Hvorfor tokenkostnader sprenger økonomidirektørenes budsjetter i 2026

På mindre enn ett år har kostnadene for KI-tokens gått fra å være en liten teknisk detalj til et budsjettproblem på styrenivå. For tolv måneder siden var «tokenkostnad» ikke en post de fleste økonomidirektører fulgte med på. Nå dukker den opp på alle de uønskede stedene: i nyhetene, interne notater, budsjettstopp og resultatpresentasjoner.

Uber ga ingeniørene sine tilgang til Claude Code sent i 2025. Innen april 2026 hadde selskapet brukt opp hele årsbudsjettet for KI-programmering på fire måneder. Som svar begrenset Uber utgiftene til 1 500 dollar per ansatt, per måned og per verktøy, slik Bloomberg først rapporterte. Hvis to agentbaserte programmeringsverktøy kan brukes sammen, for eksempel Claude og Cursor, dobles denne grensen til 3 000 dollar per måned per ingeniør. Det tilsvarer 36 000 dollar i året for KI-bruken til én person. Uber anslås å ha omtrent 4 000 ingeniører, noe som ville tilsvare KI-utgifter på 144 millioner dollar.

Metas utgifter kan være enda større. Et internt notat advarte om at kostnadene for KI-tokens lå an til å nå flere milliarder dollar i 2026. Årsaken ligger i mekanikken bak hvordan agenter arbeider i stor skala. Når en KI-agent kobler seg til en kodebase for å rette en feil eller skrive programvare, behandler den tusenvis av tokens med bakgrunnskontekst ved hver enkelt instruksjon. Gjør dette i en organisasjon på størrelse med Meta, legg til et selskapsomfattende press for at ingeniørene skal bruke Claude, og tokenbruken bare vokser ikke – den eksploderer.

Ifølge Ramps AI Index, som følger faktiske leverandørbetalinger i mer enn 70 000 virksomheter, bruker den øverste prosenten av selskaper som tar i bruk KI, nå omtrent 7 500 dollar per ansatt per måned på KI. Utgiftene vokser med 14,1 prosent fra måned til måned. Ledere i KI-rekrutteringsselskapet Mercor har sagt offentlig at kostnadene for KI-tokens begynner å nærme seg eller overstige lønnskostnadene i enkelte organisasjoner.

Det er en lærdom å hente her. Hvis verdens største teknologiselskaper kan bli overrasket av denne utgiften, kan hvem som helst bli det. Tokenforbruk har blitt en helt ny utgiftskategori, en kategori som ikke fantes i noe resultatregnskap for to år siden. Den oppfører seg ikke som programvarekostnadene økonomiteam i flere tiår har lært seg å modellere og ta med i tradisjonelle beregninger av investeringsavkastning. Å forstå hvorfor kostnadene for KI-tokens oppfører seg så annerledes enn tradisjonelle programvareutgifter, er det første trinnet for å få dem under kontroll.

Hvorfor kostnadene for KI-tokens er så vanskelige å forutsi

Tradisjonell programvarebudsjettering bygger på en enkel antakelse: Kostnaden øker med antall ansatte. Ti nye ansatte betyr ti nye lisenser til en kjent pris. Dette er enkelt å forutsi og planlegge for når selskaper vokser eller kjøper lisenser til nye programvareplattformer.

KI-tokens bryter med denne antakelsen. Kostnaden øker med bruken, ikke med antall ansatte, og bruken er svært ujevn, vanskelig å forutsi og, når det gjelder autonome agenter, ikke engang knyttet til en person ved et tastatur. Én ingeniør som kjører en agentbasert programmeringsøkt, kan uten varsel bruke flere tusen dollar på en måned fordi måleren går enten resultatet er nyttig eller ikke. Mange modeller genererer dessuten tusenvis av skjulte, usynlige tokens bare for å «tenke» trinn for trinn før de svarer, noe som mangedobler kostnaden per instruksjon.

Det er denne delen de fleste organisasjoner ennå ikke har priset inn: Hver nye dollar som brukes på agentbasert KI, må komme fra et annet sted. For de fleste økonomidirektører er dette ikke en avrundingsfeil som kan absorberes av et innovasjonsfond. Vi snakker om millioner av dollar i nye utgifter som ikke eksisterte for to år siden. Dette skaper en reell avveining mot antall ansatte, andre teknologiinvesteringer eller frie budsjetter andre steder i virksomheten.

De tre risikonivåene for bedrifters KI-utgifter

Når vi ser på hvordan organisasjoner faktisk bruker penger på KI, trer et tydeligere mønster frem. Kostnadsrisikoen er ikke jevnt fordelt. Den konsentreres på bestemte områder, og i en vanlig organisasjon er sannsynligvis bare ett av tre nivåer under kontroll i dag.

Forretningsbrukere innen salg, markedsføring og drift bruker i hovedsak verktøy som prises per lisens: et fast beløp på 20 til 30 dollar per bruker per måned. Dette er nivået økonomiavdelingen allerede vet hvordan den skal budsjettere for, fordi det oppfører seg akkurat som alle andre SaaS-poster den har kjøpt de siste tjue årene.

