Τα κρυφά κόστη της τεχνητής νοημοσύνης σε κλίμακα

Στις 1 Ιουνίου 2026, η GitHub μόνιμα κατέστρεψε τις σταθερές “premium requests” του Copilot και τις αντικατέστησε με AI credits βάσει χρήσης. Όταν οι πρώτοι λογαριασμοί με το νέο μοντέλο ήρθαν ένα μήνα αργότερα, μερικοί χρήστες με πράξεις (agentic users) είδαν λογαριασμούς για τους οποίους δεν ήταν προετοιμασμένοι: Ένας προγραμματιστής ανέφερε ότι το μηνιαίο κόστος αυξήθηκε από $29 σε $750 για τις πιο απαιτητικές πράξεις.

Ήταν ένα εμφανές παράδειγμα μιας ευρύτερης μεταβολής στην αγορά εργαλείων AI κατά τη διάρκεια του 2026 – και ένα που μπορεί να περιμένει οργανισμούς που εξακολουθούν να πληρώνουν σταθερή τιμή σήμερα.

Οι οργανισμοί μετρούν τις ώρες που εξοικονομούν. Πολλοί από αυτούς δεν μετρούν ό,τι μια σταθερή τιμή κρατά αόρατο: την κατανάλωση συμφραζομένων και τις επαναπροσπάθειες μετά από αποτυχία. Άλλα κόστη δεν εμφανίζονται ποτέ στον λογαριασμό του προμηθευτή, όπως ο χρόνος που δαπανάται για την ανασκόπηση των αποτελεσμάτων και τη συντήρηση των προτροπών. Μόλις η χρέωση μεταβεί στην πραγματική κατανάλωση, οι οργανισμοί χωρίς πειθαρχία κόστους διατρέχουν κίνδυνο λογαριασμού που τους εκπλήσσει με τον ίδιο τρόπο που το νέο μοντέλο του Copilot εκπλήσσει ορισμένους χρήστες.

Τα συμφραζόμενα που κανείς δεν τιμολογεί

Η AI προφανώς χρειάζεται συμφραζόμενα· αυτό δεν είναι αμφιβολία. Το ερώτημα είναι αν τα συμφραζόμενα που αποστέλλονται είναι σχετικά, ή απλώς βολικά διαθέσιμα. Η αποστολή ενός ολόκληρου εγγράφου είναι ο γρηγορότερος τρόπος να δώσουμε πληροφορίες σε ένα μοντέλο. Δεν είναι αυτόματα ο φθηνότερος ή ο καλύτερος τρόπος.

Τον Μάιο του 2026, το Digital Economy Lab του Stanford δημοσίευσε μια ανάλυση των πράξεων κωδικοποίησης σε οκτώ μοντέλα αιχμής και διαπίστωσε ότι αυτές οι πράξεις καταναλώνουν έως χίλιες φορές περισσότερα tokens από μια απλή συνομιλία κώδικα, με τον κύριο παράγοντα να μην είναι η έξοδος του μοντέλου αλλά το εισαγόμενο συμφραζόμενο που επαναστέλνεται ξανά και ξανά. Ο πράκτορας ξαναδιαβάζει όλο το ιστορικό του σε κάθε επόμενο βήμα. Η ίδια εργασία, όταν εκτελείται πολλές φορές, παρουσίαζε διακύμανση στην κατανάλωση tokens έως τριάντα φορές.

Η ακρίβεια επίσης δεν κλιμακώνεται γραμμικά με τον όγκο των συμφραζομένων: συχνά κορυφώνεται σε μέτριο επίπεδο και στη συνέχεια προσθέτει μόνο κόστος χωρίς να προσθέτει αξία.

Η «τυφλότητα» των tokens, λοιπόν, δεν αφορά το ότι η AI δεν χρειάζεται συμφραζόμενα. Αφορά το γεγονός ότι χωρίς μέτρηση, κανείς δεν ρωτά αν όλα αυτά τα συμφραζόμενα είναι πραγματικά απαραίτητα. Με μια σταθερή τιμή, το ερώτημα είναι εύκολο να αγνοηθεί. Με χρέωση βάσει κατανάλωσης, γίνεται μέρος του κόστους.

