AI do programowania droższe niż deweloper? Gartner ostrzega przed kryzysem kosztów

AI miało przyspieszyć programowanie. Na razie przyspiesza także rachunki

Asystenci AI do programowania mieli przynieść firmom skok produktywności. Gartner ostrzega jednak, że najpierw mogą wywołać kryzys kosztowy. Według prognozy opublikowanej 24 czerwca 2026 roku koszt narzędzi AI przypadający na jednego dewelopera może do 2028 roku przewyższyć średnią pensję programisty .

To prognoza oparta na określonych założeniach, a nie pewnik . Gartner wskazuje jednak na dwa trendy, które już dziś zwiększają presję na budżety.

Dlaczego koszty rosną tak szybko?

1. Agenci zużywają coraz więcej tokenów

Tokeny to jednostki tekstu i danych, na podstawie których dostawcy dużych modeli językowych rozliczają użycie usług. Im więcej kodu, kontekstu i kolejnych poleceń przetwarza agent, tym wyższy rachunek.

Problem polega na tym, że wzrost zużycia tokenów może być znacznie szybszy niż spadek ceny pojedynczego tokena. Według obserwacji Nitisha Tyagiego, starszego analityka Gartnera, miesięczne koszty przypadające na jednego dewelopera rosną z poziomu 20–100 dolarów do 2000, a nawet 5000 dolarów . Inne firmy nadal mieszczą się w przedziale 200–500 dolarów miesięcznie, ale pojawiają się przypadki przekraczające 2000 dolarów .

2. Subskrypcje ustępują rozliczeniom za wykorzystanie

Firmy takie jak Anthropic, Cursor i GitHub Copilot coraz częściej odchodzą od prostych, stałych abonamentów na rzecz rozliczeń zależnych od wykorzystania i liczby tokenów .

Dla przedsiębiorstwa oznacza to mniej przewidywalne koszty. Dostęp do narzędzia może być powszechny, ale rachunek rośnie wraz z liczbą zadań, długością kontekstu i stopniem autonomii agenta. Jak zauważa Gartner, wydatki na AI do programowania mogą nadal rosnąć, ponieważ inwestycje infrastrukturalne i problemy z rentownością zwiększają presję na ceny modeli .

Uber: cały roczny budżet zużyty w cztery miesiące

Najbardziej wyrazistym przykładem jest Uber. Firma wykorzystała cały budżet przeznaczony na narzędzia AI do programowania na 2026 rok już do kwietnia .

W odpowiedzi wprowadziła limit 1500 dolarów miesięcznie na jednego pracownika i jedno narzędzie w przypadku agentów programistycznych, takich jak Claude Code firmy Anthropic i Cursor . Limit dla jednego narzędzia nie wpływa na budżet przeznaczony na inne narzędzie .

Skala wykorzystania szybko rosła. W marcu 2026 roku Claude Code używało 84% inżynierów Ubera, w porównaniu z 32% pod koniec 2025 roku . Przed wprowadzeniem limitów miesięczne koszty na jednego inżyniera wynosiły od 500 do 2000 dolarów . Dyrektor operacyjny Ubera miał stwierdzić: „Związek między wydatkami na AI a wartością dla klienta nie jest jeszcze widoczny” .

To ważny sygnał dla innych firm: sama wysoka adopcja narzędzia nie dowodzi jeszcze, że inwestycja przynosi wartość biznesową.

Microsoft, Priceline i Accenture również pokazują skalę problemu

Uber nie jest odosobnionym przypadkiem. Microsoft wycofał dostęp swoich deweloperów do Claude Code zaledwie kilka miesięcy po jego udostępnieniu, wskazując na obawy dotyczące kosztów . Priceline odnotował z kolei pięciokrotny wzrost cen narzędzi AI do programowania .

Gartner prognozuje także, że do 2027 roku 40% przedsiębiorstw korzystających z narzędzi AI do programowania rozliczanych za wykorzystanie poniesie nieplanowane koszty przekraczające dwukrotność zakładanego budżetu .

Przypadek Accenture pokazuje, że źródłem wydatków nie muszą być wyłącznie zespoły programistyczne. Według ujawnionych nagrań i doniesień najwięcej tokenów zużywali pracownicy nietechniczni, którzy wykorzystywali AI do przekształcania plików PDF w prezentacje . Accenture planuje uruchomić narzędzie „Token IQ”, które ma pomóc kierownictwu oceniać, czy wydatki na AI przynoszą odpowiedni zwrot .

