Dlaczego koszty tokenów łamią budżety CFO w 2026 roku

Koszty tokenów AI przeszły od drobnego szczegółu technicznego do problemu budżetowego na poziomie zarządu w mniej niż rok. Dwanaście miesięcy temu „koszt tokenu” nie był pozycją w radarze większości CFO – teraz pojawia się we wszystkich niewłaściwych miejscach: w mediach, notatkach wewnętrznych, zamrożeniach budżetów i konferencjach wyników.

Uber udostępnił swoim inżynierom dostęp do Claude Code pod koniec 2025 roku. Do kwietnia 2026 roku firma wydała cały roczny budżet na kodowanie AI w ciągu czterech miesięcy. Jej reakcją było wprowadzenie limitu wydatków na poziomie 1 500 $ na pracownika, na miesiąc, na narzędzie, jak najpierw poinformował Bloomberg. Zezwolenie na jednoczesne użycie dwóch narzędzi do kodowania agentowego (np. Claude i Cursor) podwaja ten limit do 3 000 $ miesięcznie, czyli 36 000 $ rocznie na jednego inżyniera. Szacuje się, że Uber zatrudnia około 4 000 inżynierów, co przekłada się na wydatki w wysokości 144 M $ na AI.

Wydatki Meta mogą być większe. Notatka wewnętrzna ostrzegła, że koszty tokenów AI zmierzają do osiągnięcia miliardów dolarów w 2026 roku. Powód leży w mechanice działania agentów w dużej skali. Gdy agent AI łączy się z bazą kodu, aby naprawić błąd lub napisać oprogramowanie, przetwarza tysiące tokenów kontekstu tła przy każdym pojedynczym zapytaniu. Umieść to w organizacji wielkości Meta, dodaj korporacyjne naciski na inżynierów, aby używali Claude, a zużycie tokenów nie tylko rośnie, lecz wybucha.

Zgodnie z Indeksem AI Ramp, który śledzi rzeczywiste płatności dostawców w ponad 70 000 firmach, najwyższy 1 % firm przyjmujących AI wydaje obecnie około 7 500 USD na pracownika, na miesiąc, na AI, a te wydatki rosną o 14,1 % miesiąc do miesiąca. Wykonawcy z startupu rekrutacyjnego AI Mercor zaznaczyli publicznie, że koszty tokenów AI zaczynają zbliżać się do, a nawet przekraczać, wynagrodzenie pracowników w niektórych organizacjach.

Z tego można wyciągnąć wniosek. Jeśli największe firmy technologiczne na świecie mogą być zaskoczone tym wydatkiem, każdy może. Konsumpcja tokenów stała się naprawdę nową kategorią kosztów, której nie było w żadnym rachunku zysków i strat dwa lata temu. Nie zachowuje się jak koszty oprogramowania, które zespoły finansowe modelują i uwzględniają w tradycyjnych kalkulacjach ROI od dziesięcioleci. Zrozumienie dlaczego koszty tokenów AI zachowują się tak inaczej niż tradycyjne wydatki na oprogramowanie jest pierwszym krokiem do ich opanowania.

Dlaczego koszty tokenów AI są tak trudne do przewidzenia

Budżetowanie tradycyjnego oprogramowania opiera się na prostym założeniu: koszt rośnie proporcjonalnie do liczby pracowników. Dziesięć dodatkowych pracowników oznacza dziesięć dodatkowych miejsc, po znanej cenie. Łatwo prognozować i planować, gdy firmy rosną lub licencjonują nowe platformy oprogramowania.

Tokeny AI obalają to założenie. Koszt rośnie wraz z użyciem, nie z liczbą pracowników, a wykorzystanie jest bardzo nierówne, trudne do przewidzenia i w przypadku autonomicznych agentów nie jest nawet powiązane z człowiekiem siedzącym przy klawiaturze. Jeden inżynier prowadzący sesję kodowania agentowego może spalić tysiące dolarów w ciągu miesiąca bez ostrzeżenia, ponieważ licznik działa niezależnie od przydatności wyniku. Wiele modeli generuje także tysiące ukrytych, niewidzialnych tokenów, aby „myśleć” krok po kroku przed udzieleniem odpowiedzi, co mnoży koszt jednego zapytania.

To jest część, której większość organizacji nie uwzględniła w wycenie: każdy dolar nowego wydatku na AI agentowe musi pochodzić z jakiegoś źródła. Dla większości CFO nie jest to drobny błąd zaokrąglenia pochłonięty przez fundusz innowacji – mówimy o milionach dolarów nowych wydatków, które nie istniały dwa lata temu. Staje się to realnym kompromisem względem liczby pracowników, innych inwestycji technologicznych lub budżetu dyspozycyjnego w innych obszarach firmy.

Trzy poziomy ryzyka wydatków AI w przedsiębiorstwie

Patrząc na to, jak organizacje faktycznie wydają na AI, możemy dostrzec wyraźniejszy wzorzec. Ryzyko kosztów AI nie jest równomiernie rozłożone. Koncentruje się w konkretnych obszarach i prawdopodobnie tylko jeden z trzech jest obecnie pod kontrolą w typowej organizacji.

Użytkownicy biznesowi w sprzedaży, marketingu i operacjach korzystają głównie z narzędzi wycenianych per miejsce: od 20 $ do 30 $ za użytkownika, miesięcznie, w stałej cenie. To jest poziom, który finanse już potrafią budżetować, ponieważ zachowuje się dokładnie jak każda inna pozycja SaaS, którą kupowali w ciągu ostatnich dwudziestu lat.

