מה קורה כשעוזר ה-AI עולה יותר מהמפתח?

התחזית פורסמה ב-24 ביוני 2026, במסגרת מסמך המחקר של גרטנר How to Optimize Token Consumption for AI Coding . זו אינה ודאות אלא תחזית המבוססת על הנחות מפורשות — אך סימני האזהרה כבר מופיעים בתקציבי ה-IT של ארגונים גדולים.

למה העלויות עלולות לעקוף את השכר?

לפי גרטנר, שני תהליכים מתרחשים במקביל :

• צריכת הטוקנים מזנקת: טוקנים הם יחידות הטקסט והנתונים שעל פיהן מתומחרים מודלי שפה גדולים. ככל שמפתחים משתמשים בסוכני AI באופן אינטנסיבי ואוטונומי יותר, כמות הטוקנים גדלה מהר יותר מהירידה במחיר לטוקן. לפי Nitish Tyagi, אנליסט בכיר בגרטנר, החשבונות יכולים לטפס מ-20 או 100 דולר למפתח בחודש ל-2,000 ואף 5,000 דולר .
• המעבר מתשלום קבוע לתשלום לפי שימוש: ספקיות כמו Anthropic, Cursor ו-GitHub Copilot מתרחקות ממנויים חודשיים קבועים ומאמצות תמחור מדוד לפי צריכת טוקנים. כך החשבון גדל יחד עם היקף השימוש, מספר הבקשות ורמת האוטונומיה של הסוכן .

Tyagi הזהיר כי "הוצאות ה-AI לתכנות ימשיכו לגדול בהתמדה, משום שהשקעות בתשתיות וסוגיות של רווחיות יעלו את מחירי המודלים" .

Uber: התקציב השנתי נגמר כבר באפריל

המקרה הבולט ביותר הוא Uber. החברה ניצלה את מלוא תקציב ה-AI לתכנות שלה לשנת 2026 בתוך ארבעה חודשים בלבד — עד אפריל . בתגובה קבעה Uber תקרת הוצאה של 1,500 דולר בחודש לכל כלי ולכל עובד עבור פלטפורמות תכנות מבוססות-סוכנים, בהן Claude Code של Anthropic ו-Cursor .

הקצב שבו השימוש גדל ממחיש את הבעיה: עד מרץ 2026 השתמשו ב-Claude Code כ-84% ממהנדסי Uber, לעומת 32% בסוף 2025 . לפני הטלת התקרות נעו העלויות החודשיות למפתח בין 500 ל-2,000 דולר . סמנכ"ל התפעול של החברה צוטט באומרו: "הקשר בין ההוצאה על AI לבין הערך ללקוח עדיין לא קיים" .

גם חברות אחרות מתחילות לבלום

Uber אינה מקרה יחיד:

• Microsoft ביטלה את הגישה של המפתחים שלה ל-Claude Code חודשים ספורים לאחר שאפשרה אותה, על רקע חששות הנוגעים לעלות .
• Priceline חוותה עליות מחיר של פי חמישה בכלי AI לתכנות .
• גרטנר צופה שעד 2027, 40% מהארגונים המשתמשים בכלי AI לתכנות בתמחור לפי שימוש ייתקלו בעלויות בלתי מתוכננות שיגיעו ליותר מפי שניים מהתקציב הצפוי .

כשהמשתמשים הכבדים אינם דווקא מפתחים

המקרה של Accenture מוסיף ממד מפתיע. לפי הקלטות שדלפו ודיווחים בנושא, עובדים שאינם מהנדסים היו צרכני הטוקנים הכבדים ביותר — בין היתר בעת שימוש בכלי AI להמרת קובצי PDF למצגות . החברה מתכננת להשיק את Token IQ, מוצר שנועד לספק להנהלה תמונה ברורה יותר של השאלה אם ההוצאה על AI מייצרת תשואה מספקת .

הבעיה הגדולה יותר: ארגונים לא יודעים כמה הם מוציאים

סקר Global AI Pulse של KPMG לרבעון השני של 2026, שפורסם ב-24 ביוני וכלל יותר מ-2,100 מנהלים בכירים ב-20 מדינות, מצא שרק 26% מהארגונים מחזיקים בנראות בזמן אמת של עלויות השימוש ב-AI .

