Perlu dicatat, angka tersebut merupakan proyeksi berdasarkan asumsi yang dinyatakan Gartner, bukan kepastian. Meski demikian, sejumlah kasus di perusahaan besar menunjukkan bahwa tekanan biaya tersebut sudah mulai terlihat.

Mengapa biaya AI coding bisa melampaui gaji developer?

Ada dua tren yang bergerak bersamaan.

• Konsumsi token meningkat tajam. Token adalah unit teks dan data yang diproses model bahasa besar atau LLM. Ketika developer mulai menggunakan agen AI untuk pekerjaan yang lebih panjang dan lebih mandiri, jumlah token yang dipakai dapat meningkat jauh lebih cepat daripada penurunan harga per token. Menurut analis senior principal Gartner, Nitish Tyagi, tagihan AI coding yang sebelumnya berada di kisaran US$20 atau US$100 per developer per bulan kini dapat melonjak menjadi US$2.000, bahkan US$5.000.
• Model tarif bergeser dari langganan tetap ke berbasis pemakaian. Vendor seperti Anthropic, Cursor, dan GitHub Copilot semakin mengandalkan lisensi terukur berdasarkan konsumsi token. Artinya, biaya tidak lagi berhenti pada satu tarif bulanan, tetapi ikut naik seiring intensitas pemakaian.

Tyagi juga memperingatkan bahwa biaya AI coding berpotensi terus meningkat karena investasi infrastruktur dan persoalan profitabilitas dapat mendorong kenaikan harga model.

Bukti di lapangan: tagihan token mulai memaksa pembatasan

Uber menghabiskan anggaran setahun dalam empat bulan

Kasus Uber menjadi salah satu contoh paling jelas. Perusahaan tersebut menghabiskan seluruh anggaran AI coding untuk 2026 hanya dalam empat bulan, yakni hingga April 2026.

Sebagai respons, Uber menetapkan batas US$1.500 per bulan untuk setiap alat, per karyawan, pada platform coding berbasis agen seperti Claude Code milik Anthropic dan Cursor.

Sebelum pembatasan diberlakukan, biaya per engineer berkisar antara US$500 hingga US$2.000 per bulan. Pada Maret 2026, sekitar 84% engineer Uber telah menggunakan Claude Code, naik dari 32% pada akhir 2025.

COO Uber juga dikutip mengatakan, “Hubungan antara belanja AI dan nilai bagi pelanggan belum terlihat.” Pernyataan itu merangkum persoalan utama perusahaan: penggunaan AI memang meningkat, tetapi manfaat bisnisnya belum selalu dapat diukur dengan jelas.

Microsoft dan Priceline ikut menghadapi tekanan

Uber bukan satu-satunya perusahaan yang mulai mengerem penggunaan AI coding.

• Microsoft mencabut akses Claude Code bagi developer hanya beberapa bulan setelah mengaktifkannya, di tengah kekhawatiran biaya.
• Priceline menghadapi kenaikan harga alat AI coding hingga lima kali lipat.
• Gartner memprediksi 40% perusahaan yang menggunakan alat AI coding dengan harga berbasis konsumsi akan mengalami biaya tak terencana yang melampaui dua kali anggaran perkiraan mereka pada 2027.

Accenture: pemakaian terbesar bukan selalu berasal dari developer

Kasus Accenture menunjukkan bahwa sumber pembengkakan token tidak selalu berasal dari tim engineering. Menurut rekaman audio yang bocor dan pemberitaan terkait, karyawan non-engineer justru menjadi pengguna token terbesar ketika memakai AI untuk mengubah PDF menjadi slide presentasi.

Accenture disebut berencana meluncurkan Token IQ, sebuah produk yang dirancang untuk membantu pimpinan melihat apakah pengeluaran AI menghasilkan imbal balik yang memadai.

Tantangan terbesar: perusahaan tidak tahu berapa banyak yang mereka belanjakan

Masalah biaya AI bukan hanya soal harga token. Banyak perusahaan juga belum memiliki alat untuk memantau konsumsi secara menyeluruh.

Survei KPMG Q2 2026 Global AI Pulse, yang mencakup lebih dari 2.100 pemimpin senior di 20 negara, menemukan bahwa hanya 26% organisasi yang memiliki visibilitas real-time terhadap biaya penggunaan AI.

