Yrityslaajuisissa käyttöönotoissa tämä voi tarkoittaa suunnilleen 150–250 dollaria kehittäjää kohti kuukaudessa ennen optimointia.

Nämä luvut saattavat vaikuttaa hallittavilta yksittäin. Mutta yrityksen mittakaavassa – tuhansien insinöörien käyttäessä työkalua päivittäin – ne kasvavat nopeasti.

Uberin budjetti yllätti

Raporttien mukaan Uber koki juuri tämän ongelman otettuaan AI-koodaustyökalut laajasti käyttöön koko insinööriorganisaatiossaan.

Useita raportteja lainaten yhtiön teknologiajohtajan mukaan Uber käytti koko vuodeksi 2026 suunnitellun AI-työkalujen budjettinsa jo huhtikuuhun mennessä, vain neljässä kuukaudessa.

Pääasiallinen syy oli AI-koodaustyökalujen, erityisesti Anthropicin Claude Coden, räjähdysmäinen käyttöönotto. Insinöörit omaksuivat työkalut raportoidusti paljon nopeammin kuin talousosasto oli mallintanut, mikä pakotti johdon tarkastelemaan uudelleen meno-odotuksiaan.

Tapaus korostaa laajempaa oppituntia: kun tuhannet insinöörit alkavat käyttää token-mittarilla hinnoiteltuja AI-järjestelmiä ilman tiukkoja käyttörajoja, meno voi kasvaa paljon odotettua nopeammin.

Microsoftin raportoitu siirtymä pois Claude Codesta

Microsoft näyttää tekevän toisenlaista muutosta.

Raporttien mukaan yhtiö on peruuttamassa suurimman osan sisäisistä Claude Code -lisensseistään ja siirtämässä kehittäjiä kohti omaa GitHub Copilot CLI -työkaluaan.

Muutos tulee raportoidusti vain kuukausia sen jälkeen, kun Microsoft oli laajentanut Claude Code -oikeudet tuhansille työntekijöille, mukaan lukien insinööreille ja tuotetiimeille.

Tämä ei tarkoita, että Microsoft olisi hylkäämässä AI-avusteista koodausta. Sen sijaan se viittaa siihen, että yritykset saattavat suosia:

• työkaluja, jotka on integroitu tiiviisti olemassa oleviin kehittäjäalustoihin
• ennustettavampia kustannusrakenteita
• parempaa sisäistä hallintaa käytön ja laskutuksen suhteen

Toisin sanoen keskustelu ei niinkään käy siitä, onko AI-koodaus hyödyllistä, vaan siitä, mitkä työkalut ovat taloudellisesti järkeviä laajassa mittakaavassa.

Tuottavuuskeskustelu on yhä ratkaisematta

Kustannuskysymykseen olisi helpompi vastata, jos tuottavuushyödyt olisivat kaikkialla selviä. Mutta tähän mennessä tehty tutkimus on ristiriitaista.

Tutkimusryhmä METR:n satunnaistetussa kontrolloidussa kokeessa tarkasteltiin kokeneita avoimen lähdekoodin kehittäjiä, jotka käyttivät huippuluokan AI-koodaustyökaluja. Tutkimuksessa havaittiin, että kehittäjät suorittivat tehtäviä noin 19 prosenttia hitaammin, kun AI-apu oli sallittua, vaikka he itse uskoivat työskentelevänsä nopeammin.

Tutkijoiden mukaan tarkistamiseen ja virheenkorjaukseen liittyvä lisätyö – AI:n tuottaman koodin oikeellisuuden tarkistaminen – voi kumota osan koodin luomisen aikana säästetystä ajasta.

Muut tutkimukset ja toimialatiedot osoittavat edelleen tuottavuushyötyjä tietyissä tilanteissa, erityisesti yksinkertaisissa tehtävissä tai rutiinikoodin tuottamisessa. Mutta tulokset vaihtelevat kehittäjän kokemustason ja projektin monimutkaisuuden mukaan.

