Koszty AI w programowaniu rosną szybciej niż płace. Co robić?

Koszty narzędzi sztucznej inteligencji dla programistów przestają być przewidywalne i mogą w ciągu dwóch lat stać się większym obciążeniem dla firm niż wynagrodzenie jednego dewelopera. Przyczyna: przechodzenie dostawców z prostych abonamentów na rozliczenia za faktyczne zużycie tokenów, które rosną wraz z intensywnością pracy zespołów.

Prognoza Gartnera: AI droższe niż pensja programisty

Analitycy z Gartnera ostrzegają, że do 2028 roku koszt korzystania z narzędzi AI wspierających programowanie może przewyższyć średnie wynagrodzenie programisty. To zmiana fundamentalna — jeszcze niedawno AI w kodowaniu była przedstawiana przede wszystkim jako sposób na obniżenie kosztów pracy zespołów IT i przyspieszenie tworzenia oprogramowania.

Realność okazała się bardziej złożona. Firmy, które inwestowały w automatyzację kodowania, odkrywają, że zamiast oszczędzić, wygenerowały nową, trudną do kontrolowania kategorię wydatków. Problem polega na tym, że każde zapytanie do modelu, każda analiza kodu, każde generowanie testów — to wszystko się liczy i się płaci.

Jak działają nowe modele rozliczeniowe?

Kiedyś programiści płacili za dostęp do narzędzia — stały abonament, znana kwota. Teraz koszt rośnie wraz z:

• liczbą zapytań do modelu AI
• długością analizowanego kodu
• wielkością plików
• wybranym modelem (droższe modele = wyższe koszty)
• zakresem zadań (podpowiedzi vs. pełna analiza repozytorium)

W praktyce dwa zespoły korzystające z tej samej platformy mogą otrzymać zupełnie różne rachunki. Jeden użyje AI tylko do podpowiedzi w edytorze — mały koszt. Drugi zleci modelom analizę całych repozytoriów, generowanie testów, poprawki błędów i dokumentację — rachunek może być kilkakrotnie wyższy.

Rzeczywiste wydatki firm na tokeny

Kategoria wydatków	Procent organizacji	Miesięczny koszt na programistę
Niskie zużycie	71%	Poniżej 200 USD
Średnie zużycie	23%	200–500 USD
Wysokie zużycie	6%	Powyżej 2 000 USD

Dane pochodzą z badania Gartner Peer Insights wśród liderów technologicznych. Różnice są ogromne, ale kierunek wspólny: im więcej zadań firmy przekazują AI, tym większe ryzyko niekontrolowanego wzrostu rachunków.

Największy problem: nieprzewidywalność kosztów

Gartner zwraca uwagę, że największym wyzwaniem nie jest wyłącznie poziom wydatków, lecz ich nieprzewidywalność. Przy klasycznym abonamencie działy IT mogły wcześniej zaplanować budżet na rok. Model oparty na tokenach sprawia, że wydatki zależą od bieżącej aktywności użytkowników i mogą szybko wzrosnąć bez ostrzeżenia.

Nitish Tyagi, starszy główny analityk Gartnera, wskazuje na kolejny problem: programiści sami nie ograniczą zużycia tokenów. “Dyscyplina w zakresie zużycia tokenów nie wyłoni się sama z wyborów programistów, ponieważ mają oni tendencję do optymalizowania pod kątem szybkości i wygody, a nie efektywności kosztowej” — ocenił Tyagi.

To oznacza, że firma nie może liczyć na to, że pracownicy sami będą oszczędzać tokeny. Potrzebne są zewnętrzne limity i kontrola.

GitHub zmienia model: AI Credits zamiast abonamentu

Zmiana podejścia jest już widoczna u największych dostawców. GitHub od 1 czerwca 2026 roku przeniósł plany Copilot na system oparty na zużyciu, wykorzystujący tzw. AI Credits. Dla przedsiębiorstw oznacza to, że miesięczna opłata za licencję przestaje pokazywać pełny koszt korzystania z narzędzia. Dodatkowe wydatki zależą od tego, z jakich modeli i funkcji pracownicy faktycznie korzystają.

