Az Uber 2025 decemberében közel 5000 mérnökének adta oda az Anthropic kódoló AI-ját, a Claude Code-ot. 2026 áprilisára elfogyott a cég teljes éves AI-büdzséje… 

Költségtúllépés? Tulajdonképpen igen, de a fogyasztásalapú AI-árazás felborítja a vállalati pénzügyi tervezés megszokott szabályait. Hiszen, hogyan számolsz előre valamivel, ami egyik pillanatról a másikra 20x költségre tud felugrani, főleg ha mellette még versenyezteted is a mérnökeidet?

És bár a magyar cégek túlnyomó része még egészen máshol tart, pont most érdemes megérteni, mi közeledik felénk.

Két óra alatt 400 ezer forint

Praveen Neppalli Naga, az Uber technológiai igazgatója egy kétórás személyes demó alatt 1200 dollárnyi, vagyis nagyjából 400 ezer forintnyi tokent égetett el. Nem egy junior, aki nem tudja, mit csinál, ő a CTO, aki éppen megmutatta, mire képes az eszköz.

A számok a teljes szervezetben is hasonlóan alakultak. Egy átlagos Uber-mérnök havi 150-250 dollárnyi (durván 55-90 ezer forintnyi) AI-t fogyasztott, a legaktívabbak viszont 500-2000 dollár között jártak, fejenként és havonta. A bevezetés sebessége is elég komoly: februárban a mérnökök 32 százaléka használta a Claude Code-ot, márciusra 84 százalékuk már úgynevezett agentic felhasználónak számított, vagyis nem kódkiegészítésre használta az AI-t, hanem többlépéses feladatokat delegált neki. Tavaszra a commitolt kód 70 százaléka AI-tól származott, a backend frissítések 11 százalékát pedig már úgy írták a szoftverügynökök, hogy ember menet közben bele sem nézett.

Hiba? Nem hiba, nem egy “elszállt számla” anekdota. Az eszköz pontosan azt csinálta, amire tervezték, a mérnökök pedig pontosan arra használták, amire való: párhuzamos agent-futtatásra, nagy kódbázisok refaktorálására, automatizált tesztgenerálásra. Termelékenységi oldalról a bevezetés siker. Pénzügyi oldalról kicsit más a helyzet… Az Uber ráadásul rá is segített a folyamatra: belső ranglistákon rangsorolta a mérnököket a Claude Code-használatuk alapján. Aki többet használta, előrébb került. Ezt hívhatjuk nyugodtan tokenmaxxingnak, amikor a szervezet kultúrája, gamifikációja vagy egyszerűen a belső presztízs a nyers AI-fogyasztást jutalmazza, a tokenszámla pedig ezzel arányosan nő.

Ezt nem számolja ki neked az Excel

A baj ezzel az árazási modellel van, amibe már minden szolgáltató belecsúszik (muszáj is, hiszen amúgyis mínuszban vannak). A Claude Code nem licencenként számláz, hanem az elfogyasztott tokenek után. Ugyanaz a mérnök, ugyanazzal az eszközzel, ugyanazon a munkanapon tízszeres különbségű számlát tud produkálni attól függően, hogy kódkiegészítést kér vagy párhuzamos agenteket futtat egy teljes kódbázison. Egy éves büdzséciklus, ami kiszámítható, fejenkénti licencdíjakra épül, ezt a szórást egyszerűen nem tudja lekövetni.

Összehasonlításképp: a Microsoft 365 Copilot vállalati verziója fix havi 30 dollár fejenként.

A fogyasztásalapú modellben viszont a szállítónak korlátlan a felfelé irányuló potenciálja, a vevőnek pedig szinte nulla az előre láthatósága. Az irány ráadásul egyértelmű: az Anthropic júniustól külön kreditkeretet vezetett be az agenteszközökre, teljes API-áron, a GitHub Copilot kreditalapú rendszerre állt át, az elemzők szerint pedig 12-24 hónapon belül gyakorlatilag minden gyártó külön fogyasztási keretet vezet be az agentic használatra. Az átalánydíjas, korlátlan AI-használat korszaka egyszerűen végéhez közeledik (főleg vállalati szinten, ha egyáltalán volt ilyen).

“Az AI úgyis kitermeli az árát!” Ez a termelékenységi védekezés, nem? Amíg agentic módban 5-20-szoros a fogyasztásnövekedés dokumentált fejlesztőnként, addig nincs olyan nyilvános mérés, ami ugyanekkora szorzót mutatna a kibocsátás értékében. Andrew Macdonald, az Uber elnöke és operatív igazgatója is úgy fogalmazott, hogy nehéz kapcsolatot húzni a Claude Code-használat növekedése és a fogyasztóknak szánt innováció között: „That link is not there yet.” 

