På tvers av bedriftsdistribusjoner kan dette utgjøre omtrent 150–250 dollar per utvikler per måned før optimalisering.

Disse tallene kan virke håndterbare enkeltvis. Men i bedriftsskala – tusenvis av ingeniører som bruker verktøyet daglig – summerer de seg raskt.

Ubers budsjett-smell

Rapporter sier at Uber nettopp opplevde dette problemet etter å ha rullet ut AI-kodeverktøy bredt i ingeniørorganisasjonen.

Ifølge flere rapporter som siterer interne uttalelser fra selskapets teknologisjef (CTO), brukte Uber hele det planlagte AI-verktøybudsjettet for 2026 allerede i april, bare fire måneder ut i året.

Hovedårsaken var eksplosiv bruk av AI-kodeverktøy, spesielt Anthropics Claude Code. Ingeniører tok i bruk verktøyene mye raskere enn finansavdelingene hadde modellert, noe som tvang ledelsen til å revurdere kostnadsforutsetningene sine.

Episoden illustrerer en bredere lærdom: når tusenvis av ingeniører begynner å bruke token-baserte AI-systemer uten strenge forbrukskontroller, kan utgiftene vokse mye raskere enn forventet.

Microsofts rapporterte skifte bort fra Claude Code

Microsoft ser ut til å gjøre en annen justering.

Rapporter sier at selskapet avvikler de fleste interne Claude Code-lisenser og flytter utviklere over til sine egne GitHub Copilot CLI-verktøy.

Endringen kommer bare måneder etter at Microsoft utvidet Claude Code-tilgangen til tusenvis av ansatte, inkludert ingeniører og produktteam.

Viktig: dette betyr ikke at Microsoft forlater AI-koding. Det tyder heller på at selskaper foretrekker:

• verktøy som er tett integrert i eksisterende utviklerplattformer
• mer forutsigbare kostnadsstrukturer
• større intern kontroll over bruk og fakturering

Med andre ord handler debatten mindre om hvorvidt AI-koding er nyttig og mer om hvilke verktøy som gir økonomisk mening i stor skala.

Produktivitetsdebatten er fortsatt uavklart

Kostnadsspørsmålet ville vært lettere å besvare hvis produktivitetsgevinstene var universelt klare. Men forskningen så langt er blandet.

En randomisert kontrollert studie utført av forskningsgruppen METR undersøkte erfarne open source-utviklere som brukte avanserte AI-kodeverktøy. Studien fant at utviklere fullførte oppgaver omtrent 19 % saktere når AI-hjelp var tilgjengelig, selv om de trodde de jobbet raskere.

Forskerne antydet at tid brukt på verifisering og feilsøking – å sjekke AI-generert kode for korrekthet – kan oppveie noe av tiden som spares under kodegenerering.

Andre studier og bransjedata viser fortsatt produktivitetsgevinster i visse situasjoner, spesielt for enkle oppgaver eller standardkode. Men resultatene varierer avhengig av utviklerens erfaringsnivå og prosjektets kompleksitet.

Hvorfor «AI gjør programvare billigere»-historien er komplisert

Tre strukturelle faktorer kolliderer:

1. Eksplosiv bruk. AI-kodeassistenter har raskt blitt rutineverktøy for utviklere i mange organisasjoner.
2. Forbruksbasert prising. Token-fakturering betyr at kostnadene skalerer direkte med aktivitet, ikke med antall seter.
3. Ujevne produktivitetsgevinster. Noen utviklere jobber raskere, men andre bruker mer tid på å gjennomgå og rette AI-resultater.

Når disse kreftene kombineres, kan bedrifter oppleve et paradoks: utviklingen føles raskere, men den totale kostnaden for å produsere programvare kan øke.

Hva bedrifter gjør nå

Det nåværende skiftet ser mindre ut som en retrett fra AI og mer som en overgang fra eksperimentering til kostnadsstyring.

Vanlige tiltak som dukker opp på tvers av bransjen inkluderer:

• å sette kostnadsgrenser per team for AI-bruk
• å begrense tilgangen til de dyreste modellene
• å optimalisere spørsmål og kontekststørrelse for å redusere token-forbruk
• å konsolidere verktøy på én enkelt plattform

Kort sagt: den første bølgen av AI-koding i bedrifter prioriterte hastighet og eksperimentering. Den neste bølgen vil sannsynligvis fokusere på kostnadskontroll og arbeidsflytdesign.

AI-kodeassistenter sprer seg fortsatt raskt – men bedrifter lærer nå at skalering på tvers av tusenvis av utviklere ikke bare er en teknisk beslutning. Det er også en økonomisk en.