• 50% מהארגונים דיווחו על נראות חלקית בלבד.
• 22% דיווחו על נראות מועטה או אפסית — כלומר, הם מגלים את העלות רק לאחר קבלת החשבון .

Steve Chase, המנהל הגלובלי של תחום ה-AI ב-KPMG, תיאר את המצב כסיכון של אטימות פיננסית. לדבריו, חלק מהלקוחות ניצלו תקציבי טוקנים וענן שנתיים בתוך חודשים, ובמקרה אחד צריכת הטוקנים גדלה פי שישה .

המעבר לחיוב לפי טוקנים מקשה על מנגנוני הבקרה הפיננסיים המסורתיים של מחלקות ה-IT: ההוצאה אינה עוד רישיון קבוע שאפשר לצפות מראש, אלא עלות משתנה שיכולה לגדול במהירות .

מה גרטנר ממליצה לעשות?

ההמלצה של גרטנר אינה להפסיק להשתמש ב-AI, אלא לנהל אותו כמו מרכז עלויות אמיתי — עם מדידה, הרשאות ומגבלות. ההנחיות מופיעות במסמך יוני 2026 ובדוח ממרץ 2026, 10 Best Practices for Optimizing Generative and Agentic AI Costs .

• לקבוע מסגרת החלטה לפי תרחיש שימוש: להגדיר מתי מותר להשתמש בסוכן AI ובאיזו רמת אוטונומיה, במקום לאפשר לשימוש להתרחב ללא בקרה. גרטנר מציעה לסווג משימות לשלושה מודלים: עבודה בהובלת מפתח, עבודה משותפת של מפתח וסוכן, ועבודה בהובלת סוכן .
• להתאים את המודל למורכבות המשימה: משימות פשוטות ותכופות — כמו כתיבת בדיקות, ריפקטורינג, יצירת תשתית בסיסית ותיעוד — אפשר להפנות למודלים קטנים וזולים יותר, ולא להשתמש תמיד במודלי הדגל היקרים ביותר .
• ליישם הנדסת הקשר: לשפר את המידע שנשלח למערכת כדי לצמצם טוקנים מיותרים, הקשר לא רלוונטי וחזרות .
• להשתמש במטמון, באצווה ובניטור: שמירת תוצאות חוזרות ואיחוד בקשות יכולים לצמצם חישוב מיותר. במקביל, יש לעקוב בזמן אמת אחר צריכת הטוקנים של כל מפתח וכל צוות .
• לבחון את בשלות תהליכי הפיתוח: לפני שמרחיבים שימוש בסוכנים אוטונומיים, גרטנר ממליצה לבדוק אם תהליכי ההנדסה בארגון ערוכים לכך .
• להקים שכבת ממשל בסגנון FinOps: מערכת כזו צריכה לכלול ניטור צריכה בזמן אמת, תקציבים לפי משתמש וזיהוי אוטומטי של חריגות שעלולות להעיד על שימוש שיצא משליטה .

גרטנר מדגישה גם שהערך אינו אחיד בכל סוגי המשימות. תפוקת הצוות משתפרת באופן משמעותי במשימות מוגדרות היטב — כתיבת בדיקות, ריפקטורינג, יצירת תשתיות, תיעוד ותיקוני באגים פשוטים. לעומת זאת, השיפור בהחלטות ארכיטקטורה, באיתור באגים חדשים ובהסקה בין מערכות הוא שולי יותר .

השורה התחתונה

התקופה שבה ארגונים עודדו שימוש בלתי מוגבל בכלי AI לתכנות מתקרבת לסיומה. הכלים אכן מסוגלים להאיץ עבודה מוגדרת היטב, אך ללא בקרה העלויות עלולות לצמוח מהר יותר מהפרודוקטיביות שהכלים אמורים לייצר .

הלקח מ-Uber ומנתוני KPMG אינו שצריך לסגת מה-AI. הוא פשוט יותר — לפני שמרחיבים את השימוש, צריך לדעת מי משתמש, באילו משימות, באיזה מודל וכמה כל פעולה עולה. אחרת, העוזר הדיגיטלי עלול להפוך במהירות מספק פרודוקטיביות לסעיף הוצאות שקשה להצדיק.