विचार नेता
2026 में टोकन लागत CFO के बजट को क्यों तोड़ रही है
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
एक साल से भी कम समय में AI टोकन की लागत एक मामूली तकनीकी विवरण से बढ़कर बोर्ड स्तर की बजट समस्या बन गई है। बारह महीने पहले तक “टोकन लागत” अधिकांश CFO की निगरानी वाली मद नहीं थी—अब यह हर गलत जगह दिखाई दे रही है: समाचारों, आंतरिक ज्ञापनों, बजट रोकने के फैसलों और आय संबंधी कॉलों में।
Uber ने 2025 के अंत में अपने इंजीनियरों को Claude Code का उपयोग करने की अनुमति दी। अप्रैल 2026 तक कंपनी ने चार महीनों में ही AI कोडिंग का अपना पूरा वार्षिक बजट खर्च कर दिया था। जैसा कि Bloomberg ने सबसे पहले बताया, इसके जवाब में कंपनी ने प्रति कर्मचारी, प्रति माह, प्रति टूल खर्च की सीमा 1,500 डॉलर तय कर दी। दो एजेंटिक कोडिंग टूलों को साथ इस्तेमाल करने की अनुमति दें—मसलन Claude और Cursor—तो यह सीमा दोगुनी होकर प्रति इंजीनियर 3,000 डॉलर मासिक, यानी एक व्यक्ति के AI उपयोग के लिए सालाना 36,000 डॉलर हो जाती है। अनुमान है कि Uber के लगभग 4,000 इंजीनियर हैं, जिससे AI पर खर्च 14.4 करोड़ डॉलर तक पहुंच सकता है।
Meta का खर्च इससे भी बड़ा हो सकता है। एक आंतरिक ज्ञापन में चेतावनी दी गई कि 2026 में AI टोकन की लागत अरबों डॉलर तक पहुंचने की राह पर है। इसकी वजह बड़े पैमाने पर एजेंटों के काम करने के तरीके में छिपी है। जब कोई AI एजेंट बग ठीक करने या सॉफ्टवेयर लिखने के लिए कोडबेस से जुड़ता है, तो वह हर एक प्रॉम्प्ट के साथ पृष्ठभूमि संदर्भ के हजारों टोकन संसाधित करता है। अब इसे Meta जैसी विशाल संस्था के भीतर रखिए, इंजीनियरिंग टीमों को Claude इस्तेमाल करने के लिए कॉरपोरेट स्तर पर प्रोत्साहित कीजिए, और टोकन उपयोग केवल बढ़ता नहीं—विस्फोटक रूप से बढ़ता है।
70,000 से अधिक व्यवसायों में विक्रेताओं को किए गए वास्तविक भुगतानों पर नजर रखने वाले Ramp के AI Index के अनुसार, AI अपनाने वाली कंपनियों के शीर्ष 1% अब AI पर प्रति कर्मचारी लगभग 7,500 डॉलर प्रति माह खर्च कर रहे हैं, और यह खर्च हर महीने 14.1% बढ़ रहा है। AI भर्ती स्टार्टअप Mercor के अधिकारियों ने सार्वजनिक रूप से कहा है कि कुछ संस्थाओं में AI टोकन की लागत कर्मचारियों के वेतन के करीब पहुंचने लगी है या उसे पार कर रही है।
इससे एक सबक मिलता है। यदि दुनिया की सबसे बड़ी प्रौद्योगिकी कंपनियां इस खर्च से चौंक सकती हैं, तो कोई भी चौंक सकता है। टोकन खपत वास्तव में खर्च की एक नई श्रेणी बन गई है, जो दो साल पहले किसी भी लाभ-हानि विवरण में मौजूद नहीं थी। इसका व्यवहार उन सॉफ्टवेयर लागतों जैसा नहीं है जिन्हें वित्तीय टीमों ने दशकों में मॉडल करना और पारंपरिक ROI गणनाओं में शामिल करना सीखा है। AI टोकन की लागत पारंपरिक सॉफ्टवेयर खर्च से इतनी अलग तरह क्यों व्यवहार करती है, इसे समझना उस पर नियंत्रण पाने की दिशा में पहला कदम है।
AI टोकन की लागत का अनुमान लगाना इतना कठिन क्यों है
पारंपरिक सॉफ्टवेयर बजट एक सरल धारणा पर चलता है: लागत कर्मचारियों की संख्या के साथ बढ़ती है। दस अतिरिक्त कर्मचारियों का अर्थ है एक ज्ञात कीमत पर दस अतिरिक्त सीटें। कंपनियों के बढ़ने या नए सॉफ्टवेयर प्लेटफॉर्म का लाइसेंस लेने पर इसका पूर्वानुमान लगाना और योजना बनाना आसान होता है।
