To ma znaczenie, ponieważ praca z AI może zużywać ogromne ilości tokenów: programiści wielokrotnie wysyłają do modelu duże fragmenty kodu, dokumentację i zapytania, aby wygenerować lub zmodyfikować kod. Wraz ze wzrostem użycia, proporcjonalnie rosną koszty.

Firma Anthropic zaktualizowała w 2026 roku swoje szacunki dotyczące użycia Claude Code. Obecnie szacuje, że przeciętny programista w firmie wydaje około 13 dolarów za aktywny dzień, a 90% użytkowników utrzymuje się poniżej około 30 dolarów dziennie w zależności od wzorca użycia.

W skali całego przedsiębiorstwa przekłada się to na mniej więcej 150–250 dolarów na programistę miesięcznie przed optymalizacją.

Te liczby mogą wydawać się akceptowalne indywidualnie. Ale w skali firmy – gdy tysiące inżynierów używa narzędzia codziennie – sumują się bardzo szybko.

Niespodzianka budżetowa w Uberze

Według doniesień Uber dokładnie doświadczył tego problemu po wdrożeniu narzędzi AI do kodowania w całej swojej organizacji inżynieryjnej.

Jak podają liczne źródła powołujące się na wewnętrzne wypowiedzi dyrektora technologicznego (CTO) firmy, Uber wyczerpał cały zaplanowany budżet AI na 2026 rok do kwietnia, czyli zaledwie po czterech miesiącach.

Głównym powodem była eksplozywna adopcja narzędzi AI do kodowania, szczególnie Claude Code. Inżynierowie podobno adoptowali te narzędzia znacznie szybciej, niż zakładały modele finansowe, zmuszając kierownictwo do ponownego przemyślenia założeń budżetowych.

Ta sytuacja unaocznia szerszą lekcję: gdy tysiące inżynierów zaczyna używać systemów AI rozliczanych za tokeny bez ścisłych limitów, wydatki mogą rosnąć znacznie szybciej niż oczekiwano.

Microsoft podobno odchodzi od Claude Code

Microsoft wydaje się przyjmować inną strategię.

Według doniesień firma anuluje większość wewnętrznych licencji na Claude Code i przenosi programistów na własne narzędzia GitHub Copilot CLI.

Zmiana ta następuje zaledwie kilka miesięcy po tym, jak Microsoft rozszerzył dostęp do Claude Code dla tysięcy pracowników, w tym inżynierów i zespołów produktowych.

Co ważne, nie oznacza to, że Microsoft rezygnuje z AI w kodowaniu. Sugeruje raczej, że firmy mogą preferować:

• narzędzia ściśle zintegrowane z istniejącymi platformami deweloperskimi
• bardziej przewidywalne struktury kosztów
• większą wewnętrzną kontrolę nad użyciem i rozliczeniami

Innymi słowy, debata dotyczy mniej tego, czy AI w kodowaniu jest przydatne, a bardziej które narzędzia mają sens ekonomiczny na dużą skalę.

Debaty o produktywności wciąż nierozstrzygnięte

Pytanie o koszty byłoby łatwiejsze do rozstrzygnięcia, gdyby wzrost produktywności był jednoznaczny. Badania są jednak mieszane.

Randomizowane badanie kontrolowane przeprowadzone przez grupę badawczą METR, obejmujące doświadczonych programistów open source korzystających z zaawansowanych narzędzi AI, wykazało, że programiści wykonywali zadania średnio o 19% wolniej, gdy mieli dostęp do AI – mimo że sami wierzyli, że pracują szybciej.

Naukowcy sugerują, że narzut związany z weryfikacją i debugowaniem – sprawdzaniem poprawności kodu wygenerowanego przez AI – może niwelować część czasu zaoszczędzonego na samym generowaniu kodu.

