På tværs af større virksomhedsinstallationer kan det løbe op i cirka 150–250 dollars per udvikler per måned før optimering.

De beløb kan virke overskuelige for den enkelte. Men i en virksomhedsskala – tusindvis af ingeniører, der bruger værktøjet dagligt – løber de hurtigt op.

Ubers budgetchok

Rapporter viser, at Uber oplevede præcis dette problem, efter at virksomheden rullede AI-kodningsværktøjer bredt ud i sin ingeniørorganisation.

Ifølge flere kilder, der citerer interne udtalelser fra virksomhedens CTO, brugte Uber hele sit planlagte AI-budget for 2026 i april – kun fire måneder inde i året.

Den primære drivkraft var eksplosiv brugeradoption af AI-kodningsværktøjer, især Anthropics Claude Code. Ingeniørerne tog værktøjerne i brug langt hurtigere, end finansafdelingen havde modelleret, hvilket tvang ledelsen til at genoverveje sine budgetantagelser.

Episoden illustrerer en bredere lærestreg: Når tusindvis af ingeniører begynder at bruge token-afregnede AI-systemer uden strenge forbrugsbegrænsninger, kan udgifterne vokse langt hurtigere end forventet.

Microsofts rapporterede skift væk fra Claude Code

Microsoft ser ud til at foretage en anden form for justering.

Rapporter siger, at virksomheden aflyser de fleste interne Claude Code-licenser og flytter udviklere over til sine egne GitHub Copilot CLI-værktøjer.

Ændringen kommer angiveligt kun få måneder efter, at Microsoft udvidede adgangen til Claude Code til tusindvis af medarbejdere, herunder ingeniører og produktteams.

Vigtigt er det, at dette ikke betyder, at Microsoft opgiver AI-kodning. Det tyder snarere på, at virksomheder foretrækker:

• værktøjer, der er tæt integreret i eksisterende udviklerplatforme
• mere forudsigelige omkostningsstrukturer
• større intern kontrol over forbrug og fakturering

Med andre ord handler debatten mindre om, hvorvidt AI-kodning er nyttig, og mere om hvilke værktøjer der giver økonomisk mening i stor skala.

Produktivitetsdebatten er stadig uafklaret

Spørgsmålet om omkostninger ville være lettere at besvare, hvis produktivitetsgevinsterne var entydigt klare. Men forskningen indtil videre er blandet.

En randomiseret kontrolleret undersøgelse foretaget af forskningsgruppen METR så på erfarne open source-udviklere, der brugte avancerede AI-kodningsværktøjer. Undersøgelsen viste, at udviklerne fuldførte opgaver omkring 19 % langsommere, når AI-assistance var tilladt, selvom de troede, de arbejdede hurtigere.

Forskerne antydede, at overhead til verifikation og fejlfinding – kontrol af AI-genereret kode for korrekthed – kan opveje noget af den tid, der spares under kodegenerering.

Andre undersøgelser og branchedata viser stadig produktivitetsgevinster i visse situationer, især for enkle opgaver eller standardkode. Men resultaterne varierer afhængigt af udviklerens erfaringsniveau og projektets kompleksitet.

Hvorfor fortællingen om, at 'AI gør software billigere', er kompliceret

Tre strukturelle faktorer støder sammen:

1. Eksplosiv brugeradoption. AI-kodningsassistenter er hurtigt blevet rutineværktøjer for udviklere i mange organisationer.
2. Forbrugsbaseret prissætning. Token-fakturering betyder, at omkostningerne skalerer direkte med aktivitet snarere end med antal brugere.
3. Ujævne produktivitetsgevinster. Nogle udviklere arbejder hurtigere, men andre bruger mere tid på at gennemgå og rette AI-output.

Når disse kræfter kombineres, kan virksomheder opleve et paradoks: Udviklingen føles hurtigere, men de samlede omkostninger ved at producere software kan stige.

Hvad virksomhederne gør nu

Det aktuelle skift ligner mindre en tilbagetrækning fra AI og mere en overgang fra eksperimentering til omkostningsstyring.

Typiske reaktioner, der dukker op på tværs af branchen, omfatter:

• indførelse af forbrugslofter per team
• begrænsning af adgangen til de dyreste modeller
• optimering af prompter og kontekststørrelse for at reducere token-forbrug
• konsolidering af værktøjer på én platform

Kort sagt prioriterede den første bølge af AI-kodning i virksomheder hastighed og eksperimentering. Den næste bølge vil sandsynligvis fokusere på omkostningskontrol og arbejdsgangsdesign.

AI-kodningsassistenter spreder sig stadig hurtigt – men virksomhederne lærer nu, at skalering på tværs af tusindvis af udviklere ikke kun er en teknisk beslutning. Det er også en økonomisk en.