AI टोकन इस धारणा को तोड़ देते हैं। लागत कर्मचारियों की संख्या से नहीं, उपयोग से बढ़ती है; और उपयोग बहुत असमान, अनुमान लगाना कठिन और स्वायत्त एजेंटों के मामले में कीबोर्ड पर बैठे किसी इंसान से जुड़ा भी नहीं होता। एजेंटिक कोडिंग सत्र चलाने वाला एक अकेला इंजीनियर बिना किसी चेतावनी के एक महीने में हजारों डॉलर खर्च कर सकता है, क्योंकि आउटपुट उपयोगी हो या न हो, मीटर चलता रहता है। कई मॉडल जवाब देने से पहले चरण-दर-चरण “सोचने” के लिए हजारों छिपे हुए, अदृश्य टोकन भी बनाते हैं, जिससे हर प्रॉम्प्ट की लागत कई गुना हो जाती है।
यही वह हिस्सा है जिसकी कीमत अधिकांश संस्थाओं ने अपने अनुमान में शामिल नहीं की है: एजेंटिक AI पर खर्च होने वाला हर नया डॉलर कहीं न कहीं से आना होगा। अधिकांश CFO के लिए यह ऐसी मामूली राशि नहीं है जिसे नवाचार कोष समाहित कर ले; यहां लाखों डॉलर के उस नए खर्च की बात हो रही है जो दो साल पहले था ही नहीं। इससे कर्मचारियों की संख्या, अन्य प्रौद्योगिकी निवेश या व्यवसाय के दूसरे हिस्सों के विवेकाधीन बजट के साथ वास्तविक समझौता करना पड़ता है।
एंटरप्राइज AI खर्च के जोखिम के तीन स्तर
संस्थाएं वास्तव में AI पर कैसे खर्च कर रही हैं, इसे व्यापक रूप से देखने पर एक स्पष्ट पैटर्न उभरता है। AI लागत का जोखिम समान रूप से वितरित नहीं है। यह खास स्थानों पर केंद्रित है, और आज किसी सामान्य संस्था में इन तीन स्तरों में से शायद केवल एक ही नियंत्रण में है।
बिक्री, विपणन और संचालन में कारोबारी उपयोगकर्ता अधिकतर प्रति सीट कीमत वाले टूल इस्तेमाल करते हैं: प्रति उपयोगकर्ता 20 से 30 डॉलर प्रति माह की निश्चित राशि। वित्त विभाग इस स्तर का बजट बनाना पहले से जानता है, क्योंकि इसका व्यवहार ठीक वैसा ही है जैसा पिछले बीस वर्षों में खरीदी गई हर दूसरी SaaS मद का रहा है।
एजेंटिक कोडिंग टूल इस्तेमाल करने वाले डेवलपर ही Uber जैसी कहानियों का स्रोत हैं, और यह पूरी श्रेणी अभी-अभी निश्चित शुल्क से मीटर आधारित मूल्य निर्धारण की ओर मुड़ी है। जून 2026 में GitHub Copilot टोकन आधारित बिलिंग पर चला गया, और डेवलपरों ने अनुमान लगाया कि भारी एजेंटिक सत्रों में बिल 29 डॉलर से बढ़कर 750 डॉलर प्रति माह और 50 डॉलर से बढ़कर 3,000 डॉलर प्रति माह हो सकते हैं। Uber यहां कोई अपवाद नहीं है; वह इस बात की शुरुआती झलक है कि पूरी श्रेणी किस ओर जा रही है।
स्वायत्त एजेंट वह स्तर हैं जिसका मॉडल लगभग किसी ने अभी तक नहीं बनाया है। किसी एजेंट के लिए “सीट” जैसी कोई अवधारणा नहीं होती। वह बिना निगरानी चलता है, उप-एजेंट शुरू करता है, विफलता पर दोबारा प्रयास करता है और पूरे समय टोकन खर्च करता रहता है, चाहे वह कोई मूल्यवान परिणाम दे या नहीं। इसी स्तर पर लागत संबंधी आंकड़े और बजट बनाने की मिसालें सबसे कम हैं।
सीधे शब्दों में कहें तो जिस स्तर को लेकर CFO सबसे सहज हैं, वही सबसे छोटा वित्तीय जोखिम है। बजट को वास्तव में बिगाड़ने वाले दूसरे दो स्तर उसी समय पूर्वानुमान योग्य मूल्य निर्धारण से दूर जा रहे हैं जब उनका उपयोग सबसे तेज गति से बढ़ रहा है।
AI लागत प्रबंधन की कमी को दूर करना
Uber, Meta और Ramp के व्यापक डेटासेट में समान बात दृश्यता की कमी है। अधिकांश संस्थाओं के पास टूल खोलने वाले कर्मचारी या एजेंट और मॉडल प्रदाता के बीच नियंत्रण की कोई परत नहीं है। Uber जैसी खर्च सीमा उस समस्या का कठोर और घटना के बाद लगाया गया उपाय है, जिसके लिए वास्तव में पहले से नियंत्रण चाहिए।