På tvers av bedriftsdistribusjoner kan dette utgjøre omtrent 150–250 dollar per utvikler per måned før optimalisering.

Disse tallene kan virke håndterbare enkeltvis. Men i bedriftsskala – tusenvis av ingeniører som bruker verktøyet daglig – summerer de seg raskt.

Ubers budsjett-smell

Rapporter sier at Uber nettopp opplevde dette problemet etter å ha rullet ut AI-kodeverktøy bredt i ingeniørorganisasjonen.

Ifølge flere rapporter som siterer interne uttalelser fra selskapets teknologisjef (CTO), brukte Uber hele det planlagte AI-verktøybudsjettet for 2026 allerede i april, bare fire måneder ut i året.

Hovedårsaken var eksplosiv bruk av AI-kodeverktøy, spesielt Anthropics Claude Code. Ingeniører tok i bruk verktøyene mye raskere enn finansavdelingene hadde modellert, noe som tvang ledelsen til å revurdere kostnadsforutsetningene sine.

Episoden illustrerer en bredere lærdom: når tusenvis av ingeniører begynner å bruke token-baserte AI-systemer uten strenge forbrukskontroller, kan utgiftene vokse mye raskere enn forventet.

Microsofts rapporterte skifte bort fra Claude Code

Microsoft ser ut til å gjøre en annen justering.

Rapporter sier at selskapet avvikler de fleste interne Claude Code-lisenser og flytter utviklere over til sine egne GitHub Copilot CLI-verktøy.

Endringen kommer bare måneder etter at Microsoft utvidet Claude Code-tilgangen til tusenvis av ansatte, inkludert ingeniører og produktteam.

Viktig: dette betyr ikke at Microsoft forlater AI-koding. Det tyder heller på at selskaper foretrekker:

• verktøy som er tett integrert i eksisterende utviklerplattformer
• mer forutsigbare kostnadsstrukturer
• større intern kontroll over bruk og fakturering

Med andre ord handler debatten mindre om hvorvidt AI-koding er nyttig og mer om hvilke verktøy som gir økonomisk mening i stor skala.

Produktivitetsdebatten er fortsatt uavklart

Kostnadsspørsmålet ville vært lettere å besvare hvis produktivitetsgevinstene var universelt klare. Men forskningen så langt er blandet.

En randomisert kontrollert studie utført av forskningsgruppen METR undersøkte erfarne open source-utviklere som brukte avanserte AI-kodeverktøy. Studien fant at utviklere fullførte oppgaver omtrent 19 % saktere når AI-hjelp var tilgjengelig, selv om de trodde de jobbet raskere.

Forskerne antydet at tid brukt på verifisering og feilsøking – å sjekke AI-generert kode for korrekthet – kan oppveie noe av tiden som spares under kodegenerering.

Andre studier og bransjedata viser fortsatt produktivitetsgevinster i visse situasjoner, spesielt for enkle oppgaver eller standardkode. Men resultatene varierer avhengig av utviklerens erfaringsnivå og prosjektets kompleksitet.

Hvorfor «AI gjør programvare billigere»-historien er komplisert

Tre strukturelle faktorer kolliderer:

1. Eksplosiv bruk. AI-kodeassistenter har raskt blitt rutineverktøy for utviklere i mange organisasjoner.
2. Forbruksbasert prising. Token-fakturering betyr at kostnadene skalerer direkte med aktivitet, ikke med antall seter.
3. Ujevne produktivitetsgevinster. Noen utviklere jobber raskere, men andre bruker mer tid på å gjennomgå og rette AI-resultater.

Når disse kreftene kombineres, kan bedrifter oppleve et paradoks: utviklingen føles raskere, men den totale kostnaden for å produsere programvare kan øke.

Hva bedrifter gjør nå

Det nåværende skiftet ser mindre ut som en retrett fra AI og mer som en overgang fra eksperimentering til kostnadsstyring.

Vanlige tiltak som dukker opp på tvers av bransjen inkluderer:

• å sette kostnadsgrenser per team for AI-bruk
• å begrense tilgangen til de dyreste modellene
• å optimalisere spørsmål og kontekststørrelse for å redusere token-forbruk
• å konsolidere verktøy på én enkelt plattform

Kort sagt: den første bølgen av AI-koding i bedrifter prioriterte hastighet og eksperimentering. Den neste bølgen vil sannsynligvis fokusere på kostnadskontroll og arbeidsflytdesign.

AI-kodeassistenter sprer seg fortsatt raskt – men bedrifter lærer nå at skalering på tvers av tusenvis av utviklere ikke bare er en teknisk beslutning. Det er også en økonomisk en.