Autor Maksym Misichenko · Yahoo Finance ·
Co agenci AI myślą o tej wiadomości
Chociaż istnieje zgoda co do wysokich wskaźników adopcji i wzrostu produktywności dzięki narzędziom AI, panelistów nie zgadzają się co do tego, czy poprawa kosztów nastąpi. Niektórzy argumentują, że ograniczenia energetyczne mogą ograniczyć deflację kosztów tokenów, podczas gdy inni uważają, że ceny poprawią się wraz ze skalą.
Ryzyko: Utrzymujące się koszty tokenów z powodu ograniczeń energetycznych, potencjalnie ograniczające ROI i kompresję marży.
Szansa: Wysokie wskaźniki adopcji i wzrost produktywności, z 11% kodu dostarczonego bez interwencji człowieka w Uberze.
Analiza ta jest generowana przez pipeline StockScreener — cztery wiodące LLM (Claude, GPT, Gemini, Grok) otrzymują identyczne instrukcje z wbudowaną ochroną przed halucynacjami. Przeczytaj metodologię →
W tym tygodniu wstrząsnęły nami dwa wydarzenia. Microsoft (NASDAQ: MSFT) — firma, która zainwestowała około 13 miliardów dolarów w OpenAI (1) i pisze do 30% własnego kodu za pomocą generatywnej AI — podobno poinformowała inżynierów (2) w dużej dywizji, aby zaprzestali korzystania z narzędzia do kodowania AI, ponieważ rachunki stały się zbyt wysokie. A dyrektor ds. technologii Ubera (NYSE: UBER) stwierdził, że firma w ciągu zaledwie czterech miesięcy wyczerpała cały budżet na rok 2026 na Claude Code i Cursor, według The Information (3).
Rzeczywiście, wygląda na to, że same firmy AI są w pełni świadome kosztów. Bryan Catanzaro, wiceprezes ds. badań nad zastosowaniami głębokiego uczenia w Nvidia (NASDAQ: NVDA) — firmie o wartości ponad 5 bilionów dolarów, produkującej chipy zasilające znaczną część branży AI — powiedział Axios (4): „dla mojego zespołu koszt obliczeń znacznie przewyższa koszty zatrudnienia pracowników”.
Zastępowanie ludzkich pracowników przez AI nadal stanowi realne długoterminowe ryzyko. Ale oto rzecz: firmy faktycznie wdrażające ją na dużą skalę otwarcie przyznają, że AI jest zbyt droga, a to ważny sygnał.
Co Microsoft faktycznie zrobił, a czego nie
Pod koniec 2025 roku Microsoft udostępnił tysiącom swoich pracowników — inżynierom, kierownikom produktu, projektantom, a nawet osobom na stanowiskach nietechnicznych — dostęp do Claude Code (5), narzędzia AI do kodowania od Anthropic. Pomysł polegał na tym, aby pozwolić im eksperymentować i zacząć z nim kodować. Rozprzestrzeniło się to dość szybko, daleko poza zespoły techniczne.
Potem przyszły rachunki.
Microsoft anuluje licencje Claude Code (6) w swojej grupie Experiences and Devices — zespole odpowiedzialnym za Windows, Microsoft 365, Outlook, Teams i Surface — z datą wygaśnięcia 30 czerwca (7), ostatnim dniem roku fiskalnego Microsoftu. Firma przenosi swoich inżynierów do GitHub Copilot CLI (8), tańszego narzędzia Microsoftu.
Dla jasności, nie jest to krok Microsoftu wstecz od AI. W żadnym wypadku: modele Claude nadal działają w Copilot CLI. A szersza umowa Microsoftu z Anthropic (9) pozostaje nienaruszona, w tym inwestycja Microsoftu do 5 miliardów dolarów w Anthropic i zobowiązanie Anthropic do zakupu mocy obliczeniowej Azure o wartości 30 miliardów dolarów. Ta umowa obowiązuje, według Fortune (2).
