Ini ialah unjuran berdasarkan andaian tertentu, bukannya kepastian mutlak . Namun, beberapa kes penggunaan korporat menunjukkan mengapa Gartner melihat tekanan kos ini semakin serius.

Mengapa kos AI boleh mengatasi gaji pembangun?

Gartner mengenal pasti dua perubahan utama yang berlaku serentak .

• Penggunaan token semakin melonjak. Token ialah unit teks dan data yang dibaca, diingati atau dijana oleh model bahasa besar (LLM), dan menjadi asas kepada sebahagian pengiraan bil AI. Apabila pembangun menggunakan ejen AI untuk tugas yang lebih panjang dan kompleks, jumlah token meningkat jauh lebih pantas berbanding penurunan harga bagi setiap token. Menurut penganalisis kanan utama Gartner, Nitish Tyagi, bil pengekodan AI yang sebelum ini sekitar AS$20 atau AS$100 sebulan bagi seorang pembangun kini boleh meningkat kepada AS$2,000 malah AS$5,000 .
• Harga beralih daripada langganan tetap kepada bayaran mengikut penggunaan. Penyedia seperti Anthropic, Cursor dan GitHub Copilot semakin menggunakan model berasaskan meter, termasuk caj mengikut token. Ini menjadikan kos berubah-ubah dan boleh meningkat setiap kali alat digunakan dengan lebih kerap .

Tyagi turut memberi amaran bahawa perbelanjaan pengekodan AI akan terus meningkat apabila pelaburan infrastruktur dan tekanan terhadap keuntungan menaikkan harga model .

Uber menghabiskan bajet setahun dalam empat bulan

Kes Uber memberikan gambaran paling jelas tentang bagaimana bil token boleh meningkat dengan pantas. Syarikat itu menghabiskan keseluruhan bajet pengekodan AI bagi 2026 menjelang April, hanya empat bulan selepas tahun kewangan bermula .

Sebagai tindak balas, Uber menetapkan had AS$1,500 sebulan bagi setiap pekerja untuk setiap alat pengekodan berasaskan ejen, termasuk Claude Code milik Anthropic dan Cursor . Had untuk satu alat tidak menjejaskan bajet bagi alat yang lain .

Menjelang Mac 2026, 84% jurutera Uber menggunakan Claude Code, meningkat daripada 32% pada penghujung 2025 . Sebelum had diperkenalkan, kos bulanan bagi setiap jurutera dilaporkan berada antara AS$500 hingga AS$2,000 . Ketua operasi Uber pula dipetik berkata, “Hubungan antara perbelanjaan AI dan nilai kepada pelanggan masih belum wujud” .

Isyarat daripada syarikat lain juga menunjukkan tekanan yang sama:

• Microsoft menarik balik akses Claude Code untuk pembangunnya hanya beberapa bulan selepas mengaktifkannya, dalam keadaan kebimbangan terhadap kos .
• Priceline berdepan kenaikan harga alat pengekodan AI sebanyak lima kali ganda .
• Gartner meramalkan 40% perusahaan yang menggunakan alat pengekodan AI berharga mengikut penggunaan akan mengalami kos tidak dirancang melebihi dua kali ganda bajet yang dijangka menjelang 2027 .

Accenture: Bukan pembangun sahaja yang menggunakan token

Kes Accenture menunjukkan bahawa penggunaan token yang tinggi tidak semestinya datang daripada jurutera perisian. Berdasarkan audio yang bocor dan laporan berkaitan, kakitangan bukan jurutera dilaporkan menggunakan jumlah token paling besar apabila memanfaatkan AI untuk menukar fail PDF kepada slaid .

Accenture merancang untuk melancarkan produk “Token IQ” bagi membantu pihak pengurusan melihat sama ada perbelanjaan AI menghasilkan pulangan yang mencukupi . Perkara ini penting kerana kos AI boleh tersebar merentasi jabatan, bukan hanya dalam pasukan teknologi.

Cabaran utama: Syarikat sendiri tidak nampak jumlah bilnya

Masalah kos menjadi lebih sukar dikawal apabila organisasi tidak mempunyai gambaran masa nyata tentang penggunaan mereka.

Tinjauan KPMG Q2 2026 Global AI Pulse, yang melibatkan lebih 2,100 pemimpin kanan dari 20 negara, mendapati hanya 26% organisasi mempunyai keterlihatan masa nyata terhadap kos penggunaan AI .

