Ještě před pár lety byla ekonomika AI programování nádherně jednoduchá. Firma zaplatila vývojáři pár desítek dolarů měsíčně za Copilot, ten mu sem tam doplnil funkci nebo napsal test a všichni byli spokojení. Produktivita rostla a účetní nad tím nemusela přemýšlet.
Jenže tahle éra končí.
Dnešní AI už není našeptávač čekající, až programátor zmáčkne Tab. Claude Code, Codex, Cursor a další agentické nástroje dokážou procházet celý projekt, číst stovky souborů, hledat chyby, spouštět testy, opravovat vlastní kód a celý cyklus několikrát zopakovat. Jeden člověk může současně rozjet několik agentů a nechat je pracovat na různých úkolech.
Je to fantastické.
A taky zatraceně drahé.
Firmy tak začínají objevovat něco, co v době prvních AI asistentů nebylo příliš vidět: výpočetní výkon AI se postupně mění z drobného softwarového předplatného na regulérní nákladovou položku vývoje.
Rippling už nechce vědět jen kolik AI stojí. Chce vědět, jestli si na sebe vydělá
Hezkým příkladem je americký Rippling. Firma už nesleduje pouze to, kolik její zaměstnanci utratí za OpenAI, Anthropic nebo Cursor. Začala tyto náklady spojovat s reálnými výsledky jednotlivých zaměstnanců.
Její nový AI Spend Console dokáže například porovnat spotřebu AI s počtem pull requestů, pracovními výsledky nebo tím, jak často kolegové vracejí programátorovi jeho kód k přepracování. Jinými slovy: firma se nesnaží zjistit pouze, kdo spotřeboval nejvíce tokenů, ale kdo za ty tokeny vytvořil něco užitečného.
A už první výsledky jsou docela zábavné.
Šéf Ripplingu Parker Conrad ukázal například zaměstnance, který používal Claude k analýze kalendáře a e-mailů a sestavování denního plánu. Roční tempo jeho AI nákladů odpovídalo zhruba 30 000 dolarům.
Třicet tisíc dolarů ročně za to, aby vám počítač řekl, co máte dnes dělat.
Technologický pokrok je někdy nádherný způsob, jak vyřešit problém, který předtím prakticky neexistoval.
Rippling zjistil ještě něco důležitějšího. Nejlepší zaměstnanci skutečně často používají AI nejvíce. Vysoká spotřeba tedy sama o sobě není problém.
Jenže existuje i jiná skupina: lidé s vysokými náklady na AI, jejichž kód kolegové často vracejí k přepracování.
Conrad pro jejich produkci použil velmi přesný výraz: slop.
A právě zde začíná být ekonomika AI zajímavá.
Token není produktivita
Technologické firmy zatím rády ukazovaly jednoduchá čísla.
Kolik procent kódu napsala AI. Kolik hodin programátor ušetřil. Kolik pull requestů vytvořil. Kolikrát rychleji byla dokončena nějaká funkce.
Airbnb například oznámilo, že AI v prvním čtvrtletí 2026 spoluvytvářela téměř 60 % kódu jeho vývojářů. Brian Chesky tvrdí, že díky tomu týmy rychleji vydávají nové funkce a rychleji iterují.
Microsoft zase při rozsáhlém nasazení agentických nástrojů mezi desítkami tisíc vývojářů zaznamenal u uživatelů přibližně 24% nárůst počtu sloučených pull requestů. Sami autoři studie ale správně upozorňují, že počet pull requestů není totéž jako vytvořená hodnota.
A přesně tady se nachází problém.
AI dokáže vyrobit obrovské množství kódu.
To ještě neznamená, že firma potřebuje obrovské množství kódu.
Programátor, který pomocí AI vytvoří dvakrát více řádků, ale následně polovinu týdne opravuje chyby, nevytvořil dvakrát více hodnoty. Jen dokázal rychleji vyrobit práci pro sebe a své kolegy.
Agent není chat. A spotřeba tomu odpovídá
Největší změna přichází s agentickým programováním.
Klasickému chatbotu položíte otázku, model ji zpracuje a odpoví.
Agent dostane úkol typu:
„Najdi příčinu této chyby, oprav ji, spusť testy a ověř, že jsi nerozbil nic dalšího.“
A začne pracovat.
Načte dokumentaci.
Prohledá projekt.
Otevře deset souborů.
Spustí příkaz.
Dostane chybu.
Znovu načte soubor.
Upraví kód.
Spustí test.
Zjistí další problém.
A celé kolečko pokračuje.
Výzkum zveřejněný letos ukázal, že agentické programovací úlohy mohou spotřebovat přibližně tisíckrát více tokenů než běžné dotazy nad kódem. Navíc se spotřeba stejného úkolu mezi jednotlivými běhy může lišit až třicetinásobně. Více spotřebovaných tokenů přitom automaticky neznamenalo lepší výsledek.
To je pro firemní finance poměrně nepříjemná kombinace.
Máte systém, jehož cenu předem neumíte přesně určit a u kterého vyšší účet nemusí znamenat lepší výsledek.
V podstatě cloud computing, jen s ještě větší dávkou magie.
Nejdražší model může být nakonec nejlevnější
Přirozenou reakcí firem bude hledání levnějších modelů.
Jenže ani tady jednoduchá matematika příliš nefunguje.
Model může stát polovinu za milion tokenů, ale pokud k vyřešení problému spotřebuje třikrát více tokenů nebo musí pětkrát opravovat vlastní chybu, je ve výsledku dražší.
