Tokenová krize: podniky vyčerpávají AI rozpočty měsíce před koncem roku

Uber spotřeboval celý roční AI rozpočet za pouhé čtyři měsíce. Nejde o výjimku — jde o nový normál. Jevonsův paradox zasáhl podnikové IT a AI účty rostou i přesto, že cena za token klesá.

Uber spotřeboval celý svůj roční AI rozpočet za pouhé čtyři měsíce. Ne kvůli plýtvání ani špatné správě — ale proto, že 5 000 inženýrů začalo používat Anthropicův Claude Code rychleji, než komukoliv docházelo. Měsíční náklady na jednoho vývojáře se pohybovaly mezi 500 a 2 000 dolary. Roční plán byl vyčerpán do května. Není to přitom ojedinělý případ. Jde o příznak systémového problému, který nyní trápí podniky napříč odvětvími.

Jevonsův paradox v éře AI

Ekonomové by tento jev okamžitě rozpoznali. William Stanley Jevons ho popsal v 19. století v kontextu uhlí: když se efektivita spalování zlepšila, spotřeba uhlí nejenže neklesla — prudce vzrostla. Totéž se teď děje s AI tokeny. Za poslední dva roky klesla cena za token přibližně o řád velikosti — tedy zhruba desetkrát. Logicky by to mělo znamenat, že AI je levnější. Ve skutečnosti se celkové náklady podniků na AI zvyšují. Spotřeba tokenů totiž vzrostla více než stonásobně.

Důvod? AI přestala být nástrojem pro pár nadšenců v IT oddělení. Stala se každodenní součástí práce tisíců zaměstnanců. Každý má AI asistenta, každý automatizovaný workflow volá modely, každý agentic pipeline generuje tokeny. A těchto volání jsou miliony denně. Brian Gracely z Red Hat to popsal výstižně na konferenci VentureBeat AI Impact Tour: "Máme zákazníky, kteří říkají: Mám 50 000 licencí Copilotu. Nevím přesně, co z toho lidé mají. Ale vím, že platím za nejdražší výpočty na světě, protože jsou to GPU. Jak to dostat pod kontrolu?"

Náklady na token jako metrika se staly klíčovým provozním ukazatelem podnikového IT — na stejné úrovni jako dostupnost systémů nebo výkon.

Agentická AI: tichý zabiják rozpočtů

Pokud vás dosud AI stála rozumné peníze, pravděpodobně jste ji ještě nevystavili plné agentické zátěži. Tradiční AI použití — uživatel pošle dotaz, model odpoví — má relativně předvídatelnou spotřebu tokenů. Agentická AI funguje jinak. Model dostane úkol, sám si plánuje kroky, volá nástroje, generuje mezivýsledky, opravuje chyby, provádí iterace. Každý krok = tokeny. A úkolů přibývá exponenciálně. Podle dat z podnikového sektoru je 95 % spotřeby AI tokenů koncentrováno v nejdražších prémiových modelech — i přesto, že velká část úkolů by zvládla levnější alternativy. Nikdo to ale neřídí. Chybí governance, chybí viditelnost, chybí přiřazení nákladů k výsledkům.

Uber: celý 2026 AI rozpočet vyčerpán za 4 měsíce, měsíční náklady na inženýra 500–2 000 USD Microsoft: zrušil stovky interních Claude Code předplatných kvůli nekontrolovaným nákladům Google: musel urychleně uvést Gemini 3.5 Flash — levnější model pro enterprise workloady 95 % spotřeby tokenů jde do nejdražších modelů, i když by levnější stačily Celkové enterprise AI výdaje: z 3,5 mld. USD (konec 2024) na odhadovaných 15 mld. USD (2026)

Jak z toho ven: od konzumenta tokenů k jejich správci

Řešení není v tom přestat používat AI. Bylo by to strategicky sebevražedné. Řešení je přejít od naivního konzumování tokenů k jejich vědomé správě. Odborníci mluví o takzvaném "FinOps pro AI" — analogii cloudového finančního řízení, které firmy bolestivě zvládaly před deseti lety s AWS. Jde o disciplínu, která kombinuje technologická, procesní i kulturní opatření.

Prvním krokem je viditelnost. Bez dat o tom, kdo, kdy a na co tokeny spotřebovává, nelze nic optimalizovat. Firmy jako Ramp nebo specializované platformy pro AI FinOps nabízejí real-time monitoring tokenové spotřeby s přiřazením k týmům, projektům a byznysovým výsledkům. Druhým krokem je stratifikace modelů. Ne každý úkol potřebuje GPT-4 nebo Claude Opus. Jednodušší dotazy, klasifikace, extrakce dat — ty zvládne model za desetinu ceny. Dobře navržená orchestrační vrstva automaticky routuje požadavky ke správnému modelu. Podle analýz to může snížit celkové náklady o 50 až 80 procent.

Třetím krokem je přehodnocení otázky "kupovat vs. provozovat". Dario Amodei z Anthropicu odhaduje, že ceny inference klesají o 60 % ročně. Pro firmy s masivními workloady to otevírá otázku, zda není výhodnější provozovat vlastní GPU infrastrukturu nebo open-source modely. DeepSeek a podobné alternativy jsou dnes výkonnostně srovnatelné s komerčními modely za zlomek ceny — pokud máte kapacitu je provozovat. Čtvrtý krok je nejtěžší: přiřadit AI náklady k měřitelným výsledkům. Uber nezjistil jen to, že utratil příliš — zjistil, že nedokáže prokázat, kolik nových funkcí díky AI vyvinul. Bez ROI metriky je jakékoli rozhodnutí o AI investicích vlastně slepé.

Co to znamená pro českou firmu

Pokud jste AI teprve zavádíte nebo jste ve fázi pilotů, máte výhodu: učíte se z chyb gigantů. Hlavní lekce jsou jasné. Nastavte spending limity pro každý tým a projekt ještě před tím, než AI nasadíte do produkce. Zaveďte pravidelný reporting tokenové spotřeby — ideálně týdenní. Definujte, jaký výsledek od AI čekáte, a měřte ho. Nezačínejte s nejdražším modelem jen proto, že je nejznámější — otestujte levnější alternativy pro konkrétní use case. A vytvořte interní kulturu, kde vývojáři a uživatelé chápou, že tokeny nejsou zadarmo.

AI se přesouvá z kategorie "inovační experiment" do kategorie "core IT náklad". Gartner odhaduje, že globální AI výdaje překročí v roce 2026 2 biliony dolarů — z toho více než polovina půjde do infrastruktury. Pro podnikatele to znamená jedno: AI governance přestává být volitelná. Stává se základní kompetencí každé firmy, která chce AI skutečně využívat — a ne jen platit za iluzi produktivity.