• 50% hanya mempunyai keterlihatan separa.
• 22% mempunyai sedikit atau langsung tiada keterlihatan, lalu hanya mengetahui jumlah sebenar selepas bil tiba .

Steve Chase, ketua AI global KPMG, menyifatkan keadaan ini sebagai risiko ketidakjelasan kewangan yang serius. Beliau berkata sesetengah pelanggan telah menghabiskan bajet token dan awan tahunan dalam tempoh beberapa bulan, manakala penggunaan token seorang pelanggan meningkat enam kali ganda .

Berbanding langganan perisian tetap, pengebilan berasaskan token menjadikan perbelanjaan AI lebih sukar diramal dan tidak mudah dikawal menggunakan kaedah kewangan IT tradisional .

Apa yang Gartner cadangkan?

Gartner mengesyorkan organisasi mengurus AI sebagai pusat kos sebenar, bukan membiarkan penggunaannya berkembang tanpa kawalan. Panduan dalam nota Jun 2026 dan laporan Mac 2026, 10 Best Practices for Optimizing Generative and Agentic AI Costs, menekankan model operasi yang berdisiplin .

1. Tentukan bila dan bagaimana AI digunakan

Syarikat perlu menetapkan tugasan yang sesuai untuk AI serta tahap autonomi yang dibenarkan. Gartner membahagikan kerja pembangunan kepada tiga model: dipimpin pembangun, pembangun bersama ejen, dan dipimpin sepenuhnya oleh ejen .

2. Padankan model dengan tahap kesukaran tugasan

Tugasan mudah tetapi kerap dilakukan—seperti menulis ujian, pemfaktoran semula kod, membina rangka asas, menyediakan dokumentasi dan membaiki pepijat mudah—boleh disalurkan kepada model khusus yang lebih kecil dan murah. Model paling canggih wajar digunakan untuk kerja yang lebih kompleks dan bernilai tinggi .

3. Gunakan kejuruteraan konteks

Kejuruteraan konteks bermaksud memperkemas maklumat dan arahan yang diberikan kepada sistem AI. Konteks yang lebih tepat dapat mengurangkan token yang terbuang akibat maklumat tidak relevan atau berulang .

4. Laksanakan cache, pemprosesan kelompok dan pemantauan

Cache token boleh mengurangkan pengiraan berulang, manakala pemprosesan kelompok membantu menggabungkan permintaan dengan lebih cekap. Organisasi juga perlu memantau penggunaan token mengikut pembangun, pasukan, repositori dan jenis model secara masa nyata .

5. Wujudkan kawalan kewangan khusus untuk AI

Gartner mencadangkan lapisan tadbir urus ala FinOps—pendekatan mengurus kos infrastruktur awan dan perkhidmatan digital—yang merangkumi pemantauan penggunaan masa nyata, bajet setiap pengguna serta pengesanan automatik terhadap corak penggunaan luar biasa .

6. Nilai kesediaan pasukan untuk pembangunan berasaskan ejen

Pemimpin kejuruteraan perlu mengaudit corak penggunaan token dan menilai kematangan proses pembangunan sebelum membenarkan lebih banyak tugasan diserahkan kepada ejen autonomi .

Gartner turut menyatakan bahawa produktiviti meningkat dengan ketara bagi tugasan yang mempunyai skop jelas. Sebaliknya, peningkatan bagi keputusan seni bina, penyahpepijatan baharu dan penaakulan merentas sistem adalah lebih kecil . Oleh itu, organisasi perlu menganggarkan bahagian kerja yang benar-benar mendapat manfaat tinggi sebelum menetapkan bajet AI.

Kesimpulan: AI bukan perlu dihentikan, tetapi perlu diurus

Era perbelanjaan AI tanpa had semakin berakhir. Alat pengekodan AI memang boleh mempercepatkan kerja yang jelas dan berulang, tetapi kosnya boleh meningkat lebih pantas daripada produktiviti jika tiada kawalan .

Pengajaran daripada Gartner, Uber, Accenture dan KPMG adalah sama: organisasi memerlukan keterlihatan, pemilihan model yang bijak, had penggunaan dan ukuran pulangan yang jelas. AI tidak semestinya perlu diketepikan—tetapi ia perlu diurus seperti kos operasi sebenar, lengkap dengan bajet, pemantauan dan garis panduan penggunaan.