Rinciannya:

• 50% organisasi hanya memiliki visibilitas sebagian.
• 22% memiliki sedikit atau bahkan tidak memiliki visibilitas; mereka baru mengetahui biaya sebenarnya setelah tagihan datang.

Steve Chase, kepala AI global KPMG, menyebut situasi ini sebagai risiko kurangnya transparansi finansial. Sejumlah klien, katanya, telah menghabiskan anggaran token dan cloud tahunan hanya dalam hitungan bulan. Dalam satu kasus, penggunaan token meningkat enam kali lipat.

Sistem penagihan berbasis token membuat pengeluaran AI lebih sulit dikendalikan melalui mekanisme keuangan TI tradisional. Perusahaan dapat memiliki dashboard penggunaan atau proses persetujuan, tetapi tetap kesulitan menghubungkan setiap token dengan hasil bisnis yang dihasilkan.

Rekomendasi Gartner untuk mengendalikan biaya

Gartner mendorong perusahaan membangun model operasional yang disiplin, bukan menghentikan penggunaan AI. Beberapa langkah yang disarankan meliputi:

• Tentukan penggunaan berdasarkan kasus. Perusahaan perlu menetapkan kapan agen AI boleh digunakan dan seberapa besar tingkat otonominya. Tugas dapat dibagi ke dalam tiga model: dipimpin developer, developer dengan bantuan agen, dan sepenuhnya dipimpin agen.
• Sesuaikan model dengan tingkat kerumitan tugas. Pekerjaan sederhana dan berulang—seperti menulis pengujian, refactoring, membuat kerangka kode, dokumentasi, dan perbaikan bug sederhana—dapat dialihkan ke model spesialis yang lebih kecil dan murah. Model frontier yang mahal sebaiknya digunakan untuk pekerjaan yang lebih kompleks dan bernilai tinggi.
• Terapkan context engineering. Developer perlu memberikan konteks yang lebih relevan dan terstruktur agar model tidak menghabiskan token untuk informasi yang berulang atau tidak diperlukan.
• Gunakan caching, batching, dan pemantauan. Cache token dan pengelompokan permintaan dapat mengurangi komputasi berulang. Perusahaan juga perlu memantau konsumsi token per developer, tim, repositori, dan alur kerja secara real-time.
• Evaluasi tingkat kematangan AI coding. Pemimpin engineering perlu mengaudit pola konsumsi token dan kesiapan proses pengembangan sebelum menerapkan pengembangan otonom dalam skala besar.
• Bangun tata kelola ala FinOps. Lapisan tata kelola ini dapat mencakup pemantauan konsumsi secara real-time, anggaran per pengguna, serta deteksi otomatis terhadap pola pemakaian yang tidak wajar.

Gartner juga membedakan jenis pekerjaan yang benar-benar memperoleh manfaat besar dari AI. Produktivitas meningkat secara berarti pada tugas yang ruang lingkupnya jelas, seperti penulisan pengujian, refactoring, scaffolding, dokumentasi, dan perbaikan bug sederhana. Sebaliknya, peningkatan pada keputusan arsitektur, debugging yang benar-benar baru, dan penalaran lintas sistem cenderung lebih terbatas.

Karena itu, perusahaan perlu menghitung berapa porsi pekerjaan tim yang masuk kategori berdampak tinggi, lalu memusatkan penggunaan AI pada bagian tersebut.

Kesimpulan: AI coding perlu diperlakukan sebagai pusat biaya

Era penggunaan AI coding tanpa batas tampaknya mulai berakhir. Alat-alat ini memang dapat meningkatkan produktivitas pada pekerjaan yang terdefinisi dengan baik, tetapi biaya dapat tumbuh lebih cepat daripada manfaat yang dihasilkan jika tidak diawasi.

Pelajaran dari Uber dan temuan KPMG menunjukkan bahwa perusahaan tidak cukup hanya menyediakan akses ke AI. Mereka juga harus mengetahui siapa yang menggunakan AI, untuk tugas apa, berapa token yang terpakai, dan apakah hasilnya sepadan dengan biaya.

Rekomendasi Gartner bukan berarti perusahaan harus mundur dari AI. Pesannya adalah memperlakukan AI sebagai pusat biaya sungguhan—dengan visibilitas, pemilihan model, pengendalian penggunaan, dan batas pengeluaran yang jelas.

