Budgeten som framgången sprängde

Ubers teknikchef, Praveen Neppalli Naga, gav The Information siffran som borde stoppa varje ägare mitt i en mening: bolaget hade bränt hela sin planerade AI-kodningsbudget 2026 på fyra månader. Uber hade rullat ut verktyget till cirka 5 000 ingenjörer i december 2025, och spridningen steg från 32 procent av ingenjörerna i februari till 84 procent som klassades som stora agentiska användare i mars 2026. Vid våren lade rapporterna månadskostnaden per ingenjör mellan 150 och 250 dollar i snitt och mellan 500 och 2 000 dollar för storanvändare. Inget hade gått fel. Verktyget fungerade, ingenjörerna använde det, och att använda det är vad som tömde budgeten.

Samma mönster dök upp hos Microsoft. Flera rapporter, ledda av The Verge, beskriver Microsoft som drar in det mesta interna Claude Code-åtkomsten i sin division Experiences and Devices - gruppen bakom Windows, Microsoft 365, Outlook, Teams och Surface - till 30 juni 2026 och flyttar ingenjörer till GitHub Copilot CLI. Den officiella inramningen är att ena verktygskedjan, men rapporterna är tydliga om drivkraften: vid förbrukningsprissättning spränger tung användning av ett agentiskt kodningsverktyg årsbudgeten, för verktyget mäts i förbrukade tokens, inte i upptagna platser. Ju bättre det fungerar, desto mer används det, och ju mer det används, desto högre är räkningen.

Varför det spelar roll: det är ett basratsfel, inte ett verktygsproblem

Varför det spelar roll: felet är inte att välja fel verktyg. Det är att budgetera ett nytt verktyg på den gamla basraten. Företag prissatte AI-kodning som om det vore billig autokomplettering - en liten kostnad per plats som knappt rör sig med användningen. Agentiska verktyg bryter det antagandet eftersom de kör kontinuerliga resonemangscykler, och de är prissatta för det: kostnaden skalar med hur mycket arbete verktyget utför, alltså med hur framgångsrik utrullningen är. Den som budgeterar piloten - en handfull nyfikna ingenjörer med lätta förfrågningar - modellerar fel basrat för ett verktyg vars hela värdeerbjudande är att alla kommer att använda det ständigt.

Ja, men: detta är inget argument för att agentisk AI är för dyr att använda. Uber rullar fortfarande ut den, och produktiviteten är verklig - vid våren kom cirka 70 procent av Ubers incheckade kod från AI-verktyg. Poängen är snävare: förbrukningsprissättning gör spridning till en kostnadskurva, och det är framgångsfallet, inte piloten, som måste vara överkomligt. Microsofts svar, att byta till ett annat verktyg, är en lösning; mätning och tak per användare från dag ett är en annan, oftast den billigare.

Slutsatsen: budgetera fallet med full spridning och mät från dag ett

Slutsatsen: innan du köper ett förbrukningsprissatt AI-verktyg, modellera kostnaden för scenariot där det fungerar. Ta kostnaden per användare för din tyngsta förväntade användare, multiplicera med det antal du faktiskt tänker rulla ut till, och kontrollera om den siffran ryms i årsbudgeten. Gör den inte det är verktyget oöverkomligt i framgångsfallet hur billig piloten än såg ut, och det disciplinerade draget är att sätta tak och mäta per användare från dag ett i stället för att upptäcka taket i fjärde månaden som Uber gjorde.

Den bredare beslutsprincipen överlever denna enda produktkategori. När en leverantör tar betalt per enhet av exakt det beteende vars ökning du betalar för, betyder pilotkostnaden inget och framgångskostnaden är allt. Modellera utfallet du hoppas på, inte provet du kör, och har du inte råd med verktyget som fungerar perfekt, köp inte verktyget som fakturerar dig mer för att fungera.

Läs vidare: Halo dödar motorn som åt upp studion  |  Microsofts vd: du betalar för AI två gånger