Ini ialah unjuran berdasarkan andaian tertentu, bukannya kepastian mutlak . Namun, beberapa kes penggunaan korporat menunjukkan mengapa Gartner melihat tekanan kos ini semakin serius.

Mengapa kos AI boleh mengatasi gaji pembangun?

Gartner mengenal pasti dua perubahan utama yang berlaku serentak .

• Penggunaan token semakin melonjak. Token ialah unit teks dan data yang dibaca, diingati atau dijana oleh model bahasa besar (LLM), dan menjadi asas kepada sebahagian pengiraan bil AI. Apabila pembangun menggunakan ejen AI untuk tugas yang lebih panjang dan kompleks, jumlah token meningkat jauh lebih pantas berbanding penurunan harga bagi setiap token. Menurut penganalisis kanan utama Gartner, Nitish Tyagi, bil pengekodan AI yang sebelum ini sekitar AS$20 atau AS$100 sebulan bagi seorang pembangun kini boleh meningkat kepada AS$2,000 malah AS$5,000 .
• Harga beralih daripada langganan tetap kepada bayaran mengikut penggunaan. Penyedia seperti Anthropic, Cursor dan GitHub Copilot semakin menggunakan model berasaskan meter, termasuk caj mengikut token. Ini menjadikan kos berubah-ubah dan boleh meningkat setiap kali alat digunakan dengan lebih kerap .

Tyagi turut memberi amaran bahawa perbelanjaan pengekodan AI akan terus meningkat apabila pelaburan infrastruktur dan tekanan terhadap keuntungan menaikkan harga model .

Uber menghabiskan bajet setahun dalam empat bulan

Kes Uber memberikan gambaran paling jelas tentang bagaimana bil token boleh meningkat dengan pantas. Syarikat itu menghabiskan keseluruhan bajet pengekodan AI bagi 2026 menjelang April, hanya empat bulan selepas tahun kewangan bermula .

Sebagai tindak balas, Uber menetapkan had AS$1,500 sebulan bagi setiap pekerja untuk setiap alat pengekodan berasaskan ejen, termasuk Claude Code milik Anthropic dan Cursor . Had untuk satu alat tidak menjejaskan bajet bagi alat yang lain .

Menjelang Mac 2026, 84% jurutera Uber menggunakan Claude Code, meningkat daripada 32% pada penghujung 2025 . Sebelum had diperkenalkan, kos bulanan bagi setiap jurutera dilaporkan berada antara AS$500 hingga AS$2,000 . Ketua operasi Uber pula dipetik berkata, “Hubungan antara perbelanjaan AI dan nilai kepada pelanggan masih belum wujud” .

Isyarat daripada syarikat lain juga menunjukkan tekanan yang sama:

• Microsoft menarik balik akses Claude Code untuk pembangunnya hanya beberapa bulan selepas mengaktifkannya, dalam keadaan kebimbangan terhadap kos .
• Priceline berdepan kenaikan harga alat pengekodan AI sebanyak lima kali ganda .
• Gartner meramalkan 40% perusahaan yang menggunakan alat pengekodan AI berharga mengikut penggunaan akan mengalami kos tidak dirancang melebihi dua kali ganda bajet yang dijangka menjelang 2027 .

Accenture: Bukan pembangun sahaja yang menggunakan token

Kes Accenture menunjukkan bahawa penggunaan token yang tinggi tidak semestinya datang daripada jurutera perisian. Berdasarkan audio yang bocor dan laporan berkaitan, kakitangan bukan jurutera dilaporkan menggunakan jumlah token paling besar apabila memanfaatkan AI untuk menukar fail PDF kepada slaid .

Accenture merancang untuk melancarkan produk “Token IQ” bagi membantu pihak pengurusan melihat sama ada perbelanjaan AI menghasilkan pulangan yang mencukupi . Perkara ini penting kerana kos AI boleh tersebar merentasi jabatan, bukan hanya dalam pasukan teknologi.

Cabaran utama: Syarikat sendiri tidak nampak jumlah bilnya

Masalah kos menjadi lebih sukar dikawal apabila organisasi tidak mempunyai gambaran masa nyata tentang penggunaan mereka.

Tinjauan KPMG Q2 2026 Global AI Pulse, yang melibatkan lebih 2,100 pemimpin kanan dari 20 negara, mendapati hanya 26% organisasi mempunyai keterlihatan masa nyata terhadap kos penggunaan AI .

