Pol miliardy dolárov. Za mesiac. Na jeden AI nástroj. Toto nie je sci-fi scenár, ale reálny prípad, ktorý odhalil Axios. Jedna nemenovaná firma údajne minula 500 miliónov dolárov na Claude, pretože nikto v celej organizácii nenastavil limity na používanie licencií. Nikto. Ani jeden človek.
Ako sa to vôbec stane? Jednoduchšie, než si myslíš. Enterprise plány pre AI modely lákajú firmy na zdanlivo jednoduché paušálne ceny. Ale tieto plány väčšinou obmedzujú počet requestov na model, nie celkový objem využitia. Keď firma dá stovkám zamestnancov prístup k výkonnému modelu bez akýchkoľvek guardrails, faktúra rastie potichu, kým niekto konečne otvorí účet.
A nie, tento prípad nie je ojedinelý. Iný CTO sa posťažoval, že jeho zamestnanci používajú AI systémy na zisťovanie počasia. Funguje to, jasné. Ale stojí to viac ako obyčajné vyhľadávanie. Sophia Velastegui, bývalá AI lead v Microsofte, hovorí, že firmy majú tendenciu nasadzovať AI na úlohy, ktoré nechce robiť nikto, namiesto toho, aby AI poháňalo prácu, ktorá reálne generuje príjmy. To je základný problém.
Microsoft nedávno interne oklieštil Claude Code licencie, a to čiastočne kvôli strategickým dôvodom, ale aj preto, že náklady začali stúpať. Uber COO zase povedal, že výdavky na AI sa čoraz ťažšie obhajujú, kým nie je jasné, aký ROI to prináša. Toto nie sú malé firmy, ktoré nevedia, čo robia. Sú to giganti, ktorí si začínajú robiť starosti s tým, čo platia.
Kde sa peniaze vlastne strácajú
Dve najväčšie chyby pri používaní AI v firmách sú zle zvolený model a nesprávne používanie. Oboje znie banálne, ale dôsledky sú obrovské.
Nesprávne používanie najčastejšie vyzerá tak, že zamestnanci vedú nekonečné chaty s AI bez akejkoľvek kontextovej disciplíny. Konverzácia rastie, context window sa nafukuje a každý ďalší request je drahší. Bez správneho context engineeringu môže jedna úloha stáť desaťnásobne viac, než je potrebné.
Zlý výber modelu znamená, že firma hodí drahý, výkonný model na úlohu, ktorú by zvládol lacnejší za zlomok ceny. GPT-4o level model na sumarizáciu interného emailu? Zbytočné. Na to existujú menšie, špecializovanejšie modely, ktoré to zvládnu rovnako dobre za podstatne menej peňazí.
A potom je tu ešte jedna vec, na ktorú firmy zabúdajú. Nie každá úloha potrebuje generatívnu AI. Veľa procesov stále funguje lepšie v klasickom softvéri. Vedieť rozlíšiť, kedy použiť AI a kedy nie, by mala byť základná zručnosť každého zamestnanca, ktorý s AI pracuje.
Kvalita trpí rovnako ako peňaženka
Vysoké náklady sú jedna vec. Ale keď firma nevie, čo robí, trpí aj kvalita výstupov. Nedávny príklad ukázal, ako Copilot v auto móde úplne zlyhal pri analýze dát a sebavedome produkoval silno skreslené výsledky. Prepnutie na thinking model problém vyriešilo. Ale koľko firiem to vôbec odhalí?
Toto je výzva, ktorá sa týka aj teba, ak v práci používaš AI nástroje. Naučiť sa, ktorý model vybrať, ako správne formulovať kontext a kedy AI vôbec nepoužiť, to nie sú len technické detaily pre IT oddelenie. To sú zručnosti, ktoré v najbližších rokoch rozhodnú, kto v práci pridáva hodnotu a kto len generuje náklady. Nový pojem, ktorý sa čoraz viac skloňuje, je AI agent orchestrator, teda človek, ktorý vie tieto systémy skutočne riadiť a nasmerovať. Takí ľudia budú mať prácu. Tí, čo sa pýtajú AI na počasie, menej.
