Az AI ma sok cégnél úgy viselkedik, mint a felhő 2018 körül: pillanatok alatt alapinfrastruktúra lesz, csak épp a számla később érkezik. Mostanra viszont több helyen tényleg „megérkezett a token-csekk” — és kellemetlenül nagy.

Mi történt

Több nagyvállalatnál látványosan megugrottak az AI-hoz kapcsolódó költségek. Előfordult, hogy egy cég már tavaszra elköltötte a teljes éves AI-kódolási keretét, máshol fejlesztői licencet vontak vissza röviddel a bevezetés után, és olyan is van, ahol egy korábban rutin jellegű szerződéshosszabbítás 4–5-ször drágábban érkezett vissza.

A paradoxon az, hogy közben a „per token” árak sok esetben csökkentek. A gondot nem az egységár, hanem a mennyiség okozza: a cégek egyre több feladatot adnak AI-nak, és terjednek az ügynök jellegű (agentic) megoldások. Gondolj rá úgy, mint amikor nem egy ember kérdez rá valamire, hanem egy „digitális gyakornok” automatikusan újra és újra kérdez, futtat, ellenőriz, majd újrakezdi — mindez tokenfogyasztással jár.

Ezzel párhuzamosan a korábbi „korlátlan” vagy lazán kezelt előfizetések után most sok szervezet próbálja visszafejteni, hova ment el a pénz: ki, melyik modellre, milyen feladatra, milyen gyakorisággal használta az AI-t, és ebből mi lett tényleges üzleti érték.

Miért fontos

A token valójában egy fogyasztási egység: a modell bemenetének és kimenetének „szövegdarabjai”, amik után fizetsz. A probléma ott élesedik, hogy az ügynökök és a fejlesztői eszközök (például AI-kódasszisztensek) nem egyszeri kérdéseket generálnak, hanem folyamatos munkafolyamatokat — és ez a fogyasztást könnyen nagyságrendekkel feljebb tolja. Közben a produktivitásról szóló adatok vegyes képet adnak: nőhet a kibocsátás, de nőhetnek a hibák és az újraírások is, vagyis a „több token = több érték” logika nem automatikus.

Mire figyelj

  1. Token-korlátok és jogosultságok: egyre több helyen jönnek a csoportonkénti limitek, jóváhagyási lépések és „budget guardrail”-ek. Ez nem csak spórolás: alap kontroll, hogy ne legyen véletlenül több tíz- vagy százezer dolláros hónap egyetlen mérnöknél.
  2. Mérhetőség: költség vs. üzleti érték: a nehéz rész nem az, hogy mennyi tokent égettél el, hanem hogy ebből mennyi bevétel, gyorsabb piacra kerülés vagy kevesebb incidens lett. Amíg ez nincs összekötve, a legjobb modell használata is könnyen csak drága szokás.
  3. Auditálhatóság és adatmennyiség: a tokenkövetés nagyságrenddel durvább adatprobléma lehet, mint a klasszikus cloud költségkövetés. Nem spreadsheet-kérdés, hanem naplózás, egységes metrikák, és olyan elszámolási rendszerek, amelyek bírják a terhelést.
  4. Új piac és szabványosítás: formálódik egy külön költség- és teljesítménymenedzsment réteg (mérés, optimalizálás, belső visszaterhelés). Ebbe a logikába illeszkedik az a törekvés is, hogy a tokenköltéshez hasonló fegyelmet hozzanak, mint amit a FinOps a felhőnél elért — a TechCrunch által idézett iparági megszólalások alapján a fókusz mára egyértelműen a kontrollra és az átláthatóságra tolódott.

A következő hónapok nagy kérdése az lesz, hogy a cégek képesek-e a tokenfogyasztást ugyanúgy „üzemi mérőórává” tenni, mint a felhőköltséget — és közben nem megfojtani azokat a csapatokat, ahol az AI tényleg kézzelfogható értéket termel.