Utviklere som bruker agentbaserte programmeringsverktøy, er kilden til historier som den om Uber, og hele kategorien har nettopp gått fra faste priser til forbruksbasert betaling. GitHub Copilot gikk over til tokenbasert fakturering i juni 2026, og utviklere har anslått at regninger vil hoppe fra 29 til 750 dollar i måneden og fra 50 til 3 000 dollar i måneden under intensive agentbaserte økter. Uber er ikke et avvik, men en tidlig indikasjon på hvor hele kategorien er på vei.

Autonome agenter er nivået nesten ingen har modellert ennå. Det finnes ikke noe konsept for en «brukerlisens» til en agent. Den kjører uten tilsyn, starter underagenter, prøver på nytt ved feil og bruker tokens hele tiden, enten den produserer noe verdifullt eller ikke. Dette er nivået med minst kostnadsdata og færrest presedenser for budsjettering.

Enkelt sagt er nivået økonomidirektørene er mest komfortable med, også den minste økonomiske risikoen. De to nivåene som faktisk sprenger budsjetter, er de som går bort fra forutsigbare priser akkurat når bruken vokser raskest.

Å tette gapet i styringen av KI-kostnader

Fellesnevneren for Uber, Meta og det bredere datasettet fra Ramp er mangel på innsyn. De fleste organisasjoner har ikke et kontrollag mellom en ansatt eller agent og verktøyet som åpnes. Utgiftstak som Ubers er en grov etterhåndsløsning på et problem som egentlig må håndteres tidligere i prosessen.

Det er dette gapet en nyere kategori av verktøy, ofte kalt agentorkestrering eller agentportaler, er utviklet for å håndtere: styre hver oppgave til den billigste modellen som kan løse den, håndheve utgiftsgrenser før de overskrides og gi økonomiavdelingen en sanntidsmåler i stedet for en månedlig overraskelse.

Denne kategorien utvikler seg raskt og deles allerede inn i flere tydelige lag. Ett lag består av portaler med kostnadskontroll som plasseres mellom en organisasjons applikasjoner og modellleverandører. De legger til utgiftstak per team, automatisk styring av enkle oppgaver til rimeligere modeller og hurtiglagring av svar – de samme virkemidlene Uber brukte manuelt da selskapet innførte taket sitt. Et annet lag er agentorkestrering, som fokuserer på å koordinere flere agenter som arbeider sammen, og der kostnadsinnsyn i økende grad bygges inn fra starten i stedet for å legges til senere. Et nyere, finansrettet lag begynner å behandle KI-utgifter slik FinOps-team lenge har behandlet skyutgifter: fordelt etter team og funksjon, budsjettert og gjennomgått hver måned i stedet for oppdaget i etterkant.

Det finnes også en arkitekturtilnærming som tar sikte på å begrense utgiftene ved å redusere avhengigheten av store språkmodeller. Enkelte selskaper har begynt å bygge en hybrid SLM/LLM-arkitektur der små språkmodeller trenes på et begrenset sett med bedriftsoppgaver, for eksempel interne retningslinjer, kundeservice, behandling av lånedokumenter eller analyse av fraktmanifester. Økonomien kan være svært overbevisende.

Ifølge en sammenligning av bedrifts-LLM-er fra 2026 koster vertsbaserte ledende LLM-er mellom 15 000 og 75 000 dollar per måned ved én million månedlige samtaler, mens en finjustert liten språkmodell som driftes internt, koster mellom 150 og 800 dollar per måned ved samme volum. Goldman Sachs håndterer for eksempel KI-utgifter i stor skala gjennom en sentral modellportal som klassifiserer hver forespørsel etter oppgavetype og styrer den til den mest kostnadseffektive modellen for jobben, fra lette modeller med åpen kildekode til ledende LLM-er, alt innenfor selskapets egen sikkerhetsgrense.

Fellesnevneren er at de fleste av dagens verktøy er bygget av og for ingeniører for å øke produktiviteten kraftig gjennom bruk av agenter. Laget de fleste organisasjoner fortsatt mangler, er det som er laget for å besvare økonomidirektørens spørsmål direkte: Hvilket team, hvilket budsjett, hvordan anslår vi utgiftene, og hvilket forretningsbehov støttes av denne kostnaden? Det er sannsynligvis dette gapet som vil ha størst betydning etter hvert som utgiftene til agentbasert KI fortsetter å vokse.

For to år siden fantes ingenting av dette som en egen budsjettpost. I dag er kostnadene for KI-tokens en av de raskest voksende og minst forståtte postene på balansen, og styring av KI-kostnader er raskt i ferd med å bli en sentral finansdisiplin i stedet for et sideprosjekt. Vi så en lignende utvikling da skyen først ble tatt i bruk og kostnadene eksploderte under den første bølgen. Organisasjoner som planlegger å innføre agentbasert KI, gjør klokt i å ta denne samtalen mellom teknologi- og økonomiavdelingen nå og finne en styringsmetode. Uber og Meta har allerede vist hva som skjer når samtalen tas i etterkant i stedet for på forhånd.