Аналитика
Uber потратил свой годовой бюджет на ИИ за 4 месяца — предупреждающий сигнал о затратах на корпоративный ИИ
Uber ограничила расходы сотрудников на инструменты ИИ до 1500 долларов в месяц после того, как их годовой бюджет на ИИ был исчерпан всего за четыре месяца. Этот случай является самым явным сигналом того, что внедрение ИИ в компаниях опережает финансовое планирование — и что разговор о рентабельности инвестиций становится неизбежным.
Майкл Г ·
Согласно отчету TechCrunch, Uber установил месячный лимит расходов сотрудников на инструменты ИИ в размере 1500 долларов после того, как компания израсходовала свой годовой бюджет на ИИ всего за четыре месяца. Лимит применяется к инструментам, включая GitHub Copilot, Anthropic's Claude, OpenAI's ChatGPT Enterprise, и Cursor — редактор кода с поддержкой ИИ, который стал повсеместным среди программистов в технологических компаниях.
Этот эпизод не уникален для Uber. В технологической отрасли в целом финансовые команды обнаруживают, что потребление инструментов ИИ значительно интенсивнее, чем они предполагали в своих первоначальных прогнозах. Схема повторяется: компания закладывает в бюджет определённое количество мест и определённый уровень использования, сотрудники активно осваивают инструменты, использование на одно место превышает прогнозы в два-четыре раза, и годовой бюджет расходуется за долю от предполагаемого времени.
В основе проблемы лежит фундаментальное несоответствие между тем, как исторически оценивалось корпоративное программное обеспечение, и тем, как на самом деле используются инструменты ИИ. Традиционный SaaS инструменты оцениваются за место — фиксированная ежемесячная плата независимо от того, насколько активно используется инструмент. Инструменты ИИ все чаще оцениваются по потреблению — за токен, за вызов API или за выполненную задачу. Разработчик, который использует Cursor для написания кода весь день, создает потребление на порядки больше, чем разработчик, который использует традиционную IDE с периодическими предложениями ИИ.
Это создаёт проблему бюджетирования, с которой большинство финансовых команд предприятий не готовы справляться. Модели, используемые для прогнозирования затрат на программное обеспечение — количество сотрудников, умноженное на стоимость за место — не применимы к ценообразованию на основе потребления. Компании, которые внедрили инструменты ИИ в 2024 году на основе оценок поставщиков относительно типичного использования, теперь обнаруживают, что их активные пользователи потребляют в 10–20 раз больше среднего, расходуя годовые квоты за несколько месяцев, а не за год.
Бюджетный кризис вынуждает к разговору, которого многие технологические компании избегали: какова измеримая отдача от инвестиций в инструменты ИИ? Прирост производительности от ассистентов по кодированию на основе ИИ реален — исследования GitHub, Microsoft и независимых исследователей последовательно показывают улучшение производительности кода на 20–40% у разработчиков, использующих инструменты ИИ. Но перевести этот рост производительности в денежную сумму, оправдывающую затраты, сложнее, чем кажется.
Проблема заключается в том, что продуктивность разработки программного обеспечения известно трудно измерить. Количество строк кода, объединённых pull-запросов и исправленных ошибок — все это несовершенные показатели. Компании, которые могут продемонстрировать явную связь между внедрением инструментов ИИ и результатами, приносящими доход — более быстрый выпуск продуктов, меньше инцидентов в производстве, сокращение времени выхода на рынок — будут иметь обоснованный кейс возврата инвестиций. Компании, которые не могут установить такую связь, становятся всё более уязвимыми к сокращению бюджета, поскольку финансовые команды тщательно проверяют показатели.
Эпизод с Uber, вероятно, ускорит несколько тенденций, которые уже формируются в отрасли. Поставщики инструментов ИИ столкнутся с давлением по предоставлению более предсказуемого ценообразования — фиксированные корпоративные контракты с ограничением использования вместо цен на основе чистого потребления. Компании будут инвестировать в инструменты мониторинга использования ИИ и управления им, чтобы понять, где сосредоточено потребление, и соответствует ли оно результатам бизнеса. А разрыв между компаниями, изначально ориентированными на ИИ — которые с самого начала строили свои модели затрат вокруг ИИ — и традиционными предприятиями, адаптирующими ИИ для старых рабочих процессов, будет продолжать расширяться.
Более глубокий вопрос заключается в том, достаточны ли приросты продуктивности от инструментов ИИ, чтобы оправдать их стоимость в масштабе. Для отдельных разработчиков ответ почти наверняка утвердительный. Для предприятий, управляющих тысячами мест и непредсказуемым потреблением, ответ зависит от того, смогут ли финансовые команды создать системы измерения ценности — и смогут ли поставщики ИИ пойти им навстречу с ценовыми моделями, рассчитанными на реальный мир, а не на оптимистичные прогнозы раннего рынка.