Uber przekroczył budżet AI: limit 1500 USD na inżyniera

Model bezrefleksyjnego testowania modeli generatywnych ustępuje miejsca rygorystycznemu rozliczaniu wskaźników zwrotu z inwestycji. Badania przeprowadzone przez Gartner wykazują, że choć 71% przedsiębiorstw zamierza wdrożyć autonomiczne agenty AI w ciągu roku, tylko 21% z nich posiada wypracowane mechanizmy nadzoru. Niekontrolowane użycie interfejsów API przekłada się na gwałtowne skoki wydatków, które dotknęły już 72% organizacji.

Mechanizm utraty kontroli nad wydatkami na tokeny

Przedsiębiorstwa technologiczne zderzają się z barierą budżetową wynikającą z braku architektury kontroli kosztów zapytań do modeli językowych. Nieograniczony dostęp programistów do zaawansowanych modeli prowadzi do szybkiego wyczerpania rocznych zasobów finansowych. Bez precyzyjnego przypisania odpowiedzialności za tokeny zarządy nie są w stanie zweryfikować realnej wartości biznesowej generowanej przez kodujące agenty AI.

Praktycznym przykładem kryzysu kosztowego jest przypadek firmy Uber. Dyrektor do spraw technologii Praveen Neppalli Naga ujawnił, że firma Uber wyczerpała cały roczny budżet na sztuczną inteligencję na rok 2026 w ciągu zaledwie czterech miesięcy z powodu niekontrolowanego użycia narzędzia Claude Code. Zespoły inżynieryjne w firmie Uber były wcześniej klasyfikowane na wewnętrznej liście liderów według wielkości zużycia tokenów, co doprowadziło do wzrostu kosztów i wymusiło wprowadzenie w czerwcu 2026 roku sztywnego limitu w wysokości 1500 USD miesięcznie na jednego programistę. W sierpniu 2026 roku kierownictwo firmy Uber ogłosiło koniec ery tak zwanego „tokenmaxxing-u”, w której wielkość zużycia tokenów utożsamiano z produktywnością.

Problem ten dotyczy całej branży. Według badania przeprowadzonego przez firmę Harness, 72% organizacji odnotowało nieoczekiwane skoki kosztów sztucznej inteligencji, a ponad połowa przyznała, że nikt w firmie nie ma wyraźnej odpowiedzialności za wydatki na AI. Jednocześnie badanie PwC obejmujące 4454 dyrektorów generalnych wykazuje, że 56% z nich nie dostrzegło dotąd znaczących korzyści finansowych z wdrażanych rozwiązań AI. W odpowiedzi na te wyzwania firma Microsoft wprowadziła koncepcję granicy kosztu do efektu (cost-to-outcome frontier). Dyrektor generalny Microsoft, Satya Nadella, wskazał, że przedsiębiorstwa muszą mierzyć koszt tokenów w odniesieniu do uzyskiwanych rezultatów, kierując proste zadania klasyfikacji i podsumowań do tańszych modeli oraz stosując pamięć podręczną promptów.

Dlaczego firmy ograniczają budżety na tokeny AI?

Rosnąca skala operacyjna sprawia, że dotychczasowe podejście polegające na szybkim wdrażaniu niezweryfikowanych rozwiązań staje się nieopłacalne. Dyrektorzy finansowi przejmują prawo weta w projektach technologicznych, wymagając twardych wskaźników jednostkowych. FinOps dla sztucznej inteligencji staje się wymogiem architektury systemowej, a nie wyłącznie pozycją w rocznym zestawieniu wydatków działu IT.

Presja na rentowność zmienia układ sił decyzyjnych w korporacjach. Z badania FinOps Foundation przeprowadzonego wśród 1192 praktyków wynika, że 78% zespołów FinOps podlega dyrektorom do spraw technologii (CTO) lub cyfryzacji (CIO), a jedynie 8% raportuje bezpośrednio do dyrektora finansowego (CFO). Pomimo braku bezpośredniego nadzoru organizacyjnego, dyrektorzy finansowi uzyskali faktyczne prawo weta wobec projektów generujących koszty bez udokumentowanego zwrotu z inwestycji. Max Gontar, dyrektor generalny firmy Kairos, podkreśla, że po etapie nieskrępowanych wydatków eksperymentalnych zarządy oczekują obecnie oprogramowania działającego w istniejącej infrastrukturze, które identyfikuje wycieki kapitału obrotowego i automatyzuje procesy finansowe z precyzyjnie wyliczoną rentownością.