Miksi "AI tekee ohjelmistosta halvempaa" -tarina on monimutkainen

Kolme rakenteellista tekijää törmäävät toisiinsa:

1. Räjähdysmäinen käyttöönotto. AI-koodausassistenteista on tullut nopeasti rutiinityökaluja kehittäjille monissa organisaatioissa.
2. Käyttöpohjainen hinnoittelu. Token-laskutus tarkoittaa, että kustannukset nousevat suoraan toiminnan mukaan eikä istumapaikkojen mukaan.
3. Epätasaiset tuottavuushyödyt. Jotkut kehittäjät etenevät nopeammin, mutta toiset käyttävät enemmän aikaa AI-tuotosten tarkistamiseen ja korjaamiseen.

Kun nämä voimat yhdistyvät, yritykset saattavat kohdata paradoksin: kehitys tuntuu nopeammalta, mutta ohjelmistotuotannon kokonaiskustannukset voivat nousta.

Mitä yritykset tekevät seuraavaksi

Nykyinen muutos näyttää vähemmän perääntymiseltä AI:sta ja enemmän siirtymiseltä kokeilusta kustannushallintaan.

Yleisiä toimialalla esiin nousevia vastauksia ovat:

• tiimikohtaisten AI-meno-rajojen asettaminen
• kalleimpien mallien käytön rajoittaminen
• kehotteiden ja kontekstin koon optimointi token-kulutuksen vähentämiseksi
• työkalujen keskittäminen yhdelle alustalle

Lyhyesti sanottuna ensimmäinen yritysten AI-koodauksen käyttöönottovaihe priorisoi nopeutta ja kokeilua. Seuraava vaihe keskittyy todennäköisesti kustannusten hallintaan ja työnkulun suunnitteluun.

AI-koodausassistentit leviävät edelleen nopeasti – mutta yritykset oppivat nyt, että niiden skaalaaminen tuhansille kehittäjille ei ole vain tekninen päätös. Se on myös taloudellinen.

Yrityslaajuisissa käyttöönotoissa tämä voi tarkoittaa suunnilleen 150–250 dollaria kehittäjää kohti kuukaudessa ennen optimointia.

Nämä luvut saattavat vaikuttaa hallittavilta yksittäin. Mutta yrityksen mittakaavassa – tuhansien insinöörien käyttäessä työkalua päivittäin – ne kasvavat nopeasti.

Uberin budjetti yllätti

Raporttien mukaan Uber koki juuri tämän ongelman otettuaan AI-koodaustyökalut laajasti käyttöön koko insinööriorganisaatiossaan.

Useita raportteja lainaten yhtiön teknologiajohtajan mukaan Uber käytti koko vuodeksi 2026 suunnitellun AI-työkalujen budjettinsa jo huhtikuuhun mennessä, vain neljässä kuukaudessa.

Pääasiallinen syy oli AI-koodaustyökalujen, erityisesti Anthropicin Claude Coden, räjähdysmäinen käyttöönotto. Insinöörit omaksuivat työkalut raportoidusti paljon nopeammin kuin talousosasto oli mallintanut, mikä pakotti johdon tarkastelemaan uudelleen meno-odotuksiaan.

Tapaus korostaa laajempaa oppituntia: kun tuhannet insinöörit alkavat käyttää token-mittarilla hinnoiteltuja AI-järjestelmiä ilman tiukkoja käyttörajoja, meno voi kasvaa paljon odotettua nopeammin.

Microsoftin raportoitu siirtymä pois Claude Codesta

Microsoft näyttää tekevän toisenlaista muutosta.

Raporttien mukaan yhtiö on peruuttamassa suurimman osan sisäisistä Claude Code -lisensseistään ja siirtämässä kehittäjiä kohti omaa GitHub Copilot CLI -työkaluaan.

Muutos tulee raportoidusti vain kuukausia sen jälkeen, kun Microsoft oli laajentanut Claude Code -oikeudet tuhansille työntekijöille, mukaan lukien insinööreille ja tuotetiimeille.

