На первый взгляд это не выглядит критично. Но когда инструментом пользуются тысячи инженеров одновременно, расходы могут расти очень быстро.

Почему бюджеты начали «взрываться»

Одна из ключевых причин — изменение модели оплаты.

Многие AI‑сервисы для разработчиков переходят от фиксированных лицензий к usage‑based billing — оплате за фактическое потребление вычислений и токенов (фрагментов текста, которые модель обрабатывает и генерирует).

Это означает, что:

• каждая генерация кода увеличивает счёт,
• длинный контекст проекта повышает стоимость запроса,
• сложные «агентные» цепочки могут многократно умножать расход токенов.

В результате компания может запланировать бюджет, исходя из умеренного использования, а затем обнаружить, что реальные расходы растут в несколько раз быстрее из‑за масштабирования внутри команды.

Ситуация в Uber

По сообщениям в СМИ, Uber столкнулся именно с таким сценарием. После широкого внедрения AI‑инструментов для кодирования — особенно Claude Code от Anthropic — расходы оказались значительно выше прогнозов.

Сообщается, что компания:

• предоставила доступ примерно 5 000 инженерам,
• быстро увидела резкий рост использования,
• и к апрелю 2026 года уже исчерпала весь годовой бюджет на AI‑инструменты.

Такая ситуация показывает, как даже относительно небольшая стоимость на одного разработчика может превращаться в огромные расходы при масштабировании на тысячи пользователей.

Почему Microsoft пересматривает использование Claude Code

Похожая история, по сообщениям СМИ, произошла и внутри Microsoft.

Компания ранее расширила доступ к Claude Code для тысяч сотрудников — не только инженеров, но также менеджеров проектов и дизайнеров. Однако спустя несколько месяцев Microsoft, как сообщается, начала отменять большую часть внутренних лицензий Claude Code.

Вместо этого разработчиков переводят на GitHub Copilot CLI, собственный инструмент Microsoft для работы с AI в терминале.

Внутри компании это объяснялось как вопрос «совместной ответственности за расходы», что указывает на растущее внимание к контролю затрат на AI‑инфраструктуру.

Важно: сообщения о таких шагах основаны на журналистских публикациях и внутренних источниках, а не на официальных публичных отчётах компаний.

Почему это противоречит популярному нарративу об AI

AI‑инструменты часто продаются как способ сделать разработку быстрее и дешевле. Но на практике картина может быть сложнее.

Во‑первых, рост производительности не всегда гарантирован. В одном рандомизированном контролируемом исследовании опытных разработчиков open‑source использование современных AI‑инструментов увеличивало время выполнения задач примерно на 19 %.

Во‑вторых, некоторые исследования предупреждают о риске увеличения технического долга: если AI генерирует больше кода, но его качество требует дополнительной проверки и исправлений, нагрузка на опытных инженеров может расти.

Это создаёт парадокс:

• объём написанного кода увеличивается,
• ощущение скорости работы растёт,
• но фактическая производительность и итоговая стоимость проектов могут не улучшаться.

Что из этого следует для индустрии

Наиболее устойчивые выводы из доступных данных выглядят так:

• расходы на AI‑инструменты становятся более заметными и менее предсказуемыми при масштабировании;
• компании начинают ограничивать доступ, менять инструменты или вводить контроль бюджета;
• универсальное утверждение, что AI‑кодинг всегда делает разработку быстрее и дешевле, пока не подтверждается убедительными эмпирическими данными.

Скорее всего, крупные компании не откажутся от AI‑ассистентов вовсе. Но текущая волна экспериментов показывает: при массовом внедрении главный вопрос уже не «работает ли AI», а сколько он реально стоит и где он действительно повышает продуктивность.

На первый взгляд это не выглядит критично. Но когда инструментом пользуются тысячи инженеров одновременно, расходы могут расти очень быстро.

Почему бюджеты начали «взрываться»

Одна из ключевых причин — изменение модели оплаты.

Многие AI‑сервисы для разработчиков переходят от фиксированных лицензий к usage‑based billing — оплате за фактическое потребление вычислений и токенов (фрагментов текста, которые модель обрабатывает и генерирует).

Это означает, что:

• каждая генерация кода увеличивает счёт,
• длинный контекст проекта повышает стоимость запроса,
• сложные «агентные» цепочки могут многократно умножать расход токенов.

В результате компания может запланировать бюджет, исходя из умеренного использования, а затем обнаружить, что реальные расходы растут в несколько раз быстрее из‑за масштабирования внутри команды.

Ситуация в Uber

По сообщениям в СМИ, Uber столкнулся именно с таким сценарием. После широкого внедрения AI‑инструментов для кодирования — особенно Claude Code от Anthropic — расходы оказались значительно выше прогнозов.

Сообщается, что компания:

• предоставила доступ примерно 5 000 инженерам,
• быстро увидела резкий рост использования,
• и к апрелю 2026 года уже исчерпала весь годовой бюджет на AI‑инструменты.

Такая ситуация показывает, как даже относительно небольшая стоимость на одного разработчика может превращаться в огромные расходы при масштабировании на тысячи пользователей.

Почему Microsoft пересматривает использование Claude Code

Похожая история, по сообщениям СМИ, произошла и внутри Microsoft.

Компания ранее расширила доступ к Claude Code для тысяч сотрудников — не только инженеров, но также менеджеров проектов и дизайнеров. Однако спустя несколько месяцев Microsoft, как сообщается, начала отменять большую часть внутренних лицензий Claude Code.

Вместо этого разработчиков переводят на GitHub Copilot CLI, собственный инструмент Microsoft для работы с AI в терминале.

Внутри компании это объяснялось как вопрос «совместной ответственности за расходы», что указывает на растущее внимание к контролю затрат на AI‑инфраструктуру.

Важно: сообщения о таких шагах основаны на журналистских публикациях и внутренних источниках, а не на официальных публичных отчётах компаний.

Почему это противоречит популярному нарративу об AI

AI‑инструменты часто продаются как способ сделать разработку быстрее и дешевле. Но на практике картина может быть сложнее.

Во‑первых, рост производительности не всегда гарантирован. В одном рандомизированном контролируемом исследовании опытных разработчиков open‑source использование современных AI‑инструментов увеличивало время выполнения задач примерно на 19 %.

Во‑вторых, некоторые исследования предупреждают о риске увеличения технического долга: если AI генерирует больше кода, но его качество требует дополнительной проверки и исправлений, нагрузка на опытных инженеров может расти.

Это создаёт парадокс:

• объём написанного кода увеличивается,
• ощущение скорости работы растёт,
• но фактическая производительность и итоговая стоимость проектов могут не улучшаться.

Что из этого следует для индустрии

Наиболее устойчивые выводы из доступных данных выглядят так:

• расходы на AI‑инструменты становятся более заметными и менее предсказуемыми при масштабировании;
• компании начинают ограничивать доступ, менять инструменты или вводить контроль бюджета;
• универсальное утверждение, что AI‑кодинг всегда делает разработку быстрее и дешевле, пока не подтверждается убедительными эмпирическими данными.

Скорее всего, крупные компании не откажутся от AI‑ассистентов вовсе. Но текущая волна экспериментов показывает: при массовом внедрении главный вопрос уже не «работает ли AI», а сколько он реально стоит и где он действительно повышает продуктивность.