Varför tokenkostnader spräcker ekonomichefernas budgetar 2026

På mindre än ett år har kostnaderna för AI-tokens gått från en mindre teknisk detalj till ett budgetproblem på styrelsenivå. För tolv månader sedan var ”tokenkostnad” ingen post som de flesta ekonomichefer bevakade. Nu dyker den upp på alla fel ställen: i nyheterna, interna PM, budgetstopp och resultatsamtal.

Uber gav sina ingenjörer tillgång till Claude Code i slutet av 2025. I april 2026 hade företaget förbrukat hela sin årliga budget för AI-programmering på fyra månader. Som svar begränsade Uber utgifterna till 1 500 dollar per anställd, månad och verktyg, vilket Bloomberg var först med att rapportera. Om två agentbaserade programmeringsverktyg får användas tillsammans, exempelvis Claude och Cursor, fördubblas gränsen till 3 000 dollar per månad och ingenjör. Det motsvarar 36 000 dollar per år för en enda persons AI-användning. Uber uppskattas ha omkring 4 000 ingenjörer, vilket skulle motsvara AI-utgifter på 144 miljoner dollar.

Metas utgifter kan vara ännu större. I ett internt PM varnades för att kostnaderna för AI-tokens var på väg att nå flera miljarder dollar under 2026. Orsaken finns i mekaniken bakom hur agenter arbetar i stor skala. När en AI-agent ansluter till en kodbas för att rätta ett fel eller skriva programvara behandlar den tusentals tokens med bakgrundskontext vid varje enskild instruktion. Gör detta i en organisation av Metas storlek och lägg till en företagsomfattande satsning på att ingenjörerna ska använda Claude, så växer inte tokenanvändningen bara – den exploderar.

Enligt Ramps AI Index, som följer verkliga leverantörsbetalningar i fler än 70 000 företag, spenderar den översta procenten av företag som inför AI nu omkring 7 500 dollar per anställd och månad på AI. Utgifterna växer med 14,1 procent varje månad. Företrädare för AI-rekryteringsbolaget Mercor har offentligt sagt att kostnaderna för AI-tokens börjar närma sig eller överstiga personalkostnaderna i vissa organisationer.

Det finns en lärdom här. Om världens största teknikföretag kan överraskas av denna kostnad kan vem som helst bli det. Tokenförbrukning har blivit en helt ny utgiftskategori, en som inte fanns i någon resultatrapport för två år sedan. Den beter sig inte som de programvarukostnader som ekonomiavdelningar i årtionden har lärt sig att modellera och ta med i traditionella beräkningar av avkastning på investeringar. Att förstå varför kostnaderna för AI-tokens beter sig så annorlunda än traditionella programvaruutgifter är det första steget för att få dem under kontroll.

Varför kostnaderna för AI-tokens är så svåra att förutse

Traditionell budgetering av programvara bygger på ett enkelt antagande: kostnaden ökar med personalstyrkan. Tio fler anställda betyder tio fler licenser till ett känt pris. Det är lätt att prognostisera och planera för när företag växer eller köper licenser för nya programvaruplattformar.

AI-tokens bryter mot detta antagande. Kostnaden ökar med användningen, inte med personalstyrkan, och användningen är mycket ojämn, svår att förutse och, när det gäller autonoma agenter, inte ens kopplad till en person vid ett tangentbord. En enda ingenjör som kör en agentbaserad programmeringssession kan utan förvarning förbruka tusentals dollar under en månad, eftersom mätaren tickar oavsett om resultatet är användbart. Många modeller genererar dessutom tusentals dolda, osynliga tokens bara för att ”tänka” steg för steg innan de svarar, vilket mångdubblar kostnaden per instruktion.

Det är den del som de flesta organisationer ännu inte har räknat in: varje ny dollar som läggs på agentbaserad AI måste tas någonstans ifrån. För de flesta ekonomichefer är detta inget avrundningsfel som kan absorberas av en innovationsfond. Vi talar om miljontals dollar i nya utgifter som inte fanns för två år sedan. Det skapar en verklig avvägning mot personalstyrka, andra teknikinvesteringar eller fria budgetmedel på andra håll i verksamheten.

De tre risknivåerna för företagens AI-utgifter

När vi granskar hur organisationer faktiskt spenderar på AI framträder ett tydligare mönster. Kostnadsrisken är inte jämnt fördelad. Den är koncentrerad till särskilda områden, och i en typisk organisation är sannolikt bara en av tre nivåer under kontroll i dag.

Affärsanvändare inom försäljning, marknadsföring och verksamhet använder huvudsakligen verktyg som prissätts per licens: ett fast pris på 20 till 30 dollar per användare och månad. Det här är den nivå som ekonomiavdelningen redan vet hur man budgeterar för, eftersom den fungerar precis som alla andra SaaS-poster som köpts in under de senaste tjugo åren.