På tværs af større virksomhedsinstallationer kan det løbe op i cirka 150–250 dollars per udvikler per måned før optimering.

De beløb kan virke overskuelige for den enkelte. Men i en virksomhedsskala – tusindvis af ingeniører, der bruger værktøjet dagligt – løber de hurtigt op.

Ubers budgetchok

Rapporter viser, at Uber oplevede præcis dette problem, efter at virksomheden rullede AI-kodningsværktøjer bredt ud i sin ingeniørorganisation.

Ifølge flere kilder, der citerer interne udtalelser fra virksomhedens CTO, brugte Uber hele sit planlagte AI-budget for 2026 i april – kun fire måneder inde i året.

Den primære drivkraft var eksplosiv brugeradoption af AI-kodningsværktøjer, især Anthropics Claude Code. Ingeniørerne tog værktøjerne i brug langt hurtigere, end finansafdelingen havde modelleret, hvilket tvang ledelsen til at genoverveje sine budgetantagelser.

Episoden illustrerer en bredere lærestreg: Når tusindvis af ingeniører begynder at bruge token-afregnede AI-systemer uden strenge forbrugsbegrænsninger, kan udgifterne vokse langt hurtigere end forventet.

Microsofts rapporterede skift væk fra Claude Code

Microsoft ser ud til at foretage en anden form for justering.

Rapporter siger, at virksomheden aflyser de fleste interne Claude Code-licenser og flytter udviklere over til sine egne GitHub Copilot CLI-værktøjer.

Ændringen kommer angiveligt kun få måneder efter, at Microsoft udvidede adgangen til Claude Code til tusindvis af medarbejdere, herunder ingeniører og produktteams.

Vigtigt er det, at dette ikke betyder, at Microsoft opgiver AI-kodning. Det tyder snarere på, at virksomheder foretrækker:

• værktøjer, der er tæt integreret i eksisterende udviklerplatforme
• mere forudsigelige omkostningsstrukturer
• større intern kontrol over forbrug og fakturering

Med andre ord handler debatten mindre om, hvorvidt AI-kodning er nyttig, og mere om hvilke værktøjer der giver økonomisk mening i stor skala.

Produktivitetsdebatten er stadig uafklaret

Spørgsmålet om omkostninger ville være lettere at besvare, hvis produktivitetsgevinsterne var entydigt klare. Men forskningen indtil videre er blandet.

En randomiseret kontrolleret undersøgelse foretaget af forskningsgruppen METR så på erfarne open source-udviklere, der brugte avancerede AI-kodningsværktøjer. Undersøgelsen viste, at udviklerne fuldførte opgaver omkring 19 % langsommere, når AI-assistance var tilladt, selvom de troede, de arbejdede hurtigere.

Forskerne antydede, at overhead til verifikation og fejlfinding – kontrol af AI-genereret kode for korrekthed – kan opveje noget af den tid, der spares under kodegenerering.

Andre undersøgelser og branchedata viser stadig produktivitetsgevinster i visse situationer, især for enkle opgaver eller standardkode. Men resultaterne varierer afhængigt af udviklerens erfaringsniveau og projektets kompleksitet.

Hvorfor fortællingen om, at 'AI gør software billigere', er kompliceret

Tre strukturelle faktorer støder sammen:

1. Eksplosiv brugeradoption. AI-kodningsassistenter er hurtigt blevet rutineværktøjer for udviklere i mange organisationer.
2. Forbrugsbaseret prissætning. Token-fakturering betyder, at omkostningerne skalerer direkte med aktivitet snarere end med antal brugere.
3. Ujævne produktivitetsgevinster. Nogle udviklere arbejder hurtigere, men andre bruger mere tid på at gennemgå og rette AI-output.

Når disse kræfter kombineres, kan virksomheder opleve et paradoks: Udviklingen føles hurtigere, men de samlede omkostninger ved at producere software kan stige.

Hvad virksomhederne gør nu

Det aktuelle skift ligner mindre en tilbagetrækning fra AI og mere en overgang fra eksperimentering til omkostningsstyring.

Typiske reaktioner, der dukker op på tværs af branchen, omfatter:

• indførelse af forbrugslofter per team
• begrænsning af adgangen til de dyreste modeller
• optimering af prompter og kontekststørrelse for at reducere token-forbrug
• konsolidering af værktøjer på én platform

Kort sagt prioriterede den første bølge af AI-kodning i virksomheder hastighed og eksperimentering. Den næste bølge vil sandsynligvis fokusere på omkostningskontrol og arbejdsgangsdesign.

AI-kodningsassistenter spreder sig stadig hurtigt – men virksomhederne lærer nu, at skalering på tværs af tusindvis af udviklere ikke kun er en teknisk beslutning. Det er også en økonomisk en.