Γιατί τα κόστη των tokens σπάζουν τους προϋπολογισμούς των CFO το 2026

Τα κόστη των AI tokens έχουν μετατραπεί από μια μικρή τεχνολογική λεπτομέρεια σε πρόβλημα προϋπολογισμού επιπέδου διοικητικού συμβουλίου σε λιγότερο από ένα χρόνο. Δώδεκα μήνες πριν, το «κόστος token» δεν ήταν μια γραμμή στα οικονομικά των περισσότερων CFO – τώρα εμφανίζεται σε όλα τα λάθος μέρη: στα μέσα ενημέρωσης, εσωτερικές σημειώσεις, παγώματα προϋπολογισμού και κλήσεις αποτελεσμάτων.

Η Uber έδωσε στους μηχανικούς της πρόσβαση στο Claude Code στα τέλη του 2025. Μέχρι τον Απρίλιο 2026, η εταιρεία είχε εξαντλήσει ολόκληρο τον ετήσιο προϋπολογισμό AI κωδικοποίησης σε τέσσερις μήνες. Η αντίδρασή της ήταν να θέσει όριο δαπανών στα 1.500 $ ανά υπάλληλο, ανά μήνα, ανά εργαλείο, όπως ανέφερε Bloomberg πρώτα. Επιτρέποντας τη χρήση δύο εργαλείων κωδικοποίησης ταυτόχρονα (π.χ. Claude και Cursor) το όριο διπλασιάζεται στα 3.000 $ το μήνα, δηλαδή 36.000 $ ετησίως ανά μηχανικό για τη χρήση AI ενός ατόμου. Εκτιμάται ότι η Uber διαθέτει περίπου 4.000 μηχανικούς, κάτι που θα αντιστοιχούσε σε δαπάνη 144 εκατομμυρίων δολαρίων σε AI.

Τα έξοδα της Meta μπορεί να είναι μεγαλύτερα. Μια εσωτερική σημείωση προειδοποίησε ότι τα κόστη των AI tokens ήταν στον δρόμο για να φτάσουν τα δισεκατομμύρια δολάρια το 2026. Ο λόγος βρίσκεται στους μηχανισμούς λειτουργίας των πρακτόρων σε μεγάλη κλίμακα. Όταν ένας AI πράκτορας συνδέεται με μια βάση κώδικα για να διορθώσει ένα σφάλμα ή να γράψει λογισμικό, επεξεργάζεται χιλιάδες tokens του υπόβαθρου με κάθε εντολή. Τώρα, τοποθετώντας αυτό μέσα σε έναν οργανισμό του μεγέθους της Meta, προσθέτοντας μια εταιρική ώθηση για τους μηχανικούς να χρησιμοποιούν το Claude, η χρήση των tokens δεν αυξάνεται απλώς, εκρήγνυται.

Σύμφωνα με το Ramp’s Δείκτης AI, που παρακολουθεί τις πραγματικές πληρωμές προμηθευτών σε περισσότερες από 70.000 επιχειρήσεις, το κορυφαίο 1 % των εταιρειών που υιοθετούν AI ξοδεύει τώρα περίπου 7.500 $ ανά υπάλληλο, ανά μήνα, σε AI, και αυτή η δαπάνη αυξάνεται κατά 14,1 % μήνα με το μήνα. Τα στελέχη της νεοσύστατης AI recruiting startup Mercor έχουν δηλώσει δημόσια ότι τα κόστη των AI tokens αρχίζουν να προσεγγίζουν ή και να υπερβαίνουν την αποζημίωση των εργαζομένων σε ορισμένες οργανώσεις.

Υπάρχει ένα μάθημα εδώ. Αν οι μεγαλύτερες τεχνολογικές εταιρείες του κόσμου μπορούν να εκπλαγούν από αυτό το έξοδο, μπορεί να εκπλαγεί και οποιοσδήποτε. Η κατανάλωση tokens έχει γίνει μια πραγματικά νέα κατηγορία εξόδων, η οποία δεν υπήρχε σε κανένα λογαριασμό κερδών-ζημιών πριν από δύο χρόνια. Δεν συμπεριφέρεται όπως τα κόστη λογισμικού που οι οικονομικές ομάδες έχουν δαπανήσει δεκαετίες για να μοντελοποιήσουν και να ενσωματώσουν σε παραδοσιακούς υπολογισμούς ROI. Η κατανόηση γιατί τα κόστη των AI tokens συμπεριφέρονται τόσο διαφορετικά από τις παραδοσιακές δαπάνες λογισμικού είναι το πρώτο βήμα για να τα ελέγξουμε.

