I företagsdistributioner kan detta översättas till ungefär 150–250 USD per utvecklare och månad före optimering.

Dessa siffror kan verka hanterbara för en enskild utvecklare. Men i företagsskala – tusentals ingenjörer som använder verktyget dagligen – ackumuleras de snabbt.

Ubers budgetöverraskning

Enligt uppgifter upplevde Uber precis detta problem efter att ha rullat ut AI-kodningsverktyg brett över sin ingenjörsorganisation.

Flera rapporter som citerar interna uttalanden från företagets CTO säger att Uber förbrukade hela sin planerade AI-verktygsbudget för 2026 redan i april, bara fyra månader in på året.

Den främsta drivkraften var explosionsartad användning av AI-kodningsverktyg, särskilt Anthropics Claude Code. Ingenjörer tog verktygen i bruk mycket snabbare än ekonomiavdelningen hade modellerat, vilket tvingade ledningen att ompröva sina utgiftsantaganden.

Episoden belyser en bredare lärdom: när tusentals ingenjörer börjar använda token-mätta AI-system utan strikta användningskontroller, kan utgifterna växa mycket snabbare än väntat.

Microsofts rapporterade byte bort från Claude Code

Microsoft verkar göra en annan justering.

Rapporter säger att företaget säger upp de flesta interna Claude Code-licenser och flyttar utvecklare till sina egna GitHub Copilot CLI-verktyg.

Ändringen kommer bara månader efter att Microsoft utökade Claude Code-åtkomsten till tusentals anställda, inklusive ingenjörer och produktteam.

Viktigt är att detta inte betyder att Microsoft överger AI-kodning. Istället tyder det på att företag kan föredra:

• verktyg som är tätt integrerade i befintliga utvecklarplattformar
• mer förutsägbara kostnadsstrukturer
• större intern kontroll över användning och fakturering

Med andra ord handlar debatten mindre om huruvida AI-kodning är användbart och mer om vilka verktyg som är ekonomiskt hållbara i stor skala.

Produktivitetsdebatten är fortfarande olöst

Kostnadsfrågan skulle vara lättare att besvara om produktivitetsvinsterna var universellt tydliga. Men forskningen hittills är blandad.

En randomiserad kontrollerad studie av forskningsgruppen METR undersökte erfarna öppen källkodsutvecklare som använde banbrytande AI-kodningsverktyg. Studien fann att utvecklare slutförde uppgifter cirka 19 % långsammare när AI-assistans var tillåten, även om de trodde att de arbetade snabbare.

Forskarna föreslog att överhead för verifiering och felsökning – att kontrollera AI-genererad kod för korrekthet – kan kompensera för en del av den tid som sparas under kodgenerering.

Andra studier och branschdata visar fortfarande produktivitetsvinster i vissa situationer, särskilt för enkla uppgifter eller standardkod. Men resultaten varierar beroende på utvecklarens erfarenhetsnivå och projektets komplexitet.

Varför historien om att "AI gör mjukvara billigare" är komplicerad

Tre strukturella faktorer kolliderar:

1. Explosionsartad användning. AI-kodningsassistenter har snabbt blivit rutinverktyg för utvecklare i många organisationer.
2. Användningsbaserad prissättning. Token-fakturering innebär att kostnaderna skalar direkt med aktivitet snarare än antal användare.
3. Ojämna produktivitetsvinster. Vissa utvecklare blir snabbare, men andra lägger mer tid på att granska och korrigera AI-output.

När dessa krafter kombineras kan företag uppleva en paradox: utvecklingen känns snabbare, men den totala kostnaden för att producera mjukvara kan öka.

Vad företag gör härnäst

Den nuvarande förändringen ser mindre ut som en reträtt från AI och mer som en övergång från experiment till kostnadsstyrning.

Vanliga svar som växer fram i branschen inkluderar:

• att sätta utgiftsgränser per team för AI
• att begränsa användningen av de dyraste modellerna
• att optimera uppmaningar och sammanhangets storlek för att minska tokenförbrukningen
• att konsolidera verktyg till en enda plattform

Kort sagt, den första vågen av företagsanvändning av AI-kodning prioriterade hastighet och experimenterande. Nästa våg kommer sannolikt att fokusera på kostnadskontroll och arbetsflödesdesign.

AI-kodningsassistenter sprids fortfarande snabbt – men företag lär sig nu att skala dem över tusentals utvecklare inte bara är ett tekniskt beslut. Det är också ett finansiellt.