Perlu dicatat, angka tersebut merupakan proyeksi berdasarkan asumsi yang dinyatakan Gartner, bukan kepastian. Meski demikian, sejumlah kasus di perusahaan besar menunjukkan bahwa tekanan biaya tersebut sudah mulai terlihat.

Mengapa biaya AI coding bisa melampaui gaji developer?

Ada dua tren yang bergerak bersamaan.

• Konsumsi token meningkat tajam. Token adalah unit teks dan data yang diproses model bahasa besar atau LLM. Ketika developer mulai menggunakan agen AI untuk pekerjaan yang lebih panjang dan lebih mandiri, jumlah token yang dipakai dapat meningkat jauh lebih cepat daripada penurunan harga per token. Menurut analis senior principal Gartner, Nitish Tyagi, tagihan AI coding yang sebelumnya berada di kisaran US$20 atau US$100 per developer per bulan kini dapat melonjak menjadi US$2.000, bahkan US$5.000.
• Model tarif bergeser dari langganan tetap ke berbasis pemakaian. Vendor seperti Anthropic, Cursor, dan GitHub Copilot semakin mengandalkan lisensi terukur berdasarkan konsumsi token. Artinya, biaya tidak lagi berhenti pada satu tarif bulanan, tetapi ikut naik seiring intensitas pemakaian.

Tyagi juga memperingatkan bahwa biaya AI coding berpotensi terus meningkat karena investasi infrastruktur dan persoalan profitabilitas dapat mendorong kenaikan harga model.

Bukti di lapangan: tagihan token mulai memaksa pembatasan

Uber menghabiskan anggaran setahun dalam empat bulan

Kasus Uber menjadi salah satu contoh paling jelas. Perusahaan tersebut menghabiskan seluruh anggaran AI coding untuk 2026 hanya dalam empat bulan, yakni hingga April 2026.

Sebagai respons, Uber menetapkan batas US$1.500 per bulan untuk setiap alat, per karyawan, pada platform coding berbasis agen seperti Claude Code milik Anthropic dan Cursor.

Sebelum pembatasan diberlakukan, biaya per engineer berkisar antara US$500 hingga US$2.000 per bulan. Pada Maret 2026, sekitar 84% engineer Uber telah menggunakan Claude Code, naik dari 32% pada akhir 2025.

COO Uber juga dikutip mengatakan, “Hubungan antara belanja AI dan nilai bagi pelanggan belum terlihat.” Pernyataan itu merangkum persoalan utama perusahaan: penggunaan AI memang meningkat, tetapi manfaat bisnisnya belum selalu dapat diukur dengan jelas.

Microsoft dan Priceline ikut menghadapi tekanan

Uber bukan satu-satunya perusahaan yang mulai mengerem penggunaan AI coding.

• Microsoft mencabut akses Claude Code bagi developer hanya beberapa bulan setelah mengaktifkannya, di tengah kekhawatiran biaya.
• Priceline menghadapi kenaikan harga alat AI coding hingga lima kali lipat.
• Gartner memprediksi 40% perusahaan yang menggunakan alat AI coding dengan harga berbasis konsumsi akan mengalami biaya tak terencana yang melampaui dua kali anggaran perkiraan mereka pada 2027.

Accenture: pemakaian terbesar bukan selalu berasal dari developer

Kasus Accenture menunjukkan bahwa sumber pembengkakan token tidak selalu berasal dari tim engineering. Menurut rekaman audio yang bocor dan pemberitaan terkait, karyawan non-engineer justru menjadi pengguna token terbesar ketika memakai AI untuk mengubah PDF menjadi slide presentasi.

Accenture disebut berencana meluncurkan Token IQ, sebuah produk yang dirancang untuk membantu pimpinan melihat apakah pengeluaran AI menghasilkan imbal balik yang memadai.

Tantangan terbesar: perusahaan tidak tahu berapa banyak yang mereka belanjakan

Masalah biaya AI bukan hanya soal harga token. Banyak perusahaan juga belum memiliki alat untuk memantau konsumsi secara menyeluruh.

Survei KPMG Q2 2026 Global AI Pulse, yang mencakup lebih dari 2.100 pemimpin senior di 20 negara, menemukan bahwa hanya 26% organisasi yang memiliki visibilitas real-time terhadap biaya penggunaan AI.