टूलिंग की एक नई श्रेणी, जिसे अक्सर एजेंट ऑर्केस्ट्रेशन या एजेंट गेटवे कहा जाता है, इसी कमी को दूर करने के लिए बनाई गई है: हर काम को उसे संभाल सकने वाले सबसे सस्ते मॉडल तक भेजना, खर्च सीमा टूटने से पहले उसे लागू करना और वित्त विभाग को मासिक आश्चर्य की जगह रीयल-टाइम मीटर देना।
यह श्रेणी तेजी से बदल रही है और पहले ही कुछ अलग परतों में बंट रही है। एक परत लागत-नियंत्रित गेटवे की है, जो किसी संस्था के एप्लिकेशन और उसके मॉडल प्रदाताओं के बीच बैठती है और हर टीम के लिए खर्च सीमा, सरल कामों को स्वचालित रूप से सस्ते मॉडल तक भेजने की व्यवस्था और उत्तरों की कैशिंग जोड़ती है—यही वे उपाय हैं जिन्हें Uber ने अपनी सीमा लागू करते समय हाथ से अपनाया। दूसरी परत एजेंट ऑर्केस्ट्रेशन की है, जो साथ काम करने वाले कई एजेंटों के समन्वय पर केंद्रित है और जिसमें लागत की दृश्यता बाद में जोड़े गए फीचर के बजाय तेजी से अंतर्निहित हो रही है। वित्त विभाग के लिए बनी एक नई परत AI खर्च के साथ वैसा व्यवहार करने लगी है जैसा FinOps टीमें लंबे समय से क्लाउड खर्च के साथ करती आई हैं: टीम और फीचर के आधार पर आवंटन, बजट निर्धारण और खर्च हो जाने के बाद पता चलने के बजाय मासिक समीक्षा।
एक वास्तुशिल्प दृष्टिकोण ऐसा भी है जिसका लक्ष्य बड़े LLM पर निर्भरता घटाकर खर्च सीमित करना है। कुछ कंपनियों ने हाइब्रिड SLM/LLM संरचना बनानी शुरू की है, जिसमें छोटे भाषा मॉडलों को कॉरपोरेट कामों के सीमित समूह—जैसे आंतरिक नीति, ग्राहक सेवा, ऋण दस्तावेजों का प्रसंस्करण या शिपिंग मैनिफेस्ट को पार्स करना—पर प्रशिक्षित किया जाता है। इसकी आर्थिक गणना काफी आकर्षक हो सकती है।
एक 2026 एंटरप्राइज LLM तुलना के अनुसार, हर महीने दस लाख बातचीत पर होस्ट किए गए फ्रंटियर LLM की लागत 15,000 से 75,000 डॉलर प्रति माह होती है, जबकि उसी मात्रा पर संस्था के भीतर तैनात और फाइन-ट्यून किए गए छोटे भाषा मॉडल की लागत 150 से 800 डॉलर प्रति माह रहती है। उदाहरण के लिए, Goldman Sachs एक केंद्रीकृत मॉडल गेटवे के जरिये बड़े पैमाने पर AI खर्च संभालता है। यह हर अनुरोध को काम के प्रकार के आधार पर वर्गीकृत करता है और उसे उस काम के लिए सबसे किफायती मॉडल तक भेजता है—हल्के ओपन-सोर्स मॉडल से लेकर फ्रंटियर LLM तक—और यह सब उसके अपने सुरक्षा दायरे के भीतर होता है।
समान बात यह है कि आज के अधिकांश टूल इंजीनियरों ने इंजीनियरों के लिए बनाए हैं, ताकि एजेंटों के उपयोग से उनकी उत्पादकता बहुत तेज हो सके। अधिकांश संस्थाओं के पास अभी भी वह परत नहीं है जो CFO के सवालों का सीधे जवाब दे: कौन-सी टीम, कौन-सा बजट, हम खर्च का पूर्वानुमान कैसे लगाएं और इस खर्च से कौन-सा कारोबारी उपयोग मामला समर्थित हो रहा है? एजेंटिक AI का खर्च लगातार बढ़ने पर इसी कमी का महत्व सबसे अधिक होने की संभावना है।
दो साल पहले इसमें से कुछ भी बजट की मद के रूप में मौजूद नहीं था। आज AI टोकन की लागत बैलेंस शीट पर सबसे तेजी से बढ़ने वाली और सबसे कम समझी गई मदों में से एक है, और AI लागत प्रबंधन एक सहायक परियोजना के बजाय तेजी से वित्त का मुख्य अनुशासन बन रहा है। जब क्लाउड को पहली बार अपनाया गया और उस शुरुआती लहर में लागत विस्फोटक रूप से बढ़ी, तब भी हमने ऐसी ही कहानी देखी थी। एजेंटिक AI लागू करने की योजना बना रही संस्थाओं के लिए बेहतर होगा कि इंजीनियरिंग और वित्त अभी यह बातचीत करें और प्रबंधन का तरीका तय करें। Uber और Meta पहले ही दिखा चुके हैं कि यह बातचीत पहले के बजाय बाद में करने पर क्या होता है।