Utvecklare som använder agentbaserade programmeringsverktyg är orsaken till berättelser som den om Uber, och hela kategorin har just gått från fasta priser till förbrukningsbaserad debitering. GitHub Copilot övergick till tokenbaserad debitering i juni 2026, och utvecklare har förutsett räkningar som ökar från 29 till 750 dollar i månaden och från 50 till 3 000 dollar i månaden vid intensiva agentbaserade sessioner. Uber är inget undantag, utan en tidig inblick i vart hela kategorin är på väg.

Autonoma agenter är den nivå som nästan ingen ännu har modellerat. Det finns inget begrepp som motsvarar en ”användarlicens” för en agent. Den körs utan tillsyn, startar underagenter, gör nya försök vid fel och förbrukar tokens hela tiden, oavsett om den producerar något av värde. Det här är nivån med minst kostnadsdata och minst tidigare erfarenhet av budgetering.

Enkelt uttryckt är den nivå som ekonomicheferna känner sig mest bekväma med också den minsta ekonomiska risken. De två nivåer som verkligen spräcker budgetar är de som lämnar förutsägbar prissättning just när användningen växer som snabbast.

Att täppa till luckan i hanteringen av AI-kostnader

Den gemensamma nämnaren för Uber, Meta och Ramps bredare datamängd är brist på insyn. De flesta organisationer saknar ett kontrollager mellan en anställd eller agent och det verktyg som öppnas. Utgiftstak som Ubers är en grov efterhandslösning på ett problem som egentligen behöver åtgärdas tidigare i processen.

Det är denna lucka som en nyare kategori av verktyg, ofta kallad agentorkestrering eller agentgateways, är byggd för att åtgärda: att styra varje uppgift till den billigaste modell som klarar den, upprätthålla utgiftsgränser innan de överskrids och ge ekonomiavdelningen en realtidsmätare i stället för en månatlig överraskning.

Kategorin utvecklas snabbt och delas redan upp i flera tydliga lager. Ett lager består av gateways med kostnadskontroll som placeras mellan en organisations tillämpningar och dess modellleverantörer. De lägger till utgiftstak per team, automatisk styrning av enkla uppgifter till billigare modeller och cachelagring av svar – samma reglage som Uber använde manuellt när företaget införde sitt tak. Ett andra lager är agentorkestrering, som fokuserar på att samordna flera agenter som arbetar tillsammans och i allt högre grad bygger in kostnadsinsyn från början i stället för att lägga till den i efterhand. Ett nyare, finansinriktat lager börjar behandla AI-utgifter på samma sätt som FinOps-team länge har behandlat molnutgifter: fördelade per team och funktion, budgeterade och granskade varje månad i stället för upptäckta i efterhand.

Det finns också en arkitekturmetod som syftar till att begränsa utgifterna genom att minska beroendet av stora språkmodeller. Vissa företag har börjat skapa en hybrid SLM/LLM-arkitektur där små språkmodeller tränas för en begränsad uppsättning företagsuppgifter, exempelvis interna policyer, kundservice, behandling av lånehandlingar eller tolkning av fraktmanifest. Ekonomin kan vara mycket övertygande.

Enligt en jämförelse av LLM-lösningar för företag från 2026 kostar värdbaserade ledande LLM-modeller mellan 15 000 och 75 000 dollar i månaden vid en miljon konversationer per månad. En finjusterad liten språkmodell som används internt kostar däremot 150 till 800 dollar i månaden vid samma volym. Goldman Sachs hanterar till exempel AI-utgifter i stor skala genom en central modellgateway som klassificerar varje begäran efter uppgiftstyp och styr den till den mest kostnadseffektiva modellen för arbetet, från lätta modeller med öppen källkod till ledande LLM-modeller, allt inom den egna säkerhetsgränsen.

Den gemensamma nämnaren är att de flesta av dagens verktyg har byggts av och för ingenjörer för att kraftigt öka deras produktivitet genom agenter. Det lager som de flesta organisationer fortfarande saknar är det som är byggt för att direkt besvara ekonomichefens frågor: vilket team, vilken budget, hur prognostiserar vi utgifterna och vilket affärsbehov stöds av denna kostnad? Det är sannolikt denna lucka som får störst betydelse när utgifterna för agentbaserad AI fortsätter att växa.

För två år sedan fanns inget av detta som en egen kostnadspost. I dag är kostnaderna för AI-tokens en av de snabbast växande och minst förstådda posterna i balansräkningen, och hantering av AI-kostnader håller snabbt på att bli en central ekonomisk disciplin i stället för ett sidoprojekt. Vi såg en liknande utveckling när molnet började användas och kostnaderna exploderade under den första vågen. Organisationer som planerar att införa agentbaserad AI gör klokt i att föra detta samtal mellan teknik- och ekonomiavdelningen nu och ta fram en strategi för hantering. Uber och Meta har redan visat vad som händer när samtalet tas efteråt i stället för i förväg.