Plusz, ha kicsit kitekintünk, a Forbes által idézett felmérések szerint a szervezetek 43 százalékának van egyáltalán formális AI-szabályzata, és mindössze 21 százalékuk kezeli éretten az agentic használatot. A felhőköltségeknél már régen természetes a fejenkénti limit, a valós idejű monitoring és a túlköltés előtti riasztás. Az AI-eszközöknél ez a legtöbb helyen még hiányzik.

Kétszer fizetsz

Ha a tokenszámla lenne az egyetlen ár, még viszonylag egyszerű is lenne a képlet. Satya Nadella, a Microsoft vezérigazgatója viszont júliusban publikált egy esszét az X-en, amiben azt állítja, minden AI-t használó cég kétszer fizet: 

• egyszer pénzben, 
• egyszer pedig abban a tudásban, amit a modellbe táplál, hogy az egyáltalán hasznos legyen. 

Fordított információs paradoxonnak nevezte el, Kenneth Arrow Nobel-díjas közgazdász klasszikus információs paradoxonját megfordítva.

Régen az eladó kockáztatott, amikor megmutatta az áruját, most a vevő kockáztat, amikor használja, amit “megvett”.

A tudás Nadella szerint nem látványos adatszivárgással távozik, hanem azon keresztül, amit ő „exhaust”-nak hív: a promptjaidon, az agentjeid eszközhasználatán és főleg a javításaidon keresztül, amikor kiigazítod a modellt, ha téved. Minden korrekció tanítja a rendszert, és ez a tudás egy irányba áramlik, a modell tulajdonosa felé. A tokenmaxxing kontextusában ez elég kényelmetlen gondolat: minél intenzívebben használod az AI-t, nemcsak a számlád nő, hanem a kifelé szivárgó céges tudásod is. 

Az irónia persze, hogy mindezt annak a cégnek a vezére mondja, amelyik milliárdokat tolt az OpenAI-ba, és amelynek a Copilotja kifejezetten arra épül, hogy mélyen belelásson a céges levelezésbe és fájlokba. Nadella a megoldást is árulja: bizalmi határvonal a céges adatok köré, saját tesztkörnyezetek, gyártófüggetlen vezérlőréteg. A pitch az pitch, de az alapgondolat attól még áll.

Közben itthon

Mondhatni egészen másak még a felhasználási esetek mint a nagyvilágban.

A K&H innovációs index friss adatai szerint a legalább 300 millió forint éves árbevételű magyar közép- és nagyvállalatok 58 százaléka használ valamilyen AI-megoldást, fél évvel korábban még csak 48 százalék. A leggyakoribb felhasználás viszont:

• a szövegfordítás (39%), 
• a kivonatolás és levélírás (33%), 
• valamint a marketingkommunikáció támogatása (22%).

Persze, persze, tudjuk, vannak kivételek, sőt. Több tízezer egyéni vállalkozó, fejlesztő és ügynökség már saját fejlesztésű agent farmokkal dolgozik, vagy legalábbis erről árulkodik a legtöbb Facebook-csoport itthon. Plusz a Minneren is volt már bemutatva nagyvállalati AI eszköz (lsd. Heineken, SAP).

Az adatokból látszik, hogy a fordításra használt AI aránya egy év alatt megduplázódott, két év alatt megháromszorozódott, és aki ma fordít vele, az néhány év (vagy hónap?) múlva agenteket futtat majd, mert addigra az lesz az alap. Milán is kísérletezett ilyennel és itt számolt be róla: A saját JARVISOM: Hangalapú AI asszisztens kódolás nélkül (ElevenLabs + N8N)

Ha pedig érdekel, hogy vállalati szinten, hogyan érdemes egyáltalán a felmérésbe, majd a pilotba beleállni, akkor ajánlom a PwC vezető AI mérnökének cikkét és tanácsait, amit egyenesen ide, nekünk írt a Minneren: Hatékonyság, nem hype: Hogyan lesz valódi üzleti érték a generatív AI-ból? – útmutató

Egy biztos, mielőtt agentic eszközt adsz a csapatnak, legyen fejenkénti költési limit, legyen valós idejű rálátásod a fogyasztásra, és semmilyen formában ne jutalmazd a nyers használatot, mert pontosan azt kapod, amit mérsz: tokenégetést.

Olvasnál még a témában?

• Itt az új ragebait: ha otthonról is elvégezhető a munkád, akkor le fog váltani az AI
• Az AI agent mánia után itt az MCP-láz. Mi ez? Így kell használni
• A lassú digitalizáció égeti a cég pénzét, miközben a konkurencia röhögve fejleszt – Oriana
• Automatizálsz, hogy csökkentsd a munkaterhed, aztán csak felerősíted azt – asyncron multitasking 

Forrás:
Forbes, The Next Web, HVG

Fotó:
Canva, Flow