Programiści korzystający z narzędzi do kodowania agentowego są źródłem historii w stylu Ubera, a cała kategoria przeszła z opłaty ryczałtowej na rozliczenia metryczne. GitHub Copilot przeszedł na rozliczanie oparte na tokenach w czerwcu 2026 roku, a programiści prognozują, że rachunki wzrosną z 29 $ do 750 $ miesięcznie, oraz z 50 $ do 3 000 $ miesięcznie w intensywnych sesjach agentowych. Uber nie jest tutaj wyjątkiem, to wczesny sygnał, dokąd zmierza cała kategoria.

Autonomiczne agenty to poziom, który prawie nikt jeszcze nie modelował. Nie istnieje pojęcie „miejsca” dla agenta. Działa bez nadzoru, uruchamia pod‑agenty, ponawia próby po niepowodzeniu i zużywa tokeny przez cały czas, niezależnie od tego, czy generuje jakąkolwiek wartość. To warstwa z najmniejszą ilością danych kosztowych i najmniejszym precedensem budżetowym.

Mówiąc prosto: poziom, z którym CFO czują się najbardziej komfortowo, jest także najmniejszym ryzykiem finansowym. Dwa poziomy, które faktycznie wybuchają budżetami, to te, które odchodzą od przewidywalnych cen w momencie, gdy zużycie rośnie najszybciej.

Zamknięcie luki w zarządzaniu kosztami AI

Wspólnym wątkiem łączącym Uber, Meta i szerszy zestaw danych Ramp jest brak przejrzystości. Większość organizacji nie ma warstwy pomiędzy pracownikiem lub agentem, który otwiera narzędzie. Limity wydatków, takie jak te w Uberze, są tępe, naprawiające problem po fakcie, podczas gdy naprawdę potrzebne jest rozwiązanie już na wcześniejszym etapie.

To właśnie luka, którą ma wypełnić nowsza kategoria narzędzi, często określana jako orkiestracja agentów lub bramki agentów: kierowanie każdego zadania do najtańszego modelu zdolnego je obsłużyć, egzekwowanie limitów wydatków zanim zostaną przekroczone oraz zapewnienie finansom miernika w czasie rzeczywistym zamiast miesięcznej niespodzianki.

Ta kategoria rozwija się szybko i już dzieli się na kilka odrębnych warstw. Jedna warstwa to bramki kontrolowane kosztowo, które znajdują się pomiędzy aplikacjami organizacji a dostawcami modeli, dodając limity wydatków per zespół, automatyczne kierowanie do tańszych modeli przy prostych zadaniach oraz buforowanie odpowiedzi – te same dźwignie, które Uber ręcznie wprowadził, nakładając swój limit. Druga warstwa to orkiestracja agentów, koncentrująca się na koordynacji wielu agentów współpracujących ze sobą, przy coraz częściej wbudowanej przejrzystości kosztów zamiast dopinania jej później. A nowsza, skierowana do finansów warstwa zaczyna traktować wydatki na AI tak, jak zespoły FinOps od dawna traktowały wydatki w chmurze: przypisywane według zespołu i funkcji, budżetowane i przeglądane co miesiąc, a nie odkrywane po fakcie.

Istnieje także podejście architektoniczne, które ma na celu ograniczenie wydatków poprzez zmniejszenie zależności od dużych LLM. Niektóre firmy zaczęły tworzyć hybrydową architekturę SLM/LLM, w której małe modele językowe są trenowane na wąskim zestawie korporacyjnych zadań (np. wewnętrzne polityki, obsługa klienta, przetwarzanie dokumentów kredytowych, parsowanie list przewozowych). Ekonomia takiego rozwiązania może być przekonująca.

Zgodnie z porównaniem przedsiębiorstwowych LLM z 2026 roku, przy milionie miesięcznych konwersacji, koszty hostowanych, najnowocześniejszych LLM wynoszą od 15 000 do 75 000 USD miesięcznie, podczas gdy dostrojony mały model językowy wdrożony we własnym zakresie kosztuje od 150 do 800 USD miesięcznie przy tej samej objętości. Goldman Sachs, na przykład, zarządza wydatkami na AI na dużą skalę poprzez scentralizowaną bramkę modelową, która klasyfikuje każde żądanie według typu zadania i kieruje je do najtańszego modelu odpowiedniego do pracy, od lekkich modeli open‑source po najnowocześniejsze LLM, wszystko w ramach własnego obszaru bezpieczeństwa.

Wspólnym wątkiem jest to, że większość dzisiejszych narzędzi została zbudowana przez i dla inżynierów, aby przyspieszyć ich produktywność poprzez wykorzystanie agentów. Warstwa, której większość organizacji wciąż brakuje, to ta, która ma odpowiadać bezpośrednio na pytanie CFO: który zespół, jaki budżet, jak prognozować wydatki i jaki jest biznesowy przypadek użycia wspierany przez te wydatki? To właśnie ta luka prawdopodobnie będzie najważniejsza, gdy wydatki na AI agentową będą się dalej kumulować.

Dwa lata temu nic z tego nie istniało jako pozycja w budżecie. Dziś koszty tokenów AI są jedną z najszybciej rosnących i najmniej rozumianych pozycji w bilansie, a zarządzanie kosztami AI szybko staje się kluczową dyscypliną finansową, a nie jedynie projektem pobocznym. Widzieliśmy podobną historię, gdy chmura po raz pierwszy została przyjęta i koszty wystrzeliły w pierwszej fali. Organizacje planujące wdrożenia AI agentowej powinny już teraz podjąć rozmowę między inżynierią a finansami i opracować podejście do zarządzania. Uber i Meta już pokazały, co się dzieje, gdy rozwiązanie pojawia się po fakcie, a nie przed.