Obecnym problemem jest model cenowy. Ceny oparte na tokenach naliczają opłaty za wyjście, a gdy inżynierowie używają agenta AI przez wiele godzin do złożonych zadań kodowania, te tokeny szybko się gromadzą.
Sytuacja Ubera to konkretyzuje. W kwietniu CTO Ubera, Praveen Neppalli Naga, powiedział The Information (3), że jego firma wyczerpała cały budżet na kodowanie AI na rok 2026 w ciągu czterech miesięcy.
„Wracam do punktu wyjścia” — powiedział Naga — „ponieważ budżet, który myślałem, że będę potrzebował, już się wyczerpał”.
I nie dlatego, że Uber źle zarządzał funduszami. Podobnie jak Microsoft, Uber wdrożył (10) Claude Code dla swoich inżynierów w grudniu 2025 roku. Do marca około 84% inżynierów Ubera przyjęło Claude Code i zostało sklasyfikowanych jako użytkownicy kodowania agentowego (11).
Według The Information (3), około 70% kodu zatwierdzonego w Uberze pochodzi teraz od AI, a 11% aktualizacji backendu jest wysyłanych przez agenta bez udziału człowieka. Poszczególni inżynierowie wydawali od 500 do 2000 dolarów miesięcznie. Ironią jest to, że stało się tak, ponieważ narzędzie działało. Inżynierowie uznali AI za naprawdę użyteczną i uczynili ją częścią swojego codziennego przepływu pracy. Budżet nie załamał się z powodu marnowania tokenów przez inżynierów, ale raczej dlatego, że faktycznie korzystali z narzędzia, czego wielu szefów w Dolinie Krzemowej domagało się od swoich pracowników.
Hype spotyka się z rzeczywistością w ekonomii AI
Komentarz Catanzaro z Nvidia nie jest odosobnionym punktem danych. Wielkie firmy technologiczne ogłosiły w tym roku wydatki kapitałowe o łącznej wartości 740 miliardów dolarów — to 69% wzrost w porównaniu z 2025 rokiem, według Morgan Stanley (12). Ale Yale Budget Lab donosi (13), że nadal nie ma powszechnych danych pokazujących, że AI faktycznie napędza wzrost produktywności na dużą skalę.
Badanie MIT z 2024 roku (14) przyjrzało się ekonomii automatyzacji pracy związanej z wizją i stwierdziło, że AI może to robić wystarczająco tanio, aby miało sens dla około 23% wynagrodzeń związanych z tymi zadaniami. W pozostałych 77% przypadków nadal taniej było, aby pracę wykonywał człowiek.
Keith Lee, profesor AI i finansów w Gordon School of Business Swiss Institute of Artificial Intelligence, powiedział Fortune (4), że to, czego jesteśmy świadkami, to „krótkoterminowa rozbieżność” spowodowana kosztami sprzętu i energii, które podnoszą koszty operacyjne dostawców AI.
Infrastruktura wymagana do uruchomienia AI na dużą skalę ma kosztować 5,2 biliona dolarów do 2030 roku, według McKinsey (15). „Nie chodzi tylko o to, że AI staje się tańsza niż ludzie” — powiedział Lee. „Chodzi o to, aby stać się zarówno tańszym, jak i bardziej przewidywalnym na dużą skalę”.
Co to oznacza dla pracowników martwiących się o AI
Żadna z tych rzeczy nie oznacza, że zastępowanie przez AI nie jest realne. Zwolnienia w branży technologicznej wyniosły już ponad 115 000 w 2026 roku w 152 firmach, według Layoffs.fyi (16), już na drodze do pobicia ubiegłorocznych 120 000+. Firmy redukują miejsca pracy i jednocześnie inwestują w AI, nawet jeśli AI jeszcze wyraźnie nie oszczędza pieniędzy.
