Proč náklady na tokeny v roce 2026 ničí rozpočty finančních ředitelů

Náklady na tokeny umělé inteligence se za méně než rok změnily z drobného technologického detailu na rozpočtový problém řešený na úrovni představenstva. Před dvanácti měsíci nebyly „náklady na tokeny“ položkou, kterou by většina finančních ředitelů sledovala. Dnes se objevují na všech nežádoucích místech: ve zprávách, interních sděleních, zmrazených rozpočtech i hovorech k finančním výsledkům.

Uber na konci roku 2025 poskytl svým technikům přístup ke Claude Code. Do dubna 2026 firma za čtyři měsíce vyčerpala celý roční rozpočet na programování s využitím AI. Zareagovala omezením výdajů na 1 500 dolarů na zaměstnance, měsíc a nástroj, jak jako první uvedla agentura Bloomberg. Pokud je povoleno současné používání dvou agentních programovacích nástrojů, například Claude a Cursoru, strop se zdvojnásobí na 3 000 dolarů měsíčně na jednoho technika. To je 36 000 dolarů ročně za používání AI jedinou osobou. Odhaduje se, že Uber zaměstnává přibližně 4 000 techniků, což by odpovídalo výdajům na AI ve výši 144 milionů dolarů.

Výdaje společnosti Meta mohou být ještě vyšší. Interní sdělení varovalo, že náklady na tokeny AI v roce 2026 směřují k miliardám dolarů. Důvod spočívá v mechanice fungování agentů ve velkém měřítku. Když se agent AI připojí ke zdrojovému kódu, aby opravil chybu nebo napsal software, při každém jednotlivém zadání zpracuje tisíce tokenů kontextu na pozadí. Přeneste to do organizace velikosti společnosti Meta, přidejte celofiremní tlak na techniky, aby používali Claude, a spotřeba tokenů už jen neroste – přímo exploduje.

Podle indexu AI společnosti Ramp, který sleduje skutečné platby dodavatelům ve více než 70 000 firmách, utrácí horní jedno procento společností zavádějících AI přibližně 7 500 dolarů na zaměstnance měsíčně a tyto výdaje rostou meziměsíčně o 14,1 %. Vedoucí pracovníci startupu Mercor zaměřeného na nábor pomocí AI veřejně uvedli, že náklady na tokeny AI se v některých organizacích začínají přibližovat odměnám zaměstnanců, nebo je dokonce překračují.

Z toho plyne ponaučení. Pokud mohou tyto výdaje překvapit největší technologické společnosti světa, mohou překvapit kohokoli. Spotřeba tokenů se stala skutečně novou kategorií výdajů, která před dvěma lety neexistovala v žádném výkazu zisků a ztrát. Nechová se jako náklady na software, které se finanční týmy po desetiletí učily modelovat a zahrnovat do tradičních výpočtů návratnosti investic. Pochopení toho, proč se náklady na tokeny AI chovají tak odlišně od tradičních výdajů na software, je prvním krokem k jejich zvládnutí.

Proč se náklady na tokeny AI tak obtížně předpovídají

Tradiční rozpočtování softwaru stojí na jednoduchém předpokladu: náklady rostou s počtem zaměstnanců. Deset dalších zaměstnanců znamená deset dalších licencí za známou cenu. To lze při růstu společnosti nebo nákupu licencí na nové softwarové platformy snadno předvídat a plánovat.

Tokeny AI tento předpoklad narušují. Náklady rostou s používáním, nikoli s počtem zaměstnanců, přičemž využití je velmi nerovnoměrné, obtížně předvídatelné a u autonomních agentů není ani spojeno s člověkem sedícím u klávesnice. Jediný technik provozující agentní programovací relaci může bez varování spotřebovat tisíce dolarů měsíčně, protože počítadlo běží bez ohledu na to, zda je výsledek užitečný. Mnoho modelů navíc vytváří tisíce skrytých, neviditelných tokenů jen proto, aby před odpovědí krok za krokem „přemýšlely“, což násobí náklady na jedno zadání.

Právě tuto část většina organizací dosud nezahrnula do svých propočtů: každý nový dolar vynaložený na agentní AI musí odněkud pocházet. Pro většinu finančních ředitelů nejde o zaokrouhlovací chybu, kterou pohltí fond pro inovace. Hovoříme o milionech dolarů nových výdajů, jež před dvěma lety neexistovaly. Vzniká tak skutečný kompromis vůči počtu zaměstnanců, jiným investicím do technologií nebo volným rozpočtům v dalších částech podniku.

Tři úrovně rizika podnikových výdajů na AI

Při pohledu na to, jak organizace za AI skutečně utrácejí, se objevuje zřetelnější vzorec. Nákladové riziko není rozloženo rovnoměrně. Soustřeďuje se na konkrétní místa a v běžné organizaci je dnes pravděpodobně pod kontrolou jen jedna ze tří úrovní.

Firemní uživatelé v prodeji, marketingu a provozu používají převážně nástroje s cenou za licenci: pevně 20 až 30 dolarů na uživatele měsíčně. Jde o úroveň, kterou už finanční oddělení umí rozpočtovat, protože se chová přesně jako každá jiná položka SaaS, kterou nakupuje posledních dvacet let.

