AI-kodning kan koste mere end udviklerlønninger i 2028

Det er en prognose baseret på bestemte forudsætninger – ikke en sikker forudsigelse . Men udviklingen kan allerede mærkes hos store virksomheder.

Derfor vokser AI-regningen så hurtigt

Gartner peger især på to udviklinger, der trækker i samme retning .

• Tokenforbruget stiger kraftigt. Tokens er de tekst- og datastykker, som store sprogmodeller behandler, og som mange AI-tjenester bruger som grundlag for prissætningen. Når udviklere lader AI-agenter arbejde mere selvstændigt og over længere tid, vokser mængden af tokens hurtigt.
• Flatrate-abonnementer afløses af forbrugsbetaling. Udbydere som Anthropic, Cursor og GitHub Copilot bevæger sig i stigende grad fra faste månedspriser til afregning efter brug. Det gør udgifterne variable – og potentielt meget højere, jo mere værktøjerne anvendes .

Gartner-analytiker Nitish Tyagi har ifølge The Register fortalt, at AI-regninger, der tidligere lå på 20 eller 100 dollar pr. udvikler om måneden, i nogle tilfælde er vokset til 2.000 eller endda 5.000 dollar . Tyagi vurderer samtidig, at udgifterne fortsat kan stige, fordi investeringer i infrastruktur og problemer med modellernes lønsomhed kan presse priserne op .

Uber brugte årets budget på fire måneder

Uber er et af de tydeligste eksempler på, hvordan tokenregningen kan løbe fra budgettet. Virksomheden brugte hele sit AI-kodebudget for 2026 på blot fire måneder – frem til april .

Som reaktion indførte Uber et loft på 1.500 dollar om måneden pr. medarbejder og pr. AI-kodeværktøj. Begrænsningen gælder agentbaserede værktøjer som Anthropics Claude Code og Cursor . Forbruget på ét værktøj tæller ikke med i loftet for et andet.

Brugen var vokset hurtigt: I marts 2026 anvendte 84 procent af Ubers ingeniører Claude Code, mod 32 procent i slutningen af 2025 . Før loftet blev indført, lå den månedlige udgift pr. ingeniør på mellem 500 og 2.000 dollar . Ubers driftsdirektør blev citeret for at sige: »Forbindelsen mellem AI-udgifter og kundeværdi er der ikke endnu« .

Andre virksomheder mærker også presset:

• Microsoft fjernede Claude Code-adgangen for sine udviklere få måneder efter at have givet dem adgang, blandt andet på grund af bekymringer om omkostningerne .
• Priceline oplevede femdoblede priser på AI-kodeværktøjer .
• Gartner forventer separat, at 40 procent af virksomheder, der bruger forbrugsbaserede AI-kodeværktøjer, i 2027 vil få uforudsete udgifter på mere end det dobbelte af deres forventede budget .

Det er ikke kun udviklerne, der bruger tokens

Accenture-eksemplet peger på en mindre oplagt kilde til overforbrug. Ifølge lækket lydmateriale og efterfølgende omtale stod ikke-udviklere for det tungeste tokenforbrug, blandt andet ved at bruge AI-værktøjer til at omdanne PDF-filer til præsentationer .

Accenture planlægger at lancere »Token IQ«, som skal give ledelsen bedre indsigt i, om AI-udgifterne skaber et tilstrækkeligt afkast . Pointen er, at en virksomhed ikke nødvendigvis får kontrol over regningen ved kun at følge udviklernes forbrug. AI kan hurtigt sprede sig til andre afdelinger og arbejdsgange.

De fleste virksomheder kan ikke se den fulde regning

KPMG’s Q2 2026 Global AI Pulse-undersøgelse, offentliggjort 24. juni 2026, omfattede mere end 2.100 ledere i 20 lande . Den viste, at kun 26 procent af organisationerne har realtidsindsigt i, hvad deres AI-systemer koster at drive .

• 50 procent har kun delvist overblik.
• 22 procent har kun lidt eller slet ingen indsigt og opdager først udgifterne, når regningen kommer .

KPMG’s globale AI-chef, Steve Chase, beskrev udviklingen som en væsentlig risiko for økonomisk uigennemsigtighed. Nogle kunder har ifølge ham opbrugt deres årlige token- og cloudbudgetter på få måneder, mens tokenforbruget hos én kunde steg seks gange .

Når betalingen afhænger af tokens og beregningskraft, bliver AI-udgifter sværere at styre med traditionelle IT- og økonomiprocesser . Det gør det også vanskeligere at afgøre, om øget brug faktisk giver tilsvarende forretningsværdi.

Gartners opskrift på at få styr på udgifterne

Gartners anbefalinger fra juni-analysen og rapporten 10 Best Practices for Optimizing Generative and Agentic AI Costs fra marts 2026 handler ikke om at droppe AI. De handler om at indføre en mere disciplineret driftsmodel .

1. Beslut, hvornår AI skal bruges

Virksomheder bør definere, hvilke opgaver AI-kodeagenter må løse, og hvor stor selvstændighed de skal have. Gartner foreslår at inddele arbejdet i tre modeller: udviklerstyret, udvikler med agent og fuldt agentstyret .

2. Match modellen med opgaven

Enkle og hyppige opgaver som testskrivning, refaktorering, skabelonkode og dokumentation bør så vidt muligt sendes til mindre og billigere specialmodeller. De mest avancerede modeller bør reserveres til komplekse opgaver med høj værdi .

3. Giv modellerne bedre kontekst

»Context engineering« handler om at forbedre den information, AI-systemet får som input. Mere præcis og relevant kontekst kan mindske spildet af tokens på gentagelser eller irrelevante oplysninger .

4. Brug caching, batching og løbende overvågning

Caching kan forhindre, at den samme information behandles igen og igen, mens batching samler forespørgsler for at reducere unødvendig beregning. Samtidig bør virksomheder følge tokenforbruget pr. udvikler, team og projekt i realtid .

5. Indfør økonomistyring for AI

Gartner anbefaler et styringslag inspireret af FinOps – en praksis for løbende kontrol med cloud- og forbrugsbaserede IT-udgifter. Det bør blandt andet omfatte realtidsovervågning, budgetter pr. bruger og automatisk registrering af usædvanligt højt forbrug .

Virksomheder bør også vurdere, hvor modne deres udviklingsprocesser er, før de giver AI-agenter større selvstændighed .

Produktiviteten stiger ikke lige meget på alle opgaver

AI-kodeværktøjer kan give et reelt produktivitetsløft på afgrænsede og velbeskrevne opgaver som testskrivning, refaktorering, skabelonkode, dokumentation og simple fejlrettelser .

Gevinsten er derimod mere begrænset ved arkitekturvalg, ny fejlfinding og problemløsning på tværs af systemer . Derfor bør virksomheder først beregne, hvor stor en del af teamets arbejde der ligger i den første kategori – og målrette AI-brugen dér.

Konklusionen: AI skal behandles som en reel omkostning

Tiden med ubegrænset AI-forbrug er ved at være forbi. Værktøjerne kan skabe betydelige produktivitetsgevinster, men tokenforbruget kan vokse hurtigere end værdien, hvis brugen ikke styres .

Gartners anbefaling er derfor ikke at trække sig fra AI, men at behandle teknologien som en reel omkostningspost: med synlighed i forbruget, passende modeller til forskellige opgaver, klare budgetter og grænser mod overforbrug.