To, co pokazują nam Microsoft i Uber, to realne ograniczenie: aby zastąpić pracownika, AI musi dostarczyć taki sam lub lepszy wynik za mniejsze pieniądze. Obecnie, w przypadku większości stanowisk, ta matematyka się nie zgadza.
Dołącz do ponad 250 000 czytelników i jako pierwszy otrzymuj najlepsze historie i ekskluzywne wywiady Moneywise — jasne spostrzeżenia zebrane i dostarczane co tydzień. Subskrybuj teraz.
Źródła artykułu
Polegamy wyłącznie na zweryfikowanych źródłach i wiarygodnych raportach stron trzecich. Szczegółowe informacje można znaleźć w naszych zasadach etycznych i wytycznych.
CNBC (1); Fortune (2), (4), (10); The Information (3); The Verge (5), (7); The Next Web (6); The Street (8); Seeking Alpha (9); MLQ (11); Morgan Stanley (12); Yale University (13); MIT Computer Science and Artificial Intelligence Laboratory (14); McKinsey & Company (15); Layoffs.fyi (16)
Cztery wiodące modele AI dyskutują o tym artykule
"Obecne ceny tokenów stanowią krótkoterminowe ograniczenie dla przesunięcia pracowników przez AI, ale nie są trwałe, biorąc pod uwagę szybką wewnętrzną optymalizację u graczy na dużą skalę, takich jak MSFT."
Artykuł prawidłowo wskazuje na realne skoki kosztów w MSFT i UBER, gdzie użycie Claude przekroczyło budżety w ciągu kilku miesięcy i wymusiło przejście na tańszy Copilot CLI do 30 czerwca. Jednakże, bagatelizuje to sygnał o 70-84% adopcji przez inżynierów i 11% wdrożeń w pełni zarządzanych przez agentów w Uberze — dowód na to, że narzędzia już dostarczają wyniki warte wydatków. Fala wydatków kapitałowych w wysokości 740 miliardów dolarów i wycena NVDA na 5 bilionów dolarów odzwierciedlają zakłady, że koszty za token spadną szybciej niż płace, a nie to, że przesunięcie pracowników zostanie zatrzymane. Brakujący kontekst: mniejsze firmy bez umów na skalę Azure napotykają na większe bariery, poszerzając fosę wielkich technologii.
Ograniczenia energetyczne i sprzętowe mogą utrzymać wysokie koszty wnioskowania do 2028 roku, co sugeruje projekcja McKinsey dotycząca infrastruktury o wartości 5,2 biliona dolarów, zamieniając dzisiejszą „rozbieżność” w wieloletnie obciążenie zwrotu z inwestycji, zamiast szybkiego rozwiązania za pomocą narzędzi wewnętrznych.
"Microsoft i Uber napotkali ścianę cenową, a nie ścianę możliwości — i to jest w rzeczywistości optymistyczne dla długoterminowej adopcji AI, jeśli (i tylko jeśli) koszty tokenów lub modele rozliczeniowe skompresują się wraz z dojrzewaniem infrastruktury."
Artykuł miesza dwie odrębne historie: (1) Microsoft przechodzi z Claude Code na tańszy GitHub Copilot CLI — nie rezygnując z AI, ale optymalizując wydatki; oraz (2) realny problem kosztu za token dla agentów kodujących. Główniejszy problem: obserwujemy wczesną fazę nieefektywności cenowej, a nie strukturalną niewykonalność. Uber wyczerpał budżet na 2026 rok w cztery miesiące, ponieważ adopcja była *udana* — 84% inżynierów używało go codziennie. To problem cenowy, a nie problem popytu. Projekcja infrastruktury na 5,2 biliona dolarów i 69% wzrost wydatków kapitałowych sugerują, że Big Tech wierzy, że ekonomia jednostkowa się poprawi. Badanie MIT (23% zadań wizualnych ekonomicznie opłacalnych) to dane z 2024 roku dotyczące wąskiego przypadku użycia; agenci kodujący mają wyższy ROI. Brakuje: zerowej dyskusji o tym, jak ewoluują modele cenowe lub czy koszty tokenów spadną wraz ze wzrostem skali.
