Uber spalił cały roczny budżet na narzędzia AI w cztery miesiące. Nvidia przyznaje, że moc obliczeniowa dla jednego zespołu kosztuje już więcej niż pensje ludzi, którzy z niej korzystają.
Kluczowe fakty:
- Uber wyczerpał cały roczny budżet na narzędzia AI do kodowania już w kwietniu – zaledwie cztery miesiące po jego przyznaniu. Miesięczne koszty API na jednego inżyniera wynosiły od 500 do 2000 dolarów, a firma zatrudnia około 5000 inżynierów.
- Do marca 2025 roku 84 procent inżynierów Ubera korzystało z Claude Code, a około 70 procent zatwierdzanego kodu powstawało z udziałem AI, jednak COO firmy przyznał, że zużycie tokenów nie przekładało się wprost na liczbę funkcji trafiających do użytkowników.
- Wewnętrzny ranking stosowany w Uberze premiował samo zużycie tokenów, a nie efekty pracy, a zespół wdrażający narzędzie i zespół kontrolujący budżet nie były ze sobą zsynchronizowane – co przyspieszyło niekontrolowany wzrost kosztów.
Brzmi jak paradoks, bo nim jest. Firmy technologiczne zwalniają pracowników, tłumacząc to reorganizacją wokół sztucznej inteligencji. Jednocześnie ta sama sztuczna inteligencja, w obecnym rozliczeniu tokenowym, kosztuje więcej niż etaty, które miała zastąpić. Sprawdziłem dane stojące za tym twierdzeniem i wygląda na to, że to nie jednostkowy przypadek, tylko wzorzec.
Znajdź dostawcę, partnera lub narzędzie dla swojego biznesu, a jeśli prowadzisz firmę, która w swoim DNA ma AI, skorzystaj z możliwości bezpłatnego dodania swojej firmy.
Uber, czyli budżet na cały rok w cztery miesiące
Dyrektor technologiczny Ubera Praveen Neppalli Naga potwierdził dziennikarzom The Information, że firma wyczerpała cały roczny budżet na narzędzia AI do kodowania już w kwietniu. Do marca 84 procent inżynierów Ubera korzystało z Claude Code, a około 70 procent zatwierdzanego kodu powstawało z udziałem AI. Skala użycia była ogromna. Skala wartości, którą to użycie wygenerowało, już mniej oczywista.
COO i prezydent Ubera Andrew Macdonald przyznał publicznie, że zużycie tokenów nie przekładało się wprost na liczbę funkcji trafiających do użytkowników. Miesięczne koszty API na jednego inżyniera wahały się od 500 do 2000 dolarów, a przy około 5000 inżynierów w organizacji rachunek rósł szybciej, niż ktokolwiek w dziale finansów zdążył zareagować.
Częścią problemu był wewnętrzny ranking, który premiował samo zużycie tokenów, nie efekty pracy. Zespół odpowiedzialny za wdrożenie narzędzia i zespół pilnujący budżetu to były dwie różne grupy ludzi, które się nie synchronizowały. Skutek widać było po jednym kwartale.
Uber nie jest tu wyjątkiem, tylko pierwszym głośnym przypadkiem mechanizmu, który zaczyna się powtarzać w całej branży.
Kiedy koszt mocy obliczeniowej przewyższa koszt zespołu
Microsoft, który zainwestował około 13 miliardów dolarów w OpenAI i pisze do 30 procent własnego kodu z pomocą generatywnej AI, kazał inżynierom w jednym z kluczowych działów przestać korzystać z asystenta kodowania, bo rachunki przestały się spinać. Jedna nienazwana firma, o czym pisał Axios, wygenerowała w ciągu jednego miesiąca rachunek za Claude na poziomie 500 milionów dolarów, bo zarząd zapomniał ustawić limit zużycia.