Όταν πληρώνετε δύο φορές για αποτυχία

Οι πράξεις φέρουν ένα επιπλέον κόστος που σχεδόν ποτέ δεν εμφανίζεται σε υπολογισμούς ROI. Σκεφτείτε μια απλοποιημένη αλυσίδα δέκα βημάτων, το καθένα με 95 τοις εκατό πιθανότητα, από μόνο του, να λειτουργήσει σωστά. Αυτό ακούγεται αρκετά αξιόπιστο, αλλά όταν συνδυαστούν, η αλυσίδα αυτή έχει μόνο περίπου 60 τοις εκατό πιθανότητα να ολοκληρωθεί όλη η εκτέλεση χωρίς κανένα σφάλμα.

Σε μια ροή εργασίας που στέλνει το συσσωρευμένο συμφραζόμενο ξανά σε κάθε κλήση, κάθε αποτυχία και η επαναπροσπάθεια που ακολουθεί δεν σας κοστίζουν μόνο το επαναλαμβανόμενο βήμα: πληρώνετε ξανά για όλα όσα είχαν σταλεί πριν.

Είναι ένας κοινός πόνος που σχεδόν όλοι αντιμετωπίζουν όταν χτίζουν την πρώτη τους πράξη. Το πέρασα και εγώ. Στην αρχή, με μόνο μερικούς πράκτορες, δεν είχε μεγάλη σημασία. Αλλά καθώς η αλυσίδα μεγάλωνε, κάθε αποτυχημένη εκτέλεση γινόταν πιο ακριβή, και αυτό με ώθησε να αρχίσω να ρωτώ ποια συμφραζόμενα χρειάζεται κάθε πράκτορας και πώς να τα αποθηκεύσω προσωρινά, αντί να ρωτάω μόνο αν η εκτέλεση πέρασε.

Η ίδια ανάλυση υπολογίζει ότι ένας πράκτορας δέκα βημάτων με 95 τοις εκατό αξιοπιστία ανά βήμα καταναλώνει περίπου 40 τοις εκατό περισσότερα tokens σε επαναπροσπάθειες από ένα σύστημα με τέλεια αξιοπιστία. Αυτό είναι ένα κόστος που θα δείτε στον λογαριασμό, αλλά πιθανότατα δεν θα βρεθεί σε κανένα φύλλο υπολογισμού ROI.

Η εποπτεία δεν είναι σφάλμα. Ανήκει στον προϋπολογισμό

Αυτό το σημείο πρέπει να διατυπωθεί ακριβώς, επειδή είναι εύκολο να παρερμηνευθεί. Η ανασκόπηση των αποτελεσμάτων της AI δεν αποτελεί αποτυχία του συστήματος· είναι ένα νόμιμο, αναμενόμενο μέρος της εργασίας με AI, όπως η ανασκόπηση κώδικα είναι ένα νόμιμο μέρος της εργασίας με προγραμματιστές. Το πρόβλημα δεν είναι ότι τα αποτελέσματα ανασκοπούνται. Το πρόβλημα είναι ότι αυτή η εργασία σχεδόν ποτέ δεν λαμβάνεται υπόψη στον υπολογισμό του πόσο πραγματικά εξοικονόμησε η AI.

Το Work AI Institute της Glean έδωσε έρευνα σε 6.000 εργαζόμενους και διαπίστωσε ότι ο αυτοματισμός τους εξοικονομεί περίπου 11 ώρες την εβδομάδα, αλλά σχεδόν έξι μισή από αυτές τις ώρες πηγαίνουν σε εργασίες συντήρησης: η παροχή συμφραζομένων στα συστήματα AI, ο έλεγχος της δουλειάς τους και η διόρθωση σφαλμάτων. Η καθαρή εξοικονόμηση, λοιπόν, είναι πιο κοντά στις τέσσερις μισές ώρες – λιγότερο από το μισό του αρχικού αριθμού. Η AI εξακολουθεί να εξοικονομεί χρόνο, απλώς όχι τόσο πολύ όσο υποδεικνύει ο πρώτος αριθμός.