Jeśli Claude Code i Cursor są już nieosiągalne przy obecnych wskaźnikach użycia, mimo że „działają dobrze”, podstawowy koszt obliczeniowy może być strukturalnie zbyt wysoki, aby kiedykolwiek przebić ludzkie płace na dużą skalę — zwłaszcza w przypadku pracy umysłowej, gdzie oczekiwania płacowe są wysokie. Artykuł zakłada, że ceny się poprawią; mogą się nie poprawić.
"Przejście od zewnętrznych narzędzi AI do własnych, zoptymalizowanych wewnętrznych stosów jest niezbędnym kolejnym krokiem do realizacji potencjału generatywnej AI zwiększającego marże."
Narracja „AI jest zbyt droga” to klasyczne błędne odczytanie wczesnej fazy adopcji infrastruktury. Microsoft i Uber nie wycofują się z AI; przechodzą od modeli cenowych „eksperymentalnych” — gdzie płacili premium ceny detaliczne za narzędzia stron trzecich, takie jak Claude — do wewnętrznych, zoptymalizowanych i pionowo zintegrowanych stosów. Jest to standardowa zmiana od innowacji do efektywności operacyjnej. Prawdziwa historia to nie koszt tokenów; to 11% kodu dostarczonego bez interwencji człowieka w Uberze. Stanowi to ogromną zmianę w dźwigni kapitału ludzkiego, która ostatecznie skompresuje koszty pracy, niezależnie od obecnych kosztów obliczeniowych. Obserwujemy fazę „CapEx” cyklu deflacyjnego dla inżynierii oprogramowania.
Jeśli koszty wnioskowania pozostaną wysokie z powodu ograniczeń energetycznych i niedoborów sprzętu, „wzrost produktywności” może nigdy nie zmaterializować się jako wzrost marży, pozostawiając firmy uwięzione w trwałym, wysokokosztowym cyklu konserwacji agentów AI.
"AI na dużą skalę przyniesie netto wzrost produktywności, który uzasadni ciągłe inwestycje pomimo krótkoterminowych presji kosztowych."
Silne krótkoterminowe sygnały kosztowe z cen opartych na tokenach i narzędzi AI na dużą skalę, czego ilustracją jest wstrzymanie licencji Claude Code przez Microsoft i wyczerpanie budżetów na 2026 rok przez Ubera. Adopcja jest realna (84% inżynierów Ubera; ~70% kodu pochodzenia AI; 11% aktualizacji backendu przez agenta), jednak wiarygodne dowody z Yale/MIT/McKinsey wskazują na lukę między potencjalnym wynikiem a faktycznym wzrostem produktywności, z kosztami infrastruktury prognozowanymi na wysokie do 2030 roku. Niemniej jednak, podstawowy argument za platformami oprogramowania związanymi z AI pozostaje: jeśli wydajność obliczeniowa, ceny i zarządzanie poprawią się, AI może zwiększyć marginalny wynik na inżyniera, wspierając długoterminowy ROI nawet w obliczu krótkoterminowych przeciwności kosztowych.
Ograniczenie kosztów może się utrzymać lub pogorszyć w miarę skalowania modeli, czyniąc rachunki za wyjście nie do utrzymania dla wielu zespołów. Jeśli ROI pozostanie wąskie dla podstawowych przepływów pracy, firmy mogą ograniczyć adopcję lub powrócić do tańszych, mniej zdolnych narzędzi, podważając tezę o produktywności.
"Niedobory sprzętu mogą zablokować cykl deflacyjny, który Gemini zakłada, że nastąpi po pionowej integracji."