Vývojáři používající agentní programovací nástroje stojí za příběhy, jako je ten o Uberu, a celá tato kategorie právě přešla z paušálních cen na účtování podle spotřeby. GitHub Copilot přešel na účtování podle tokenů v červnu 2026 a vývojáři předpokládají, že účty vzrostou z 29 na 750 dolarů měsíčně a při intenzivních agentních relacích z 50 na 3 000 dolarů měsíčně. Uber zde není výjimkou, ale nabízí první pohled na to, kam celá kategorie směřuje.

Autonomní agenti představují úroveň, kterou téměř nikdo dosud nemodeloval. Pro agenta neexistuje pojem „uživatelské licence“. Běží bez dohledu, spouští podřízené agenty, po selhání se pokouší znovu a po celou dobu spotřebovává tokeny bez ohledu na to, zda vytváří něco hodnotného. Právě pro tuto vrstvu existuje nejméně údajů o nákladech a nejméně předchozích zkušeností s rozpočtováním.

Jednoduše řečeno: úroveň, se kterou jsou finanční ředitelé nejvíce spokojeni, zároveň představuje nejmenší finanční riziko. Dvě úrovně, které rozpočty skutečně ničí, se odklánějí od předvídatelných cen právě ve chvíli, kdy jejich využití roste nejrychleji.

Jak odstranit mezeru ve správě nákladů na AI

Společným tématem Uberu, společnosti Meta a širšího souboru dat Ramp je nedostatečná viditelnost. Většina organizací nemá kontrolní vrstvu mezi zaměstnancem či agentem a nástrojem, který otevře. Výdajové stropy, jako je ten v Uberu, jsou hrubým dodatečným řešením problému, který je ve skutečnosti třeba řešit dříve.

Právě tuto mezeru má odstranit novější kategorie nástrojů, často označovaná jako orchestrace agentů nebo agentní brány: směrovat každý úkol k nejlevnějšímu modelu, který jej dokáže zvládnout, vynucovat limity výdajů před jejich překročením a poskytovat finančnímu oddělení měřič v reálném čase namísto měsíčního překvapení.

Tato kategorie se rychle vyvíjí a už se rozděluje do několika odlišných vrstev. Jednou jsou brány s kontrolou nákladů, které se nacházejí mezi aplikacemi organizace a jejími poskytovateli modelů. Přidávají výdajové limity pro jednotlivé týmy, automatické směrování jednoduchých úkolů k levnějším modelům a ukládání odpovědí do mezipaměti – tedy stejné nástroje, které Uber použil ručně při zavedení svého stropu. Druhou vrstvou je orchestrace agentů, která se zaměřuje na koordinaci více spolupracujících agentů a stále častěji má přehled o nákladech zabudovaný už od počátku namísto jeho dodatečného připojování. Novější vrstva určená finančnímu oddělení začíná s výdaji na AI zacházet tak, jak týmy FinOps dlouhodobě zacházejí s výdaji na cloud: přiřazuje je podle týmu a funkce, rozpočtuje a každý měsíc kontroluje, místo aby je odhalila až zpětně.

Existuje také architektonický přístup, jehož cílem je omezit výdaje snížením závislosti na velkých jazykových modelech. Některé společnosti začaly vytvářet hybridní architekturu SLM/LLM, v níž jsou malé jazykové modely trénovány na úzké sadě podnikových úloh, například interních směrnicích, zákaznických službách, zpracování úvěrových dokumentů nebo analýze přepravních manifestů. Ekonomické přínosy mohou být přesvědčivé.

Podle srovnání podnikových LLM z roku 2026 stojí při jednom milionu konverzací měsíčně provoz hostovaných špičkových LLM od 15 000 do 75 000 dolarů měsíčně, zatímco vyladěný malý jazykový model nasazený interně stojí při stejném objemu 150 až 800 dolarů měsíčně. Goldman Sachs například řídí výdaje na AI ve velkém měřítku prostřednictvím centralizované brány modelů, která každou žádost klasifikuje podle typu úkolu a směruje ji k nákladově nejefektivnějšímu modelu pro danou práci, od lehkých open-source modelů až po špičkové LLM, a to vše ve vlastním bezpečnostním perimetru.

Společným jmenovatelem je skutečnost, že většinu dnešních nástrojů vytvořili technici pro techniky s cílem výrazně zvýšit jejich produktivitu pomocí agentů. Vrstva, která většině organizací stále chybí, je ta, jež přímo odpovídá na otázky finančního ředitele: který tým, který rozpočet, jak předpovídáme výdaje a jaký obchodní případ tyto výdaje podporují? Právě tato mezera bude pravděpodobně nejdůležitější, protože výdaje na agentní AI se budou dál hromadit.

Před dvěma lety nic z toho neexistovalo jako samostatná položka. Dnes patří náklady na tokeny AI k nejrychleji rostoucím a nejméně pochopeným položkám v rozvaze a řízení nákladů na AI se rychle mění z vedlejšího projektu v klíčovou finanční disciplínu. Podobný příběh jsme viděli při prvním zavádění cloudu, kdy náklady během počáteční vlny explodovaly. Organizace plánující zavedení agentní AI by měly tento rozhovor mezi technickým a finančním oddělením vést nyní a dohodnout se na způsobu řízení. Uber a Meta už ukázaly, co se stane, když se taková diskuse vede až zpětně místo předem.