Bryan Catanzaro, wiceprezes Nvidii do spraw zastosowań głębokiego uczenia, powiedział to wprost: koszt mocy obliczeniowej dla jego zespołu badawczego przewyższa już to, co firma wydaje na pensje ludzi, którzy z tej mocy korzystają. Firma, która produkuje sprzęt napędzający całą rewolucję AI, sama przyznaje, że technologia jest droższa niż pracownicy, których miała wspierać.
A jednak Jensen Huang, szef Catanzaro, mówi branży, że inżynier zarabiający 500 tysięcy dolarów rocznie powinien zużywać co najmniej 250 tysięcy dolarów w tokenach AI, i że Nvidia zmierza w stronę rocznego budżetu tokenowego rzędu 2 miliardów dolarów dla swojego zespołu inżynierskiego. Sugerował nawet, że pula tokenów mogłaby być argumentem rekrutacyjnym. Sygnał z góry łańcucha dostaw jest jasny: wydawajcie więcej i szybciej.
Ten mechanizm wydaje mi się jednym z ciekawszych paradoksów obecnej fazy rewolucji AI. Z jednej strony narzędzia takie jak Claude Code faktycznie zmieniają pracę inżynierów, w Uberze 70 procent zatwierdzanego kodu powstaje z ich udziałem, co samo w sobie jest imponujące. Z drugiej strony rozliczanie za token, bez limitów i kontroli, zderza się z klasycznym rocznym planowaniem budżetu w każdej korporacji. To nie jest awaria technologii. To jest awaria sposobu, w jaki firmy próbują ją kupować. Pytanie, które mnie interesuje najbardziej, nie brzmi „czy AI się opłaca”, tylko „kto zapłaci różnicę, zanim ceny token po tokenie zbliżą się do realnych kosztów infrastruktury”. Bo na razie te ceny są sztucznie zaniżone, a to musi się kiedyś skończyć.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Zwolnienia z jednej strony, rekordowe wydatki z drugiej
Wielkie firmy technologiczne zapowiedziały w tym roku 740 miliardów dolarów wydatków inwestycyjnych, o 69 procent więcej niż w 2025 roku. Gartner szacuje, że same wydatki na oprogramowanie agentowe AI sięgną w 2026 roku 207 miliardów dolarów, wzrost o 139 procent rok do roku.
Równolegle ponad 115 tysięcy pracowników branży technologicznej straciło pracę w 2026 roku w ponad 150 firmach. Meta zlikwidowała 8 tysięcy stanowisk. SentinelOne ściął 8 procent zatrudnienia, żeby przekierować środki na AI. Wix zredukował jedną piątą załogi. Block zmniejszył zatrudnienie o połowę. Atlassian pożegnał 1600 osób.
Uzasadnienie jest zwykle takie samo: efektywność operacyjna, przesunięcie zasobów na AI. Tyle że badanie MIT pokazuje, że automatyzacja z użyciem AI jest ekonomicznie opłacalna jedynie w około 23 procentach ról. W pozostałych 77 procentach człowiek wciąż wychodzi taniej. Główny ekonomista Goldman Sachs otwarcie mówi, że nie postrzega inwestycji w AI jako czynnika wyraźnie napędzającego wzrost gospodarczy. Partner Sequoia Capital David Cahn policzył, że firmy AI potrzebują rocznie około 600 miliardów dolarów przychodu, żeby uzasadnić obecne wydatki na infrastrukturę. Ta luka w połowie 2026 roku raczej rośnie niż się zamyka.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Tokenmaxxing, czyli kultura wydawania dla samego wydawania
Najbardziej wymowny wątek dotyczy kultury organizacyjnej. Amazon zbudował wewnętrzny ranking KiroRank, który śledził zużycie AI wśród zespołów inżynierskich. Ranking wycofano po cichu, gdy pracownicy zaczęli go oszukiwać, spalając tokeny na bezsensownych zadaniach tylko po to, żeby wspiąć się wyżej. Meta zbudowała podobne narzędzie o nazwie Claudeonomics. Amazon zachęcał zespoły do „tokenmaxxowania”, traktując samo zużycie jako wskaźnik wydajności.