Γιατί τα Κόστη των AI Tokens Είναι τόσο Δύσκολο να Προβλεφθούν

Ο προϋπολογισμός παραδοσιακού λογισμικού βασίζεται σε μια απλή υπόθεση: το κόστος κλιμακώνεται με το πλήθος προσωπικού. Δέκα επιπλέον υπάλληλοι σημαίνουν δέκα επιπλέον θέσεις, σε γνωστή τιμή. Εύκολο να προβλεφθεί και να προγραμματιστεί καθώς οι εταιρείες μεγαλώνουν ή αδειοδοτούν νέες πλατφόρμες λογισμικού.

Τα AI tokens σπάνε αυτήν την υπόθεση. Το κόστος κλιμακώνεται με τη χρήση, όχι με το πλήθος προσωπικού, και η χρήση είναι άκρως άνιση, δύσκολη στην πρόβλεψη, και στην περίπτωση αυτόνομων πρακτόρων, ακόμη και δεν συνδέεται με έναν άνθρωπο που κάθεται στο πληκτρολόγιο. Ένας μόνος μηχανικός που εκτελεί μια συνεδρία κωδικοποίησης με πράκτορα μπορεί να κάψει χιλιάδες δολάρια σε ένα μήνα χωρίς προειδοποίηση, επειδή ο μετρητής λειτουργεί ανεξάρτητα από το αν το αποτέλεσμα είναι χρήσιμο. Πολλά μοντέλα επίσης παράγουν χιλιάδες κρυφά, αόρατα tokens μόνο για να «σκεφτούν» βήμα‑βήμα πριν απαντήσουν, πολλαπλασιάζοντας το κόστος ανά εντολή.

Αυτό είναι το κομμάτι που οι περισσότερες οργανώσεις δεν έχουν τιμολογήσει: κάθε δολάριο νέας δαπάνης για agentic AI πρέπει να προέρχεται από κάπου. Για τους περισσότερους CFO, αυτό δεν είναι ένα σφάλμα στρογγυλοποίησης που απορροφάται από ένα ταμείο καινοτομίας· μιλάμε για εκατομμύρια δολάρια νέας δαπάνης που δεν υπήρχαν πριν από δύο χρόνια. Αυτό γίνεται μια πραγματική ανταλλαγή με το πλήθος προσωπικού, άλλες τεχνολογικές επενδύσεις ή τον προϋπολογισμό διακριτικής χρήσης σε άλλες περιοχές της επιχείρησης.

Οι Τρεις Επίπεδα Κινδύνου Δαπανών AI σε Επιχειρήσεις

Κοιτάζοντας πώς οι οργανώσεις ξοδεύουν πραγματικά σε AI, μπορούμε να δούμε ένα πιο σαφές μοτίβο να εμφανίζεται. Ο κίνδυνος κόστους AI δεν είναι ομοιόμορφα κατανεμημένος. Συγκεντρώνεται σε συγκεκριμένα σημεία, και πιθανότατα μόνο ένα από τα τρία είναι αυτή τη στιγμή υπό έλεγχο σε έναν τυπικό οργανισμό.

Οι επιχειρηματικοί χρήστες στις πωλήσεις, το μάρκετινγκ και τις λειτουργίες λειτουργούν κυρίως με εργαλεία τιμολογημένα ανά θέση: 20 $ έως 30 $ ανά χρήστη, ανά μήνα, σταθερά. Αυτό είναι το επίπεδο που τα οικονομικά ήδη ξέρουν πώς να προϋπολογίσουν, επειδή συμπεριφέρεται ακριβώς όπως κάθε άλλη γραμμή SaaS που έχουν αγοράσει τα τελευταία είκοσι χρόνια.