Zjawisku temu towarzyszy powiększająca się dysproporcja rynkowa. Największe koncerny technologiczne – Amazon, Meta, Microsoft oraz Alphabet – zwiększyły nakłady kapitałowe (CapEx) na infrastrukturę AI do poziomu 700 – 725 mld USD w 2026 roku, co oznacza wzrost o 75% w porównaniu z kwotą 410 mld USD w 2025 roku. Hyperskalorzy budują moc obliczeniową na podstawie prognoz rosnącego popytu, podczas gdy przedsiębiorstwa komercyjne tną budżety operacyjne i wprowadzają rygorystyczne limity zużycia tokenów.

Ryzyka podatności i skracający się czas reakcji w cyberbezpieczeństwie

Sztuczna inteligencja zmieniła dynamikę wykrywania podatności w oprogramowaniu, eliminując przewagę czasową zespołów obronnych. Automatyczna analiza kodu przez modele językowe pozwala na natychmiastowe odnajdywanie luk w skali wcześniej nieosiągalnej. Głównym ograniczeniem dla organizacji przestaje być identyfikacja błędów, a staje się czas potrzebny na wdrożenie poprawek i zabezpieczenie infrastruktury.

Wdrożenie zaawansowanych modeli AI doprowadziło do wykrywania luk bezpieczeństwa na niespotykaną dotąd skalę. Po uruchomieniu przez firmę Anthropic inicjatywy Project Glasswing w kwietniu 2026 roku, partnerzy wykorzystujący model Claude Mythos Preview ujawnili w maju ponad 10 000 podatności o krytycznym i wysokim stopniu zagrożenia, osiągając ponad dziesięciokrotny wzrost tempa identyfikacji błędów. Testy ujawniły między innymi 20-letnią lukę w przeglądarce Firefox oraz 27-letnią podatność w systemie operacyjnym OpenBSD. W całym ekosystemie oprogramowania liczba poprawek CVE przypadających na jedno wydanie jądra Linux wzrosła z około 500 (w wersjach 6.9 – 6.19) do ponad 1000 od wersji 7.0, a liczba zgłoszeń na platformie HackerOne wzrosła o 76% rok do roku.

Zwiększonej wykrywalności towarzyszy skrócenie czasu potrzebnego przestępcom na przeprowadzenie ataku: – Czas do aktywnej eksploatacji: Średni czas od publikacji informacji o krytycznej podatności do jej wykorzystania w atakach skrócił się z kilku tygodni do zaledwie kilku godzin. – Brak konieczności interakcji: Według danych Rapid7 około 66% podatności wykorzystanych w II kwartale 2026 roku nie wymagało żadnego działania ze strony użytkownika. – Wzrost dynamiki ataków: Raport CrowdStrike wykazał wzrost liczby ataków z użyciem narzędzi AI o 89% rok do roku. – Wydłużenie czasu remediacji: Analiza Verizon DBIR wskazuje, że mediana czasu pełnej naprawy systemu przez zespoły IT wydłużyła się z 32 do 43 dni, a jedynie 26% luk zostaje w pełni usuniętych.

Sytuację skomplikowało wykrycie w październiku 2026 roku krytycznych luk PHP2Shell w języku PHP (zagrażających potencjalnie 70% stron internetowych na świecie) oraz Node2Shell w Node.js, pozwalających na zdalne wykonanie kodu. W reakcji na te zagrożenia instytucje regulacyjne zaostrzyły wymogi. Europejski Bank Centralny (ECB) w piśmie z 7 lipca 2026 roku nakazał nadzorowanym bankom przedstawienie do 31 października 2026 roku planów operacyjnych przyspieszających zarządzanie podatnościami i poprawkami, a przedstawiciele Rezerwy Federalnej (Fed) i Departamentu Skarbu USA przeprowadzili bezpośrednie rozmowy ostrzegawcze z szefami sektora bankowego.

Porównanie podejść do ładu korporacyjnego i wyniki finansowe

Budowa trwałych fundamentów nadzoru nad sztuczną inteligencją bezpośrednio przekłada się na wyniki finansowe przedsiębiorstwa. Organizacje traktujące ład korporacyjny jako stały element operacyjny osiągają wyższą efektywność i szybciej skalują projekty. Przedsiębiorstwa bez formalnych procedur zderzają się z barierą wdrażania i ponoszą wyższe koszty incydentów bezpieczeństwa.