Οι προτροπές χρειάζονται συντήρηση, όχι μόνο έναν δημιουργό

Οι προτροπές συμπεριφέρονται πλέον πιο όπως ο κώδικας παραγωγής: μια ενημέρωση του μοντέλου, μια αλλαγή στο συμφραζόμενο ή μια φαινομενικά μικρή επεξεργασία μπορεί να αλλάξει την απόδοσή τους. Χωρίς εκδόσεις και δοκιμές, αυτές οι αλλαγές μπορούν ήσυχα να εισαγάγουν προβλήματα. Τα τεστ παλινδρόμησης που είναι τυπική πρακτική για τον κώδικα συχνά παραλείπονται όταν πρόκειται για την επαλήθευση των προτροπών. Μια αλλαγή που φαίνεται ως μικρή επεξεργασία μιας μόνο πρότασης μπορεί να φτάσει στην παραγωγή και να μειώσει την ακρίβεια χωρίς κανείς να το παρατηρήσει, μέχρι το πρόβλημα να συγκεντρωθεί σε κάτι ορατό.

Η δημιουργία ενός κατάλληλου πλαισίου αξιολόγησης – που περιλαμβάνει σύνολο δοκιμών και αυτοματοποιημένα τεστ παλινδρόμησης σε κάθε αλλαγή – είναι επιπλέον εργασία που σχεδόν ποτέ δεν εμφανίζεται στον υπολογισμό “η AI εξοικονομεί χρόνο”.

Φθηνότερα tokens, υψηλότεροι λογαριασμοί

GitHub Copilot δεν ήταν εξαίρεση. Μια έρευνα που αναφέρεται από το CFO Dive διαπίστωσε ότι σχεδόν επτά στις δέκα αμερικανικές εταιρείες ανέφεραν τουλάχιστον μερικές υπερβάσεις στον προϋπολογισμό AI κατά το τελευταίο έτος, κυρίως πριν από τη πλήρη μετάβαση σε τιμολόγηση βάσει κατανάλωσης, όχι μετά.

Bain & Company, στην ανάλυση του Ιουνίου για την οικονομία των tokens, προσθέτει ένα παράδοξο που περιγράφει καλύτερα όλη την κατάσταση: η τιμή ανά token μειώθηκε στο μισό κατά τη διάρκεια του έτους, ενώ η κατανάλωση στην ίδια περίοδο αυξήθηκε 4,5 φορές.

Το μοντέλο έγινε φθηνότερο, αλλά ο λογαριασμός παραμένει επίμονα υψηλός. Οι εταιρείες μεταφέρθηκαν σε νεότερα μοντέλα, ανέθεσαν στους πράκτορες πιο σύνθετες εργασίες και βρήκαν περισσότερες ροές εργασίας για αυτούς. Ένα φθηνότερο token δεν σήμαινε χαμηλότερη δαπάνη· σήμαινε ότι υπήρχαν περισσότεροι λόγοι για κατανάλωση.

Πώς να προετοιμαστείτε πριν φτάσει ο λογαριασμός

Το πλαίσιο που προκύπτει από αυτό δεν αφορά τη μείωση της χρήσης AI. Αφορά το να γνωρίζετε το κόστος του AI πριν αποφασίσετε να το κλιμακώσετε περαιτέρω.

