Nejde o jistotu, ale o projekci založenou na současných trendech a předpokladech . První signály se však objevují už nyní: některé podniky utrácejí za AI programování tisíce dolarů měsíčně na jednoho člověka a zavádějí pevné limity.

Proč mohou náklady překonat platy vývojářů

Gartner upozorňuje na dvě sílící tendence :

• Spotřeba tokenů rychle roste. Tokeny jsou základní jednotky textu a dat, podle nichž se u velkých jazykových modelů často účtuje. Čím více autonomní agent používá, tím více tokenů zpracuje. Podle analytika Gartneru Nitish Tyagiho se měsíční účty mohou posouvat z 20 nebo 100 dolarů na 2 000, případně až 5 000 dolarů za vývojáře .
• Paušály nahrazuje účtování podle spotřeby. Poskytovatelé jako Anthropic, Cursor a GitHub Copilot stále více kombinují či nahrazují pevné předplatné cenou odvozenou od počtu tokenů. Náklady tak rostou spolu s každým požadavkem, iterací a automatizovaným krokem .

Pokles ceny jednotlivých tokenů proto nemusí znamenat nižší celkový účet. Pokud nástroje používají více vývojářů, déle a s vyšší mírou autonomie, celková spotřeba může růst rychleji než cena za jednotku . Tyagi zároveň uvedl, že náklady mohou dále zvyšovat investice do infrastruktury a tlak na ziskovost provozovatelů modelů .

Uber: celoroční rozpočet padl za čtyři měsíce

Nejkonkrétnějším příkladem je Uber. Firma podle dostupných zpráv vyčerpala celý rozpočet na AI programovací nástroje pro rok 2026 už do dubna . Následně zavedla limit 1 500 dolarů měsíčně na zaměstnance a jeden nástroj. Omezení se týká agentních programovacích platforem, například Claude Code od Anthropic a Cursoru .

Tempo adopce bylo výrazné: v březnu 2026 používalo Claude Code podle zveřejněných údajů 84 % inženýrů Uberu, zatímco na konci roku 2025 to bylo 32 % . Před zavedením limitů se měsíční náklady na jednoho inženýra pohybovaly zhruba mezi 500 a 2 000 dolary .

Problém nebyl jen v samotné ceně, ale také v otázce návratnosti. Provozní ředitel Uberu měl podle zpráv říct: „Souvislost mezi výdaji na AI a hodnotou pro zákazníka zatím není.“

Tlak se neomezuje na Uber

• Microsoft podle dostupných zpráv odebral vývojářům přístup ke Claude Code jen několik měsíců poté, co jej zpřístupnil, mimo jiné kvůli obavám z nákladů .
• Priceline zaznamenal u AI programovacích nástrojů pětinásobný růst cen .
• Gartner předpovídá, že do roku 2027 bude 40 % podniků používajících AI programovací nástroje s účtováním podle spotřeby čelit neplánovaným nákladům vyšším než dvojnásobek původně očekávaného rozpočtu .

Accenture ukazuje nečekaný zdroj vysoké spotřeby

Případ společnosti Accenture upozorňuje na to, že největší spotřebu nemusí vytvářet samotní vývojáři. Podle uniklé nahrávky a navazujícího zpravodajství spotřebovávali nejvíce tokenů zaměstnanci mimo technické týmy, kteří AI využívali například k převodu PDF dokumentů do prezentací .

Accenture proto plánuje produkt s názvem „Token IQ“. Ten má vedení pomoci zjistit, zda výdaje na AI přinášejí odpovídající návratnost . Lekce pro firmy je jednoduchá: náklady se mohou skrývat i mimo IT oddělení a mimo nástroje, které podnik původně považoval za hlavní zdroj spotřeby.

KPMG: firmy často nevědí, kolik AI skutečně stojí

Problém není jen v rychlém růstu účtů. Mnoho organizací nedokáže průběžně zjistit, za co přesně platí. Průzkum KPMG Global AI Pulse za druhé čtvrtletí 2026, který zahrnoval více než 2 100 vedoucích pracovníků z 20 zemí, zjistil, že pouze 26 % organizací má přehled o nákladech na provoz AI v reálném čase .

