Анализ
Uber потратил свой годовой бюджет на ИИ за 4 месяца — тревожный сигнал для расходов на корпоративный ИИ
Uber ограничил расходы сотрудников на инструменты ИИ до $1500 в месяц после того, как его ежегодный бюджет на ИИ был исчерпан всего за четыре месяца. Этот эпизод является самым явным сигналом того, что внедрение ИИ в предприятиях опережает финансовое планирование — и что разговор о ROI становится неизбежным.
Майкл Г ·
По сообщению TechCrunch, Uber установил месячный лимит в 1500 долларов на траты сотрудников на инструменты ИИ после того, как компания исчерпала свой годовой бюджет на ИИ всего за четыре месяца. Лимит распространяется на инструменты, включая GitHub Copilot, Claude от Anthropic, ChatGPT Enterprise от OpenAI и Cursor — редактор кода с поддержкой ИИ, который стал повсеместным среди инженеров-программистов в технологических компаниях.
Этот эпизод не уникален для Uber. Во всей технологической индустрии финансовые команды обнаруживают, что использование инструментов искусственного интеллекта значительно превышает их первоначальные прогнозы. Схема повторяется: компания закладывает бюджет на определённое количество лицензий и определённый уровень использования, сотрудники активно принимают эти инструменты, использование на лицензию превышает прогнозы в два-четыре раза, и годовой бюджет исчерпывается за долю предполагаемого времени.
В основе проблемы лежит фундаментальное несоответствие между тем, как корпоративное программное обеспечение исторически оценивалось, и тем, как на самом деле используются инструменты искусственного интеллекта. Традиционное SaaS инструменты оцениваются за место — фиксированная ежемесячная плата, независимо от того, насколько часто используется инструмент. AI-инструменты все чаще оцениваются на основе потребления — за токен, за вызов API или за выполненную задачу. Разработчик, который использует Cursor для написания кода целый день, создает потребление на порядки больше, чем разработчик, который использует традиционную IDE с случайными AI-подсказками.
Это создает проблему бюджетирования, с которой большинство финансовых команд предприятий не умеют справляться. Модели, используемые для прогнозирования расходов на программное обеспечение — численность сотрудников, умноженная на цену за место — не применимы к оценке на основе потребления. Компании, которые в 2024 году внедрили AI-инструменты, основываясь на оценках поставщиков типичного использования, теперь обнаруживают, что их активные пользователи потребляют в 10–20 раз больше среднего, расходуя годовые квоты за несколько месяцев вместо года.
Кризис бюджета вынуждает вести разговор, которого многие технологические компании избегали: какова измеримая отдача от инвестиций в инструменты ИИ? Прирост производительности от AI-помощников в программировании реальный — исследования GitHub, Microsoft и независимых исследователей последовательно показывают улучшение выхода кода на 20–40% для разработчиков, использующих инструменты ИИ. Но перевод этого прироста производительности в денежное выражение, которое оправдывало бы расходы, сложнее, чем кажется.
Проблема заключается в том, что производительность разработки программного обеспечения крайне сложно измерить. Количество строк кода, объединённых pull-запросов и исправленных ошибок — всё это несовершенные показатели. Компании, которые могут продемонстрировать явную связь между внедрением инструментов ИИ и результатами, приносящими доход, — более быстрый запуск продуктов, меньше случаев сбоев в производстве, сокращенное время выхода на рынок — смогут обосновать возврат инвестиций. Компании, которые не могут установить такую связь, становятся всё более уязвимыми для сокращений бюджета, так как финансовые команды тщательно проверяют цифры.
Эпизод с Uber, вероятно, ускорит несколько тенденций, которые уже формируются в отрасли. Поставщики инструментов ИИ столкнутся с давлением предложения более предсказуемого ценообразования — фиксированные корпоративные контракты с ограничением использования вместо чисто потребительского ценообразования. Компании будут инвестировать в инструменты мониторинга и управления использованием ИИ, чтобы понять, где концентрируется потребление и коррелирует ли оно с бизнес-результатами. А разрыв между компаниями, ориентированными на ИИ — которые с самого начала строили свои модели затрат вокруг ИИ — и традиционными предприятиями, адаптирующими ИИ к устаревшим рабочим процессам, будет продолжать расширяться.
Более глубокий вопрос заключается в том, достаточно ли прироста производительности от инструментов ИИ, чтобы оправдать их стоимость в масштабах. Для отдельных разработчиков ответ почти наверняка положительный. Для предприятий, управляющих тысячами мест и непредсказуемым потреблением, ответ зависит от того, смогут ли финансовые команды построить системы измерений для фиксации ценности — и смогут ли поставщики ИИ пойти им навстречу с моделями ценообразования, предназначенными для реального мира, а не оптимистичных прогнозов раннего рынка.