Οι προγραμματιστές που χρησιμοποιούν εργαλεία κωδικοποίησης με πράκτορα είναι η πηγή των ιστοριών τύπου Uber και ολόκληρη η κατηγορία μόλις μετατράπηκε από σταθερή αμοιβή σε τιμολόγηση μετρητή. GitHub Copilot μεταφέρθηκε σε χρέωση βάσει tokens τον Ιούνιο 2026, και οι προγραμματιστές έχουν προβλέψει λογαριασμούς που θα ανέβουν από 29 $ σε 750 $ το μήνα, και από 50 $ σε 3.000 $ το μήνα σε βαριές συνεδρίες με πράκτορα. Η Uber δεν είναι εξαίρεση εδώ, είναι μια πρώιμη ματιά στο πού κατευθύνεται ολόκληρη η κατηγορία.

Οι αυτόνομοι πράκτορες είναι το επίπεδο που σχεδόν κανείς δεν έχει μοντελοποιήσει ακόμη. Δεν υπάρχει έννοια «θέσης» για έναν πράκτορα. Λειτουργεί χωρίς επίβλεψη, δημιουργεί υπο‑πράκτορες, επαναπροσπαθεί σε περίπτωση αποτυχίας και καταναλώνει tokens όλο το χρόνο, είτε παράγει κάτι χρήσιμο είτε όχι. Αυτή είναι η στρώση με τα λιγότερα δεδομένα κόστους και το λιγότερο πρότυπο προϋπολογισμού.

Απλά: το επίπεδο με το οποίο οι CFO αισθάνονται πιο άνετα είναι επίσης ο μικρότερος χρηματοοικονομικός κίνδυνος. Τα δύο επίπεδα που πραγματικά εκτοξεύουν τους προϋπολογισμούς είναι αυτά που απομακρύνονται από την προβλέψιμη τιμολόγηση τη στιγμή που η χρήση αυξάνεται πιο γρήγορα.

Κλείσιμο του Χανού Διαχείρισης Κόστους AI

Το κοινό νήμα μεταξύ Uber, Meta και του ευρύτερου συνόλου δεδομένων Ramp είναι η έλλειψη διαφάνειας. Οι περισσότερες οργανώσεις δεν διαθέτουν ένα επίπεδο μεταξύ ενός υπαλλήλου ή πράκτορα που ανοίγει ένα εργαλείο. Τα όρια δαπανών όπως του Uber είναι μια αδρή, μεταγενέστερη λύση για ένα πρόβλημα που στην πραγματικότητα απαιτεί κάτι πιο προληπτικό.

Αυτό είναι το κενό που μια νεότερη κατηγορία εργαλείων, συχνά αποκαλούμενη ορχήστρωση πρακτόρων ή πύλες πρακτόρων, έχει σχεδιαστεί να καλύψει: η δρομολόγηση κάθε εργασίας στο φθηνότερο μοντέλο που μπορεί να την επεξεργαστεί, η επιβολή ορίων δαπανών πριν παραβιαστούν, και η παροχή σε οικονομικό τμήμα ενός μετρητή σε πραγματικό χρόνο αντί για μια μηνιαία έκπληξη.

Αυτή η κατηγορία εξελίσσεται γρήγορα και ήδη διαχωρίζεται σε μερικά διακριτά επίπεδα. Το ένα επίπεδο είναι οι πύλες ελεγχόμενες από το κόστος, που τοποθετούνται μεταξύ των εφαρμογών ενός οργανισμού και των παρόχων μοντέλων του, προσθέτοντας όρια δαπανών ανά ομάδα, αυτόματη δρομολόγηση σε φθηνότερα μοντέλα για απλές εργασίες και προσωρινή αποθήκευση απαντήσεων, τα ίδια εργαλεία που το Uber χρησιμοποίησε χειροκίνητα όταν επέβαλε το όριό του. Το δεύτερο επίπεδο είναι η ορχήστρωση πρακτόρων, η οποία εστιάζει στον συντονισμό πολλαπλών πρακτόρων που εργάζονται μαζί, με τη διαφάνεια του κόστους να ενσωματώνεται ολοένα και περισσότερο αντί να προστίθεται εξωτερικά. Και ένα νεότερο, προσανατολισμένο προς τα οικονομικά επίπεδο αρχίζει να αντιμετωπίζει τις δαπάνες AI όπως οι ομάδες FinOps έχουν παραδοσιακά αντιμετωπίσει τις δαπάνες cloud: αποδίδεται ανά ομάδα και χαρακτηριστικό, προϋπολογίζεται και ελέγχεται μηνιαίως αντί να ανακαλύπτεται μετά το γεγονός.