Dalších:

• 50 % organizací má pouze částečný přehled;
• 22 % má malý nebo žádný přehled a náklady zjistí až po obdržení faktury .

Steve Chase, globální šéf AI ve společnosti KPMG, popsal situaci jako významné riziko finanční neprůhlednosti. Někteří klienti podle něj vyčerpali roční rozpočty na tokeny a cloud během několika měsíců; u jednoho klienta se spotřeba tokenů zvýšila šestinásobně .

Tradiční IT rozpočty se s takovým modelem vyrovnávají obtížně. U serverů nebo licencí lze náklady často plánovat dopředu, zatímco tokenové účtování se mění podle počtu požadavků, délky kontextu, použitého modelu a míry autonomie agentů .

Co Gartner doporučuje

Gartner prosazuje disciplinovaný provozní model místo volně dostupných nástrojů bez rozpočtových pravidel. Doporučení se objevují v červnové zprávě i v březnovém dokumentu 10 Best Practices for Optimizing Generative and Agentic AI Costs .

1. Rozhodovat podle konkrétních případů použití

Firmy by měly určit, kdy má AI programovací agent smysl a jakou míru samostatnosti mu povolit. Gartner navrhuje rozdělit práci do tří režimů: práci vedenou vývojářem, práci vývojáře s agentem a plně agentní provedení .

2. Volit model podle složitosti úkolu

Jednodušší a časté úkoly, jako je psaní testů, refaktoring, tvorba základní struktury kódu nebo dokumentace, by měly být směrovány na menší a levnější specializované modely. Ne každý úkol vyžaduje nejvýkonnější dostupný model .

3. Zlepšit kontext, který model dostává

Takzvané context engineering znamená přesněji připravovat vstupní informace pro AI systém. Pokud model dostává méně nerelevantních či opakovaných dat, spotřebuje méně tokenů a může pracovat efektivněji .

4. Využívat kešování, dávkové zpracování a monitoring

Kešování může omezit opakované výpočty, dávkové zpracování snížit režii požadavků a průběžný monitoring ukázat, který vývojář, tým nebo projekt spotřebovává nejvíce tokenů .

5. Zavést finanční řízení pro AI

Gartner doporučuje vytvořit vrstvu řízení podobnou přístupu FinOps, který se používá pro kontrolu cloudových nákladů. Měla by zahrnovat sledování spotřeby v reálném čase, rozpočty na uživatele a automatické odhalování neobvyklých nárůstů .

Kde AI skutečně přináší největší produktivitu

Gartner zároveň neříká, že AI programování nepřináší hodnotu. Výrazné zrychlení se podle dostupného shrnutí týká především přesně vymezených úkolů, jako je psaní testů, refaktoring, tvorba základního kódu, dokumentace a jednoduché opravy chyb .

U architektonických rozhodnutí, nového ladění chyb a uvažování napříč více systémy je zlepšení menší . Firmy by proto měly nejprve odhadnout, jak velká část práce jejich týmu spadá do skupiny s vysokým přínosem, a AI nasazovat přednostně tam.

Závěr: AI není třeba opouštět, ale začít ji řídit

Éra nekontrolovaných výdajů na AI programovací nástroje končí. Nástroje mohou u dobře definovaných úkolů zvýšit produktivitu, bez jasných pravidel ale mohou náklady růst rychleji než přínosy .

Příklady Uberu, Accenture i výsledky průzkumu KPMG ukazují, že nejde jen o cenu jednotlivých tokenů. Rozhodující je, kdo AI používá, k jakým úkolům, s jakou mírou autonomie a zda firma dokáže spotřebu průběžně měřit. Gartner proto nedoporučuje ústup od AI, ale zacházet s ní jako s plnohodnotným nákladovým střediskem — s dohledem, vhodným směrováním modelů a pevnými limity.

