У масштабах підприємства це може становити приблизно $150–$250 на одного розробника на місяць до оптимізації.

Окремо ці цифри можуть здаватися прийнятними. Але в масштабах компанії — коли інструмент щодня використовують тисячі інженерів — вони швидко стають значними.

Бюджетний сюрприз Uber

За повідомленнями, Uber зіткнувся саме з цією проблемою після широкого впровадження AI-інструментів серед своїх інженерів.

Згідно з кількома джерелами, які посилаються на внутрішні заяви CTO компанії, Uber вичерпав весь запланований AI-бюджет на 2026 рік до квітня, тобто лише за чотири місяці.

Основною причиною стало шалене впровадження AI-інструментів для кодування, особливо Claude Code від Anthropic. Інженери почали використовувати їх набагато швидше, ніж фінансові моделі компанії прогнозували, змусивши керівництво переглянути свої припущення щодо витрат.

Цей випадок ілюструє загальний урок: коли тисячі інженерів починають користуватися AI-системами з поточною оплатою без жорсткого контролю, витрати можуть зрости набагато швидше, ніж очікувалося.

Повідомлений перехід Microsoft від Claude Code

Microsoft, здається, робить інше коригування.

Повідомляється, що компанія скасовує більшість внутрішніх ліцензій Claude Code і переводить розробників на власні інструменти GitHub Copilot CLI.

Ця зміна відбувається лише через кілька місяців після того, як Microsoft надала доступ до Claude Code тисячам співробітників, включаючи інженерів і продуктові команди.

Важливо, що це не означає відмову Microsoft від AI-кодингу. Натомість це свідчить про те, що компанії можуть віддавати перевагу:

• інструментам, тісно інтегрованим в існуючі платформи для розробників
• більш передбачуваним структурам витрат
• більшому внутрішньому контролю над використанням і виставленням рахунків

Іншими словами, дискусія ведеться не стільки про те, чи корисний AI-кодинг, скільки про те, які інструменти мають економічний сенс у масштабі.

Дискусія про продуктивність досі не завершена

Питання витрат було б легше вирішити, якби продуктивність зростала однозначно. Але результати досліджень поки що неоднозначні.

Рандомізоване контрольоване дослідження, проведене дослідницькою групою METR, вивчало досвідчених розробників відкритого коду, які використовували передові AI-інструменти. Дослідження показало, що розробники виконували завдання приблизно на 19% повільніше, коли AI був дозволений, хоча самі вважали, що працюють швидше.

Дослідники припустили, що накладні витрати на перевірку та налагодження — перевірка згенерованого AI коду на правильність — можуть нівелювати частину часу, зекономленого під час генерації коду.

Інші дослідження та галузеві дані все ще показують підвищення продуктивності в певних ситуаціях, особливо для простих завдань або шаблонного коду. Але результати варіюються залежно від рівня досвіду розробника та складності проекту.

Чому історія «AI робить програмне забезпечення дешевшим» ускладнюється

Зіштовхнулися три структурні фактори:

1. Шалений рівень впровадження. AI-асистенти для кодування швидко стали звичайним інструментом для розробників у багатьох організаціях.
2. Ціноутворення на основі використання. Оплата за токени означає, що витрати зростають безпосередньо з активністю, а не залежать від кількості робочих місць.
3. Нерівномірне підвищення продуктивності. Деякі розробники працюють швидше, але інші витрачають більше часу на перевірку та виправлення результатів роботи AI.

Коли ці сили поєднуються, компанії можуть зіткнутися з парадоксом: розробка здається швидшою, але загальна вартість створення програмного забезпечення може зростати.

Що роблять підприємства далі

Поточний зсув виглядає не як відступ від AI, а скоріше як перехід від експериментів до управління витратами.

Поширені заходи, що з'являються в галузі, включають:

• встановлення лімітів витрат на AI для кожної команди
• обмеження використання найдорожчих моделей
• оптимізацію запитів і розміру контексту для зменшення споживання токенів
• консолідацію інструментів на єдиній платформі

Коротше кажучи, перша хвиля впровадження корпоративного AI-кодингу надавала пріоритет швидкості та експериментам. Наступна хвиля, ймовірно, буде зосереджена на контролі витрат і дизайні робочих процесів.

AI-асистенти для кодування все ще швидко поширюються — але компанії тепер розуміють, що масштабування їх на тисячі розробників — це не лише технічне рішення. Це ще й фінансове.