To tendencja, którą mogą naśladować inni dostawcy. Dostawcy modeli ponoszą wysokie koszty infrastruktury, treningu systemów i obsługi coraz większej liczby użytkowników. Wraz z rosnącymi oczekiwaniami inwestorów dotyczącymi rentowności część tych wydatków jest przerzucana na klientów.

Jak Uber i inne firmy kontrolują wydatki

Rosnące koszty zaczynają zmieniać politykę firm wobec narzędzi AI. Według informacji przywoływanych przez Inc., Uber wyczerpał budżet przeznaczony na sztuczną inteligencję na cały 2026 rok już w pierwszych czterech miesiącach. Firma następnie wprowadzić limit 1,5 tys. dolarów miesięcznie na pracownika i na każde narzędzie wspierające programowanie z użyciem AI, takie jak Claude Code czy Cursor. Przekroczenie limitu wymaga dodatkowej zgody.

Taki model może stać się standardem w większych organizacjach. Zamiast zapewniać wszystkim pracownikom dostęp do najdroższych modeli, firmy będą:

• przypisywać konkretne narzędzia do zespołów i projektów
• ustalać limity budżetowe na pracownika
• kierować proste zadania do mniejszych, tańszych modeli
• monitorować zużycie w czasie rzeczywistym

Wydatki na tokeny rosną poza działami IT

Problem nie ogranicza się do zespołów programistów. Z informacji ujawnionych podczas wewnętrznego spotkania Accenture wynika, że znaczną część zużycia mogą generować także pracownicy wykorzystujący AI do masowego formatowania, analizowania i przetwarzania dokumentów. To oznacza, że rachunki za modele językowe mogą narastać jednocześnie w finansach, marketingu, obsłudze klienta, HR, dziale prawnym czy administracji.

Bez centralnej kontroli firma może zauważyć problem dopiero po otrzymaniu faktury od dostawcy. Badanie KPMG potwierdza ten problem: pełną widoczność kosztów operacyjnych AI w czasie rzeczywistym deklaruje tylko 26% organizacji. Pozostałe firmy mają częściowy wgląd w wydatki albo poznają ich rzeczywistą skalę dopiero po zakończeniu okresu rozliczeniowego.

Co to oznacza dla firm?

Zmiana modelu rozliczeniowego wymaga nowego podejścia do zarządzania AI. Gartner rekomenduje traktować AI podobnie jak inne zmienne koszty infrastruktury technologicznej:

1. Ustalić limity tokenów — na pracownika, projekt, zespół
2. Przypisać wydatki do konkretnych działów — zrozumieć, gdzie powstają koszty
3. Kierować zadania inteligentnie — proste prace do mniejszych, tańszych modeli
4. Budować widoczność kosztów — system monitorowania w czasie rzeczywistym
5. Mierzyć wartość biznesową — czy wyższe zużycie tokenów rzeczywiście skraca projekty i zmniejsza błędy?

Analitycy wskazują również na potrzebę budowy tzw. tokenomicznego modelu semantycznego — systemu, który łączyłby dane o zużyciu AI z kosztami, właścicielami budżetów oraz mierzalną wartością biznesową.

Czy AI w programowaniu się jeszcze opłaca?

Prognoza Gartnera nie oznacza, że AI w programowaniu przestanie się opłacać. Pokazuje jednak, że rynek wchodzi w nową fazę. Największym wyzwaniem nie będzie już dostęp do modeli, lecz kontrola kosztów ich codziennego używania.

Dla firm coraz mniej istotne będzie samo pytanie, czy AI przyspiesza pisanie kodu. Znacznie ważniejsze stanie się to, czy wyższe zużycie tokenów rzeczywiście skraca czas realizacji projektów, ogranicza liczbę błędów i daje oszczędności większe niż rosnące rachunki za modele. To przesunięcie perspektywy — od “AI przyspiesza” do “czy AI się opłaca” — będzie definiować kolejne lata wdrażania sztucznej inteligencji w przedsiębiorstwach.