Nejde o jistotu, ale o projekci založenou na současných trendech a předpokladech . První signály se však objevují už nyní: některé podniky utrácejí za AI programování tisíce dolarů měsíčně na jednoho člověka a zavádějí pevné limity.

Proč mohou náklady překonat platy vývojářů

Gartner upozorňuje na dvě sílící tendence :

• Spotřeba tokenů rychle roste. Tokeny jsou základní jednotky textu a dat, podle nichž se u velkých jazykových modelů často účtuje. Čím více autonomní agent používá, tím více tokenů zpracuje. Podle analytika Gartneru Nitish Tyagiho se měsíční účty mohou posouvat z 20 nebo 100 dolarů na 2 000, případně až 5 000 dolarů za vývojáře .
• Paušály nahrazuje účtování podle spotřeby. Poskytovatelé jako Anthropic, Cursor a GitHub Copilot stále více kombinují či nahrazují pevné předplatné cenou odvozenou od počtu tokenů. Náklady tak rostou spolu s každým požadavkem, iterací a automatizovaným krokem .

Pokles ceny jednotlivých tokenů proto nemusí znamenat nižší celkový účet. Pokud nástroje používají více vývojářů, déle a s vyšší mírou autonomie, celková spotřeba může růst rychleji než cena za jednotku . Tyagi zároveň uvedl, že náklady mohou dále zvyšovat investice do infrastruktury a tlak na ziskovost provozovatelů modelů .

Uber: celoroční rozpočet padl za čtyři měsíce

Nejkonkrétnějším příkladem je Uber. Firma podle dostupných zpráv vyčerpala celý rozpočet na AI programovací nástroje pro rok 2026 už do dubna . Následně zavedla limit 1 500 dolarů měsíčně na zaměstnance a jeden nástroj. Omezení se týká agentních programovacích platforem, například Claude Code od Anthropic a Cursoru .

Tempo adopce bylo výrazné: v březnu 2026 používalo Claude Code podle zveřejněných údajů 84 % inženýrů Uberu, zatímco na konci roku 2025 to bylo 32 % . Před zavedením limitů se měsíční náklady na jednoho inženýra pohybovaly zhruba mezi 500 a 2 000 dolary .

Problém nebyl jen v samotné ceně, ale také v otázce návratnosti. Provozní ředitel Uberu měl podle zpráv říct: „Souvislost mezi výdaji na AI a hodnotou pro zákazníka zatím není.“

Tlak se neomezuje na Uber

• Microsoft podle dostupných zpráv odebral vývojářům přístup ke Claude Code jen několik měsíců poté, co jej zpřístupnil, mimo jiné kvůli obavám z nákladů .
• Priceline zaznamenal u AI programovacích nástrojů pětinásobný růst cen .
• Gartner předpovídá, že do roku 2027 bude 40 % podniků používajících AI programovací nástroje s účtováním podle spotřeby čelit neplánovaným nákladům vyšším než dvojnásobek původně očekávaného rozpočtu .

Accenture ukazuje nečekaný zdroj vysoké spotřeby

Případ společnosti Accenture upozorňuje na to, že největší spotřebu nemusí vytvářet samotní vývojáři. Podle uniklé nahrávky a navazujícího zpravodajství spotřebovávali nejvíce tokenů zaměstnanci mimo technické týmy, kteří AI využívali například k převodu PDF dokumentů do prezentací .

Accenture proto plánuje produkt s názvem „Token IQ“. Ten má vedení pomoci zjistit, zda výdaje na AI přinášejí odpovídající návratnost . Lekce pro firmy je jednoduchá: náklady se mohou skrývat i mimo IT oddělení a mimo nástroje, které podnik původně považoval za hlavní zdroj spotřeby.

KPMG: firmy často nevědí, kolik AI skutečně stojí

Problém není jen v rychlém růstu účtů. Mnoho organizací nedokáže průběžně zjistit, za co přesně platí. Průzkum KPMG Global AI Pulse za druhé čtvrtletí 2026, který zahrnoval více než 2 100 vedoucích pracovníků z 20 zemí, zjistil, že pouze 26 % organizací má přehled o nákladech na provoz AI v reálném čase .

