Po latach promowania sztucznej inteligencji w całych organizacjach dyrektorzy ds. informacji oraz inni liderzy technologiczni z najwyższej kadry kierowniczej zaczynają teraz zacieśniać kontrolę, ponieważ koszty rosną, a zwrot pozostaje niepewny. Ten odwrót oznacza wyraźne przesunięcie z etapu wdrożeń — naznaczonego hackathonami, szerokim dostępem do narzędzi i eksperymentowaniem — do bardziej zdyscyplinowanej fazy operacyjnej, przypominającej to, jak przedsiębiorstwa ostatecznie wprowadziły kontrolę kosztów w chmurze obliczeniowej po początkowym okresie gwałtownego zdobywania rynku.

W Samsara dyrektor ds. informacji Stephen Franchetti z entuzjazmem wdrożył szeroki zestaw narzędzi AI dla 4,100 pracowników firmy technologicznej. Zatwierdził Claude firmy Anthropic, Gemini od Google, ChatGPT od OpenAI oraz agent kodujący AI Cursor, a jednocześnie zbudował wewnętrzny system, który codziennie śledzi wydatki na AI. Potrzeba tak szczegółowego monitorowania podkreśla, jak rozliczanie oparte na użyciu i tokenach — wciąż stosunkowo nowe w oprogramowaniu dla przedsiębiorstw — zasadniczo różni się od modelu subskrypcji per użytkownik, do którego większość firm jest przyzwyczajona przy planowaniu budżetu. Ostatnio jednak Samsara wprowadziła limity użycia dla części pracowników nietechnicznych, podczas gdy grupy takie jak badania i rozwój — które korzystają z AI do bardziej intensywnego kodowania i analizy danych — mają większą swobodę eksperymentowania.

„Potrzebowaliśmy trochę czasu, aby ustalić właściwe limity, tak by każdy był odpowiednio obsłużony” — mówi Franchetti. „Ale stawia to ludzi w pozycji, w której mają pewną kontrolę i mogą wybierać, z jakich modeli korzystają.”

Ta zmiana odzwierciedla szerszy trend w amerykańskim biznesie. Globalne wydatki na AI mają w tym roku osiągnąć 2,5 biliona dolarów, co oznacza wzrost o 44% w porównaniu z rokiem poprzednim. Po latach promowania wdrażania AI poprzez szkolenia, hackathony i szeroki dostęp pracowników do narzędzi do kodowania, agentów i asystentów czatu, część liderów technologicznych ogranicza teraz częstotliwość korzystania z tych narzędzi. Równolegle szkolą pracowników, aby lepiej rozumieli mniejsze i tańsze modele AI, które mogą wykonywać wiele rutynowych zadań w pracy.

Wiele firm informuje, że ich budżety na AI na 2026 rok już przekroczyły początkowe założenia, nie przynosząc odpowiadającej im wartości biznesowej. Dostawcy infrastruktury AI również to zauważają i reagują wprowadzaniem tańszych modeli oraz obniżkami cen. Rywalizacja między czołowymi dostawcami modeli — OpenAI, Anthropic, Google i innymi — nasiliła się, gdy klienci korporacyjni sygnalizują, że to efektywność kosztowa, a nie tylko możliwości, będzie decydować o tym, które platformy zdobędą długoterminowe kontrakty.

„2026 to rok, w którym wszyscy odkrywają, że AI jest naprawdę trudne” — mówi Will Sommer, ekspert od modelowania ilościowego i prognozowania gospodarczego w firmie badawczej Gartner. „To nie jest darmowy lunch. Wymaga dużej ilości przemyśleń i wysiłku, żeby zrobić to dobrze.” Sommer ostrzega, że firmy mogą z łatwością wydawać tysiące dolarów na pracownika na narzędzia AI, których wynik jest w praktyce bezużyteczny i nie poprawia produktywności.