Tohle bude podle mě jedna z nejdůležitějších změn následujících let.
Firmy přestanou tolik řešit cenu milionu tokenů a začnou měřit cenu dokončeného úkolu.
Kolik nás stálo:
- opravení jednoho bugu,
- vytvoření jedné funkce,
- dokončení pull requestu,
- migrace databáze,
- vytvoření testů,
- nebo třeba aktualizace závislostí.
Teprve potom zjistíme skutečnou cenu jednotlivých modelů.
U agentů je totiž úplně možné, že dražší model, který pochopí problém napoprvé, bude ekonomicky výhodnější než levnější model běhající dvacet minut v kruhu.
Výzkumy už ukazují, že tokenová efektivita jednotlivých modelů se výrazně liší a že samotné modely navíc neumějí příliš dobře předpovědět, kolik tokenů při řešení úkolu spotřebují.
Přichází FinOps pro AI
Podobnou cestu už technologický svět jednou prošel.
Na začátku cloud computingu znělo všechno nádherně.
Nemusíte kupovat servery. Zaplatíte jen za to, co skutečně používáte.
Potom přišel účet za AWS.
A vznikl celý obor FinOps, jehož úkolem je sledovat, proč někdo nechal tři roky běžet instanci, na kterou už všichni zapomněli.
S AI se začíná opakovat prakticky totéž.
Databricks už například nabízí rozpočty, limity a sledování nákladů jednotlivých uživatelů a týmů. U AI služeb lze nastavit prahy a v některých případech používání po překročení limitu rovnou zablokovat.
Meta přemýšlí podobně. Šéf Instagramu Adam Mosseri letos připustil, že v horizontu jednoho až dvou let může nastat situace, kdy AI spotřeba schopného vývojáře bude srovnatelná s jeho mzdovými náklady. V takové situaci už podle něj budou firmy muset zavádět limity.
Uber už podobný problém řešil podstatně méně teoreticky. Podle TechCrunch vyčerpal svůj AI rozpočet na celý rok 2026 během prvních čtyř měsíců a následně zavedl limit 1 500 dolarů na zaměstnance.
Najednou už tedy nemluvíme o předplatném za dvacet dolarů.
Mluvíme o infrastruktuře.
Znamená to, že AI programování nedává ekonomicky smysl?
Právě naopak.
Tady by bylo snadné sklouznout k oblíbenému závěru, že AI je přehnaný hype a firmy konečně zjistily, že nefunguje.
Jenže dostupná data ukazují něco jiného.
Vývojáři s AI často skutečně pracují rychleji. Randomizovaný experiment Googlu například naměřil u složitého programovacího úkolu přibližně 21% zkrácení času práce.
Airbnb tvrdí, že jeho týmy díky AI rychleji vydávají nové funkce. Microsoft vidí více dokončených pull requestů. A Grindr letos uvedl, že díky AI dosahuje produktivity, která by podle firmy jinak vyžadovala přibližně dalších 200 vývojářů a 60 milionů dolarů ročně. Na AI tokeny přitom plánuje letos utratit asi šest milionů dolarů.
Pokud jsou tato čísla alespoň přibližně správná, je to mimořádně dobrý obchod.
Utratit šest milionů a vyhnout se nákladům šedesáti milionů opravdu není účetní katastrofa.
Problém tedy není v tom, že AI stojí peníze.
Problém je, že firmy zatím často netuší, za co přesně je utrácejí.
Vývojář budoucnosti možná nebude dražší kvůli platu
Dnes se u programátora řeší plat, notebook, licence IDE a několik cloudových služeb.
Za pár let může být součástí jeho ceny také pravidelný AI rozpočet.
A nebude malý.
Seniorní vývojář může mít například k dispozici několik výkonných agentů, kteří budou paralelně programovat, testovat, analyzovat chyby a připravovat pull requesty.
Takový člověk už nebude ekonomicky připomínat jednoho zaměstnance s chytrým editorem.
Spíš malý vývojový tým, jehož část tvoří software placený podle spotřeby.
To zároveň dramaticky změní způsob hodnocení programátorů.
Počet napsaných řádků kódu bude ještě nesmyslnější metrika než dnes.
Počet promptů nikoho nebude zajímat.
A samotný počet tokenů už vůbec ne.
Rozhodující bude něco mnohem jednoduššího:
Kolik hodnoty člověk vytvořil a kolik firmu její vytvoření stálo.
AI tedy možná programování skutečně zlevní. Jen trochu jinak, než jsme čekali
První generace AI coding nástrojů slibovala levnější vývoj díky tomu, že programátor bude rychlejší.
Agentická AI přináší mnohem radikálnější změnu.
Programátor už nemusí být pouze člověk píšící kód. Může se stát někým, kdo řídí několik digitálních pracovníků současně.
Produktivita takového člověka může být násobně vyšší.
Jenže jeho spotřeba výpočetního výkonu také.
A právě proto bude další velká bitva v AI programování možná překvapivě nudná. Nebude se odehrávat jen v benchmarcích mezi OpenAI, Anthropicem, Googlem nebo čínskými modely.
Bude se odehrávat v účetnictví.
Vyhraje totiž model a nástroj, který nebude pouze nejlepší v psaní kódu.
Vyhraje ten, který za jeden dolar vytvoří nejvíce skutečně použitelné práce.
A firmy, které dnes bez měření pouštějí nejdražší modely každému zaměstnanci prakticky bez omezení, možná za pár měsíců objeví stejnou životní zkušenost jako před lety u cloudu:
Technologie měla ušetřit peníze.
A pak přišla faktura.