• 50% hanya mempunyai keterlihatan separa.
• 22% mempunyai sedikit atau langsung tiada keterlihatan, lalu hanya mengetahui jumlah sebenar selepas bil tiba .

Steve Chase, ketua AI global KPMG, menyifatkan keadaan ini sebagai risiko ketidakjelasan kewangan yang serius. Beliau berkata sesetengah pelanggan telah menghabiskan bajet token dan awan tahunan dalam tempoh beberapa bulan, manakala penggunaan token seorang pelanggan meningkat enam kali ganda .

Berbanding langganan perisian tetap, pengebilan berasaskan token menjadikan perbelanjaan AI lebih sukar diramal dan tidak mudah dikawal menggunakan kaedah kewangan IT tradisional .

Apa yang Gartner cadangkan?

Gartner mengesyorkan organisasi mengurus AI sebagai pusat kos sebenar, bukan membiarkan penggunaannya berkembang tanpa kawalan. Panduan dalam nota Jun 2026 dan laporan Mac 2026, 10 Best Practices for Optimizing Generative and Agentic AI Costs, menekankan model operasi yang berdisiplin .

1. Tentukan bila dan bagaimana AI digunakan

Syarikat perlu menetapkan tugasan yang sesuai untuk AI serta tahap autonomi yang dibenarkan. Gartner membahagikan kerja pembangunan kepada tiga model: dipimpin pembangun, pembangun bersama ejen, dan dipimpin sepenuhnya oleh ejen .

2. Padankan model dengan tahap kesukaran tugasan

Tugasan mudah tetapi kerap dilakukan—seperti menulis ujian, pemfaktoran semula kod, membina rangka asas, menyediakan dokumentasi dan membaiki pepijat mudah—boleh disalurkan kepada model khusus yang lebih kecil dan murah. Model paling canggih wajar digunakan untuk kerja yang lebih kompleks dan bernilai tinggi .

3. Gunakan kejuruteraan konteks

Kejuruteraan konteks bermaksud memperkemas maklumat dan arahan yang diberikan kepada sistem AI. Konteks yang lebih tepat dapat mengurangkan token yang terbuang akibat maklumat tidak relevan atau berulang .

4. Laksanakan cache, pemprosesan kelompok dan pemantauan

Cache token boleh mengurangkan pengiraan berulang, manakala pemprosesan kelompok membantu menggabungkan permintaan dengan lebih cekap. Organisasi juga perlu memantau penggunaan token mengikut pembangun, pasukan, repositori dan jenis model secara masa nyata .

5. Wujudkan kawalan kewangan khusus untuk AI

Gartner mencadangkan lapisan tadbir urus ala FinOps—pendekatan mengurus kos infrastruktur awan dan perkhidmatan digital—yang merangkumi pemantauan penggunaan masa nyata, bajet setiap pengguna serta pengesanan automatik terhadap corak penggunaan luar biasa .

6. Nilai kesediaan pasukan untuk pembangunan berasaskan ejen

Pemimpin kejuruteraan perlu mengaudit corak penggunaan token dan menilai kematangan proses pembangunan sebelum membenarkan lebih banyak tugasan diserahkan kepada ejen autonomi .

Gartner turut menyatakan bahawa produktiviti meningkat dengan ketara bagi tugasan yang mempunyai skop jelas. Sebaliknya, peningkatan bagi keputusan seni bina, penyahpepijatan baharu dan penaakulan merentas sistem adalah lebih kecil . Oleh itu, organisasi perlu menganggarkan bahagian kerja yang benar-benar mendapat manfaat tinggi sebelum menetapkan bajet AI.

Kesimpulan: AI bukan perlu dihentikan, tetapi perlu diurus

Era perbelanjaan AI tanpa had semakin berakhir. Alat pengekodan AI memang boleh mempercepatkan kerja yang jelas dan berulang, tetapi kosnya boleh meningkat lebih pantas daripada produktiviti jika tiada kawalan .

Pengajaran daripada Gartner, Uber, Accenture dan KPMG adalah sama: organisasi memerlukan keterlihatan, pemilihan model yang bijak, had penggunaan dan ukuran pulangan yang jelas. AI tidak semestinya perlu diketepikan—tetapi ia perlu diurus seperti kos operasi sebenar, lengkap dengan bajet, pemantauan dan garis panduan penggunaan.