Kiedy nagradza się ludzi za to, ile wydają, a nie za to, co tworzą, wydawanie samo w sobie staje się celem. Zarządy wymusiły na prezesach wdrożenie AI. Potem przyszła faza bezkrytycznego wdrażania, którą branża nazywa właśnie tokenmaxxingiem. Teraz zarządy budzą się z rachunkiem w ręku i zadają pytanie, które powinny były zadać wcześniej: czy każde zadanie faktycznie wymaga najdroższego dostępnego modelu?
Szacunki mówią, że około 95 procent firmowego zużycia AI wciąż odbywa się na najdroższych, flagowych modelach, nawet do zadań, które tego nie wymagają.
- Uber: cały roczny budżet na AI do kodowania spalony w cztery miesiące
- Nvidia: koszt mocy obliczeniowej przewyższa koszt zespołu badawczego
- Amazon i Meta: wewnętrzne rankingi zużycia tokenów wycofane lub krytykowane po tym, jak zaczęły premiować marnotrawstwo
- MIT: automatyzacja AI opłacalna ekonomicznie w zaledwie 23 procentach ról
Ceny, które nie są prawdziwe
Przez długi czas panowało założenie, że koszty AI będą spadać. Ceny za token rzeczywiście maleją, a Gartner prognozuje, że uruchomienie największych modeli może być do 2030 roku tańsze nawet o dziewięćdziesiąt procent. Haczyk w tym, że zużycie rośnie szybciej, niż spadają ceny. Badanie Faros AI pokazało, że tak zwany code churn, czyli stosunek linii kodu usuwanych do dodawanych, wzrósł o ponad 800 procent tam, gdzie AI jest intensywnie wykorzystywane. Więcej tokenów wchodzi do systemu, więcej pracy trafia do kosza.
Ceny, które firmy płacą dzisiaj za AI, nie są cenami rynkowymi w pełnym sensie tego słowa. OpenAI, Anthropic, Google i Meta wyceniają inferencję poniżej kosztu jej dostarczenia, dopłacając z kapitału inwestorów, żeby zdobyć udział w rynku. OpenAI wydaje niemal dwa dolary na każdy dolar zarobiony na inferencji. Sam Altman przyznał publicznie, że firma traci pieniądze na abonamentach za 200 dolarów miesięcznie. Model dopłat zaczął się w tym roku rozpadać.
W kwietniu 2026 roku Anthropic przeniósł klientów korporacyjnych z płaskich stawek na rozliczenie oparte na rzeczywistym zużyciu mocy obliczeniowej. GitHub poszedł tą samą drogą kilka tygodni później z Copilotem, po latach cichego dokładania nawet ośmiokrotności wartości abonamentu dla najintensywniejszych użytkowników. Analitycy szacują, że po pełnej normalizacji cen do realnych kosztów infrastruktury rachunki korporacyjne za AI wzrosną o kolejne 30 do 50 procent względem obecnego poziomu.
Co to oznacza dla polskich firm?
Polski rynek dopiero uczy się tej lekcji, ale z innej strony niż amerykańscy giganci. Według badania PARP i Uniwersytetu Jagiellońskiego 57 procent polskich firm planuje wydać na projekty AI mniej niż 100 tysięcy złotych, a jedynie 3 procent organizacji przeznaczy na ten cel od 100 tysięcy do miliona złotych. To skala nieporównywalna z miliardowymi budżetami Ubera czy Microsoftu, ale sam mechanizm ryzyka jest identyczny w miniaturze.
Z badania Deloitte Central Europe wynika, że polskie firmy systematycznie niedoszacowują koszty wdrożenia AI o 40 do 60 procent, pomijając wydatki na przygotowanie danych i zarządzanie zmianą. Problem nie leży w tym, że polskie firmy wydają za dużo, tylko że planują budżety w sposób, który nie uwzględnia zmienności rozliczeń tokenowych, dokładnie tak jak amerykańskie korporacje kilka miesięcy wcześniej.