KPMG: firmy często poznają rachunek dopiero po fakcie

Kontrolowanie kosztów jest trudne również dlatego, że wiele organizacji nie ma odpowiednich danych. Badanie KPMG Global AI Pulse Q2 2026, obejmujące ponad 2100 liderów wyższego szczebla z 20 krajów, wykazało, że tylko 26% organizacji ma pełny, bieżący wgląd w koszty korzystania z AI .

• 50% firm ma jedynie częściową widoczność kosztów.
• 22% ma małą widoczność lub nie ma jej wcale — o wydatkach dowiaduje się dopiero po otrzymaniu faktury .

Steve Chase, globalny szef AI w KPMG, opisał sytuację jako istotne ryzyko finansowej nieprzejrzystości. Niektórzy klienci mieli zużyć roczne limity tokenów i chmury w ciągu kilku miesięcy, a w jednym przypadku wykorzystanie tokenów wzrosło sześciokrotnie .

Tradycyjne mechanizmy finansowe w IT są słabo przystosowane do rachunków, które zmieniają się wraz z każdym żądaniem modelu. Bez monitorowania w czasie rzeczywistym firma może nie wiedzieć, który użytkownik, zespół lub proces generuje największe koszty .

Co Gartner zaleca firmom?

Wskazówki Gartnera z raportu 10 Best Practices for Optimizing Generative and Agentic AI Costs z marca 2026 roku oraz z czerwcowej publikacji How to Optimize Token Consumption for AI Coding sprowadzają się do zarządzania AI jak rzeczywistym centrum kosztów .

Ustalenie zasad użycia dla konkretnych zadań

Firma powinna określić, kiedy agent ma być używany i jaką autonomię może otrzymać. Gartner wyróżnia trzy modele pracy: zadanie prowadzone przez dewelopera, pracę dewelopera z agentem oraz zadanie prowadzone w pełni przez agenta .

Dobór modelu do złożoności pracy

Proste, częste zadania — na przykład pisanie testów, refaktoryzacja, tworzenie szkieletu aplikacji czy dokumentacji — warto kierować do mniejszych i tańszych modeli specjalistycznych. Najbardziej zaawansowane modele powinny być rezerwowane dla zadań złożonych i wymagających większej wartości dodanej .

Lepsze zarządzanie kontekstem

Tak zwane context engineering polega na dostarczaniu modelowi bardziej trafnych i uporządkowanych informacji. Ograniczenie zbędnego lub powtarzającego się kontekstu może zmniejszyć liczbę zużywanych tokenów .

Caching, batchowanie i monitoring

Gartner zaleca także buforowanie powtarzalnych danych, łączenie żądań w partie oraz monitorowanie zużycia tokenów na poziomie pojedynczego dewelopera i zespołu . Organizacje powinny wcześniej przeanalizować swoje wzorce użycia, zanim koszty zaczną rosnąć poza kontrolą .

Warstwa zarządzania w stylu FinOps

Firmy potrzebują mechanizmów znanych z zarządzania kosztami chmury: monitorowania zużycia w czasie rzeczywistym, budżetów przypisanych do użytkowników oraz automatycznego wykrywania nietypowych skoków wykorzystania .

AI nie daje takich samych korzyści przy każdym zadaniu

Dane przytaczane w kontekście zaleceń Gartnera sugerują, że produktywność wyraźnie rośnie przy zadaniach ograniczonych i dobrze opisanych — takich jak pisanie testów, refaktoryzacja, tworzenie szkieletu kodu, dokumentacja czy proste poprawki błędów .

Zyski są znacznie mniejsze przy decyzjach architektonicznych, nowatorskim debugowaniu i rozumowaniu obejmującym wiele systemów . Dlatego firmy powinny najpierw oszacować, jaka część pracy zespołu należy do pierwszej kategorii, i właśnie tam kierować największe nakłady na AI.

Wniosek: koniec z nieograniczonym budżetem na AI

Prognoza Gartnera nie oznacza, że firmy powinny wycofać się z narzędzi AI. Oznacza raczej, że etap swobodnego zwiększania wykorzystania bez sprawdzania rachunków dobiega końca.

AI może realnie przyspieszać pracę nad dobrze zdefiniowanymi zadaniami. Bez kontroli koszty mogą jednak rosnąć szybciej niż produktywność, którą narzędzia mają zapewniać . Firmy będą więc potrzebować nie tylko dostępu do modeli, lecz także jasnych zasad użycia, routingu zadań do odpowiednich modeli, monitorowania tokenów i limitów budżetowych.