Dalších:

• 50 % organizací má pouze částečný přehled;
• 22 % má malý nebo žádný přehled a náklady zjistí až po obdržení faktury .

Steve Chase, globální šéf AI ve společnosti KPMG, popsal situaci jako významné riziko finanční neprůhlednosti. Někteří klienti podle něj vyčerpali roční rozpočty na tokeny a cloud během několika měsíců; u jednoho klienta se spotřeba tokenů zvýšila šestinásobně .

Tradiční IT rozpočty se s takovým modelem vyrovnávají obtížně. U serverů nebo licencí lze náklady často plánovat dopředu, zatímco tokenové účtování se mění podle počtu požadavků, délky kontextu, použitého modelu a míry autonomie agentů .

Co Gartner doporučuje

Gartner prosazuje disciplinovaný provozní model místo volně dostupných nástrojů bez rozpočtových pravidel. Doporučení se objevují v červnové zprávě i v březnovém dokumentu 10 Best Practices for Optimizing Generative and Agentic AI Costs .

1. Rozhodovat podle konkrétních případů použití

Firmy by měly určit, kdy má AI programovací agent smysl a jakou míru samostatnosti mu povolit. Gartner navrhuje rozdělit práci do tří režimů: práci vedenou vývojářem, práci vývojáře s agentem a plně agentní provedení .

2. Volit model podle složitosti úkolu

Jednodušší a časté úkoly, jako je psaní testů, refaktoring, tvorba základní struktury kódu nebo dokumentace, by měly být směrovány na menší a levnější specializované modely. Ne každý úkol vyžaduje nejvýkonnější dostupný model .

3. Zlepšit kontext, který model dostává

Takzvané context engineering znamená přesněji připravovat vstupní informace pro AI systém. Pokud model dostává méně nerelevantních či opakovaných dat, spotřebuje méně tokenů a může pracovat efektivněji .

4. Využívat kešování, dávkové zpracování a monitoring

Kešování může omezit opakované výpočty, dávkové zpracování snížit režii požadavků a průběžný monitoring ukázat, který vývojář, tým nebo projekt spotřebovává nejvíce tokenů .

5. Zavést finanční řízení pro AI

Gartner doporučuje vytvořit vrstvu řízení podobnou přístupu FinOps, který se používá pro kontrolu cloudových nákladů. Měla by zahrnovat sledování spotřeby v reálném čase, rozpočty na uživatele a automatické odhalování neobvyklých nárůstů .

Kde AI skutečně přináší největší produktivitu

Gartner zároveň neříká, že AI programování nepřináší hodnotu. Výrazné zrychlení se podle dostupného shrnutí týká především přesně vymezených úkolů, jako je psaní testů, refaktoring, tvorba základního kódu, dokumentace a jednoduché opravy chyb .

U architektonických rozhodnutí, nového ladění chyb a uvažování napříč více systémy je zlepšení menší . Firmy by proto měly nejprve odhadnout, jak velká část práce jejich týmu spadá do skupiny s vysokým přínosem, a AI nasazovat přednostně tam.

Závěr: AI není třeba opouštět, ale začít ji řídit

Éra nekontrolovaných výdajů na AI programovací nástroje končí. Nástroje mohou u dobře definovaných úkolů zvýšit produktivitu, bez jasných pravidel ale mohou náklady růst rychleji než přínosy .

Příklady Uberu, Accenture i výsledky průzkumu KPMG ukazují, že nejde jen o cenu jednotlivých tokenů. Rozhodující je, kdo AI používá, k jakým úkolům, s jakou mírou autonomie a zda firma dokáže spotřebu průběžně měřit. Gartner proto nedoporučuje ústup od AI, ale zacházet s ní jako s plnohodnotným nákladovým střediskem — s dohledem, vhodným směrováním modelů a pevnými limity.