W czerwcu Gartner opublikował pesymistyczny raport, w którym ostrzegł, że koszty kodowania z użyciem AI przewyższą średnie wynagrodzenie programisty do 2028 roku, ze względu na rosnące zużycie tokenów i przejście na modele opłat oparte na zużyciu. Prognoza ta pokazuje napięcie leżące u podstaw wdrażania AI w przedsiębiorstwach: narzędzia najściślej zintegrowane z pracą deweloperów — agenci kodujący, którzy czytają, piszą i debuggują kod — należą też do najbardziej tokenożernych zastosowań, co czyni je głównym źródłem przekroczeń kosztów.

W Docusign, firmie zajmującej się oprogramowaniem do podpisu elektronicznego, dyrektor techniczny Sagnik Nandy mówi, że organizacja bardzo poważnie potraktowała kwestię kosztów. „Podeszliśmy do tego bardzo serio, zarówno w wewnętrznym zastosowaniu, jak i przenosząc te wnioski na zewnątrz” — mówi. Wewnętrznie Nandy podkreśla, że każdy inżynier korzysta z narzędzi AI i że 75% kodu, który tworzą, jest inicjowane przez AI.

Nandy szybko jednak zauważył, że agenci kodujący AI zostały zaprojektowane tak, aby przed wykonaniem zadania pobierać kontekst z całej bazy kodu Docusign. „To dużo tokenów, bo próbujesz przeczytać wszystko” — mówi. Nandy przeprogramował tych agentów tak, by domyślnie pobierali wyłącznie kontekst istotny dla wąskiego zadania, nad którym pracuje deweloper, co obniżyło zużycie tokenów o prawie 50%.

Jim Dausch, chief digital and technology officer w Yum Brands, mówi, że zużycie tokenów AI nie jest jeszcze „istotną pozycją, ale obserwujemy ten trend”. Na początku tego roku zauważył jednak, że zarówno zużycie tokenów AI, jak i koszty rosły w operatorze restauracji KFC i Taco Bell.

Dausch twierdzi, że zdecydowana większość zadań powierzanych narzędziom AI — być może nawet 95% — może być obsłużona przez bardziej podstawowe, tańsze modele. To skłoniło Yum do zwiększenia szkoleń dotyczących korzystania z modeli AI i do doradzania liderom biznesowym, aby zarządzali wydatkami cyfrowymi z taką samą dyscypliną, z jaką planują zatrudnienie w dziale. „Staramy się w pewnym sensie upowszechnić to, gdzie pojawiają się koszty i jak się nimi zarządza, żeby nie były tylko pozycją IT” — mówi Dausch.

W Cigna Group, gigant opieki zdrowotnej, firma przyjęła szerokie podejście, współpracując z wieloma dostawcami infrastruktury AI, aby umożliwić pracownikom korzystanie z małych modeli językowych lub wcześniejszych, tańszych wersji do zadań, które nie wymagają dużych zdolności rozumowania. „Najłatwiej wywindować koszty, używając najdroższych modeli bez żadnych zabezpieczeń” — mówi Katya Andresen, chief data, digital, and AI officer w Cigna. Cigna zatwierdziła ponad 70 różnych modeli AI do celów wewnętrznych, a choć — jak mówi Andresen — zużycie mocy obliczeniowej i tokenów AI wzrosło, całkowite wydatki nie rosną w takim samym tempie dzięki temu wielomodelowemu podejściu.

Shay Artzi, CTO w firmie pośrednictwa nieruchomości Compass, mówi, że jego inwestycje w AI koncentrują się na trzech grupach: inżynierach, narzędziu AI Assistant firmy, które automatyzuje zadania dla specjalistów ds. nieruchomości, oraz ogólnej kadrze korporacyjnej. Inżynierowie byli pierwszymi użytkownikami AI na szeroką skalę, ale Artzi mówi, że od początku był ostrożny wobec wydatków na tokeny AI i nie nakazał, by cały kod był zawsze tworzony z wykorzystaniem AI.

Compass przetestował kilka narzędzi do kodowania AI i ostatecznie wybrał współpracę z dwoma gigantami w tej dziedzinie, Anthropic i Google, z pewnymi ograniczeniami finansowymi. „Wprowadziliśmy też budżety dla każdego inżyniera, żeby byli świadomi tego, jak wydają” — mówi Artzi.

John Kell

Ta historia została pierwotnie opublikowana na Fortune.com