1. Πρώτα αποκτήστε διαφάνεια

Μέχρι να έχετε την κατανάλωση διαχωρισμένη ανά ομάδα, ροή εργασίας, εφαρμογή και ολοκληρωμένη εργασία, κάθε επέκταση είναι τυχαίος κίνδυνος. Αυτή η διαφάνεια δεν είναι δωρεάν επίσης: για τις πράκτορες ροές εργασίας ειδικά, η παρακολούθηση κάθε βήματος, η καταγραφή του τι συνέβη και γιατί, και η παρακολούθηση ανεξέλεγκτων βρόχων απαιτούν δικό τους χρόνο μηχανικής και εργαλεία. Προϋπολογίστε το ως μέρος του κόστους λειτουργίας του AI, όχι ως μεταγενέστερη σκέψη πάνω του.

2. Επαναϋπολογίστε το ROI καθαρά

Αφαιρέστε τον χρόνο που δαπανήθηκε σε ανασκόπηση, διορθώσεις και συντήρηση προτροπών από τις αναφερόμενες ώρες εξοικονόμησης. Αν η εξοικονόμηση χρόνου είναι ο σκοπός της περίπτωσης χρήσης και το καθαρό αποτέλεσμα είναι αρνητικό ή μη επαληθεύσιμο, δεν είναι έτοιμο για κλιμάκωση. Όπου το επιδιωκόμενο όφελος είναι η ποιότητα, η χωρητικότητα, η μείωση κινδύνου ή το έσοδο, μετρήστε αυτό το αποτέλεσμα άμεσα.

3. Εφαρμόστε πειθαρχία κόστους, αλλά όχι ομοιόμορφα

Ένα αυστηρό όριο δαπανών έχει νόημα όπου η αποτυχία είναι φθηνή: εσωτερικά εργαλεία, πειραματικοί πράκτορες, περιβάλλοντα ανάπτυξης. Για κρίσιμη λειτουργικότητα που αντιμετωπίζει πελάτες – π.χ. ένας βοηθός εξυπηρέτησης πελατών – ένα σκληρό όριο δεν είναι εφικτό, επειδή δημιουργεί κίνδυνο διακοπής. Σε αυτήν την περίπτωση, χρειάζονται επιπέδων εναλλακτικές σε φθηνότερο μοντέλο και προειδοποιητικές ειδοποιήσεις, όχι πλήρης διακοπή.

4. Θεωρήστε τις προτροπές και τις αξιολογήσεις ως μηχανικά περιουσιακά στοιχεία

Δημιουργήστε εκδόσεις, δοκιμάστε τα και ελέγξτε τις αλλαγές πριν την ανάπτυξη, όπως θα διαχειριζόσασταν τον κώδικα παραγωγής.

Προχωρήστε στις ανανεώσεις με τα δικά σας δεδομένα

Η τιμολόγηση των προμηθευτών είναι δύσκολο να αξιολογηθεί χωρίς τα δικά σας δεδομένα χρήσης. Πριν από μια ανανέωση ή αλλαγή μοντέλου, υπολογίστε το κόστος των υφιστάμενων ροών εργασίας σας υπό τους προτεινόμενους όρους. Ο στόχος δεν είναι μόνο η διαπραγμάτευση χαμηλότερης τιμής. Είναι να γνωρίζετε πώς θα συμπεριφερθεί αυτή η τιμή στο πραγματικό επίπεδο κατανάλωσής σας, αντί να το ανακαλύψετε από το τιμολόγιο.

Τρία πράγματα που μπορείτε να κάνετε αυτήν την εβδομάδα: ελέγξτε αν μπορείτε να διαχωρίσετε την κατανάλωση AI ανά ομάδα και ροή εργασίας· επιλέξτε μία περίπτωση χρήσης και τοποθετήστε τον χρόνο που δαπανήθηκε στην ανασκόπηση δίπλα στις ώρες που αναφέρονται ότι εξοικονομήθηκαν· και ανακαλύψτε πού ένα σκληρό όριο δαπανών θα μπορούσε να δημιουργήσει διακοπή αντί να ελέγχει το κόστος.

Το κόστος του AI μπορεί να διαχειριστεί. Απλώς όχι όταν το ανακαλύπτετε για πρώτη φορά από το τιμολόγιο.