Globalne badanie PwC przeprowadzone wśród 1217 przedsiębiorstw z 25 sektorów wykazuje wyrazistą dysproporcję w zwrocie z inwestycji: wąska grupa 20% najbardziej dojrzałych firm (liderzy wskaźnika AI Fitness) przechwytuje aż 74% całkowitych zysków finansowych generowanych przez sztuczną inteligencję. Liderzy dojrzałości osiągają 7,2-krotnie wyższe wyniki finansowe (połączenie wzrostu przychodów i redukcji kosztów) w porównaniu z pozostałymi 80% firm (średni wynik 15,7 wobec 2,2). Ponadto liderzy są 2,6-krotnie bardziej skłonni stosować AI do przebudowy modelu biznesowego, 3-krotnie częściej współpracują z podmiotami spoza własnego sektora i 2,8-krotnie częściej automatyzują decyzje bez udziału człowieka.

Efektywność dojrzałego podejścia potwierdzają wdrożenia branżowe: – John Deere: System See & Spray wykorzystujący komputery pokładowe i kamery do precyzyjnego oprysku chwastów zastosowano na ponad 1 mln akrów upraw, uzyskując średnio 59% oszczędności zużytych chemikaliów. – Wyndham: Wdrożenie agentów AI zbudowanych według zasad Responsible AI skróciło czas przeglądu zmian w standardach marki o 94% (skrócenie czasu z 30 dni, oszczędność 40 – 80 godzin na jeden przegląd). – Lucid: Automatyzacja procesów finansowych pozwoliła firmie Lucid skrócić czas generowania prognoz z kilku tygodni do poniżej 1 minuty, zapewniając bieżący nadzór nad inwestycjami kapitałowymi o wartości ponad 1 mld USD.

Brak nadzoru generuje natomiast bezpośrednie koszty incydentów. Dane opublikowane w przewodniku Everythingcloud wskazują, że w maju 2026 roku jedynie 38% organizacji miało formalną politykę zarządzania AI. Aż 63% firm, które padły ofiarą naruszeń bezpieczeństwa związanych ze sztuczną inteligencją, nie miało żadnych procedur governance, a 97% nie wdrożyło kontroli dostępu do modeli. Dodatkowo badanie wykazuje, że 91,4% środków strategicznych nie było aktualizowanych przez pół roku, a tylko 16,9% miało przypisanego konkretnego właściciela.

Wnioski praktyczne i rekomendacje

Aby zabezpieczyć infrastrukturę IT i opanować budżet przed niekontrolowanym wzrostem wydatków, należy wdrożyć cztery działania operacyjne:

• Skonfiguruj sztywne limity budżetowe (budget caps) oraz automatyczne alerty FinOps na poziomie pojedynczych kluczy API, zespołów inżynieryjnych i autonomicznych agentów kodujących, wzorem limitu 1500 USD wprowadzonego przez firmę Uber.
• Zmierz wskaźnik kosztu do efektu (cost-to-outcome) i wprowadź automatyczny routing zapytań: proste operacje klasyfikacji, ekstrakcji i podsumowania przekazuj do tańszych modeli lokalnych lub mniejszych instancji API, rezerwując modele flagowe wyłącznie do złożonej logiki.
• Zweryfikuj rejestr zasobów AI w organizacji i przypisz imiennego właściciela (system owner) do każdego modelu i agenta, eliminując zjawisko braku odpowiedzialności zidentyfikowane w badaniach Everythingcloud.
• Wdróż techniczne mechanizmy kontrolne: reguły ochrony przed utratą danych (DLP), listy dozwolonych punktów końcowych (endpoint allowlisting) oraz ograniczanie uprawnień wykonawczych dla agentów autonomicznych zgodnie z wytycznymi NIST AI RMF i EU AI Act.

Źródła

• AI Risks Rise Faster Than Business Value, Gartner Says
• AI: Get Ready to Move Fast and Not Break Things – OE Cam
• Enterprise AI Governance Framework: 2026 Leader’s Guide – Managed FinOps for MSPs
• How frontier AI is rewriting software security rules – McKinsey
• It’s time to ditch the 'move fast and break things’ innovation playbook – Trellis Group
• PwC’s AI performance study – Want ROI from AI? Go for growth
• The State of AI Security and Governance | CSA
• Why „Build Fast, Break Things” Is Dead and What Replaces It in the AI Era | Promact Infotech