- Ponad połowa polskich firm (55 proc.) przeznacza już powyżej 10 procent budżetu technologicznego na AI
- Tylko 18 procent polskich firm mierzy zwrot z inwestycji w AI w sposób ustrukturyzowany
- W Polsce jedynie 5 procent firm generuje dzięki AI ponad jedną czwartą przychodów, wobec średniej europejskiej na poziomie 22 procent
Dla polskich CFO i dyrektorów IT wniosek jest praktyczny, nie akademicki. Jeśli firma rozważa wdrożenie narzędzi agentowych, takich jak Claude Code czy podobne rozwiązania rozliczane per token, warto od razu wprowadzić limity zużycia na pracownika i bieżące monitorowanie wydatków, zanim skala urośnie na tyle, że rachunek zaskoczy zarząd tak jak zaskoczył Ubera.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Kto zapłaci różnicę
Rynek finansowy już zareagował na rozjazd między wydatkami a realnymi zwrotami. W czerwcu 2026 roku producenci chipów stracili w jednej sesji około 1,3 biliona dolarów kapitalizacji, najgłębszy jednodniowy spadek indeksu półprzewodników PHLX od krachu pandemicznego w marcu 2020 roku. Nvidia, Micron i AMD prowadziły w stratach. Południowokoreański indeks giełdowy spadł o 10 procent w jeden dzień i na chwilę zawiesił notowania. SpaceX zszedł poniżej ceny z debiutu giełdowego w kilka dni po wejściu na giełdę. Accenture straciło 52 procent wartości w pół roku.
Ta wyprzedaż nie była wyrokiem na samą technologię. Była wyrokiem na harmonogram, w jakim miała się zwrócić.
Prognozy OpenAI zakładają 14 miliardów dolarów strat w tym roku i 44 miliardy skumulowanych strat, zanim firma osiągnie zysk, planowo w 2029 roku. Ray Dalio opisał obecny moment jako wczesną fazę bańki spekulacyjnej. Historia internetu lat 90. jest tu pouczająca: internet był prawdziwą technologią i mimo to doprowadził do krachu.
Lisa Emme, współzałożycielka Inversion AI, formułuje to zwięźle: błędem jest traktowanie AI jako dodatkowej funkcji doklejonej do istniejącego produktu. Firmy budowane od razu wokół modelu przestają płacić ceny flagowe za pracę, z którą lepiej i taniej radzi sobie wyspecjalizowany model mniejszy. To nie jest cięcie kosztów, to architektura. Zwycięzcy tej dekady nie będą uruchamiać największego modelu, tylko system, w którym właściwy model wykonuje właściwe zadanie, z coraz mniejszym udziałem człowieka w pętli.
Branża odpowiedziała już na pytanie, co AI potrafi zrobić. Nie odpowiedziała jeszcze na pytanie, czy zdąży się na siebie zarobić, zanim skończą się pieniądze na jej finansowanie.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz materiału Jemmy Green dla Forbes z dnia 02.07.2026, a także dodatkowych źródeł, w tym doniesień The Information za pośrednictwem Forbes na temat budżetu Ubera oraz analizy rynkowej Startup Fortune. Dane o polskim rynku pochodzą z raportu PARP i Uniwersytetu Jagiellońskiego cytowanego przez CRN oraz badania Deloitte Central Europe cytowanego przez The Thinking Company. Cytaty Bryana Catanzaro, Jensena Huanga, Andrew Macdonalda i Lisy Emme zostały zweryfikowane z oryginalnym anglojęzycznym materiałem źródłowym. Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl. Artykuł będzie aktualizowany w miarę pojawiania się nowych danych o kosztach wdrożeń AI w firmach i ich wpływie na rynek pracy.