У масштабах підприємства це може становити приблизно $150–$250 на одного розробника на місяць до оптимізації.

Окремо ці цифри можуть здаватися прийнятними. Але в масштабах компанії — коли інструмент щодня використовують тисячі інженерів — вони швидко стають значними.

Бюджетний сюрприз Uber

За повідомленнями, Uber зіткнувся саме з цією проблемою після широкого впровадження AI-інструментів серед своїх інженерів.

Згідно з кількома джерелами, які посилаються на внутрішні заяви CTO компанії, Uber вичерпав весь запланований AI-бюджет на 2026 рік до квітня, тобто лише за чотири місяці.

Основною причиною стало шалене впровадження AI-інструментів для кодування, особливо Claude Code від Anthropic. Інженери почали використовувати їх набагато швидше, ніж фінансові моделі компанії прогнозували, змусивши керівництво переглянути свої припущення щодо витрат.

Цей випадок ілюструє загальний урок: коли тисячі інженерів починають користуватися AI-системами з поточною оплатою без жорсткого контролю, витрати можуть зрости набагато швидше, ніж очікувалося.

Повідомлений перехід Microsoft від Claude Code

Microsoft, здається, робить інше коригування.

Повідомляється, що компанія скасовує більшість внутрішніх ліцензій Claude Code і переводить розробників на власні інструменти GitHub Copilot CLI.

Ця зміна відбувається лише через кілька місяців після того, як Microsoft надала доступ до Claude Code тисячам співробітників, включаючи інженерів і продуктові команди.

Важливо, що це не означає відмову Microsoft від AI-кодингу. Натомість це свідчить про те, що компанії можуть віддавати перевагу:

• інструментам, тісно інтегрованим в існуючі платформи для розробників
• більш передбачуваним структурам витрат
• більшому внутрішньому контролю над використанням і виставленням рахунків

Іншими словами, дискусія ведеться не стільки про те, чи корисний AI-кодинг, скільки про те, які інструменти мають економічний сенс у масштабі.

Дискусія про продуктивність досі не завершена

Питання витрат було б легше вирішити, якби продуктивність зростала однозначно. Але результати досліджень поки що неоднозначні.

Рандомізоване контрольоване дослідження, проведене дослідницькою групою METR, вивчало досвідчених розробників відкритого коду, які використовували передові AI-інструменти. Дослідження показало, що розробники виконували завдання приблизно на 19% повільніше, коли AI був дозволений, хоча самі вважали, що працюють швидше.

Дослідники припустили, що накладні витрати на перевірку та налагодження — перевірка згенерованого AI коду на правильність — можуть нівелювати частину часу, зекономленого під час генерації коду.

Інші дослідження та галузеві дані все ще показують підвищення продуктивності в певних ситуаціях, особливо для простих завдань або шаблонного коду. Але результати варіюються залежно від рівня досвіду розробника та складності проекту.

Чому історія «AI робить програмне забезпечення дешевшим» ускладнюється

Зіштовхнулися три структурні фактори:

1. Шалений рівень впровадження. AI-асистенти для кодування швидко стали звичайним інструментом для розробників у багатьох організаціях.
2. Ціноутворення на основі використання. Оплата за токени означає, що витрати зростають безпосередньо з активністю, а не залежать від кількості робочих місць.
3. Нерівномірне підвищення продуктивності. Деякі розробники працюють швидше, але інші витрачають більше часу на перевірку та виправлення результатів роботи AI.

Коли ці сили поєднуються, компанії можуть зіткнутися з парадоксом: розробка здається швидшою, але загальна вартість створення програмного забезпечення може зростати.

Що роблять підприємства далі

Поточний зсув виглядає не як відступ від AI, а скоріше як перехід від експериментів до управління витратами.

Поширені заходи, що з'являються в галузі, включають:

• встановлення лімітів витрат на AI для кожної команди
• обмеження використання найдорожчих моделей
• оптимізацію запитів і розміру контексту для зменшення споживання токенів
• консолідацію інструментів на єдиній платформі

Коротше кажучи, перша хвиля впровадження корпоративного AI-кодингу надавала пріоритет швидкості та експериментам. Наступна хвиля, ймовірно, буде зосереджена на контролі витрат і дизайні робочих процесів.

AI-асистенти для кодування все ще швидко поширюються — але компанії тепер розуміють, що масштабування їх на тисячі розробників — це не лише технічне рішення. Це ще й фінансове.