Στη συνέχεια υπάρχει μια αρχιτεκτονική προσέγγιση που στοχεύει στη μείωση των δαπανών μειώνοντας την εξάρτηση από μεγάλα LLM. Ορισμένες εταιρείες έχουν αρχίσει να δημιουργούν μια υβριδική αρχιτεκτονική SLM/LLM, όπου μικρά μοντέλα γλώσσας εκπαιδεύονται για ένα στενό σύνολο εταιρικών εργασιών (π.χ. εσωτερική πολιτική, εξυπηρέτηση πελατών, επεξεργασία εγγράφων δανείων, ανάλυση αποστολών). Η οικονομική λογική μπορεί να είναι ελκυστική.

Σύμφωνα με μια σύγκριση επιχειρησιακών LLM 2026, σε ένα εκατομμύριο μηνιαίες συνομιλίες, τα κόστη των φιλοξενούμενων κορυφαίων LLM κυμαίνονται από 15.000 έως 75.000 δολάρια ανά μήνα, ενώ ένα προσαρμοσμένο μικρό μοντέλο γλώσσας που λειτουργεί εσωτερικά κοστίζει 150 έως 800 δολάρια ανά μήνα στον ίδιο όγκο. Goldman Sachs, για παράδειγμα, διαχειρίζεται τις δαπάνες AI σε μεγάλη κλίμακα μέσω μιας κεντρικής πύλης μοντέλων που ταξινομεί κάθε αίτημα ανά τύπο εργασίας και το δρομολογεί στο πιο οικονομικό μοντέλο για τη δουλειά, από ελαφριά ανοιχτού κώδικα μοντέλα μέχρι κορυφαία LLM, όλα εντός του δικού της περιβάλλοντος ασφαλείας.

Το κοινό νήμα είναι ότι τα περισσότερα σημερινά εργαλεία δημιουργήθηκαν από και για μηχανικούς, για να ενισχύσουν την παραγωγικότητά τους μέσω της χρήσης πρακτόρων. Το επίπεδο που οι περισσότερες οργανώσεις εξακολουθούν να μην έχουν είναι αυτό που έχει σχεδιαστεί για να απαντά άμεσα στην ερώτηση ενός CFO: ποια ομάδα, ποιος προϋπολογισμός, πώς προβλέπουμε τις δαπάνες και ποια είναι η επιχειρηματική περίπτωση χρήσης που υποστηρίζεται από αυτές τις δαπάνες; Αυτό είναι το κενό που πιθανότατα θα έχει τη μεγαλύτερη σημασία καθώς οι δαπάνες AI με πρακτόρους συνεχίζουν να αυξάνονται.

Πριν από δύο χρόνια, τίποτα από αυτό δεν υπήρχε ως γραμμή στο προϋπολογισμό. Σήμερα, τα κόστη token AI είναι ένα από τα πιο γρήγορα αναπτυσσόμενα και λιγότερο κατανοητά στοιχεία στον ισολογισμό, και η διαχείριση κόστους AI γίνεται γρήγορα μια βασική χρηματοοικονομική πειθαρχία αντί για δευτερεύον έργο. Είδαμε μια παρόμοια ιστορία όταν το cloud υιοθετήθηκε για πρώτη φορά και τα κόστη εκτοξεύτηκαν κατά το πρώτο κύμα. Οι οργανισμοί που σχεδιάζουν υλοποιήσεις AI με πρακτόρους θα έπρεπε τώρα να έχουν αυτή τη συζήτηση μεταξύ μηχανικών και οικονομικών και να διαμορφώσουν μια προσέγγιση διαχείρισης. Η Uber και η Meta έχουν ήδη δείξει τι συμβαίνει όταν το αντιμετωπίζεις μετά το γεγονός αντί για πριν.