I företagsdistributioner kan detta översättas till ungefär 150–250 USD per utvecklare och månad före optimering.

Dessa siffror kan verka hanterbara för en enskild utvecklare. Men i företagsskala – tusentals ingenjörer som använder verktyget dagligen – ackumuleras de snabbt.

Ubers budgetöverraskning

Enligt uppgifter upplevde Uber precis detta problem efter att ha rullat ut AI-kodningsverktyg brett över sin ingenjörsorganisation.

Flera rapporter som citerar interna uttalanden från företagets CTO säger att Uber förbrukade hela sin planerade AI-verktygsbudget för 2026 redan i april, bara fyra månader in på året.

Den främsta drivkraften var explosionsartad användning av AI-kodningsverktyg, särskilt Anthropics Claude Code. Ingenjörer tog verktygen i bruk mycket snabbare än ekonomiavdelningen hade modellerat, vilket tvingade ledningen att ompröva sina utgiftsantaganden.

Episoden belyser en bredare lärdom: när tusentals ingenjörer börjar använda token-mätta AI-system utan strikta användningskontroller, kan utgifterna växa mycket snabbare än väntat.

Microsofts rapporterade byte bort från Claude Code

Microsoft verkar göra en annan justering.

Rapporter säger att företaget säger upp de flesta interna Claude Code-licenser och flyttar utvecklare till sina egna GitHub Copilot CLI-verktyg.

Ändringen kommer bara månader efter att Microsoft utökade Claude Code-åtkomsten till tusentals anställda, inklusive ingenjörer och produktteam.

Viktigt är att detta inte betyder att Microsoft överger AI-kodning. Istället tyder det på att företag kan föredra:

• verktyg som är tätt integrerade i befintliga utvecklarplattformar
• mer förutsägbara kostnadsstrukturer
• större intern kontroll över användning och fakturering

Med andra ord handlar debatten mindre om huruvida AI-kodning är användbart och mer om vilka verktyg som är ekonomiskt hållbara i stor skala.

Produktivitetsdebatten är fortfarande olöst

Kostnadsfrågan skulle vara lättare att besvara om produktivitetsvinsterna var universellt tydliga. Men forskningen hittills är blandad.

En randomiserad kontrollerad studie av forskningsgruppen METR undersökte erfarna öppen källkodsutvecklare som använde banbrytande AI-kodningsverktyg. Studien fann att utvecklare slutförde uppgifter cirka 19 % långsammare när AI-assistans var tillåten, även om de trodde att de arbetade snabbare.

Forskarna föreslog att överhead för verifiering och felsökning – att kontrollera AI-genererad kod för korrekthet – kan kompensera för en del av den tid som sparas under kodgenerering.

Andra studier och branschdata visar fortfarande produktivitetsvinster i vissa situationer, särskilt för enkla uppgifter eller standardkod. Men resultaten varierar beroende på utvecklarens erfarenhetsnivå och projektets komplexitet.

Varför historien om att "AI gör mjukvara billigare" är komplicerad

Tre strukturella faktorer kolliderar:

1. Explosionsartad användning. AI-kodningsassistenter har snabbt blivit rutinverktyg för utvecklare i många organisationer.
2. Användningsbaserad prissättning. Token-fakturering innebär att kostnaderna skalar direkt med aktivitet snarare än antal användare.
3. Ojämna produktivitetsvinster. Vissa utvecklare blir snabbare, men andra lägger mer tid på att granska och korrigera AI-output.

När dessa krafter kombineras kan företag uppleva en paradox: utvecklingen känns snabbare, men den totala kostnaden för att producera mjukvara kan öka.

Vad företag gör härnäst

Den nuvarande förändringen ser mindre ut som en reträtt från AI och mer som en övergång från experiment till kostnadsstyrning.

Vanliga svar som växer fram i branschen inkluderar:

• att sätta utgiftsgränser per team för AI
• att begränsa användningen av de dyraste modellerna
• att optimera uppmaningar och sammanhangets storlek för att minska tokenförbrukningen
• att konsolidera verktyg till en enda plattform

Kort sagt, den första vågen av företagsanvändning av AI-kodning prioriterade hastighet och experimenterande. Nästa våg kommer sannolikt att fokusera på kostnadskontroll och arbetsflödesdesign.

AI-kodningsassistenter sprids fortfarande snabbt – men företag lär sig nu att skala dem över tusentals utvecklare inte bara är ett tekniskt beslut. Det är också ett finansiellt.