Inne badania i dane branżowe wciąż pokazują wzrost produktywności w określonych sytuacjach, szczególnie w przypadku prostych zadań lub kodu szablonowego. Ale wyniki różnią się w zależności od poziomu doświadczenia programisty i złożoności projektu.

Dlaczego historia o „tańszym oprogramowaniu dzięki AI” jest skomplikowana

Zderzają się trzy czynniki strukturalne:

1. Eksplozywna adopcja. Asystenci AI do kodowania szybko stali się rutynowymi narzędziami programistów w wielu organizacjach.
2. Ceny uzależnione od użycia. Rozliczanie za tokeny oznacza, że koszty rosną bezpośrednio wraz z aktywnością, a nie liczbą stanowisk.
3. Nierównomierny wzrost produktywności. Niektórzy programiści pracują szybciej, ale inni spędzają więcej czasu na przeglądaniu i poprawianiu wyników AI.

Gdy te siły się połączą, firmy mogą doświadczyć paradoksu: rozwój wydaje się szybszy, ale całkowity koszt wytworzenia oprogramowania może wzrosnąć.

Co firmy robią dalej?

Obecna zmiana wygląda mniej jak odwrót od AI, a bardziej jak przejście od eksperymentów do zarządzania kosztami.

Popularne reakcje pojawiające się w branży obejmują:

• ustawianie limitów wydatków na AI dla poszczególnych zespołów
• ograniczanie dostępu do najdroższych modeli
• optymalizację zapytań i wielkości kontekstu w celu zmniejszenia liczby tokenów
• konsolidację narzędzi na jednej platformie

Krótko mówiąc, pierwsza fala korporacyjnej adopcji AI w kodowaniu stawiała na szybkość i eksperymenty. Następna fala prawdopodobnie skupi się na kontroli kosztów i projektowaniu przepływu pracy.

Asystenci AI do kodowania wciąż rozprzestrzeniają się szybko – ale firmy uczą się teraz, że skalowanie ich na tysiące programistów to nie tylko decyzja techniczna. To także decyzja finansowa.

To ma znaczenie, ponieważ praca z AI może zużywać ogromne ilości tokenów: programiści wielokrotnie wysyłają do modelu duże fragmenty kodu, dokumentację i zapytania, aby wygenerować lub zmodyfikować kod. Wraz ze wzrostem użycia, proporcjonalnie rosną koszty.

Firma Anthropic zaktualizowała w 2026 roku swoje szacunki dotyczące użycia Claude Code. Obecnie szacuje, że przeciętny programista w firmie wydaje około 13 dolarów za aktywny dzień, a 90% użytkowników utrzymuje się poniżej około 30 dolarów dziennie w zależności od wzorca użycia.

W skali całego przedsiębiorstwa przekłada się to na mniej więcej 150–250 dolarów na programistę miesięcznie przed optymalizacją.

Te liczby mogą wydawać się akceptowalne indywidualnie. Ale w skali firmy – gdy tysiące inżynierów używa narzędzia codziennie – sumują się bardzo szybko.

Niespodzianka budżetowa w Uberze

Według doniesień Uber dokładnie doświadczył tego problemu po wdrożeniu narzędzi AI do kodowania w całej swojej organizacji inżynieryjnej.

Jak podają liczne źródła powołujące się na wewnętrzne wypowiedzi dyrektora technologicznego (CTO) firmy, Uber wyczerpał cały zaplanowany budżet AI na 2026 rok do kwietnia, czyli zaledwie po czterech miesiącach.

Głównym powodem była eksplozywna adopcja narzędzi AI do kodowania, szczególnie Claude Code. Inżynierowie podobno adoptowali te narzędzia znacznie szybciej, niż zakładały modele finansowe, zmuszając kierownictwo do ponownego przemyślenia założeń budżetowych.

Ta sytuacja unaocznia szerszą lekcję: gdy tysiące inżynierów zaczyna używać systemów AI rozliczanych za tokeny bez ścisłych limitów, wydatki mogą rosnąć znacznie szybciej niż oczekiwano.