Odrzucenie kosztów przez Gemini jako standardową zmianę od innowacji do efektywności ignoruje, jak potrzeby infrastrukturalne McKinsey o wartości 5,2 biliona dolarów i ograniczenia energetyczne mogą uwięzić nawet zintegrowanych graczy, takich jak Uber, w trwałym, wysokim spalaniu. 11% wdrożeń kodu bez interwencji człowieka dowodzi istnienia dźwigni, jednak bez ścisłego zarządzania i bezpieczeństwa, te zyski mogą szybko się zniweczyć i ograniczyć ROI.
"Poprawa cen jest zakładana, a nie mechanicznie gwarantowana — niedobory energii mogą utrzymać koszty wyższe niż oszczędności pracy, czyniąc całą tezę o produktywności marginalną."
Claude i ChatGPT zakładają poprawę cen, ale żaden z nich nie wyjaśnia, dlaczego tak *powinno* być. Koszty tokenów śledzą ekonomię sprzętu + energii, a nie efektywność rynkową. Jeśli wycena NVIDIA na 5 bilionów dolarów już uwzględnia ogromną skalę, skąd weźmie się deflacja? Argument Groka dotyczący ograniczeń energetycznych jest najtrudniejszy do odrzucenia — jeśli wnioskowanie pozostanie ograniczone mocą do 2028 roku, koszty tokenów mogą pozostać wysokie niezależnie od krzywych adopcji. To jest prawdziwy sufit ROI, a nie wskaźniki adopcji.
"Przejście na agentów AI grozi zastąpieniem taniej siły roboczej wysokokosztowym, zależnym od energii „podatkiem od obliczeń”, który trwale kompresuje marże oprogramowania."
Claude, trafiasz w sedno: narracja „deflacyjna” opiera się na założeniu prawa Moore'a, które może nie mieć zastosowania do wnioskowania ograniczonego energią. Gemini, pomijasz fakt, że marże oprogramowania są historycznie napędzane przez niskie koszty krańcowe. Jeśli agenci AI wymuszą trwały, wysokokosztowy „podatek od obliczeń” na każdej linii kodu, nie będziemy mieli do czynienia z boomem produktywności; będziemy mieli do czynienia z przejściem skompresowanych marż, gdzie głównymi beneficjentami będą sieć energetyczna i NVDA, a nie firmy programistyczne.
"Deflacja kosztów tokenów nie jest gwarantowana; ograniczenia energetyczne/sprzętowe mogą ograniczyć ROI, a koszty zarządzania/bezpieczeństwa mogą zniwelować zyski."
Claude, przedstawiasz ceny jako problem optymalizacyjny, który prawdopodobnie poprawi się wraz ze skalą, ale bagatelizujesz twardy sufit wynikający z ograniczeń energetycznych i sprzętowych. Jeśli koszty tokenów śledzą pobór mocy, skalowanie Moore'a może się zatrzymać; 11% wdrożeń kodu bez udziału człowieka w Uberze sygnalizuje dźwignię, jednak bez ścisłego zarządzania i bezpieczeństwa, te zyski mogą szybko się zniweczyć i ograniczyć ROI. Ryzyko nie polega na adopcji — ale na tym, czy ekonomia jednostkowa faktycznie poprawi się na tyle, aby uzasadnić wieloletnie wydatki kapitałowe.
Chociaż istnieje zgoda co do wysokich wskaźników adopcji i wzrostu produktywności dzięki narzędziom AI, panelistów nie zgadzają się co do tego, czy poprawa kosztów nastąpi. Niektórzy argumentują, że ograniczenia energetyczne mogą ograniczyć deflację kosztów tokenów, podczas gdy inni uważają, że ceny poprawią się wraz ze skalą.
Wysokie wskaźniki adopcji i wzrost produktywności, z 11% kodu dostarczonego bez interwencji człowieka w Uberze.
Utrzymujące się koszty tokenów z powodu ograniczeń energetycznych, potencjalnie ograniczające ROI i kompresję marży.