Rinciannya:

• 50% organisasi hanya memiliki visibilitas sebagian.
• 22% memiliki sedikit atau bahkan tidak memiliki visibilitas; mereka baru mengetahui biaya sebenarnya setelah tagihan datang.

Steve Chase, kepala AI global KPMG, menyebut situasi ini sebagai risiko kurangnya transparansi finansial. Sejumlah klien, katanya, telah menghabiskan anggaran token dan cloud tahunan hanya dalam hitungan bulan. Dalam satu kasus, penggunaan token meningkat enam kali lipat.

Sistem penagihan berbasis token membuat pengeluaran AI lebih sulit dikendalikan melalui mekanisme keuangan TI tradisional. Perusahaan dapat memiliki dashboard penggunaan atau proses persetujuan, tetapi tetap kesulitan menghubungkan setiap token dengan hasil bisnis yang dihasilkan.

Rekomendasi Gartner untuk mengendalikan biaya

Gartner mendorong perusahaan membangun model operasional yang disiplin, bukan menghentikan penggunaan AI. Beberapa langkah yang disarankan meliputi:

• Tentukan penggunaan berdasarkan kasus. Perusahaan perlu menetapkan kapan agen AI boleh digunakan dan seberapa besar tingkat otonominya. Tugas dapat dibagi ke dalam tiga model: dipimpin developer, developer dengan bantuan agen, dan sepenuhnya dipimpin agen.
• Sesuaikan model dengan tingkat kerumitan tugas. Pekerjaan sederhana dan berulang—seperti menulis pengujian, refactoring, membuat kerangka kode, dokumentasi, dan perbaikan bug sederhana—dapat dialihkan ke model spesialis yang lebih kecil dan murah. Model frontier yang mahal sebaiknya digunakan untuk pekerjaan yang lebih kompleks dan bernilai tinggi.
• Terapkan context engineering. Developer perlu memberikan konteks yang lebih relevan dan terstruktur agar model tidak menghabiskan token untuk informasi yang berulang atau tidak diperlukan.
• Gunakan caching, batching, dan pemantauan. Cache token dan pengelompokan permintaan dapat mengurangi komputasi berulang. Perusahaan juga perlu memantau konsumsi token per developer, tim, repositori, dan alur kerja secara real-time.
• Evaluasi tingkat kematangan AI coding. Pemimpin engineering perlu mengaudit pola konsumsi token dan kesiapan proses pengembangan sebelum menerapkan pengembangan otonom dalam skala besar.
• Bangun tata kelola ala FinOps. Lapisan tata kelola ini dapat mencakup pemantauan konsumsi secara real-time, anggaran per pengguna, serta deteksi otomatis terhadap pola pemakaian yang tidak wajar.

Gartner juga membedakan jenis pekerjaan yang benar-benar memperoleh manfaat besar dari AI. Produktivitas meningkat secara berarti pada tugas yang ruang lingkupnya jelas, seperti penulisan pengujian, refactoring, scaffolding, dokumentasi, dan perbaikan bug sederhana. Sebaliknya, peningkatan pada keputusan arsitektur, debugging yang benar-benar baru, dan penalaran lintas sistem cenderung lebih terbatas.

Karena itu, perusahaan perlu menghitung berapa porsi pekerjaan tim yang masuk kategori berdampak tinggi, lalu memusatkan penggunaan AI pada bagian tersebut.

Kesimpulan: AI coding perlu diperlakukan sebagai pusat biaya

Era penggunaan AI coding tanpa batas tampaknya mulai berakhir. Alat-alat ini memang dapat meningkatkan produktivitas pada pekerjaan yang terdefinisi dengan baik, tetapi biaya dapat tumbuh lebih cepat daripada manfaat yang dihasilkan jika tidak diawasi.

Pelajaran dari Uber dan temuan KPMG menunjukkan bahwa perusahaan tidak cukup hanya menyediakan akses ke AI. Mereka juga harus mengetahui siapa yang menggunakan AI, untuk tugas apa, berapa token yang terpakai, dan apakah hasilnya sepadan dengan biaya.

Rekomendasi Gartner bukan berarti perusahaan harus mundur dari AI. Pesannya adalah memperlakukan AI sebagai pusat biaya sungguhan—dengan visibilitas, pemilihan model, pengendalian penggunaan, dan batas pengeluaran yang jelas.