Tämä ei tarkoita, että Microsoft olisi hylkäämässä AI-avusteista koodausta. Sen sijaan se viittaa siihen, että yritykset saattavat suosia:

• työkaluja, jotka on integroitu tiiviisti olemassa oleviin kehittäjäalustoihin
• ennustettavampia kustannusrakenteita
• parempaa sisäistä hallintaa käytön ja laskutuksen suhteen

Toisin sanoen keskustelu ei niinkään käy siitä, onko AI-koodaus hyödyllistä, vaan siitä, mitkä työkalut ovat taloudellisesti järkeviä laajassa mittakaavassa.

Tuottavuuskeskustelu on yhä ratkaisematta

Kustannuskysymykseen olisi helpompi vastata, jos tuottavuushyödyt olisivat kaikkialla selviä. Mutta tähän mennessä tehty tutkimus on ristiriitaista.

Tutkimusryhmä METR:n satunnaistetussa kontrolloidussa kokeessa tarkasteltiin kokeneita avoimen lähdekoodin kehittäjiä, jotka käyttivät huippuluokan AI-koodaustyökaluja. Tutkimuksessa havaittiin, että kehittäjät suorittivat tehtäviä noin 19 prosenttia hitaammin, kun AI-apu oli sallittua, vaikka he itse uskoivat työskentelevänsä nopeammin.

Tutkijoiden mukaan tarkistamiseen ja virheenkorjaukseen liittyvä lisätyö – AI:n tuottaman koodin oikeellisuuden tarkistaminen – voi kumota osan koodin luomisen aikana säästetystä ajasta.

Muut tutkimukset ja toimialatiedot osoittavat edelleen tuottavuushyötyjä tietyissä tilanteissa, erityisesti yksinkertaisissa tehtävissä tai rutiinikoodin tuottamisessa. Mutta tulokset vaihtelevat kehittäjän kokemustason ja projektin monimutkaisuuden mukaan.

Miksi "AI tekee ohjelmistosta halvempaa" -tarina on monimutkainen

Kolme rakenteellista tekijää törmäävät toisiinsa:

1. Räjähdysmäinen käyttöönotto. AI-koodausassistenteista on tullut nopeasti rutiinityökaluja kehittäjille monissa organisaatioissa.
2. Käyttöpohjainen hinnoittelu. Token-laskutus tarkoittaa, että kustannukset nousevat suoraan toiminnan mukaan eikä istumapaikkojen mukaan.
3. Epätasaiset tuottavuushyödyt. Jotkut kehittäjät etenevät nopeammin, mutta toiset käyttävät enemmän aikaa AI-tuotosten tarkistamiseen ja korjaamiseen.

Kun nämä voimat yhdistyvät, yritykset saattavat kohdata paradoksin: kehitys tuntuu nopeammalta, mutta ohjelmistotuotannon kokonaiskustannukset voivat nousta.

Mitä yritykset tekevät seuraavaksi

Nykyinen muutos näyttää vähemmän perääntymiseltä AI:sta ja enemmän siirtymiseltä kokeilusta kustannushallintaan.

Yleisiä toimialalla esiin nousevia vastauksia ovat:

• tiimikohtaisten AI-meno-rajojen asettaminen
• kalleimpien mallien käytön rajoittaminen
• kehotteiden ja kontekstin koon optimointi token-kulutuksen vähentämiseksi
• työkalujen keskittäminen yhdelle alustalle

Lyhyesti sanottuna ensimmäinen yritysten AI-koodauksen käyttöönottovaihe priorisoi nopeutta ja kokeilua. Seuraava vaihe keskittyy todennäköisesti kustannusten hallintaan ja työnkulun suunnitteluun.

AI-koodausassistentit leviävät edelleen nopeasti – mutta yritykset oppivat nyt, että niiden skaalaaminen tuhansille kehittäjille ei ole vain tekninen päätös. Se on myös taloudellinen.