēmuma sniegumu. Inženieri var rakstīt kodu ātrāk vai darbinieki var ātrāk pabeigt pārskatus, tomēr šie ieguvumi automātiski nepārvēršas lielākos ieņēmumos vai labākā klientu pieredzē.
Bijusī Microsoft galvenā AI virsniece Sofija Velastegi norādīja uz citu problēmu, ko daudzi uzņēmumi neievēro.
“Lielākā daļa cilvēku pēc noklusējuma automatizē uzdevumus, kas viņiem nepatīk, nevis tos, kas uzņēmumam piešķir vislielāko vērtību.”
Šis novērojums palīdz izskaidrot, kāpēc AI var radīt iespaidīgu produktivitātes statistiku, būtiski neuzlabojot uzņēmējdarbības rezultātus.
Pieaugošā AI izdevumu pārbaude rada pieprasījumu pēc pilnīgi jaunas uzņēmumu programmatūras kategorijas, kas vērsta uz izmaksu redzamību un finanšu pārvaldību.
Tikmēr OpenAI uzņēmuma vadītājs Aleksandrs Embirikoss sacīja, ka klientu sarunas pēdējo sešu mēnešu laikā ir krasi mainījušās.
“Pirms sešiem mēnešiem man bija saruna ar klientu, un tas būtu viss par “Ko tas var darīt? Vai tas ir pietiekami labs?” Embiricos teica TechCrunch. “Mūsu sarunas tagad nekad nav par to. Tagad sarunas ir par: “Hei, mēs tērējam tik daudz. Kāda jums ir redzamība? Kāda jums ir auditējamība? Kādas marķiera vadīklas jums ir? Kāda ir jūsu modeļu efektivitāte?'”
Šis pieprasījums ir mudinājis uzņēmumus, tostarp Ramp, Datadog, New Relic, CloudZero, Harness, Pay-i, Paid, Jellyfish, Waydev un Faros AI, ieviest produktus, kas uzrauga AI tēriņus, mēra marķieru efektivitāti un savieno AI izmaksas ar biznesa rezultātiem.
Linux fonds ir gājis soli tālāk, uzsākot Tokenomics Foundation — nozares iniciatīvu, kuras mērķis ir izveidot vienotus standartus AI marķieru uzskaitei, izmaksu mērīšanai un finanšu pārskatu sniegšanai.
JR Storment, FinOps fonda izpilddirektors, sacīja, ka saruna šopavasar ir dramatiski mainījusies.
“Aprīlī un maijā es sāku dzirdēt no uzņēmumiem: “Ak, Dievs, mēs trīs reizes pārsniedzam visu 2026. gada marķiera budžetu, un ir tikai aprīlis,” sarunā ar TechCrunch stāstīja Storments. “Mēs sākām dzirdēt par eksistenciālām krīzēm, un visa saruna pārgāja no tokenmaxxing un” iet ātri” uz “mums ir vajadzīgas aizsargmargas, kā mēs to kontrolējam?””
Goldman Sachs prognozē, ka līdz 2030. gadam globālā mākslīgā intelekta marķieru izmantošana pieaugs 24 reizes, kas liecina, ka tēriņu spiediens, visticamāk, tuvākajā laikā nemazināsies.
Tomēr nozares prioritātes jau mainās.
Šī gada sākumā panākumi bieži tika mērīti pēc darbinieku patērētā mākslīgā intelekta marķieru skaita. Jauni pierādījumi liecina, ka metrika stāsta tikai daļu no stāsta. Uzņēmumi sāk vērtēt AI pēc cita standarta: cik liela biznesa vērtība sasniedz klientus pēc kļūdu uzskaites, pārrakstīšanas, pārskatīšanas un slēptā darba, kas seko katrai ģenerētajai koda rindiņai.
Uzņēmumiem, kas sacenšas, lai pieņemtu AI, šī atšķirība varētu izrādīties daudz vērtīgāka nekā vienkārša vairāku žetonu iegāde.