Microsoft podobno odchodzi od Claude Code

Microsoft wydaje się przyjmować inną strategię.

Według doniesień firma anuluje większość wewnętrznych licencji na Claude Code i przenosi programistów na własne narzędzia GitHub Copilot CLI.

Zmiana ta następuje zaledwie kilka miesięcy po tym, jak Microsoft rozszerzył dostęp do Claude Code dla tysięcy pracowników, w tym inżynierów i zespołów produktowych.

Co ważne, nie oznacza to, że Microsoft rezygnuje z AI w kodowaniu. Sugeruje raczej, że firmy mogą preferować:

• narzędzia ściśle zintegrowane z istniejącymi platformami deweloperskimi
• bardziej przewidywalne struktury kosztów
• większą wewnętrzną kontrolę nad użyciem i rozliczeniami

Innymi słowy, debata dotyczy mniej tego, czy AI w kodowaniu jest przydatne, a bardziej które narzędzia mają sens ekonomiczny na dużą skalę.

Debaty o produktywności wciąż nierozstrzygnięte

Pytanie o koszty byłoby łatwiejsze do rozstrzygnięcia, gdyby wzrost produktywności był jednoznaczny. Badania są jednak mieszane.

Randomizowane badanie kontrolowane przeprowadzone przez grupę badawczą METR, obejmujące doświadczonych programistów open source korzystających z zaawansowanych narzędzi AI, wykazało, że programiści wykonywali zadania średnio o 19% wolniej, gdy mieli dostęp do AI – mimo że sami wierzyli, że pracują szybciej.

Naukowcy sugerują, że narzut związany z weryfikacją i debugowaniem – sprawdzaniem poprawności kodu wygenerowanego przez AI – może niwelować część czasu zaoszczędzonego na samym generowaniu kodu.

Inne badania i dane branżowe wciąż pokazują wzrost produktywności w określonych sytuacjach, szczególnie w przypadku prostych zadań lub kodu szablonowego. Ale wyniki różnią się w zależności od poziomu doświadczenia programisty i złożoności projektu.

Dlaczego historia o „tańszym oprogramowaniu dzięki AI” jest skomplikowana

Zderzają się trzy czynniki strukturalne:

1. Eksplozywna adopcja. Asystenci AI do kodowania szybko stali się rutynowymi narzędziami programistów w wielu organizacjach.
2. Ceny uzależnione od użycia. Rozliczanie za tokeny oznacza, że koszty rosną bezpośrednio wraz z aktywnością, a nie liczbą stanowisk.
3. Nierównomierny wzrost produktywności. Niektórzy programiści pracują szybciej, ale inni spędzają więcej czasu na przeglądaniu i poprawianiu wyników AI.

Gdy te siły się połączą, firmy mogą doświadczyć paradoksu: rozwój wydaje się szybszy, ale całkowity koszt wytworzenia oprogramowania może wzrosnąć.

Co firmy robią dalej?

Obecna zmiana wygląda mniej jak odwrót od AI, a bardziej jak przejście od eksperymentów do zarządzania kosztami.

Popularne reakcje pojawiające się w branży obejmują:

• ustawianie limitów wydatków na AI dla poszczególnych zespołów
• ograniczanie dostępu do najdroższych modeli
• optymalizację zapytań i wielkości kontekstu w celu zmniejszenia liczby tokenów
• konsolidację narzędzi na jednej platformie

Krótko mówiąc, pierwsza fala korporacyjnej adopcji AI w kodowaniu stawiała na szybkość i eksperymenty. Następna fala prawdopodobnie skupi się na kontroli kosztów i projektowaniu przepływu pracy.

Asystenci AI do kodowania wciąż rozprzestrzeniają się szybko – ale firmy uczą się teraz, że skalowanie ich na tysiące programistów to nie tylko decyzja techniczna. To także decyzja finansowa.